Castilla Ce

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 210

Universidad Nacional Mayor de San Marcos

Universidad del Perú. Decana de América


Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica
Escuela Profesional de Ingeniería Civil

Modelo hidrológico regional con cambio climático global


de caudales medios anuales de la cuenca hidrográfica del
Río Santa, aplicando la ecuación de Fokker-Planck-
Kolmogorov

TESIS
Para optar el Título Profesional de Ingeniero Civil

AUTOR
Erick Vladimir CASTILLA CHANCO

ASESOR
Dr. Samuel Ismael QUISCA ASTOCAHUANA

Lima, Perú

2022
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales

https://creativecommons.org/licenses/by-nc-sa/4.0/
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no
comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas
creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas
tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia.
Referencia bibliográfica

Castilla, E. (2022). Modelo hidrológico regional con cambio climático global de


caudales medios anuales de la cuenca hidrográfica del Río Santa, aplicando la
ecuación de Fokker-Planck-Kolmogorov. [Tesis de pregrado, Universidad Nacional
Mayor de San Marcos, Facultad de Ingeniería Geológica, Minera, Metalúrgica y
Geográfica, Escuela Profesional de Ingeniería Civil]. Repositorio institucional
Cybertesis UNMSM.
Metadatos complementarios

Datos de autor

Nombres y apellidos Erick Vladimir Castilla Chanco

Tipo de documento de identidad DNI

Número de documento de identidad 77093376

URL de ORCID https://orcid.org/0000-0003-4298-2316

Datos de asesor

Nombres y apellidos Samuel Ismael Quisca Astocahuana

Tipo de documento de identidad DNI

Número de documento de identidad 06640007

URL de ORCID https://orcid.org/0000-0003-2477-9306

Datos del jurado

Presidente del jurado

Nombres y apellidos Luis Miguel Morán Yáñez

Tipo de documento DNI

Número de documento de identidad 06118148

Miembro del jurado 1

Nombres y apellidos Félix Santiago Sánchez Benites

Tipo de documento DNI

Número de documento de identidad 07171669

Miembro del jurado 2

Nombres y apellidos Humberto Iván Pehovaz Alvarez

Tipo de documento DNI

Número de documento de identidad 07450662

Datos de investigación
Línea de investigación C.0.1.15. Hidrología
Grupo de investigación No aplica.
Agencia de financiamiento Sin financiamiento.
Edificio: (Si se trata de una investigación en
laboratorio, universidad, empresa o
institución)
Ubicación geográfica de la
País: Perú
investigación
Departamento: Ancash, La Libertad
Latitud: -9.089433
Longitud: -77.776244
Año o rango de años en que se
Octubre 2020 – marzo 2022
realizó la investigación

Estadísticas, Probabilidad
https://purl.org/pe-repo/ocde/ford#1.01.03
Oceanografía, Hidrología, Recursos
URL de disciplinas OCDE hídricos
https://purl.org/pe-repo/ocde/ford#1.05.11
Ingeniería civil
https://purl.org/pe-repo/ocde/ford#2.01.01
Firmado digitalmente por MAYORGA
ROJAS Jaime Cesar FAU
20148092282 soft
Motivo: Soy el autor del documento
Fecha: 17.05.2022 15:52:29 -05:00

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS


Universidad del Perú, DECANA DE AMÉRICA
FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA, METALÚRGICA Y GEOGRÁFICA
ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

ACTA DE SUSTENTACIÓN VIRTUAL DE TESIS PARA OPTAR TÍTULO


PROFESIONAL DE INGENIERO CIVIL

Siendo las 8:30 a.m. del día jueves 05 de Mayo del 2022 y conforme a la Directiva General de
Sustentación de Tesis en la Modalidad No Presencial, aprobada con Resolución Rectoral N° 01242-R-
20, usando la Plataforma Virtual Google Meet. En presencia del Vicedecano Académico de la Facultad,
Dr. Jaime César Mayorga Rojas y los Señores Docentes designados como Miembros del Jurado
Calificador:
Dr. LUIS MIGUEL MORÁN YÁÑEZ Presidente
Dr. FÉLIX SANTIAGO SÁNCHEZ BENITES Miembro
Dr. HUMBERTO IVÁN PEHOVAZ ALVAREZ Miembro

Reunidos en Acto Académico Virtual Público de Sustentación de la Tesis titulada: «MODELO


HIDROLÓGICO REGIONAL CON CAMBIO CLIMÁTICO GLOBAL DE CAUDALES MEDIOS
ANUALES DE LA CUENCA HIDROGRÁFICA DEL RÍO SANTA, APLICANDO LA ECUACIÓN
DE FOKKER-PLANCK-KOLMOGOROV» presentada por el Bachiller ERICK VLADIMIR
CASTILLA CHANCO, para optar el Título Profesional de Ingeniero Civil, asesorado por el Dr. Samuel
Ismael Quisca Astocahuana.

Expuesta la Tesis; los miembros del Jurado plantearon al Bachiller las preguntas pertinentes, que fueron
absueltas a: Satisfacción del Jurado

Concluida la sustentación de Tesis, el Jurado procedió a evaluar y calificar la calidad y sustentación en


secreto, cuyo calificativo fue: 17

Habiendo sido aprobada la Sustentación de la Tesis por el Jurado Calificador, el Presidente del Jurado
recomienda que la Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica, otorgue el
TÍTULO PROFESIONAL DE INGENIERO CIVIL, a Don ERICK VLADIMIR CASTILLA
CHANCO.

Siendo las 9:41am, se dio por concluido el acto académico, expidiéndose Actas Originales de la
Sustentación de Tesis, firmadas por el Jurado Calificador.
Lima, 05 de mayo de 2022

Dr. LUIS MIGUEL MORÁN YÁÑEZ


PRESIDENTE
Firmado digitalmente por SANCHEZ
BENITES Felix Santiago FAU
20148092282 soft
Motivo: Soy el autor del documento
Fecha: 16.05.2022 19:22:44 -05:00

Dr. FÉLIX SANTIAGO SÁNCHEZ BENITES Dr. HUMBERTO IVÁN PEHOVAZ ALVAREZ
MIEMBRO MIEMBRO

Firmado digitalmente por SANCHEZ


BENITES Felix Santiago FAU
20148092282 soft
Motivo: Soy el autor del documento
Fecha: 15.05.2022 09:32:48 -05:00

Dr. FÉLIX SANTIAGO SÁNCHEZ BENITES


DIRECTOR (e)
ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

Ciudad Universitaria – Av. Germán Amézaga Nº 375 Central Telefónica 619-7000, anexo 1131
Lima 1 - Perú E-mail: eapic.figmmg@unmsm.edu.pe
II

Dedicatoria

A mis padres y hermanos, quienes sin su ayuda nada de esto hubiera sido posible.

Por su guía y apoyo incondicional, que sentaron las bases para crecer personal y

profesionalmente.
III

Agradecimientos

A mi alma mater y formadores profesionales, por compartir sus conocimientos y

experiencias durante mi vida universitaria.

A SQ & Ingenieros Consultores Constructores por brindarme su tiempo y conocimiento

durante el desarrollo de esta tesis de grado.


IV

CONTENIDO

RESUMEN..................................................................................................................................... 7
ABSTRACT ................................................................................................................................... 8
INTRODUCCIÓN ........................................................................................................................ 9
1. CAPÍTULO I: Generalidades ............................................................................................. 11
1.1. Cambio climático global y los recursos hídricos en las zonas altoandinas del Perú ...... 11
1.2. Formulación del problema .............................................................................................. 12
1.2.1. Problema general ................................................................................................... 12
1.2.2. Problemas específicos ........................................................................................... 12
1.3. Objetivos ......................................................................................................................... 12
1.3.1. Objetivo general .................................................................................................... 12
1.3.2. Objetivos específicos............................................................................................. 13
1.4. Hipótesis de la investigación .......................................................................................... 13
1.4.1. Hipótesis general ................................................................................................... 13
1.4.2. Hipótesis específicas ............................................................................................. 13
1.5. Justificación .................................................................................................................... 13
1.6. Alcances y limitaciones .................................................................................................. 14
1.7. Metodología y tipo de investigación............................................................................... 15
1.7.1. Diseño de la investigación..................................................................................... 15
1.7.2. Definición y operacionalización de las variables .................................................. 18
1.7.3. Matriz de consistencia ........................................................................................... 19
2. CAPÍTULO II: Marco teórico ............................................................................................ 20
2.1. Antecedentes ................................................................................................................... 20
2.1.1. Investigaciones internacionales ............................................................................. 21
2.1.2. Investigaciones nacionales .................................................................................... 25
2.2. Cuenca hidrológica ......................................................................................................... 26
2.2.1. Características de la cuenca y cauces .................................................................... 26
2.2.2. Parámetros geomorfológicos de la cuenca ............................................................ 27
2.2.3. Otros parámetros asociados a la cuenca ................................................................ 28
2.3. Cambio climático global ................................................................................................. 29
2.4. Modelos hidrológicos con influencia de cambio climático ............................................ 29
2.4.1. Modelo Budyko ..................................................................................................... 29
V

2.4.2. Modelo Fu ............................................................................................................. 31


2.4.3. Modelo de Fokker-Planck-Kolmogorov ............................................................... 32
2.5. Modelo hidrológico ........................................................................................................ 44
2.5.1. Modelo determinístico........................................................................................... 44
2.5.2. Modelo estocástico ................................................................................................ 44
2.6. Proceso estocástico estacionario ..................................................................................... 46
2.6.1. Prueba de estacionariedad ..................................................................................... 46
2.6.2. Series de tiempo .................................................................................................... 49
2.6.3. Proceso de ruido blanco ........................................................................................ 49
2.6.4. Modelos de serie de tiempo ................................................................................... 50
2.6.5. Modelo ARIMA .................................................................................................... 50
2.6.6. Proceso estacionario de series temporales ............................................................ 50
2.7. Proceso no estacionario de series temporales ................................................................. 56
2.7.1. Modelos autorregresivo integrado de promedio móvil ARIMA(p,d,q) ................ 56
2.8. Metodología de Box – Jenkins ....................................................................................... 57
2.8.1. Identificación ......................................................................................................... 58
2.8.2. Estimación ............................................................................................................. 59
2.8.3. Validación ............................................................................................................. 62
2.8.4. Pronóstico .............................................................................................................. 65
2.9. Serie de tiempo hidrológico ............................................................................................ 65
2.9.1. Parámetros estadísticos ......................................................................................... 65
2.9.2. Análisis de consistencia ........................................................................................ 68
2.9.3. Prueba de bondad y ajuste ..................................................................................... 69
2.9.4. Distribución empírica ............................................................................................ 70
2.9.5. Distribuciones teóricas .......................................................................................... 71
2.10. Modelo de Fokker-Planck-Kolmogorov (FPK) .............................................................. 78
2.11. Método de Monte Carlo .................................................................................................. 81
2.12. Regionalización de modelos hidrológicos ...................................................................... 81
2.13. Ecuación de regresión lineal múltiple............................................................................. 82
2.13.1. Estimación de parámetros ..................................................................................... 82
2.13.2. Error estándar del estimado ................................................................................... 83
VI

2.13.3. Coeficientes de determinación múltiple ................................................................ 83


2.13.4. Coeficientes de correlación múltiple ..................................................................... 84
3. CAPÍTULO III: Metodología ............................................................................................. 85
3.1. Materiales ....................................................................................................................... 85
3.2. Cuenca del río Santa ....................................................................................................... 85
3.3. Método ............................................................................................................................ 87
3.3.1. Recopilación de datos............................................................................................ 87
3.3.2. Análisis y tratamiento de datos ............................................................................. 89
3.3.3. Estacionariedad de la serie de tiempo hidrológica ................................................ 89
3.3.4. Identificación de modelos estocásticos ................................................................. 89
3.3.5. Estimación de parámetros de los modelos estocásticos identificados ................... 91
3.3.6. Validación de los modelos estocásticos identificados........................................... 91
3.3.7. Verificación del modelo estocástico seleccionado ................................................ 91
3.3.8. Determinación de la función de distribución probabilística.................................. 91
3.3.9. Determinación de parámetros del clima futuro (Ecuación FPK) .......................... 92
3.3.10. Regionalización del caudal medio anual ............................................................... 95
4. CAPÍTULO IV: Resultados ................................................................................................ 96
4.1. Análisis de estacionariedad de las series de tiempo hidrológicas ................................... 96
4.2. Identificación de los modelos estocásticos ..................................................................... 96
4.3. Estimación de la varianza de error de los modelos estocásticos identificados ............... 96
4.4. Validación de los modelos estocásticos identificados .................................................... 97
4.5. Verificación del modelo estocástico seleccionado ......................................................... 98
4.6. Ecuaciones del caudal medio anual de las estaciones hidrométricas ............................. 98
4.7. Determinación de los parámetros del caudal medio anual futuro................................... 99
4.7.1. Determinación de la función de distribución probabilística y bondad de ajuste . 101
4.8. Regionalización de los parámetros del modelo AR(1) ................................................. 102
4.8.1. Regionalización del parámetro � ........................................................................ 102
4.8.2. Regionalización de la desviación estándar de error ............................................ 104
4.8.3. Regionalización del caudal medio anual con cambio climático ......................... 105
4.9. Ecuación regional del caudal medio anual por influencia del cambio climático ......... 108
5. CAPÍTULO V: Discusión .................................................................................................. 109
5.1. Análisis de estacionariedad por Dickey Fuller ............................................................. 109
VII

5.2. Identificación de los modelos estocásticos ................................................................... 109


5.3. Estimación de la varianza de error................................................................................ 110
5.4. Validación del modelo estocástico ............................................................................... 110
5.5. Verificación del modelo estocástico ............................................................................. 110
5.6. Determinación de los parámetros de caudal medio anual futuro .................................. 111
5.7. Determinación de la función de distribución probabilística y bondad de ajuste .......... 111
5.8. Regionalización de parámetros del modelo AR(1) ....................................................... 111
5.9. Ecuación regional del caudal medio anual por influencia del cambio climático ......... 112
6. CAPÍTULO VI: Conclusiones y Recomendaciones ........................................................ 113
6.1. Conclusiones ................................................................................................................. 113
6.2. Recomendaciones ......................................................................................................... 114
BIBLIOGRAFÍA....................................................................................................................... 115
ANEXOS .................................................................................................................................... 122
VIII

ÍNDICE DE TABLAS

Tabla 1.1 Operacionalización de variables ................................................................................... 18


Tabla 1.2 Matriz de consistencia .................................................................................................. 19
Tabla 2.1 Estructura de FAC y FACP. ......................................................................................... 59
Tabla 2.2 Valores críticos de ∆ ................................................................................................... 70
Tabla 3.1 Parámetros fisiográficos en la cuenca del río Santa ..................................................... 87
Tabla 3.2 Distribución de superficie glaciar en la cuenca del río Santa ....................................... 87
Tabla 4.1 Prueba de estacionariedad de Dickey Fuller ................................................................. 96
Tabla 4.2 Varianza del ruido blanco o varianza de error .............................................................. 97
Tabla 4.3 Selección de modelo ..................................................................................................... 97
Tabla 4.4 Parámetros �, �, � del modelo AR(1) .......................................................................... 98
Tabla 4.5 Test de Ljung-Box ........................................................................................................ 98
Tabla 4.6 Ecuaciones del modelo AR(1) ...................................................................................... 99
Tabla 4.7 Precipitación total multianual por subcuenca ............................................................. 100
Tabla 4.8 Parámetros estadísticos del clima futuro .................................................................... 100
Tabla 4.9 Prueba de Kolmogorov ............................................................................................... 101
Tabla 4.10 Parámetros estadísticos del clima actual ................................................................... 101
Tabla 4.11 Valores estadísticos de la regionalización de � ....................................................... 102
Tabla 4.12 Parámetros de la regionalización y pronóstico de � ................................................ 102
Tabla 4.13 Valores estadísticos de la regionalización de �� ...................................................... 104
Tabla 4.14 Parámetros de la regionalización y pronóstico de �� ............................................... 104
Tabla 4.15 Valores estadísticos de la regionalización del caudal futuro .................................... 106
Tabla 4.16 Parámetros de la regionalización y pronóstico del caudal proyectado ..................... 106
Tabla 5.1 Parámetros de la regionalización y pronóstico del caudal proyectado ....................... 112
IX

ÍNDICE DE FIGURAS

Figura 1.1 Metodología de investigación...................................................................................... 16


Figura 2.1 Índice de evaporación (E/P) versus índice de evaporación potencial (E0/P) .............. 32
Figura 2.2 Característica de diseño sin teoría de procesos aleatorios ........................................... 34
Figura 2.3 Curvas de densidad de probabilidad (a) y de probabilidad (b) .................................... 36
Figura 2.4 Esquema de cuenca...................................................................................................... 37
Figura 2.5 Efecto de los coeficientes de desplazamiento (A) y difusión (B) ............................... 38
Figura 2.6 Momentos estadísticos de la curva de densidad de probabilidad ................................ 39
Figura 2.7 Histograma y curva de densidad.................................................................................. 40
Figura 2.8 Explicación de la inestabilidad del segundo momento................................................ 42
Figura 2.9 Significado físico del parámetro Intensidad del ruido blanco interno. ........................ 43
Figura 2.10 Clasificación de modelos hidrológicos según su forma ............................................ 45
Figura 2.11 Serie de tiempo del caudal medio anual y tiempo ..................................................... 47
Figura 2.12 Proceso de Ruido Blanco........................................................................................... 49
Figura 2.13 Metodología de Box-Jenkins ..................................................................................... 58
Figura 2.14 Serie histórica de estación Querococha ..................................................................... 68
Figura 3.1 Ubicación de cuenca y subcuencas de estudio del río Santa ....................................... 86
Figura 3.2 Mapa de variación de precipitación al año 2030 ......................................................... 88
Figura 3.3 Correlograma FAC y FACP de la serie de datos de la estación Llanganuco .............. 90
Figura 4.1 Gráfico de regresión entre � y Área con nevado ...................................................... 103
Figura 4.2 Gráfico de regresión entre � y Área sin nevado ....................................................... 103
Figura 4.3 Gráfico de regresión de �� y Área con nevado ......................................................... 105
Figura 4.4 Gráfico de regresión de �� y Área sin nevado .......................................................... 105
Figura 4.5 Gráfico de regresión caudal futuro y Área con nevado ............................................. 107
Figura 4.6 Gráfico de regresión caudal futuro y Área sin nevado .............................................. 107
X

ÍNDICE DE ANEXO

Anexo I Caudal medio anual (m3/s) de las estaciones hidrométricas ........................................ 123
Anexo II Serie de tiempo hidrológico de las estaciones hidrométricas ...................................... 132
Anexo III Correlograma de las estaciones hidrométricas ........................................................... 137
Anexo IV Análisis de residuos – Test de Ljung Box.................................................................. 146
Anexo V Algoritmos ................................................................................................................... 155
Anexo VI Curvas de densidad probabilística actual .................................................................. 165
Anexo VII Histograma de caudales simulados .......................................................................... 170
Anexo VIII Curvas de densidad probabilística con cambio climático ...................................... 175
Anexo IX Caudales medios anuales simulados del modelo hidrológico regional ..................... 180
Anexo X Laminas ...................................................................................................................... 185
Anexo XI Artículo publicado e indexado por SCOPUS ............................................................. 190
7

RESUMEN

El cambio climático global genera una variación de precipitación y temperatura en todo el

planeta, alterando el valor de los caudales medios, máximos y mínimos en diversos ríos del mundo.

Actualmente los estudios hidrológicos aplicados al desarrollo de proyectos de obras hidráulicas

consideran la hipotesis de un régimen hidrológico estacionario, sin embargo, debido al cambio

climático se plantea la necesidad de considerar nuevas metodologías que consideren como real la

no estacionariedad para asegurar la vida útil, la rentabilidad y viabilidad de los proyectos

hidráulicos, contrariamente a la incertidumbre que causaría la estacionariedad del régimen

hidrológico, por la aplicación de los actuales métodos hidrológicos.

Generalmente los modelos hidrológicos tratan de predecir caudales a partir de una serie de

datos históricos, tratando de verificar su modelo comparando las media y varianza de las series

históricas con las modeladas, sin embargo, considerando la no estacionariedad del régimen

hidrológico, el modelo ya no puede ser validado de manera tradicional. Por tal motivo el objetivo

de la investigación es generar un modelo hidrológico regional que genere caudales medios anuales

considerando el efecto del cambio climático global en la cuenca del río Santa, utilizando como

dato los caudales medios anuales de las estaciones hidrométricas Querococha, Olleros, Quillcay,

Chancos, Llanganuco, Parón, Colcas, Los Cedros y Quitaracsa; aplicando los modelos estocásticos

convencionales y la ecuación de Fokker–Planck–Kolmogorov, para el desarrollo del modelo

hidrológico regional que considera la presencia y la no-presencia del área de nevados en la cuenca.

Concluyendo que el modelo estocástico AR(1) es el que mejor describe el comportamiento

aleatorio de los caudales medios anuales, y que la media de los caudales medios anuales al año

2030, disminuye en un 10%, según la ecuación de Fokker-Planck-Kolmogorov.


8

ABSTRACT

Global climate change generates a variation in precipitation and temperature throughout

the planet, altering the value of average, maximum and minimum flows in various rivers of the

world. Currently, hydrological studies applied to the development of hydraulic works projects

consider the hypothesis of a stationary hydrological regime, however, due to climate change there

is a need to consider new methodologies that consider non-stationarity as real to ensure the useful

life, profitability and viability of hydraulic projects, contrary to the uncertainty that would cause

the stationarity of the hydrological regime, by the application of current hydrological methods.

Generally, hydrological models try to predict flows from a series of historical data, trying

to verify their model by comparing the mean and variance of the historical series with the modeled

ones, however, considering the non-stationarity of the hydrological regime, the model can no

longer be validated in a traditional way. Therefore, the objective of this research is to generate a

regional hydrological model that generates annual mean flows considering the effect of global

climate change in the Santa river basin, using as data the annual mean flows of the Querococha,

Olleros, Quillcay, Chancos, Llanganuco, Parón, Colcas, Los Cedros and Quitaracsa hydrometric

stations; applying the conventional stochastic models and the Fokker-Planck-Kolmogorov

equation, for the development of the regional hydrological model that considers the presence and

non-presence of the snow-capped area in the basin. It was concluded that the stochastic model

AR(1) is the one that best describes the random behavior of the annual mean flows, and that the

mean annual mean flows in the year 2030 decrease by 10%, according to the Fokker-Planck-

Kolmogorov equation.
9

INTRODUCCIÓN

Actualmente en los estudios y proyectos de obras hidráulica se aplican metodologías que

consideran la estacionarias del régimen hidrológico, sin embargo, el enfoque del cambio climático

considera a este como cambiante. Por ende, en el desarrollo de esta tesis abordaremos una

metodología para estimar y pronosticar caudales medios anuales considerando el cambio climático

en la cuenca del río Santa.

El Capítulo I, aborda los aspectos generales de la investigación, estos son el planteamiento

del problema, los objetivos, hipótesis, justificación, alcances, limitaciones y la metodología en la

cual se basa la investigación.

El Capítulo II, muestra las investigaciones antecesoras que servirán como lineamiento de

nuestra investigación, asimismo se aborda la teoría concerniente a modelos estocásticos,

metodología de Fokker-Planck-Kolmogorov y regresión lineal múltiple aplicada en el desarrollo

de la investigación.

En el Capítulo III, se abarca la metodología aplicada y fuentes de información aplicadas en

la presente investigación.

Posteriormente en el Capítulo IV, se desarrolla los resultados de la metodología del modelo

estocástico lineal para cada subcuenca, así como los parámetros de clima actual y futuro,

mostrando los resultados en tablas y gráficos para una mejor comprensión. En este capítulo

también se muestra el desarrollo del modelo hidrológico regional con cambio climático en la

cuenca del río Santa, mientras que, en el Capítulo V, se muestra los comentarios de los resultados

obtenidos en el capítulo anterior.

Finalmente, el Capítulo VI, presenta las discusiones y recomendaciones de la metodología

y resultados obtenidos en la investigación.


10

Se incluirán como anexos, los datos de caudal medio anual de las estaciones hidrométricas

evaluadas, los resultados gráficos obtenido en el proceso de elaboración de los modelos

estocásticos lineales, algoritmos usados para el desarrollo del modelo de Fokker-Planck-

Kolmogorov y sus gráficos respectivos de curva de densidad probabilísticas e histograma de

caudales simulados. Finalmente se muestra una proyección de caudales medios anual hasta el año

2030, mapas generados de ubicación de estaciones hidrométricas y ubicación de cuenca, así como

un mapa de isolíneas de caudal medio futuro.


11

1. CAPÍTULO I:

Generalidades

1.1. Cambio climático global y los recursos hídricos en las zonas altoandinas del Perú

Según reportes de numerosos investigadores como Earls (2008) informan que el impacto

generado por el calentamiento global es muy evidente en zonas próximas a los círculos polares del

planeta, así como en zonas altas tropicales (Andes tropicales de América del Sur). Asimismo,

Rodríguez (2011) reporta que el año 2010 se produjo una anomalía climática que afectó a diversos

países de América Latina, causando sequías e incendios forestales.

Vuille (2013) indica que los estudios realizados sobre el cambio climático son muy

limitados, centrándose principalmente en la variación de temperatura y precipitación a fines del

siglo XXI, de acuerdo a un consenso de los casos hipotéticos del Grupo Intergubernamental de

Expertos sobre el Cambio Climático (IPCC), concluyendo que el cambio de temperatura presenta

gran dependencia de la elevación, asimismo, Favier (2004) menciona que los glaciares tropicales

son sensibles a los efectos originados del cambio climático global.

Vuille et al. (2008) reportan que los Andes tropicales sufrieron una variación climática

considerable durante el siglo XX, observándose un aumento de la temperatura entre los años de

1939 y 2006 de 0.7 °C.

Garreaud et al. (2003) mencionan que la cordillera de los andes recorre el extremo sur de

América hasta el norte de Ecuador, la cual actúa como una barrera climática natural entre las tierras

bajas continentales del este y el borde del pacifico al oeste. Asimismo, Vuille et al. (2008)

mencionan que los Andes aportan gran parte de los recursos hídricos que se consumen en la zona

árida costera occidental del Perú para la agricultura, uso doméstico e industrial, los que provienen

de los nevados e hielo de las zonas altas. Ames (1998) también menciona que entre los años de
12

1932 a 1994 se monitorearon 10 glaciares de los Andes tropicales del Perú, identificando un

retroceso de entre 590 m a 1910 m. Asimismo, estos autores mencionan que el 70% de los glaciares

tropicales están ubicados en territorio peruano, siendo la más extensa la Cordillera Blanca.

La ANA (2012) reporta que desde el último inventario de glaciares, realizado hace tres

décadas han desaparecido 141 glaciares, y 112 glaciares presentan un proceso de fragmentación,

y ha disminuido un 27% de la masa glaciar cuantificada en la década de 1970. Asimismo, Mark et

al. (2005) mencionan que el derretimiento de los glaciares de la Cordillera Blanca proporciona un

aporte significativo a la escorrentía del río Santa, por lo que es probable que el flujo disminuya a

medida que los glaciares se derriten.

1.2. Formulación del problema

1.2.1. Problema general

¿Cuál es el modelo hidrológico regional de caudales medios anuales que considera el

cambio climático global en la cuenca del río Santa?

1.2.2. Problemas específicos

¿Cuál es el modelo estocástico de caudales medios anuales al interior de la cuenca del río

Santa sin cambio climático global?

¿En qué medida varían los parámetros de distribución de caudales medios anuales en la

cuenca del río Santa, por influencia del cambio climático global?

1.3. Objetivos

1.3.1. Objetivo general

Construir un modelo hidrológico regional de caudales medios anuales que consideren el

cambio climático global, aplicando la ecuación de Fokker-Planck-Kolmogorov.


13

1.3.2. Objetivos específicos

Determinar el modelo estocástico de caudales medios anuales al interior de la cuenca del

río Santa sin cambio climático global.

Determinar en qué medida varían los parámetros de distribución de caudales medios

anuales en la cuenca del río Santa por influencia del cambio climático global.

1.4. Hipótesis de la investigación

1.4.1. Hipótesis general

La ecuación de Fokker-Planck-Kolmogorov es aplicable en la construcción de un modelo

hidrológico regional de caudales medios anuales que considera el cambio climático global.

1.4.2. Hipótesis específicas

El modelo estocástico de caudales medios anuales al interior de la cuenca del río Santa sin

cambio climático es representativo.

Los parámetros de distribución de caudales medios anuales en la cuenca del río Santa

varían significativamente por influencia del cambio climático global.

1.5. Justificación

La variación de precipitación, temperatura y retroceso de los glaciares en los Andes

tropicales son consecuencias del cambio climático global, las cuales afectan en gran medida al

comportamiento de régimen hidrológico. Esto genera una variación de los valores medios máximo

y mínimos provocando inundaciones y sequias. Vuille et al. (2008) mencionan que gran parte de

los recursos hídricos que se consumen en la zona árida costera occidental proviene de la fusión de

nieve y hielo de los nevados tropicales.

Kovalenko et al. (2020) mencionan, que el supuesto de autosuficiencia de la serie de cuadal

real (bajo el supuesto de estacionariedad estadística) es motivo de preocupación. En la actualidad


14

estos supuestos son respaldados bajo el escenario de cambio climático, ya que los factores de

formación de las superficies de cuenca presentan una variación debido a la deforestación, arado,

etc. Por ende, no solo es necesario series de escorrentías reales para generar curvas de densidades

probabilísticas empíricas y aproximar a distribuciones analíticas, sino que tenemos la necesidad

de generar modelos matemáticos de escorrentía fluvial a largo plazo que incluyan los escenarios

de cambio climático y características cambiantes de la superficie adyacente de cuenca.

Estos hechos justifican la investigación de la influencia del cambio climático sobre el

modelo hidrológico regional del caudal medio anual en la cuenca del río Santa, así como la

aplicación de una metodología para estimar los parámetros de la curva de densidad probabilística

del escenario climático propuesta por Kovalenko.

La ecuación regional permitirá generar caudales medios anuales en diversos ríos ubicados

en zonas adyacentes del área de estudio.

1.6. Alcances y limitaciones

Los alcances de la presente investigación, son los siguientes:

 Evaluar la evolución de la curva de distribución probabilística de caudales medios anuales

por efecto de cambio climático global, aplicando la metodología de Fokker-Planck-

Kolmogorov en los datos de las estaciones hidrométricas analizadas.

 Construir un mapa de isolíneas de caudal medio anual por influencia del cambio climático

global al interior de la cuenca del rio Santa, aplicando la ecuación de Fokker-Planck-

Kolmogorov

 Demostrar que la metodología basada en la ecuación de Fokker-Planck-Kolmogorov tiene

un alto potencial de aplicación en los proyectos de obras hidráulicas, dado que las
15

metodologías convencionales para determinar el caudal de diseño, no consideran el efecto

del cambio climático global.

En cuanto a las limitaciones de la presente investigación, se tiene:

 El modelo de serie temporal ARIMA o modelo estocástico, se realizará en base a registros

históricos completados y proyectados de las estaciones hidrométricas existentes en la

cuenca, las cuales presentan información del año 1968 al año 2008, dado que las estaciones

hidrométricas operadas fueron desactivadas, y otras están en propiedad de instituciones

privadas.

1.7. Metodología y tipo de investigación

El enfoque de la investigación consiste en analizar y relacionar los modelos estocásticos

del caudal medio anual, superficie de cuenca nevada y sin nevado y los parámetros de distribución

que representan el comportamiento del caudal medio para el escenario de cambio climático, con

el fin de generar un modelo regional y generar los caudales medios anuales en ríos adyacente a la

zona de estudio, considerando la influencia del cambio climático. Esta investigación se adapta a

una metodología no experimental aplicativa.

1.7.1. Diseño de la investigación

Las etapas por seguir para la elaboración de la presente investigación comprenden la

recopilación y análisis de datos, generación de modelos estocásticos lineales (ARIMA),

determinación de área de cuenca con nevado y sin nevado, obtención de parámetros de distribución

con cambio climático y regionalización de parámetros ARIMA por influencia de cambio climático.

Metodología indicada en Figura 1.1.


16

Inicio

Recopilación y
análisis de datos

Determinación de modelo
estocastico por cuenca –
Metodología de Box-Jenkins

NO
Determinación de medidas
de distribución con cambio
Valor p > 0.05
climático por cuenca –
Metodología de FPK
SI

Obtención de
parámetros

Regionalización de
parámetros con cambio
climático – Método de
regresión lineal múltiple

Generacion de
Modelo Regional

Fin

Figura 1.1 Metodología de investigación


Nota: Elaboración propia.

La primera etapa de recopilación y análisis de datos hidrométricos consiste en obtener el

registro histórico de caudal medio anual de estaciones hidrométricas, información pluviométrica

de la cuenca y escenario de cambio climático en la zona de estudio.

Para el desarrollo del modelo estocástico ARIMA se siguió la metodología de Box-Jenkins

la cual consiste en cuatro etapas, la primera es identificar el modelo orden del modelo ARIMA que
17

mejor se adecue a la serie de tiempo, segundo es estimar los parámetros de los posibles modelos

determinados anteriormente, la tercera etapa consiste en validar el modelo que mejor se ajuste a la

serie de tiempo según el criterio de Schwars modificado (SIC) y el test de Ljun-Box. La cuarta

etapa consiste en elaborar el pronóstico de la serie de tiempo modelada, la cual no será aplicada

ya que se generará el pronóstico según la ecuación regional formulada en el estudio.

Aplicando el Software RStudio con librerías científicas se desarrolló la metodología de

Box-Jenkins para generar un modelo ARIMA(p,d,q) para cada estación hidrométrica analizada.

La información de área de cuenca con nevado y sin nevado es recopilada de estudios

realizados en la cuenca del rio Santa. Para estimar los parámetros de distribución por influencia

del cambio climático se aplicará la metodología de Fokker-Planck-Kolmogorov, la cual se realizó

empleando un algoritmo propio en lenguaje Python utilizando el Software Spyder 4 determinando

las medidas de distribución y evolución de la función de distribución probabilística del clima actual

y futuro según el escenario de cambio climático.

Posteriormente se procederá a relacionar por medio de regresión lineal múltiple los

parámetros de área de cuenca con nevado y sin nevado con los parámetros del modelo de serie de

tiempo y caudal medio estimado con cambio climático para determinar una ecuación regional

representativa para el área de estudio.


18

1.7.2. Definición y operacionalización de las variables

Tabla 1.1 Operacionalización de variables


Unidad de
Variables Definición conceptual Definición operacional Dimensión Indicador
medida
Variables Dependiente
Coeficiente de
determinación múltiple No aplica
Modelo hidrológico regional
Modelos matemáticos que del parámetro ϕ
de la cuenca del río Santa,
describe un sistema por Coeficiente Coeficiente de
Modelo hidrológico regional de generado por la
medio de un conjunto de de determinación múltiple No aplica
caudal medio anual por influencia del regionalización de los
ecuaciones que relacionan correlación de caudal medio futuro
cambio climático parámetros del modelo
variables y el escenario de múltiple Coeficiente de
estocástico de las
cambio climático determinación múltiple
subcuencas del río Santa No aplica
de la desviación
estándar de error
Variables Independiente
Media /

Parámetros
El modelo estocástico de los Parámetro ϕ No aplica
Modelos aleatorios que de modelo
caudales medios anuales de
Modelo estocástico de caudal medio describe el comportamiento y Desviación estándar de
las subcuencas del río Santa No aplica
anual evolución de una secuencia error
será validado por el test de
de datos en el tiempo.
Ljung Box
Prueba de
p-value No plica
Ljun Box

Conjunto de medidas que Media de caudal futuro /


describen el comportamiento Valores estadísticos del Coeficiente de
Parámetros de distribución de caudal Parámetros
de un conjunto de datos clima futuro estimados según variación de caudal No aplica
de
futuro cuantitativos, estas medidas la metodología de Fokker- futuro
estadísticos
también pueden ser llamados Planck-Kolmogorov Coeficiente de sesgo de
estadísticos. No aplica
caudal futuro
Nota: Elaboración propia.
19

1.7.3. Matriz de consistencia

Tabla 1.2 Matriz de consistencia

Formulación del Problema Objetivos Hipótesis Variables

Problema General Objetivo General Hipótesis General Dependiente

¿Cuál es el modelo Construir un modelo La ecuación de Fokker-Planck-


hidrológico regional de hidrológico regional de caudales Kolmogorov es aplicable en la Modelo hidrológico regional
caudales medios anuales que medios anuales que consideren construcción de un modelo de caudal medio anual por
considera el cambio climático el cambio climático global, hidrológico regional de caudales influencia del cambio
global en la cuenca del río aplicando la ecuación de medios anuales que considera el climático
Santa? Fokker-Planck-Kolmogorov cambio climático global

Problemas Específicos Objetivos Específicos Hipótesis Especificas Independiente

¿Cuál es el modelo estocástico Determinar el modelo


El modelo estocástico de caudales
de caudales medios anuales al estocástico de caudales medios
medios anuales al interior de la Modelo estocástico de caudal
interior de la cuenca del río anuales al interior de la cuenca
cuenca del río Santa sin cambio medio anual
Santa sin cambio climático del río Santa sin cambio
climático es representativo
global? climático global

¿En qué medida varían los Determinar en qué medida


Los parámetros de distribución de
parámetros de distribución de varían los parámetros de
caudales medios anuales en la
caudales medios anuales en la distribución de caudales medios Parámetros de distribución de
cuenca del río Santa varían
cuenca del río Santa, por anuales en la cuenca del río caudal futuro
significativamente por influencia
influencia del cambio Santa por influencia del cambio
del cambio climático global
climático global? climático global
Nota: Elaboración propia.
20

2. CAPÍTULO II:

Marco teórico

2.1. Antecedentes

Según refiere Quisca (2019), la fiabilidad de las obras hidráulicas diseñadas con las guías

y normativas técnicas existentes a nivel internacional, se basan en el supuesto que el régimen

hidrológico (de la cuenca colectora donde se localiza el proyecto) no cambia estadísticamente,

antes del diseño y durante su vida útil. Sin embargo, las evidencias concretas del cambio climático

global y los cambios en las características de las cuencas superficiales demuestran lo contrario.

Los registros de serie de caudales pueden ser estadísticamente estables, sin embargo, se vuelven

inestables debido al cambio climático. Actualmente el sistema climático se encuentra en

desequilibrio, por lo que no se debería considerar a las series de caudales como estacionarios, sino

ingresar al nuevo campo de la hidrología inestable, y redefinir la fiabilidad basada en el concepto

de la seguridad del caudal de diseño. Esto involucra conciliar el concepto de vida útil de la obra

hidráulica y el tiempo que tome el retorno a su estado de equilibrio del sistema climatológico

desequilibrado. Para ello debemos considerar el desequilibrio climático y la variabilidad

estadística de los caudales de los ríos.

Ante el escenario de cambio climático global que vivimos, la hidrología y el diseño de las

grandes obras hidráulicas en nuestro país, requiere el desarrollo de nuevos enfoques conceptuales,

metodologías y procedimientos de cálculo que nos permita estimar con la fiabilidad necesaria la

oferta hídrica y los parámetros hidrológicos de diseño de las obras hidráulicas bajo el escenario de

cambio climático global, donde nuestro país es uno de los principales países afectados.
21

2.1.1. Investigaciones internacionales

Kovalenko (1993, 2006, 2008) desarrollo su teoría denomТnada “HТdroloРía ParcТalmente

InfТnТta”, en la cual desarrollo numerosas aplicaciones de la ecuación de Fokker-Planck-

Kolmogorov con buenos resultados prácticos para fines de los estudios hidrológicos considerando

el cambio climático global. En estos estudios reporta pronósticos con cambio climático de las

variables hidrológicas como los caudales medios anuales, caudales medios multianuales, caudales

máximos, etc., así como los procesos de precipitación-escorrentía-evapotranspiración con cambio

climático.

Autores como Praskievicz y Chang (2009), reportan investigaciones sobre la relación entre

los escenarios de cambio climático global y los modelos hidrológicos. Green et al. (2011)

realizaron investigaciones sobre el cambio climático global, que abarca variaciones climáticas a

nivel espacial y temporal, y cambios derivados de los procesos terrestres, incluyendo las acciones

antrópicas que afectan al medio ambiente, así como el cambio climático global proyectado a los

sistemas de recursos hídricos. De hecho, Allen et al. (2000) y Bindoff et al. (2013) afirman que la

influencia antrópica sobre el medio ha alterado el clima de los últimos 25 años, de modo que las

variaciones registradas a escala global no podrían atribuirse exclusivamente a la variabilidad o

anomalías climáticas.

Existen otros estudios aplicados a la evaluación de la influencia del cambio climático sobre

los recursos hídricos, por ejemplo, Teng, J. et al. (2012) mencionan que el impacto generado por

el cambio climático a la variación de escorrentía media anual puede ser estimada mediante las

ecuaciones de Budyko y Fu, caracterizando a estos métodos su fácil aplicación.

En América Latina, Ivanova et al. (2006) desarrollan la evaluación de la sensibilidad de los

caudales máximos en los puentes localizados en los ríos Pata, Magdalena y Pamplonita
22

(Colombia), ante la influencia del cambio climático global. Esta investigación tuvo el propósito de

predecir los caudales de diseño máximos para un escenario de cambio climático global de los

puentes Pumarejo, Jorge Gaitán Durán, Pata y Mariano Ospina Pérez, donde se implementó la

metodología de Fokker-Planck-Kolmogorov propuesta por Kovalenko (1993), para determinar los

parámetros de ruido y generar la curva de distribución probabilística de caudales máximos bajo el

escenario de cambio climático global. Ivanova et al. (2006) demuestran que la metodología

aplicada permite evaluar la sensibilidad de los caudales máximos en los ríos estudiados, bajo

posibles escenarios de cambio climático global.

Alexandrovich (1999) estudia la sensibilidad del régimen hidrológico a los impactos

antropogénicos en las regiones de Carelia y el noroeste del territorio europeo de Rusia, región de

Don, región del Alto Volga, región de los Urales Medios y Pre Urales, región del Bajo Volga y

Kazajistán Occidental, Podneprovie medio y bajo, y Letonia. Para esta investigación se recogieron

y procesaron datos de precipitación y escorrentía de ríos en 344 estaciones meteorológicas y 347

estaciones hidrológicas, durante un periodo de 30 a 40 años. Para evaluar los posibles impactos

hidrológicos se aplicó el modelo estocástico de formación de escorrentía anual en la forma de la

ecuación de Fokker-Planck-Kolmogorov, concluyendo que el modelo presenta un nivel de

significancia al 1, 5, 10% por el criterio de Kolmogorov al validar en 380 predicciones de curva

de densidad probabilísticas con los datos reales.

Domínguez y Rivera (2010) presentan un algoritmo bidireccional de diferencias finitas y

ponderado en el tiempo, que resuelve la ecuación de Fokker-Planck-Kolmogorov con el objetivo

de predecir la curva de densidad probabilísticas de las afluencias mensuales al embalse

hidroeléctrico de Betania en la parte alta del río Magdalena en Colombia. Concluyendo que la
23

ecuación Fokker-Planck-Kolmogorov presenta una tasa de éxito satisfactoria para la previsión de

la curva de densidad probabilistica operativa.

Domínguez (2004) desarrolla modelos matemáticos para la previsión de los caudales de

entrada a los embalses de las centrales hidroeléctricas en Colombia, proporcionando las

predicciones de probabilidad posteriores necesarias. Para ello utiliza la ecuación de Fokker-

Planck-Kolmogorov para desarrollar un sistema de modelización orientado a objetos para la

previsión posteriori de las curvas de densidad probabilísticas de los embalses hidroeléctricos de

Colombia. Los resultados de la investigación permiten proporcionar previsiones mensuales de las

afluencias de aguas en los embalses hidroeléctricos y previsiones a muy largo plazo del régimen

hidrológico del país, presentando los siguientes resultados: a) Mapas numéricos del régimen

hidrológico de Colombia. b) Mapas de anomalías esperadas de la hidrología en Colombia. c)

Modelos dinámicos y de regresión que permiten realizar predicciones teniendo en cuenta los datos

existentes, proyecciones de afluencia mensual con estimación satisfactoria según criterios

aceptados en Rusia. d) Esquemas numéricos explícitos e implícitos para resolver la ecuación de

Fokker -Planck-Kolmogorov.

Gloria et al. (2017) analizan las series de tiempo del volumen anual (m3/año) en el río

Magdalena, utilizando los datos de la estación calamar. Aplicando la metodología del modelo

ARIMA, con el objetivo de compatibilizar los datos reales y los datos modelados del volumen

anual. Concluyendo que los resultados simulados con el modelo ARIMA presentan un buen ajuste

de los valores máximos y mínimos, sin embargo, no permite simular el comportamiento exacto de

la serie en el tiempo.

Guevara et al. (2010) investigaron los caudales mensuales del río Caroní en Venezuela,

con el objetivo de realizar un análisis estocástico de la serie de tiempo en caudales mensuales,


24

utilizando la información de la estación hidrométrica Guri desde 1950 hasta el 2003, empleado el

modelo clásico de Box y Jenkins, concluyendo que los modelos SARIMA (1,0,0) (1,1,1),

SARIMA (0,0,0) (0,1,1) y AR(1) generan modelos de menor longitud. Mediante un análisis de

residuos se determinó que el modelo SARIMA (1,0,0) (0,1,1) se aproxima a los datos históricos

del río Caroní.

Gutiérrez et al. (2009) tienen como objetivo predecir el caudal en zonas sin estación

hidrométricas, mencionan que para estimar y conocer series temporales de variables hidrológicas

se utilizó el Análisis de Componentes Principales (ACP). Desarrollaron ecuaciones regionales de

transferencia de información hidrológica, a partir de datos anuales de caudales medios. Asimismo,

determinaron la relación espacial que existe entre los parámetros del modelo AR(p) y las

características orográficas de la región. El modelo se evaluó comparando los datos generados a

partir de la ecuación regional y los datos medidos de una estación. Los resultados indican que el

procedimiento es confiable al momento de transferir información hidrológica de una cuenca a otra

cuando existen escasos registros o nulos.

Rivero et al. (2018) presentan el modelado lineal estocástico para pronósticos de flujos en

la sub cuenca “V AnТversarТo” perteneciente al río Cuyaguateje en cuba, con el propósito de

pronosticar la escorrentía en escalas anuales y mensuales, mediante la aplicación de modelos

estocásticos lineales. Para ello se utilizaron los modelos de Ruido Blanco AR(p), MA(q) y

ARMA(p, q), implementando el software R, concluyendo que para la escorrentía anual el modelo

de Ruido Blanco es el que mejor se ajusta, sin embargo para escala mensual debería ser modelada

por un modelo SARIMA.


25

2.1.2. Investigaciones nacionales

Diaz (2017) desarrolla modelos estocásticos regionales para predecir valores de caudales

medios anuales y mensuales en zonas no aforadas de la cuenca del río Santa, contando con registros

desde el año 1968 al 2008. Para determinar el parámetro autorregresivo se utilizó el software

Stochastic analysis, modeling, and simulation (SAMS) versión 2007. Este software se aplicó para

el modelamiento de 9 ríos en la cuenca del río Santa, concluyendo que el modelo regional AR(1)

es adecuado para los caudales medios anuales de la cuenca del río Santa; siendo los parámetros de

este modelo el caudal medio (determinada en función del porcentaje glaciar y el área de la cuenca),

mientras que el parámetro � no está sujeto a los parámetros físicos de la cuenca.

Flores et al. (2015) mencionan que el río Tumilaca es una de las principales fuentes de agua

de agua en la región de Moquegua, y su investigación tuvo el propósito de predecir los caudales

diarios aplicando modelos estocásticos. Así como determinar si el modelo estocástico

autorregresivo de primer orden AR(p) es adecuado para generar series de caudales diarios con

autocorrelogramas, y validar su modelo con la prueba de bondad de ajuste. Para ello se utilizó la

información brindada por el SENAMHI, desde 01 de junio 2006 al 31 de diciembre 2011. En la

validación del modelo se determinó que el modelo más apropiado para modelar los caudales diarios

del río Tumilaca es el modelo AR(1), cuyo componente aleatorio presenta una distribución log

Logistica de 3 parámetros y los autocorrelogramas de la variable estandarizada presentan valores

altos de coeficiente de autocorrelación.

Bastidas (2015) presenta su investigación que consistió en determinar los caudales de la

cuenca del río Mantaro aplicando modelos estocásticos de series sintéticas, para esto utilizó

información de 9 estaciones hidrométricas representativas de la cuenca del río Mantaro. El modelo

estocástico fue realizado mediante el software Stochastic Analysis Modeling and Simulation 2009
26

(SAMS 2009). Los datos abarcaron información desde 1966 al año 2005. Las series sintéticas

generadas fueron ARMA (1,0), ARMA (2,0) y ARMA (2,1) las cuales se seleccionaron los

caudales máximos mensuales con una longitud de 50 años para determinar su curva de densidad

probabilísticas, estimando un caudal de 997.66 m3/s para un periodo de retorno de 100 años.

2.2. Cuenca hidrológica

Aparicio Mijares (1999) menciona que una cuenca es la zona de superficie terrestre donde

la precipitación que cae sobre ella es drenada hacia un mismo punto de salida, esta definición es

correcta si la cuenca fuera impermeable, ya que se hace referencia a una cuenca superficial y esta

a su vez es asociada a una cuenca subterránea, la cual presenta una forma en planta similar a la

superficial. Asimismo, existen dos tipos fundamentales de cuenca según el punto de salida de las

aguas: las exorreicas y endorreica. La primera indica que las aguas desembocan al exterior de la

cuenca mientras que la segunda drena las aguas en su interior.

Cahuana Andina y Yugar Morales (2009) mencionan que la cuenca hidrológica es aquella

zona geográfica drenada por una corriente de agua, mientras que una cuenca hidrográfica es un

espacio geográfico cuyos aportes hídricos son generados exclusivamente por las precipitaciones

líquidas y sólidas, con flujos de agua y sedimentos transportados por el curso del río y quebradas

hasta su desembocadura en los ríos de mayor orden.

2.2.1. Características de la cuenca y cauces

Aparicio Mijares (1999) menciona que entre estimulo y respuestas se presentan diversos

fenómenos que condicionan la relación entre sí, por ejemplo, a causa de la precipitación, la cuenca

genera un escurrimiento hasta el punto de salida. Estos fenómenos son controlados por las

características geomorfológicas de cuenca y su urbanización. Estas características se clasifican

según la manera que controlan los fenómenos. Las características que condicionan el volumen de
27

escurrimiento son el área de cuenca y tipo de suelo, mientras que las que condicionan la velocidad

de respuesta son el orden de cuenca, pendiente de cuenca, etc.

Cahuana Andina y Yugar Morales (2009) indican que las características físicas de cuenca

más conocidas son: el área de cuenca, perímetro de cuenca, forma de la cuenca, pendiente

promedio, curva hipsométrica, etc.

A continuación, se describen algunos parámetros de cuenca aplicados al estudio de cuenca

según Aparicio Mijares (1999).

2.2.1.1. Área de cuenca

Área plana de proyección horizontal, obtenida luego del proceso de delimitación de cuenca

hidrográfica, se mide en kilómetros cuadrados.

2.2.1.2. Perímetro de cuenca

Perímetro o borde exterior de la proyección horizontal de una cuenca, se mide en

kilómetros.

2.2.1.3. Forma de cuenca

La forma o figura que presenta una cuenca hidrográfica afecta a las características de los

caudales, este aspecto es evidente en eventos de flujo máximo.

2.2.2. Parámetros geomorfológicos de la cuenca

2.2.2.1. Parámetros de forma

Trata de cuantificar parámetros por medio de índices, los cuales relacionan la dinámica del

agua y la respuesta de la cuenca.

2.2.2.1.1. Factor de forma

Indica la relación entre el ancho promedio de cuenca y su longitud de cuenca, se determina

mediante la siguiente ecuación:


28

= (1)

donde:

: ancho promedio de cuenca (Km)

� : longitud de cuenca (Km)

2.2.2.1.2. Índice de Gravelius

Coeficiente que indica la relación entre el perímetro de cuenca y perímetro de un círculo

cuya área es igual al área de cuenca, donde si el coeficiente es igual a 1 indica que la cuenca tiene

forma circular, se determina mediante la siguiente ecuación:

= (2)
∗√ ∗

donde:

: perímetro de cuenca (Km)

: área de cuenca (Km2)

2.2.3. Otros parámetros asociados a la cuenca

2.2.3.1.1. Ancho medio cuenca

Se determina mediante la siguiente ecuación:

= (3)

2.2.3.1.2. Longitud de cuenca

Distancia entre el punto de salida y el punto más alejado ubicado en la cabecera de cuenca,

se mide en line recta


29

2.3. Cambio climático global

Useros (2013) menciona que la Convención de las Naciones Unidas de 1992, considera

que un sistema climático es complejo e interactivo, integrado por la biósfera, atmósfera, geósfera,

hidrósfera y sus interacciones, asimismo también es influenciada por los diversos ecosistemas y

sus interacciones ya sean positivas o negativas.

IPCC (2013) indica que el cambio climático es identificable por la variación del valor

medio y alteración de sus propiedades durante un prolongado periodo de tiempo. Este cambio

puede ser debido a procesos internos o externos tales como cambios antropogénicos persistentes

en la composición de la atmosfera o uso del suelo, erupciones volcánicas o modulaciones de ciclos

solares.

González et al. (2003) mencionan que el cambio climático es un fenómeno causado total o

parcialmente por el incremento de concentración de los gases de efectos invernadero (GEI) en la

atmosfera. Useros (2013), indica que las actividades humanas son la principal causa del aumento

de GEI y que entre los más abundantes son: dióxido de carbono (CO2), vapor de agua, óxido de

nitrógeno, metano, y productos halocarbonados, los cuales aportan flúor, cloro y bromo.

Asimismo, Useros (2013) indica que el incremento de la temperatura global provocada por los

GEI son responsables del aumento del nivel del mar, disminución de superficie de hielo y nieve,

así como un cambio en la media de la precipitación afectando a los sistemas hidrológicos,

biológicos y productividad forestal y agrícola.

2.4. Modelos hidrológicos con influencia de cambio climático

2.4.1. Modelo Budyko

Budyko (1958) establece la relación entre el régimen hidrológico y los factores energéticos

del clima. Este enfoque introduce por primera vez la curva de Budyko que indica la relación entre
30

evaporación actual medio, precipitación anual promedio e índice de aridez, en una cuenca

hidrográfica.

Budyko (1958) menciona que, la disponibilidad de agua se aproxima a la precipitación,

mientras que la demanda atmosférica es representada por la radiación neta. En condiciones muy

húmedas la evapotranspiración se aproxima a la radiación neta y en condiciones muy secas la

evapotranspiración se aproxima a la precipitación.

Estas condiciones se pueden expresar matemáticamente de la siguiente forma:

→ →∞ (4)

→ → (5)

donde:

= evapotranspiración media anual

= precipitación media anual

= Radiación Neta

Budyko (1974) propuso la siguiente ecuación:

− .

=[ tanh ( ) − (− ) ] (6)

donde denota la evapotranspiración potencial a mediano y largo plazo.

Wang et al. (2016), mencionan que el modelo Budyko se desarrolló con el concepto de

oferta demanda, el cual responde a condiciones de climas muy secos o húmedos.


31

Según Teng et al. (2012), en general, la curva Budyko sobreestima la escorrentía en

regiones secas mientras que en condiciones muy húmedas las subestimas.

2.4.2. Modelo Fu

Según Zhang et al. (2001), la ecuación de Budyko fue desarrollada principalmente con

datos del continente europeo. Se ha propuesto diversas formas para mejorar la estimación en

regiones locales, mientras que Zhang et al. (2008) mencionan que una de estas formas fue el

modelo Fu el cual presenta un mayor sentido teórico y físico.

La ecuación de Fu es la siguiente:

= + −[ +( ) ] (7)

Zhang et al. (2004) mencionan que el valor de es obtenido minimizando los errores de

mínimo cuadrado entres la escorrentía empírica y estimada.


32

Figura 2.1 Índice de evaporación (E/P) versus índice de evaporación potencial (E0/P)
Nota: Se muestra la curva de Budyko, ecuación de Fu y datos de cuencas medidas en las seis regiones de

Australia (Teng et al., 2012).

2.4.3. Modelo de Fokker-Planck-Kolmogorov

Según Kovalenko (2008), dado un escenario climático conocido ( ̇ , T(t)), se resuelve

el sistema de ecuaciones de las variables hidrológicas (Q, E, U), y se considera como valor de

diseño el caudal máximo de la proyección unidimensional de la fase multidimensional en el

intervalo de tiempo, en el que se requiere el funcionamiento fiable de la estructura. Se puede

introducir una corrección de garantía normalizada, como se recomienda en las guías y normativas
33

de diseño, para asegurar los valores de caudales. Por ejemplo, se considera un sistema de tres

ecuaciones para Q, E y U:

̇ + + (8)
= −

̇ + + (9)
= −
� �

 − − − . − − ( 10 )
=
�

donde, WQ, WE - capacidades de escurrimiento y evaporación de las áreas temáticas; U –

parámetro, que caracteriza el periodo de relajación de las reservas de agua en los suelos.

En la Figura 2.2 se muestra un ejemplo de solución del sistema (8) - (10) para la

precipitación creciente con el tiempo (Figura 2.2a). Si estamos interesados en la amplitud máxima

del cambio de almacenamiento de agua en los suelos ∆ ̃ en el intervalo (472 ... 504) (esto puede

ser, por ejemplo, el tiempo de vida útil sin fallos del proyecto), su valor puede obtenerse mediante

la proyección de las ordenadas de U(t) sobre el eje vertical (la ordenada máxima del diagrama

comprimido de la Figura 2.2c supera al del diagrama de la Figura 2.2b, porque este último no sigue

el proceso de aumento de las precipitaciones).

Sin embargo, no es recomendable ignorar por completo las reglas aleatorias en un tema tan

importante como el aseguramiento de la fiabilidad del proyecto. Por lo tanto, se puede introducir

las variaciones de las variables climáticas y los parámetros del modelo en las ecuaciones mediante

la función aleatoria (se puede hacer en diferentes variantes, incluyendo su correlación mutua).
34

Realicemos esto en el ejemplo de los mapeos correspondientes a las ecuaciones (8) y (9)

(sin U). Dependiendo de la intensidad de la precipitación y de las capacidades WQ, WE puede

haber diferentes variantes de imágenes en el plano fásico.

Figura 2.2 Característica de diseño sin teoría de procesos aleatorios


Nota: Para determinar la característica de diseño (en este ejemplo U) sin la aplicación de la teoría de los

procesos aleatorios: a - cambio en el tiempo de la precipitación y el caudal de agua (sección inferior derecha

del extremo del gráfico Q(t) en escala ampliada); b - dependencia de U(t) hasta el momento 502.6; c -

diagrama "comprimido" del cambio de U(t) y determinación de  ̃. Adaptado de Kovalenko, 2009.


35

La metodoloРía de la “СТdroloРía parcТalmente ТnfТnТta” fue propuesta por el profesor V.V.

Kovalenko hace casi 25 años, y a lo largo de los últimos años se ha desarrollado, perfeccionado y

probado. Según refieren Kovalenko (2009), la metodología parcialmente infinita no sólo se refiere

a la metodología de la ciencia, sino también a una visión del mundo que ofrece una visión más

amplia (desde un ángulo inesperado) de los problemas emergentes. Una de las tareas de la

modelización matemática es eliminar la inestabilidad de las soluciones de los modelos de

predicción.

Kovalenko menciona que en la modelización parcialmente infinita, el problema puede

resolverse aumentando el número de variables (es decir, ampliando el espacio fásico) que se tienen

en cuenta en la expresión de predicción, como por ejemplo, además del caudal de agua también se

consideraría la evaporación y los cambios en el contenido total de humedad de las cuencas. Es

posible aplicar un modelo con dos variables que describe el proceso de formación del

escurrimiento fluvial multianual - ecuación bidimensional de Fokker-Planck-Kolmogorov:

̅,
=−∑ [ ̅, ̅, ] + ∑ [ , ̅, ̅, ]
( 11 )
, = , =

donde, p es la densidad de probabilidad del vector de variables aleatorias ⃗ = (Q, E) (aquí,

Q es el caudal del río, E es la evaporación); A y B son los coeficientes de desplazamiento y difusión.

La solución de esta ecuación es la densidad de probabilidad bidimensional variable en el tiempo p

(Q, E); esta ecuación permite calcular densidades de probabilidad bidimensionales estables

pronosticadas.

En la formulación del problema de simulación parcialmente infinita, Kovalenko propone

el modelo matemático de la formación del caudal, donde todos los tipos de caudal fluvial plurianual

(anual, mínima y máxima) se describen mediante curvas de densidad de probabilidad unimodales


36

asimétricas, que se ajustan a la familia de curvas de Pearson y son soluciones de la ecuación del

mismo nombre:


= ( 12 )
+ +

Siendo, p es la densidad de probabilidad del caudal de agua, Q (módulo o capa de

escorrentía); a, b0, b1, b2 coeficientes.

La descripción matemática del caudal del río es la curva de densidad de probabilidad (p) o

curva de probabilidad (P), Figura 2.3.

Figura 2.3 Curvas de densidad de probabilidad (a) y de probabilidad (b)


Fuente: Kovalenko, 2020.

La densidad de probabilidad y la probabilidad están relacionadas de la siguiente manera:


~

Kovalenko (2009) aplica la teoría de los procesos aleatorios, y para la descripción del

proceso de formación de la escorrentía utiliza la ecuación de Fokker-Planck-Kolmogorov (FPK),

que bajo el proceso de régimen estacionario se transforma en la ecuación de Pearson, cuando no

se producen cambios en las características estadísticas de la escorrentía (el proceso es aleatorio,

pero estacionario), por lo que los coeficientes a, b0, b1, b2 adquieren un significado físico:
37

( 13 )
, , , = ̅, ̃, ̃,
̃� ̃

donde ̅ =1/ k ; k - coeficiente de escorrentía; τ - tiempo de concentración de la cuenca; ̃

- intensidad de ruido interno blanco, que caracteriza la velocidad de variación del parámetro de

dispersión c; ̃
� - intensidad de ruido climático blanco, que caracteriza la velocidad de variación

̅ = ̇ /�; ̇ - intensidad de precipitación;


del parámetro de dispersión � ̃ - intensidad de ruido
̃�

mutuo blanco, que caracteriza el coeficiente de correlación entre ̃ y ̃.


Los parámetros ̅ , ̃
� caracterizan las propiedades de la cuenca hidrográfica en estudio.

La ecuación del FPK puede considerarse como un modelo genético de formación de

escorrentías, que da una solución en forma de curvas de densidad de probabilidad que evolucionan

con el tiempo. El núcleo dinámico de la ecuación FPK es un modelo de formación de escorrentía

fluvial con parámetros concentrados:

+ = ( 14 )
� �

Siendo, k coeficiente de escurrimiento;  tiempo de concentración de la cuenca del río

(Figura 2.4).

Figura 2.4 Esquema de la cuenca


Fuente:Kovalenko, 2009.
38

Introduciendo el ruido blanco 1/ k = c = ̅ + ̃ , ̇ /� = N = �


̅ +�
̃ (con intensidades ̃ ,

̃
� , ̃ ),
̃� se obtiene un modelo estocástico del filtro de conformación lineal.

= [− ̅ + ̃ ̅+�
+� ̃] ( 15 )

Transformando un proceso aleatorio de precipitación en una secuencia markoviana de

caudales en la sección de cierre de la cuenca.

La ecuación 15 es estadísticamente equivalente a la ecuación de Fokker-Planck-

Kolmogorov:

=− + . ( 16 )

Describe la evolución de la curva de densidad de probabilidad debido a los coeficientes de

desplazamiento (A) y de difusión (B),( Figura 2.5):

, =− ̅− . ̃ − . ̃
̃�
̅
+� ( 17 )

, = − + ( 18 )
̃ ̃
̃� ̃
Ñ

Figura 2.5 Efecto de los coeficientes de desplazamiento (A) y difusión (B)


Fuente: Kovalenko, 2009.
39

La ecuación de FPK puede considerarse como una ontología (modelo básico) de la

hidrología moderna.

Este modelo, con la relación especificada entre sus coeficientes y las propiedades de la

cuenca (así como las influencias externas), permite resolver dos problemas hidrológicos claves:

1) evaluar las consecuencias hidrológicas del cambio climático.

2) evaluar el impacto de las cargas antropogénicas en el régimen hídrico de las cuencas.

Sobre la inestabilidad del proceso de formación de escorrentía, Kovalenko (2009)

considera suficiente aproximar la curva p(Q) con tres momentos iniciales mn:


= ∫−∞ | (n=1,2,3) ( 19 )

Es decir, p(Q)  m1, m2, m3.

Cada uno de estos momentos tiene un determinado significado geométrico, mostrados en

la Figura 2.6, y juntos caracterizan una curva.

Figura 2.6 Momentos estadísticos de la curva de densidad de probabilidad


Nota: Los momentos iniciales m2 y m3 caracterizan las dimensiones lineales, pero no se corresponden con

ellas, Kovalenko, 2009.

Se puede determinar un momento si se conoce la función de distribución:


40

n = 1 ⇒ Q (Q es el valor medio del caudal del río);

n = 2 ⇒ D, Cv (D - varianza, Cv - coeficiente de variación);

n = 3 ⇒ Cs (Cs - coeficiente de asimetría o sesgo);

n = 4 ⇒ Eh (Eh - coeficiente de curtosis).

En realidad, las curvas empíricas no suelen coincidir con las curvas asimétricas

unimodales. Los histogramas son multimodales (Figura 2.7, a), y las "colas" de las distribuciones

no cambian exponencialmente

( 20 )
~exp − →

Y por ley de potencia

+ ( 21 )
~ / ↛

en   0  1 (Figura 2.7, b).

Figura 2.7 Histograma y curva de densidad


Nota: Histograma empírico multimodal (a) y curva de densidad de probabilidad con colas (b) omitidas: 1 -

por dependencia exponencial y 2 - por dependencia de potencia, Kovalenko, 2009.


41

La ecuación FPK no describe distribuciones bimodales, para ello el filtro de conformación

debe ser no lineal, pero puede explicar la aparición de colas gruesas y la inestabilidad de las

soluciones en la estimación del momento.

Como se ha mostrado anteriormente, especificar una densidad de probabilidad equivale a

especificar un cierto número de momentos: p(Q) ~ m1, m2, m3, ... Se conoce el procedimiento que

permite aproximar la ecuación FPK por el sistema de ecuaciones de momentos iniciales:

= − ̅− . ̃ − . ̃
̃�
̅
+� ( 22 )

=− ̅− ̃
̅
+ � − ̃
̃� + ̃
� ( 23 )

=− ̅− . ̃
̅
+ � − . ̃
̃� + ̃
� ( 24 )

=− ̅− ̃
̅
+ � − ̃
̃� + ̃
� ( 25 )

O bien, generalizando y dando sólo aquellos términos de la parte derecha que son

necesarios para dilucidar las condiciones de estabilidad.

= − ̅− . ̃ +⋯ | = , , , ( 26 )

Del sistema de ecuación 26 vemos que, para ̅ < 0.5n ̃ , la derivada dmn/dt > 0, es decir,

mn  . Esto es un signo formal de la inestabilidad de las soluciones. La inestabilidad de los

momentos es un signo matemático de soluciones fuera de la clase de distribuciones de K. Pearson.

Si denotamos por  = ̃ / ̅ , entonces la inestabilidad para el momento de enésimo orden

mn se da en  >2/n (m3 - b > 2/3, m2 - b > 1).


42

Cuanto mayor es el momento, menor es la intensidad relativa de ruido ̃ que se requiere

para su inestabilidad. El caudal del río puede ser inestable para los momentos más antiguos. Pero

los hidrólogos construyen distribuciones utilizando el segundo y tercer momento, es decir,

distribuciones a menudo inestables a sabiendas.

Consideremos la inestabilidad del segundo momento:

= ∫ +

( 27 )
−∞

Obtenemos una integral divergente que no nos permite calcular el segundo momento, es

decir, el segundo momento no existe. Y por lo tanto es imposible obtener valores fiables

asegurados en la curva de distribución.

La inestabilidad puede representarse de la siguiente manera (Figura 2.8). En primer lugar,

el sistema busca el valor modal de la variable de fase más "conveniente" para él, luego amplía el

rango de sus "intereses" y, finalmente, deja de generar series que representan poblaciones

estadísticas. Cuando la solución es inestable, pueden aparecer valores atípicos que modifican los

momentos iniciales.

Figura 2.8 Explicación de la inestabilidad del segundo momento.


43

Nota: La Figura 2.8 muestra esquemáticamente la distribución c con diferentes intensidades de ruido: ̃ <

̃. La intensidad del ruido describe la velocidad de cambio de la varianza de la cantidad, en la que se

determina esta intensidad, Kovalenko, 2009.

Figura 2.9 Significado físico del parámetro Intensidad del ruido blanco interno.
Nota: Extraído de Kovalenko, 2009.

Para calcular el criterio de estabilidad , se obtuvo la fórmula:

= = + ( 28 )

(aquí k es el coeficiente de escorrentía; r es el coeficiente de autocorrelación en las series

de escorrentía plurianual), que permite calcular y cartografiar el valor de  utilizando

observaciones estándar en la red hidrometeorológica.

La Ec. (28) es una consecuencia de la solución exponencial

= exp[− ̅ − . ̃ △ ] ( 29 )

La ecuación de FPK, que define el cambio de las funciones de autocorrelación para los

procesos de Markov simples (tiempo de relajación de la cuenca para la escorrentía plurianual  =

1 año), a la que conduce el uso del filtro de conformación lineal. Cuando el desplazamiento anual

t = 1, la Ec. (28) se deduce.


44

2.5. Modelo hidrológico

Weber et al.(2010) mencionan que un modelo hidrológico tiene como objetivo representar

los diversos factores involucrados en la distribución de precipitación y formación de caudales en

una determinada cuenca. Los modelos hidrológicos pueden ser físico, donde la cuenca puede ser

representa por un modelo a escala reducida, o un modelo matemático, este se caracteriza por

estimar respuestas hidrológicas por medio de ecuaciones empíricas o conceptuales, variando

parámetros y condiciones hidrometereológicas. Asimismo Chow et al. (1994) indican que un

modelo hidrológico puede clasificarse como: modelos físicos y modelos abstractos. Los modelos

físicos son la representación a escala de la realidad mientras que un modelo abstracto describe a

un sistema por medio de un conjunto de ecuaciones que relacionan variables y respuestas

hidrológicas. Las variables de entrada pueden ser funciones localizadas en un espacio y tiempo

determinado, de igual forma también pueden ser aleatorias o probabilísticas, las cuales no poseen

un valor determinado en el espacio y tiempo, sino que son descritas por una curva de distribución

probabilística.

2.5.1. Modelo determinístico

Chow et al. (1994) mencionan que el modelo determinístico no considera la aleatoriedad,

es decir que una determinada variable de entrada generara una única respuesta del sistema.

2.5.2. Modelo estocástico

Chow et al. (1994) indican que un modelo estocástico es aquel modelo que genera

resultados parcialmente aleatorios. Este tipo de modelo es apropiado cuando los fenómenos

hidrológicos a analizar presentan una amplia variación de aleatoria, ya que la salida de este modelo

podría generar un valor muy diferente al valor producido mediante modelo determinístico.
45

Sistema
Entrada F(aleatoriedad, espacio, tiempo)
Salida

Deterministico Estocastico

Independiente Correlacionado
Agregado Distribuido
del espacio en el espacio

Flujo Flujo no Flujo Flujo no Independiente Correlacionado Independiente Correlacionado


permanente permanente permanente permanente del tiempo en el tiempo del tiempo en el tiempo

Figura 2.10 Clasificación de modelos hidrológicos según su forma


Nota: Adaptado de “HТdroloРía aplТcada”, Ven te CСoа, 1994.
46

2.6. Proceso estocástico estacionario

Gujarati y Porter (2010) indican que en términos generales un proceso estocástico es

estacionario cuando su media y varianza permanecen constantes y la covarianza entre dos periodos

no depende del tiempo sino del rezago entres los dos periodos. Otros nombres con los que se

conocen al proceso estocástico estacionario son: proceso estocástico de amplio sentido, proceso

estocástico débilmente estacionario, estacionario covariante y estacionario de segundo orden. De

igual manera González (2009) menciona que la estacionariedad se pude determinar en términos de

la función de distribución o los momentos estadísticos el proceso. Al primer escenario se le conoce

como estacionariedad estricta y al segundo como estacionariedad de segundo orden o de

covarianza

La estacionariedad presenta las siguientes propiedades:

= � < ∞, ∀ ( 30 )

= −� = � < ∞, ∀ ( 31 )

= [ −� + − � ] < ∞, ∀ ( 32 )

donde:

� : media

� : varianza

: covarianza

2.6.1. Prueba de estacionariedad

Existen diversas metodologías para establecer si una serie de tiempo es estacionaria como

la prueba de análisis gráfico, prueba del correlograma y raíz unitaria.


47

2.6.1.1. Análisis gráfico

Este método consiste en graficar en coordenadas cartesianas la serie de tiempo. En la

ordenada se ubican los valores de la serie, y en las abscisas, el tiempo en días, meses, años, etc.,

determinando visualmente si la serie de tiempo presenta o no presenta tendencia, quiebre u

observaciones de datos discordantes.

Figura 2.11 Serie de tiempo del caudal medio anual versus tiempo
Nota: Elaboración propia, Software RStudio.

2.6.1.2. Prueba del correlograma

Diaz (2017) menciona que la prueba del correlograma es la representación en un plano

cartesiano de los coeficientes de autocorrelación para distintos intervalos de tiempo o rezago.

La función de autocorrelación en el rezago k, tiene la siguiente forma.

= =
( 33 )

La covarianza y la varianza son números que poseen la misma dimensión, por ende, la

función de autocorrelación es adimensional. El valor de se encuentra comprendido entre -1 y


48

+1, al graficar los valores en un plano cartesiano, tal que, los valores de se grafican en la

ordenada y el rezago en la abscisa, a esta representación se le conoce como correlograma

poblacional.

La covarianza muestral y la varianza muestral se calculan de la siguiente manera.

∑ −̅ + −̅
̂ =
( 34 )

∑ −̅
̂ =
( 35 )

La función de autocorrelación muestral se determina por la siguiente expresión:

̂
̂ =
̂ ( 36 )

donde:

̅ : media muestral

: tamaño muestral

Siendo la gráfica del coeficiente de la función de autocorrelacion muestral ̂ y el rezago

o retardo conocida como correlograma muestral.

2.6.1.3. Raíz unitaria

González (2009) menciona que el contraste de raíz unitaria nos permite inferir si existe o

no una raíz unitaria, a partir de los registros históricos de la variable analizada. La serie de tiempo

será estacionaria si se rechaza la hipótesis nula (|∅| < ).


49

Los contrastes de raíces unitaria más utilizados son de Dickey-Fuller y Dykey-Fuller

Aumentado, este primer método será realizado con el software RStudio para determinar la

estacionariedad de la serie temporal.

2.6.2. Series de tiempo

Gujarati y Porter (2010) mencionan que una serie de tiempo es un conjunto de

observaciones sobre una determinada variable en diferentes momentos, esta información deberá

ser recopilada en periodos regulares, es decir, diario, semanal, quincenal, mensual, anual, etc.

2.6.3. Proceso de ruido blanco

González (2009) menciona que un proceso de ruido blanco es el más simple de los procesos

estocásticos, cuyas variables aleatorias presentan media cero, varianza constante y covarianza nula

Figura 2.12 Proceso de Ruido Blanco


Nota: Muestra un proceso de ruido blanco o proceso puramente aleatorio, se muestra como la serie oscila en

función a cero sin mostrar patrón alguno y con dispersión constante y aleatoria, tomado de “AnпlТsТs de serТes

temporales econяmТcas: Modelos ARIMA”, Gonгпleг, 2009.


50

2.6.4. Modelos de serie de tiempo

Gujarati y Porter (2010) mencionan que en términos generales existen cinco enfoques para

realizar pronósticos de series de tiempo. Estos pueden ser el método de suavizamiento exponencial

regresiones uniecuacionales, regresión de ecuaciones simultaneas, ARIMA y VAR. Asimismo,

indican que a diferencia de los demás modelos el modelo ARIMA analiza las probabilidades

estadísticas o estocásticas de la variable en una serie temporal.

2.6.5. Modelo ARIMA

Gujarati y Porter (2010) mencionan que George E. P. Box y Gwilym Jenkins en su

publicación Time Series Analysis: Forecasting and Control, propusieron un nuevo instrumento

para la generación de pronósticos, llamada metodología ARIMA y conocida popularmente como

la metodología de Box-Jenkins.

González (2009) menciona que los modelos ARIMA, tienen como objetivo generar una

serie temporal en función de la interrelación de sus elementos. Este modelo fue propuesto por Yule

y Slutzky en la década de los 20, en el que proponen que un modelo que se puede caracterizar por

suma, diferencia, ponderado o no, de las variables estocásticas, siendo el antecedente de los

procesos autorregresivos y medias móviles del modelo ARIMA, el cual fue publicado en el libro

de Box-Jenkins en 1970.

2.6.6. Proceso estacionario de series temporales

2.6.6.1. Modelos de promedio móvil MA(q)

Gujarati y Porter (2010) menciona que el valor de en un periodo t es igual una constante

más el promedio móvil de los errores del presente y pasado.

La ecuación general que explica el proceso MA(q) es la siguiente:


51

=�+ +� − +� − + ⋯+ � − ( 37 )

Donde:

�: parámetro de modelo Ma(q), este puede ser positivo o negativo

: variable aleatoria normal o proceso de ruido blanco

�: media

: orden del modelo Ma(q)

La varianza del modelo Ma(q) se pude determinar por la siguiente expresión.

= = �� ( + � +⋯+� ) ( 38 )

Autocorrelación del modelo Ma(q).

−� + � � + +⋯� − �
, = ,…,
={ +� +⋯+�
, > ( 39 )

2.6.6.2. Modelos de promedio móvil MA(1)

El proceso de media móvil de primer orden presenta la siguiente ecuación.

=�+ −� − ( 40 )

De la ecuación (9) se determina que la varianza para el rezago es:

= [ −� − −� ]= [ −� − − −� − ] = −� �� ( 41 )

La ecuación general de la covarianza para rezagos es:


52

= [ −� − − −� − − ]= , k >1 ( 42 )

La ecuación general de la covarianza indica que para un desplazamiento mayor a un rezago

la covarianza es 0, se dice que el proceso tiene una memoria de un periodo donde esta

correlacionado con − y con + .

La función de autocovarianza MA(1) es:

( + � )� , =
= {−� �� , =
, > ( 43 )

De tal manera se determina la función de autocorrelación de MA(1) es:

, =
−�
= , =
+�
{ , > ( 44 )

2.6.6.3. Modelos de promedio móvil MA(2)

El proceso de media móvil de segundo orden presenta la siguiente ecuación.

=�+ −� − −� − ( 45 )

El proceso MA(2) se caracteriza por tener una memoria de 2 periodos, es decir, que

depende de los eventos de − e − .

González (2009) indica que la autocovarianza y autocorrelación para el proceso MA(2) se

determinan de la siguiente manera.

Función de autocovarianza MA(2) es:


53

( + � + � )�� , =
= −� + � � �� , =
−� �� , =
{ , > ( 46 )

La función de autocorrelación del proceso MA(2) es:

−� + � �
, =
+� +�
= −�
, =
+� +�
{ , > ( 47 )

2.6.6.4. Modelos autorregresivos AR(p)

Pindyck y Rubinfeld (2001) menciona que los promedios ponderados de la variable

estocástica evaluada en periodos puede explicar los valores observados .

La ecuación que explica el proceso AR(p) es la siguiente:

=� − +� − + ⋯+ � − + + ( 48 )

donde:

�: parámetro de modelo AR(p), este puede ser positivo o negativo.

: termino constante que se relaciona con la media del proceso.

: variable aleatoria normal o proceso de ruido blanco.

�: media

:orden del modelo AR(p)

Si el proceso AR(p) es estacionario, entonces la media debe ser constante en el tiempo, es

decir, = μ, ∀ t , La media pude determinarse de la siguiente ecuación.


54

�=
−� −� −⋯−� ( 49 )

A partir de la Ec.(49) se puede determinar en primera instancia si el proceso es estacionario,

pero no es determinante para asegurar la estacionariedad.

Si la media � es finita cumple la siguiente expresión.

� +� +⋯+� < ( 50 )

2.6.6.5. Modelo autorregresivo AR(1)

El proceso autorregresivo de primer orden presenta la siguiente ecuación.

=� − + + ( 51 )

El proceso AR(1) tiene media de �, se determina como:

�=
−� ( 52 )

Donde el proceso es estacionario si |� | < .

Para determinar la varianza alrededor de la media, asumiendo la estacionariedad del

proceso AR(1), de forma que la varianza es constante y = , es :

� ��
={ ,∀
−� ( 53 )

Para determinar la función de autocorrelación del proceso AR(1) es la siguiente.


55

= = {� ,∀
( 54 )

Pindyck y Rubinfeld (2001) indica que el proceso AR(1) tiene memoria infinita, ya que el

valor actual depende de sus valores pasados, pero esta dependencia decrece con el tiempo.

2.6.6.6. Modelo autorregresivo AR(2)

El proceso autorregresivo de segundo orden presenta la siguiente ecuación.

=� − +� − + + ( 55 )

El proceso AR(2) tiene media �, se determina como:

�=
−� −� ( 56 )

Para que el proceso AR(2) sea estacionario debe cumplir que � + � < .

La varianza se determina de la siguiente función.

� +� + �� , =
� +� , =
={
� +� , =
� − +� − , > ( 57 )

La función de autocorrelación se determina de la siguiente forma.


, =
−�
= �
� + , =
−�
{� − +� − , > ( 58 )
56

2.6.6.7. Modelo mixto autorregresivo – promedio móvil ARMA(p,q)

Pindyck y Rubinfeld (2001) mencionan que muchos procesos estocásticos estacionarios no

podrían modelarse como autorregresivos puro o medias móviles puro, ya que la serie cuenta con

características de ambos procesos. Este tipo de procesos mixtos los denotamos como ARMA(p,q).

=� − +� − + ⋯+ � − + + −� − −� − −⋯−� − ( 59 )

Asumiendo que el proceso es estacionario, se cumple que la media es constante en el

tiempo. Se determina de la siguiente ecuación.

�=
− � − � − ⋯− � ( 60 )

La Ec. (60) brinda una condición de estacionariedad si se cumple que:

� + � + ⋯+ � < ( 61 )

De forma general en el proceso ARMA(p,q) la varianza, covarianza y función de

autocorrelación son:

=� − +� − + ⋯+ � − , + ( 62 )

=� − +� − + ⋯+ � − , + ( 63 )

2.7. Proceso no estacionario de series temporales

2.7.1. Modelos autorregresivo integrado de promedio móvil ARIMA(p,d,q)

Gujarati y Porter (2010), los modelos autorregresivos, medias móviles y mixtos, se basan

en el supuesto que las series de tiempo son débilmente estacionarias, es decir presentan media y
57

varianza constante, y la covarianza permanece inmutable en el tiempo. Pero estos casos no son tan

comunes en las series de tiempo. Asimismo, menciona que se construyen modelos de series no

estacionarias a aquellas series que pueden transformarse en estacionarias diferenciándolas una o

más veces.

Decimos que , es no estacionaria homogénea de orden si.

=∆ ( 64 )

Es estacionaria, donde:

∆ = − − ∧ ∆ =∆ −∆ − ( 65 )

Luego de diferencia , de modo tal que =∆ se puede modelar como una serie

estacionaria ARMA(p,q), entonces se puede decir que es un proceso autorregresivo integrado

de promedio móvil de orden (p,d,q) o ARIMA(p,d,q).

Donde.

=∑ = ∑ +∑ = + + + ⋯+
=−∞ = ( 66 )

2.8. Metodología de Box–Jenkins

Gujarati y Porter (2010) indica que la metodología de Box–Jenkins (BJ) responde a la

pregunta ¿Qué proceso estacionario o no estacionario sigue la serie de tiempo analizada? Para

responder la pregunta, el método de BJ considera cuatro pasos, que se muestran en la Figura 2.13.
58

IDENTIFICACIÓN

ESTIMACIÓN

VALIDACIÓN NO

SI

PRONOSTICO NO

SI

MODELO

Figura 2.13 Metodología de Box-Jenkins


Nota: Muestra la serie de pasos a seguir según la metodología Box – Jenkins, la cual tiene una forma iterativa,

adaptado de “AnпlТsТs de serТes temporales econяmТcas: Modelos ARIMA”, Gonгпleг, 2009.

2.8.1. Identificación

Gujarati y Porter (2010) mencionan que las herramientas principales en la etapa de

identificación del proceso son las funciones de autocorrelación (FAC), la función de

autocorrelación parcial (FACP) y los correlogramas respecto a sus rezagos.

Según González (2009), una vez determinada el orden de diferencia (en la fase de

identificación) se de determinar el orden del modelo ARIMA que mejor se adecue a la serie

de tiempo estacionaria.
59

Para identificar el orden , que podrían haber generado la serie estacionaria se utiliza

los instrumentos de FAC y FACP que tienen las siguientes características:

Tabla 2.1 Estructura de FAC y FACP.


Proceso FAC FACP
Decrece rápidamente, No se
MA (q) Se anula para j>q
anula
Decrece rápidamente, No se
AR (p) Se anula para j>q
anula
ARMA Decrece rápidamente, No se Decrece rápidamente, No se
(p,q) anula anula
Nota: lineamientos generales para determinar el orden p y q de los procesos estocásticos, adaptado del libro

Análisis de series temporales: Modelo ARIMA, González, 2009.

2.8.2. Estimación

De acuerdo a González (2009), identificado el orden del proceso estocástico que generan

la serie temporal , se procederá a determinar los parámetros ( , �, �, , �� , .) del proceso

estocástico. Estos parámetros pueden determinarse por los métodos de mínimos cuadrados o

máxima verosimilitud.

Diaz (2017) indica que los parámetros del modelo estocástico se determinan aplicando las

siguientes ecuaciones:

�� ( 67 )
=
−�
AR(1)
( 68 )
=� → =�

� ( 69 )
=
−�

AR(2)
� ( 70 )
=� +
−�
60

− � �� ( 71 )
=
+� [ −� −� ]

�� ( 72 )
=
−∑ = �
AR(p)
( 73 )
=� − +� − + ⋯+ � −

( 74 )
�̂ = − −
�̂
MA(1)
( 75 )
= �� ( + � )

− ( − ) �̂ + [ + ( ) + ( )] �̂
( 76 )

+ (− + ) �̂ + �̂ =

MA(2)
�̂ ( 77 )
�̂ =
− �̂

( 78 )
=( +� + � )��

( 79 )
= �� ( + � +� + ⋯� )
MA(q)
61

( 80 )
−� + � � + + ⋯+ � − �
; = ,…,
={ +� +� +⋯�
; >

( 81 )
� = → �̂ =

− �̂ ( 82 )
�̂ = �̂ + −
ARMA(1,1) �̂ − �̂

( + � � + � )�� ( 83 )
=
−�

Donde:

: varianza

= : coeficiente de autocorrelación

: coeficiente de autocorrelación

�� : Varianza de ruido blanco

La varianza del ruido blanco de los modelos estocásticos se determina según las siguientes

ecuaciones:

�� = ( −� ) ( 84 )
AR(1)

+� [ −� −� ]
�� = ( 85 )
AR(2) −�
62

�� = − ∑�
AR(p) ( 86 )
=

�� = ( 87 )
MA(1) ( +� )

�� = ( 88 )
MA(2) ( +� +� )

�� = ( 89 )
MA(q) ( +� +� + ⋯+ � )

( +∅ )
�� = ( 90 )
ARMA(1,1) ( + ∅ � +� )

2.8.3. Validación

Peña (2010) sugiere que el enfoque clásico Bayesiano puede seleccionar del modelo que

mejor representa la serie observada. Asimismo, para estimar los valores de máxima verosimilitud

y seleccionar el modelo que genere el mayor valor, el uso de este enfoque conduce a la aplicación

del Criterio de Akaike y criterio de Schwartz.

Criterio de Akaike modificado (AICC)

El valor esperado del criterio de Akaike modificado es determinado por la siguiente

ecuación.
63

+ + �
, = � ln(�̂� ) + � + ( 91 )
�− − −

donde:

�̂� : varianza del ruido blanco

N : tamaño de la muestra

: orden del proceso autorregresivo

: orden del proceso de promedio móvil

Criterio de Schwarz modificado (SIC)

El valor esperado del criterio de Schwarz modificado es determinado por la siguiente

ecuación.

= � ln �̂� +�+ + ln � ( 92 )
,

Los parámetros están descritos en la Ec. (91).

Peña (2010) menciona que el criterio SIC, a diferencia del criterio AICC, tiende a elegir

modelos con menos parámetros (modelos parsimoniosos). Por lo que se recomienda utilizar el

criterio SIC.

González (2009) indica que la etapa de validación propone evaluar los modelos generados,

teniendo en cuenta los siguientes puntos:

 Si los coeficientes del modelo son significativos y cumplen la condición de

estacionariedad e invertibilidad de los parámetros del modelo.

 Los residuos deberán tener un comportamiento similar al ruido blanco.

Prueba de Ljung Box


64

Villavicencio (2010) menciona que la prueba de Ljung-Box evalúa de forma conjunta que

todos los coeficientes de autocorrelacion sean simultáneamente iguales a cero, significando que

son independientes.

La prueba de Ljung-Box presenta dos hipótesis:

Hipótesis nula: H0, el modelo es bueno y no muestra falta de ajuste

Hipótesis alternativa: HUn, el modelo no es bueno y muestra falta de ajuste

La prueba de Ljung Box, se calcula el valor estadístico Q, con la siguiente ecuación.

= + ∑ ,
− ( 93 )
=

donde:

: autocorrelaciones de la muestra en retraso j

: retraso del tiempo

: tamaño de la muestra

Rechazamos la hipótesis nula si Q> − ,ℎ

( 94 )
ℎ= − −

donde:

− ,ℎ : valor de la tabla de distribución chi-cuadrada para un nТvel de sТРnТfТcancТa α в С

grados de libertad.

h : grados de libertad

p,q : son los parámetros del modelo ARMA(p,q)

La funcТяn Boб,test() de la lТbrería stats permТte realТгar el “test de ruТdo blanco para los
65

residuos de Ljung-Boб” lo cual permТte aceptar la СТpotesТs nula de ТndependencТa de ruido

blanco si el valor de valor-p es mayor que 0.05.

2.8.4. Pronóstico

Pindyck y Rubinfeld (2001) mencionan que un pronóstico es un valor o conjunto de valores

estimados cuantitativos sobre un evento futuro, basado en un registro de información pasada y

actual. Esta información se presenta en forma de un modelo.

El conjunto de valores estimados del modelo de serie de tiempo se obtendrá resolviendo

los el modelo ARIMA establecido en la validación del modelo.

2.9. Serie de tiempo hidrológico

Chow et al. (1994) mencionan que a pesar que los procesos hidrológicos varíen en el tiempo

y espacio, estos datos son medidos como muestras puntuales, en otras palabras, se miden en lugares

fijos del espacio en un tiempo determinado. Por ejemplo, el pluviómetro mide la precipitación en

un punto fijo de la cuenca. Esta información resulta una serie de tiempo, la cual se implementa

para realizar el análisis estadístico.

2.9.1. Parámetros estadísticos

Chow et al. (1994) indican que los estadísticos calculados resumen las características más

importantes de una muestra. Los parámetros estadísticos son las características de una población

tales como la media y varianza.

2.9.1.1. Medidas de tendencia central

Este nos permite identifica cual es el punto medio o de localización central de un conjunto

de datos.

La media aritmética de datos no agrupados se determina de las siguientes ecuaciones:


66

∑=
�= ( 95 )

∑=
̅= ( 96 )

donde:

� : media poblacional

̅ : media muestral

: valor i-ésimo de la muestra

: cantidad de datos de la muestra o población

2.9.1.2. Medidas de dispersión

Este número estadístico hace referencia a como se encuentran dispersos los datos

hidrológicos. Si la dispersión es poca se dice que tiene uniformidad, por el contrario, si presenta

gran dispersión los datos presentan poca uniformidad.

La varianza se determina de la siguiente ecuación:

� = (∑ − � ) ( 97 )
=

= (∑ − ̅ ) ( 98 )
− =

donde:

: varianza muestral

� : varianza poblacional

: valor i-ésimo de la muestra

: cantidad de datos de la muestra o población


67

̅ = � : media muestral o poblacional

Coeficiente de variación es una medida relativa de dispersión, la cual relaciona la

desviación estándar y la media, se determina de la siguiente ecuación.

= ( 99 )
̅

donde:

: desviación estándar muestral

2.9.1.3. Medidas de simetría y asimetría

Las curvas que representan un conjunto de datos hidrológicos pueden ser simétricas o

asimétricas. Las curvas simétricas son las que trazando una línea vertical que corte al eje de las

abscisas por su punto más alto corta la curva en dos áreas idénticas.

Las curvas asimétricas o sesgadas tienen la característica de concentrar sus datos a las

derecha o izquierda, es decir que los datos no se distribuyen de forma asimétrica.

El sesgo de datos no agrupados se determina mediante la siguiente ecuación:

∑= −�
� = ( 100 )
− −

donde:

: coeficiente de sesgo

: valor i-ésimo de la muestra

: cantidad de datos

� : media

: desviación estándar muestral


68

2.9.2. Análisis de consistencia

Antes de comenzar un modelamiento de una serie de datos hidrológicos, es recomendable

realizar un análisis de consistencia, el cual cosiste en identificar, describir y remover la no-

homogeneidad y consistencia de los datos de una serie de tiempo hidrológica.

2.9.2.1. Análisis visual

Este análisis se realizará graficando en coordenadas cartesianas la serie de tiempo

hidrológica, donde se ubicará en las abscisas el tiempo (días, meses, años, etc.) y en la ordenada

los datos de la serie.

Figura 2.14 Serie histórica de estación Querococha


Nota: Serie de datos históricos del caudal medio de la estación Querococha del periodo 1968 al 2008, el cual

presenta un caudal medio multianual de 1.73 m3/s, datos recopilados por Suarez, 2011. Diaz, 2017.

2.9.2.2. Análisis de doble masa

El análisis consiste en relacionar un caudal o precipitación acumulado anual de una

determinada estación con los datos medidos acumulados de un grupo de estaciones vecinas. Esto

con el fin de determinar un quiebre o variación de pendientes.


69

2.9.2.3. Análisis estadístico

Luego de realizar el análisis visual y de doble masa, identificando los posibles periodos

para corregir la información, se procederá al análisis estadístico de saltos, tanto en media como en

desviación estándar. La primera consiste en probar, mediante la prueba t de Student (prueba de

hipótesis), si el valor de la media entre dos periodos, son estadísticamente iguales con una

probabilidad al 95%, mientras que la segunda evalúa la consistencia de la desviación estándar

mediante la prueba F de Fisher-Snedecor, si el valor de la desviación estándar entre dos periodos,

son estadísticamente iguales con una probabilidad al 95%.

2.9.3. Prueba de bondad y ajuste

Chow et al. (1994) indican que una función de distribución probabilística puede ser

evaluada comparando los valores teóricos con los datos empíricos de la muestra. Asimismo, Aliaga

(1985) menciona que las pruebas estadísticas tienen por objetivo medir la incertidumbre que se

obtienen al realizar una prueba de hipótesis estadística en una población, comúnmente se utilizan

las pruebas de Chi Cuadrado y Smirnov -Kolmogorov.

2.9.3.1. Prueba de Smirnov-Kolmogorov

La prueba de Smirnov-Kolmogorov consiste en comparar las diferencias entre la curva de

distribución empírica y la curva de distribución teórica, presentado la siguiente ecuación:

= | − | ( 101 )

donde:

: valor estadístico de Smirnov-Kolmogorov

: probabilidad de distribución teórica

: probabilidad de distribución empírica


70

Aliaga (1985) menciona que para determinar el ajuste por el método de Smirnov-

Kolmogorov se realizara los siguientes procedimientos.

1. Obtener la desviación máxima entre la probabilidad empírica (Weibull) y la distribución

ajustada según indica la Ec.101.

2. Determinar el valor del valor critico estadístico según el tamaño muestral y tipo de nivel

de significancia tabulando los valores de la Tabla 2.2.

3. Comparar los valores del estadístico con el valor crítico , según los siguientes criterios

de decisión. Si < , el ajuste es bueno, caso contrario el ajuste no es bueno al nivel de

significancia seleccionado.

Tabla 2.2 Valores críticos de �

TAMAÑO DE NIVEL DE SIGNIFICACIA "α"


MUESTRA "N"
0.2 0.1 0.05 0.01
5 0.45 0.51 0.56 0.67
10 0.32 0.37 0.41 0.49
15 0.27 0.30 0.34 0.40
20 0.23 0.26 0.29 0.36
25 0.21 0.24 0.27 0.32
30 0.19 0.22 0.24 0.29
35 0.18 0.20 0.23 0.27
40 0.17 0.19 0.21 0.25
45 0.16 0.18 0.20 0.24
50 0.15 0.17 0.19 0.23

. . . .
N > 50
√� √� √� √�
Nota: Adaptado de Yevjevich,1972.

2.9.4. Distribución empírica

Chow et al. (1994) indican que a lo largo del tiempo se propusieron numerosos métodos

para posicionar los datos en un papel de probabilidad, los cuales mayormente son empíricos como

la formula California, Chegodayev, y otra ecuación intermedia propuesta por Hazen en 1930. La
71

ecuación de Weibull es un término medio que presenta una mejor justificación estadística, la cual

indica que, si los n valores están distribuidos uniformemente entre 0% y 100% de probabilidad,

entonces existen n+1 intervalos.

La ecuación de Weibull se expresa de la siguiente forma:

= ( 102 )
�+

donde:

: probabilidad de distribución empírica

: número de orden

� : número de datos

2.9.5. Distribuciones teóricas

Chow et al. (1994) indican que una distribución de probabilidad es una función que

determina la probabilidad de ocurrencia de una variable aleatoria. La información probabilística

de un conjunto de datos hidrológicos puede resumirse de forma compacta en la función y sus

parámetros. El ajuste de estas distribuciones puede ser por el método de máxima verosimilitud o

método de los momentos lineales.

Chow et al. (1994) mencionan que la aplicación del método de momentos lineales es más

apropiada para los análisis prácticos en la hidrología.

Se aplica la metodología de la Figura 2.15.


72

Selección de
distribucion

Datos hidrológicos

Elegir una distribución


teórica

Estimación de
parámetros

NO
Prueba de bondad de
ajuste

Ajuste bueno SI

Utilizar distribución
elegida

Fin

Figura 2.15 Metodología de selección de distribución teórica

Nota: Elaboración propia.

2.9.5.1. Distribución normal

Chow et al. (1994) indican que esta distribución nace del teorema del límite central, el cual

indica que un conjunto de variables aleatorias, son independientes distribuidas con media � y

varianza � .

La función de distribución acumulada es:

− ( 103 )

= ∫ �
�√ −∞

donde:
73

: variable independiente

: parámetro de localización, igual a la media aritmética

� : parámetro de escala, desviación estándar

2.9.5.2. Distribución log-normal de 2 parámetros

La función de distribución acumulada es:


ln −�
− ( ) ( 104 )

= ∫
√ � −∞

Para < < ∞, donde � y � son la media y desviación estándar del logaritmo

natural de la variable independiente, se determinan de la siguiente ecuación por el método de

momentos.

̅
� = ln ( 105 )
+

� = √ln( + ) ( 106 )

donde es el coeficiente de variación determinado en la Ec. (99).

2.9.5.3. Distribución log-normal de 3 parámetros

La función de distribución acumulada es:


= ∫
( 107 )
√ −∞

ln − −�
= ( 108 )

Para = <∞
74

donde:

: parámetros de posición

� : parámetro de escala

� : parámetro de forma

Los parámetros de forma, escala y posición se determinan por el método de momentos

según la siguiente ecuación:

� − .
� =√
. ( 109 )


� = [ln �
−� ] ( 110 )


� + ( 111 )
= ̅−

donde � es coeficiente de sesgo determinado en la Ec. (100).

2.9.5.4. Distribución gamma de 2 parámetros

La función de distribución acumulada es:

− −
( 112 )
=∫
Valido para:

< ∞

< < ∞

< ∞

donde:

: parámetro de forma
75

: parámetro de escala

: función gamma completa

Los parámetros de forma y escala se determinan por método de momentos según la

siguiente ecuación:

̅
= ( 113 )


= ( 114 )
̅

2.9.5.5. Distribución gamma de 3 parámetros

La función de distribución acumulada es:


− −
− ( 115 )
=∫

Valido para:

< ∞

−∞ < < ∞

< ∞

< ∞

donde:

: origen de la variable x, parámetros de posición

: parámetro de forma

: parámetro de escala
76

Los parámetros de forma, escala y posición se determinan por el método de momentos

según la siguiente ecuación:

= ( 116 )


= � ( 117 )


= ̅− ( 118 )

2.9.5.1. Distribución Log Pearson Tipo III

La función de distribución acumulada es:

ln −
− −
ln − ( 119 )
=∫

Valido para:

< ∞

−∞ < < ∞

< < ∞

< < ∞

donde:

: parámetro de posición

: parámetro de forma

: parámetro de escala
77

Los parámetros de forma, escala y posición se determinan por el método de momentos

según la siguiente ecuación:

= ( 120 )


= � ( 121 )


= ̅ − ( 122 )

donde, ̅ ,� , � son media, desviación estándar y coeficiente de sesgo del

logaritmo natural de la variable independiente, se determinan de la siguiente ecuación por el

método de momentos.

2.9.5.2. Distribución Gumbel

La función de distribución acumulada es:



− ( 123 )
=

donde:

: Parámetro de escala

: Parámetro de posición

Los parámetros de posición y escala se determinan por el método de momentos según la

siguiente ecuación:

( 124 )
= . �

( 125 )
= ̅− . �
78

2.9.5.3. Distribución log-Gumbel

La función de distribución acumulada es:

ln −

− ( 126 )
=

donde:

: Parámetro de escala

: Parámetro de posición

Los parámetros de posición y escala se determinan por el método de momentos según la

siguiente ecuación:

( 127 )
= . �

( 128 )
= ̅ − . �

Donde, ̅ ,� son media y desviación estándar del logaritmo natural de la variable

independiente, se determinan de la siguiente ecuación por el método de momentos.

2.10. Modelo de Fokker-Planck-Kolmogorov (FPK)

Palacio y González (2016) indican que el modelo de Fokker-Planck-Kolmogorov es una

herramienta física – estadística que permite relacionar una ecuación en derivadas parciales de leyes

físicas y principios estadísticos. Asimismo, Domínguez y Kovalenko (2009) mencionan que el

modelo FPK se basa en la deducción de un fundamento determinístico que establece la relación

causa – efecto del proceso lluvia – escorrentía. Para ello mediante la aplicación de la ecuación

bidimensional de Saint Venant se obtendrá un operador matemático de primer orden.

Alexandrovich (1999) indica que la solución a la ecuación estocásticas de FPK es un

proceso Markoviano, ya que plantea que los valores futuros no solo dependen del presente y
79

pasado. Kovalenko (1993), indica que el modelo de FPK se basa en la relación de balance de masa

en un volumen de control.

( 129 )
− − =

Donde:

X : intensidad de precipitación

E : evaporación

I : infiltración

K : coeficiente de escorrentía

Considerando el tiempo de escorrentía efectivo τ que caracteriza las propiedades inerciales

de la cuenca, se transforma en la ecuación diferencial.

+ = ( 130 )
� �

donde Q es el caudal líquido, − = , = � . Si y � son funciones no
� �

aleatorias, entonces la solución de esta ecuación es no aleatoria, sino un proceso dinámico =

. Como en realidad tanto y� son aleatorias, tal que = ̅+ ̃ ̅+�


y� = � ̃ , donde

̃ ̃
y� son los procesos aleatorios de ruido blanco.

Ivanova et al. (2006) mencionan que aplicando métodos estándar es posible transformar la

Ec. (130) en la ecuación general de FPK (Ec. (131) que describe la evolución de la curva de

densidad probabilística del caudal.

,
=− [ , , ]+ . [ , , ] ( 131 )

Donde las funciones A y B son los coeficientes de deriva y difusión definidos de la

siguiente expresión.
80

, =− ̅− . �̃ − . �̃ �
̃ ̅
+� ( 132 )

= − + ( 133 )
, �̃ �̃ �
̃ ̃

Donde:

�̃ , ̃
� �̃ �
̃ son las intensidades e intensidades mutuas del "ruido blanco".

Dado que el propósito es analizar el régimen hidrológico en un caso estacionario, los

� �,�
regímenes transitorios quedan excluidos, así de la Ec. (131) se considera = , transformando

la ecuación de Fokker–Planck–Kolmogorov en la ecuación de Pearson.


= ( 134 )
+ +

donde, dependiendo de los coeficientes , se obtendrán diferentes distribuciones

de la familia de curvas de Pearson, determinadas por las siguientes expresiones.

�̃ �
̃ + �
=
̅ + �̃ ( 135 )

̃

=−
̅+ �̃
( 136 )

�̃ �
̃
=
̅+ �̃
( 137 )

�̃
=−
̅+ �̃
( 138 )

Por la corta longitud de series históricas que se cuentan es posible dar solución a la Ec.

(134) con un sistema de ecuaciones algebraicos de cuatro incógnitas en función de los primeros

momentos estadísticos.
81

( 139 )
− + [ + − ]+ + [ + + ]=

donde:

n : momentos estadísticos (0,1,2,3)

Para evaluar la variación del flujo por efecto del cambio climático en función de sus

momentos, se procede de la siguiente manera.

Paso 1:

Conociendo los momentos no centrales del registro histórico de caudales, se resuelve el

sistema de la Ec. (139) obteniendo los parámetros del clima actual a, , y .

Paso 2:

Obtenidos los parámetros del clima actual se procederá a obtener los parámetros del

escenario del clima futuro (intensidades de ruido blanco) de las Ec. (135) – (138). Reemplazando

los parámetros del escenario futuro en la Ec. (139) se obtendrán los momentos estadísticos del

clima futuro.

2.11. Método de Monte Carlo

Illana (2013) indica que el método de Monte Carlo consiste en la resolución de un problema

mediante el juego de azar, esto se logra simulando el fenómeno real gobernado por una distribución

probabilística.

2.12. Regionalización de modelos hidrológicos

La regionalización de los parámetros del modelo estocásticos se realiza mediante el método

de regresión lineal múltiple, en función de la superficie de cuenca con nevado y sin nevado.
82

2.13. Ecuación de regresión lineal múltiple

La regresión lineal múltiple se aplica cuando se quiere explicar una variable dependiente

Y, en función de dos o más variables llamadas variables independientes X1, X2, X3,…,Xn. La

ecuación de regresión lineal múltiple es la siguiente.

( 140 )
= + + +⋯

donde:

= numero de variables independientes

, ,…, = parámetros a estimar

2.13.1. Estimación de parámetros

Los parámetros , ,…, se obtendrán de la solución del siguiente sistema de

ecuaciones:

∑ = + ∑ + ∑ + ∑ +⋯ ∑

∑ = ∑ + ∑ + ∑ + ∑ +⋯ ∑

∑ = ∑ + ∑ + ∑ + ∑ +⋯ ∑

.
.
.

∑ = ∑ + ∑ + ∑ + ∑ +⋯ ∑ ( 141 )

donde:

= numero de grupos de elementos de la muestra


83

2.13.2. Error estándar del estimado

Medida de dispersión determinada por la siguiente ecuación:

∑ −̂ ∑
=√ =√
− − ( 142 )

donde:

: error estándar

: valores de la muestra

̂ : valores estimados de la regresión

: error entres los valores muestrales y estimados

: número de grupos de elementos de la muestra

= + : número de parámetros

− : grados de libertad

La Ec. (142) es compleja de determinar, por lo que diversos estadísticos han derivado la

ecuación para acortar el proceso mediante métodos computacionales. La ecuación derivada es la

siguiente:

∑ − ∑ − ∑ − ∑ − ⋯− ∑
=√
− ( 143 )

2.13.3. Coeficientes de determinación múltiple

Indica la proporción en que las variables independientes explican la variación de la variable

dependiente. Se puede determinar a partir de las siguientes ecuaciones:


84

= − ( 144 )

∑ + ∑ ∑ ∑ −
+ + ⋯+ −
= ( 145 )
∑ − −

donde:

: coeficiente de determinación

: error estándar estimado

: varianza de la variable dependiente

: número de grupos de elementos de la muestra

Gujarati y Porter (2010) indican que el valore de varia de 0 y 1, donde si el valor es más

cercano a 1 el modelo es “meУor”, por otra parte, mientras más cercano a 0, menor será la

explicación de la variable dependiente.

2.13.4. Coeficientes de correlación múltiple

Este coeficiente mide el grado de asociación lineal entre la variable dependiente y todas las

variables independientes de la regresión, se determina mediante la siguiente ecuación:

= − ( 146 )

∑ + ∑ ∑ ∑ −
+ +⋯+ −
= ( 147 )
∑ − −

Los variables son las mismas que se aplican en el cálculo del coeficiente de determinación.
85

3. CAPÍTULO III:

Metodología

3.1. Materiales

Los datos requeridos para generar el modelo regional de caudal medio anual con cambio

climático son: la precipitación total anual en la cuenca, caudal medio anual y los parámetros de

cuenca (área sin nevado y área con nevado) en las subcuencas Querococha, Olleros, Quillcay,

Chancos, Llanganuco, Parón, Colcas, Los Cedros y Quitaracsa y el escenario por cambio climático

en la cuenca del río Santa. Para la realización de los cálculos complejos e iterativos se utilizó los

softwares de Rstudio y Spyder 4 (compiladores o lectores de código libre en lenguaje Python)

complementados con la hoja de cálculo de Excel.

3.2. Cuenca del río Santa

La cuenca del río Santa se ubica en la costa central del Perú, entre los paralelos 8°4’ y

10°8’ latitud Sur y los meridianos 77°12’ y 78°38’ longitud Oeste. Comprendiendo las regiones

de Ancash y la Libertad y pertenece a la vertiente del océano Pacifico, limitado al Este por la

Cordillera Blanca, conformado por la cadena glaciar, y al Oeste por la Cordillera Negra, conjunto

de cadenas montañosas sin glaciares, posee un área de cuenca de 11,661.53 km2, de los cuales

10,4005 km2 está por encima de los 2000 msnm y su longitud de cuenca hasta la desembocadura

en el océano Pacífico es de 316 km, siendo su ancho promedio 38 km.


86

Figura 3.1 Ubicación de cuenca y subcuencas de estudio del río Santa


87

Tabla 3.1 Parámetros fisiográficos en la cuenca del río Santa


Parámetros Unidades Valor
Área de cuenca km2 11 661,54
Perímetro de cuenca km 960
Área de cuenca húmeda km2 11 053,84
Pendiente media del cauce principal % 1,33
Pendiente media de los terrenos de la cuenca % 43,4
Nota: Tabla adaptada del informe de Evaluación de Recursos hídricos del río Santa, ANA, 2015.

Tabla 3.2 Distribución de superficie glaciar en la cuenca del río Santa


Superficie de Superficie con nevado Superficie sin nevado
Estación
subcuenca (km2) (km2) (km2)
Querococha 62,70 4,10 58,6
Olleros 174,30 25,10 149,2
Quillcay 249,50 29,00 220,5
Chancos 209,90 69,50 140,4
Llanganuco 84,00 37,50 46,5
Paron 53,30 29,00 24,3
Colcas 234,30 45,90 188,4
Los Cedros 114,50 23,05 91,45
Quitaracsa 384,90 33,32 351,58
Nota: Tabla adaptada de las superficies de áreas con nevado y sin nevado elaborado, Olivos, 2004.

3.3. Método

El modelo de series de tiempo hidrológicos se realizó siguiendo la metodología de Box-

Jenkins, tal como se aprecia en la Figura 2.6, la generación de la ecuación hidrológica regional del

caudal medio se efectuó aplicando el método de regresión lineal múltiple a los parámetros del

modelo estocástico y caudal medio proyectado con cambio climático (determinado siguiendo la

metodología de Fokker-Planck-Kolmogorov), en función del área de cuenca con y sin nevado.

3.3.1. Recopilación de datos

Los datos utilizados para la generación del modelo regional en la cuenca del río Santa con

cambio climático, son los registros históricos y completados del caudal medio anual de las

estaciones hidrométricas Querococha, Olleros, Quillcay, Chancos, Llanganuco, Parón, Colcas, Los
88

Cedros y Quitaracsa. Asimismo, se utilizó el área nevada y área sin nevada de la cuenca de estudio.

Para la aplicación de la metodología de Fokker-Planck-Kolmogorov se usó la precipitación total

multianual y variación porcentual de precipitación por efecto de cambio climático, presentado en

el informe de escenarios climáticos en el Perú, para el año 2030 del SENAMHI.

Figura 3.2 Mapa de variación de precipitación al año 2030


Nota: Se muestra la variación de precipitación por zona según el escenario de cambio climático, SENAMHI,

2009.
89

3.3.2. Análisis y tratamiento de datos

Los datos de las estaciones hidrometeorológicas deberán ser consistentes, por tal motivo

es recomendable analizar y corregir la no homogeneidad que posea la serie hidrológica.

Los datos de las estaciones hidrométricas presentados en el Anexo I, son datos completos

y consistentes recopilados de Díaz (2017), el cual menciona que la consistencia de los datos

históricos de caudales medios anuales de las estaciones hidrométricas Querococha, Olleros,

Quillcay, Chancos, Llanganuco, Paron, Colcas, Los Cedros y Quitaracsa, fueron evaluados

mediante el análisis de salto y tendencia. Se identifican que los datos no presentan saltos por lo

que no requiere de un análisis estadístico. Sin embargo, la estación Colcas presenta error de

tendencia, el cual se corrigió su tendencia mediante la expresión = − + ̅.

3.3.3. Estacionariedad de la serie de tiempo hidrológica

Se evaluó la estacionariedad de los datos hidrométricos de las estaciones por el test de

Dickey-Fuller.

Wooldrige (2010), menciona que la manera más sencilla de comprobar la estacionariedad

de una serie es a través de la existencia de raíz unitaria en un modelo AR(1).

El modelo resulta ser estacionario solo si � < , pero el proceso no es estacionario si � =

, ya que presentaría una raíz unitaria. La hipótesis nula es:

: |�| = (No estacionario)

: |�| < (Estacionario)

3.3.4. Identificación de modelos estocásticos

Analizando que los datos de las series hidrológica son consistentes, completos y

estacionario, procedemos a identificar el modelo y orden del modelo a usar, utilizando los
90

correlogramas de FAC y FACP, que son gráficos generados de y ̂ respecto a su rezago , tal

como se aprecia en la Figura 3.3 y lo aplicado de la recomendación de la Tabla 2.1.

Figura 3.3 Correlograma FAC y FACP de la serie de datos de la estación Llanganuco


Nota: Los correlogramas de estaciones hidrométricas se realizaron en RStudТo con la funcТяn acf(“nombre

de estacТяn estacТяn”) в pacf(“nombre de estacТяn estacТяn”) de la LТberТa в paquete "astsa", los

correlogramas de las estaciones hidrométricas se muestran en el Anexo III.


91

3.3.5. Estimación de parámetros de los modelos estocásticos identificados

La estimación del modelo consiste en definir los parámetros � y � de los posibles modelos

AR, MA, ARMA o ARIMA, así como de la varianza del ruido blanco.

3.3.6. Validación de los modelos estocásticos identificados

La etapa de validación se efectúa mediante el criterio de Schwarz modificado, ya que Peña

(2010) menciona que este criterio penaliza al modelo por tener menor número de parámetros que

el criterio de información de Akaike modificado o AICC, y recomienda la aplicación del criterio

eligiendo el modelo que presente un menor número de SIC.

3.3.7. Verificación del modelo estocástico seleccionado

La verificación del modelo seleccionado para cada subcuenca hidrográfica se evaluó según

el test de Ljung-Box, el cual se realiza utilizando las funciones tsdiag() y Box.test() de la librería

científica astsa del software RStudio.

3.3.8. Determinación de la función de distribución probabilística

Aplicando la prueba de bondad de ajuste de Smirnov – Kolmogorov se seleccionará la

función de distribución probabilística teórica que presente menor error, según la Ec. (101). La

Figura 3.4 muestra el gráfico de las distribuciones teóricas y los valores de error de Smirnov –

Kolmogorov para la estación Querococha.

Figura 3.4 Resultados de la prueba Smirnov – Kolmogorov


92

Nota: La prueba de bondad de Smirnov – Kolmogorov se realizó a los datos de cada estación hidrométrica,

(código propio en lenguaje Python en software Spyder) comparando la mayor diferencias de probabilidad

entre la curva de distribución empírica y las curvas de distribución teórica, aplicando la Ec. (101) de Chow

et al. (1994)

3.3.9. Determinación de parámetros del clima futuro (Ecuación FPK)

Los parámetros futuros se determinarán siguiendo la metodología de Fokker-Planck-

Kolmogorov para cada estación hidrométrica.

Domínguez (2004) indica que conociendo los primeros momentos estadísticos se resuelve

el sistema de la Ec. (139), para determinar los parámetros de a, , y que conforman las

características del clima actual.

Tomando en consideración solo tres momentos estadísticos ( , = , , , )y �̃ = ,

la solución de Ec. (117) toma las siguientes expresiones:

( 148 )
− =−

( 149 )
+ − =−

( 150 )
+ − =−

Resolviendo las Ec. (148) – (150) en función de a, y se obtendrá las siguientes

expresiones:

. − − +
= ( 151 )

. (− − + )
= ( 152 )

93

. ( − − )
= ( 153 )

Despejando los parámetros de ruido blanco en función de los parámetros a, y de las

Ec. (151) – (153) se obtiene:


̅= ( 154 )
− .


�̃ �
̃ = ( 155 )
− .


̃
� =− ( 156 )
− .

donde:

N : Precipitación del clima actual.

�̃ , ̃
� �̃ �
̃ : intensidades e intensidades mutuas de ruido.

Para identificar los parámetros del escenario futuro se utilizará el � , el cual representa la

precipitación media del escenario de clima futuro estimado por la entidad competente. Para las

magnitudes de intensidades de ruido para el escenario futuro se estimarán de la siguiente manera,

para ̅ se considera igual al ̅ o ̅= (K es el coeficiente de escorrentía, que se puede


determinar en función de la precipitación, temperatura o uso del suelo). Los parámetros

de ̃
� �̃ �
̃ se mantendrán constantes en el tiempo ( �̃ �
̃ = �̃ �
̃ y ̃
� = ̃ ),
� dado que en la

actualidad no se cuenta con información suficiente para poder estimar dichos parámetros de

escenario futuros.

Resolviendo las Ec. (154) – (156) sin considerar el ruido antrópico o interior (indica la

interacción del hombre y la cuenca hidrográfica), ya que debido a la corta longitud de datos
94

hidrológicos el régimen hidrológico del clima actual puede expresarse utilizando los primeros 3

momentos estadísticos, expresados de la siguiente manera:

�̃ �
̃ + �
=
̅ ( 157 )

̃

=−
̅ ( 158 )

�̃ �
̃
=
̅ ( 159 )

donde:

, , son parámetros de clima futuro.

De las Ec. (157) – (159) para el escenario futuro se obtendrán las siguientes expresiones:

= = − ( 160 )

= − − ( 161 )

= − − ( 162 )


=√
( 163 )

− +
� =( )
( 164 )

= ( 165 )

95

Siendo:

, , : momentos estadísticos del clima futuro

: coeficiente de variación del clima futuro

� : coeficiente de asimetría o sesgo del clima futuro

De los valores , , se construyen mapas de isovalores para un determinado

escenario de cambio climático. Asimismo, aplicando un método de Montecarlo se genera la

evolución de la curva de densidad probabilística para el escenario futuro.

3.3.10. Regionalización del caudal medio anual

Determinados los parámetros del modelo estocástico y parámetros estadísticos con cambio

climático de las estaciones, se procederán a regionalizar el caudal medio anual proyectado con el

área nevada en las cuencas y sin nevada.

( 166 )
= ,

Donde:

: área de cuenca sin nevada

: área de cuenca nevada


96

4. CAPÍTULO IV:

Resultados

4.1. Análisis de estacionariedad de las series de tiempo hidrológicas

La estacionariedad de las series hidrológicas fueron determinadas aplicando el método de

Dickey-Fuller, el cual menciona que analizando el parámetro de � del modelo AR(1), es posible

identificar si la serie presenta estacionariedad. Los resultados se muestran en la Tabla 4.1.

Tabla 4.1 Prueba de estacionariedad de Dickey-Fuller


Parámetro ¿Cumple
Estación ¿� < ?
(� ) estacionariedad?
Querococha 0.2772 No Si
Olleros 0.3104 No Si
Quillcay 0.2310 No Si
Chancos 0.4402 No Si
Llanganuco 0.3407 No Si
Paron 0.3701 No Si
Colcas 0.4784 No Si
Los Cedros 0.1178 No Si
Quitaracsa 0.1600 No Si
Nota: los valores del parámetro � fue determinado a partir del modelo AR(1) en el software RStudio.

4.2. Identificación de los modelos estocásticos

Los modelos estocásticos posibles fueron establecidos según la información del

correlograma de función de autocorrelacion (FAC) y función de autocorrelacion parcial (FACP),

teniendo en cuenta las características mostradas en la Tabla 2.1.

Los modelos estocásticos identificados que representa la serie de caudales medios anuales

son AR(1), MA(1), ARMA(1,1). Los correlogramas se presentan en el Anexo III.

4.3. Estimación de la varianza de error de los modelos estocásticos identificados

Se estimaron los valores de la varianza de ruido blanco de los posibles modelos

identificados. Estos parámetros se determinaron mediante el Software RStudio. Los resultados se

muestran en la Tabla 4.2.


97

Tabla 4.2 Varianza del ruido blanco o varianza de error


Estación AR(1) �� ARMA(1,1)
Querococha 0.1308 0.1332 0.1301
Olleros 0.7017 0.6955 0.6953
Quillcay 0.9721 0.9794 0.972
Chancos 1.84 1.815 1.802
Llanganuco 0.1311 0.1248 0.1246
Paron 0.2012 0.2137 0.1894
Colcas 0.9684 0.9761 0.9621
Los CEDROS 0.2447 0.245 0.2445
Quitaracsa 2.918 2.943 2.887
Nota: los valores del parámetro �� fueron determinados mediante el software RStudio.

4.4. Validación de los modelos estocásticos identificados

De los modelos identificados se procedió a seleccionar el modelo más adecuado, según el

criterio de Schwarz modificado (SIC), aplicando la Ec. (92). Los resultados se presentan en la

Tabla 4.3.

Tabla 4.3 Selección de modelo


Estación AR(1) �� ARMA(1,1)
Querococha -38.68 -37.94 -35.19
Olleros 30.19 29.83 33.53
Quillcay 43.55 43.86 47.26
Chancos 69.71 69.15 72.57
Llanganuco -38.59 -40.61 -36.96
Paron -21.03 -18.56 -19.79
Colcas 43.40 43.72 46.84
Los Cedros -13.00 -12.95 -9.32
Quitaracsa 88.62 88.97 91.90
Nota: La selección del modelo se realizó mediante el criterio SIC, seleccionando el menor valor.

De la Tabla 4.3 se concluye que el modelo estocásticos que mejor representa la serie

hidrológica es el modelo AR(1), por ende a continuación se procede a evaluar todos los parámetros

de este modelo. Los resultados se muestran en la Tabla 4.4.


98

Tabla 4.4 Parámetros �, �, � del modelo AR(1)


Estación Media (�) �������� �
Querococha 1.732 0.1418 0.2772
Olleros 4.759 0.7787 0.3104
Quillcay 7.091 1.0265 0.2310
Chancos 8.287 2.2747 0.4402
Llanganuco 3.031 0.1480 0.3407
Paron 2.019 0.2308 0.3701
Colcas 5.620 1.2614 0.4784
Los Cedros 3.383 0.2475 0.1178
Quitaracsa 10.547 2.9939 0.1600
Nota: los valores del parámetro del modelo AR(1) fueron determinados mediante el software RStudio.

4.5. Verificación del modelo estocástico seleccionado

Se determinó la confiabilidad del modelo según la prueba de Ljung Box, En el Anexo IV

se muestran los gráficos y resultados detallados. Los resultados se presentan en la Tabla 4.5.

Tabla 4.5 Test de Ljung-Box


Estación p-value � > �%
Querococha 0.8382 SI
Olleros 0.8365 SI
Quillcay 0.9409 SI
Chancos 0.8094 SI
Llanganuco 0.7696 SI
Paron 0.4293 SI
Colcas 0.8506 SI
Los Cedros 0.9656 SI
Quitaracsa 0.8133 SI
Nota: los valores de p-value se determinaron para Lag=1.

Los p-value son mayores a 0.05, por lo tanto, se rechaza la hipotesis nula y se concluye

que los residuos son independientes entre sí. Finalmente se establece que el modelo AR(1) si

representa la serie de caudales medios anuales.

4.6. Ecuaciones del caudal medio anual de las estaciones hidrométricas

Después de comprobar si el modelo AR(1) es adecuado para la serie de caudales medios

anuales, se procede a reemplazar los parámetros � y � en la siguiente ecuación.


99

( 167 )
=� −� +� − +

Las ecuaciones del modelo AR(1) para cada una de las estaciones hidrométrica se muestran

en la Tabla 4.6.

Tabla 4.6 Ecuaciones del modelo AR(1)


Estación Ecuación
Querococha = . + . − +
Olleros = . + . − +
Quillcay = . + . − +
Chancos = . + . − +
Llanganuco = . + . − +
Paron = . + . − +
Colcas = . + . − +
Los Cedros = . + . − +
Quitaracsa = . + . − +
Nota: Elaboración propia.

Donde la variable es la componente aleatoria del modelo con media cero y desviación

estándar igual a la desviación estándar del error de datos históricos.

4.7. Determinación de los parámetros del caudal medio anual futuro

Para determinar los parámetros del clima futuro se recopiló la información de precipitación

del ANA y la variación de precipitación por efecto de cambio climático. SENAMHI (2009)

menciona que debido al aumento de CO2 y emisiones de gases de efecto invernadero provenientes

de industrias y fuentes de energía al año 2030, las precipitaciones anuales disminuirán entre -10%

y -20% en la parte sierra del país. La variación de precipitación del -10% en la cuenca del río Santa

fue considera a partir del mapa de variación de precipitación al año 2030, elaborado por

SENAMHI, mostrado en la Figura 3.2.


100

Se muestran los datos de precipitación en la Tabla 4.7.

Tabla 4.7 Precipitación total multianual por subcuenca


Estación Precipitación total (mm)
Querococha 955.8
Olleros 930.6
Quillcay 946.2
Chancos 929.4
Llanganuco 894.8
Paron 914.8
Colcas 918.0
Los Cedros 842.1
Quitaracsa 770.4
Nota: Periodo analizado del año 1965 – 2013, ANA, 2015.

Los parámetros para del clima futro fueron determinados aplicando la metodología de

Fokker-Planck-Kolmogorov. El cálculo se realizó mediante el Algoritmo A que se presenta en el

Anexo V. La Tabla 4.8 muestra el resumen de los resultados por subcuenca.

Tabla 4.8 Parámetros estadísticos del caudal medio anual futuro


Estación � ���� ����
Querococha 1.5584 0.242 -0.0122
Olleros 4.2854 0.2025 0.1254
Quillcay 6.3678 0.1742 -0.5087
Chancos 7.4747 0.1898 0.4539
Llanganuco 2.7326 0.1274 0.5148
Paron 1.8207 0.2557 0.3045
Colcas 5.0514 0.2284 -0.2129
Cedros 3.0402 0.1743 -0.3662
Quitaracsa 9.4925 0.1823 -0.0022
Nota: Parámetros estadísticos por influencia del cambio climático al año 2030.

A partir de los parámetros de caudal medio anual futuro se generó un mapa de isolíneas

mostrado en el Anexo X (de caudales medios anuales) que fue obtenido con el software

ArcMap10.5 utilizando las funciones de IDW – Interpolation y Contour – Surface de la librería

Spatial Analyst Tools, ubicados en las herramientas de Arctoolbox.


101

4.7.1. Determinación de la función de distribución probabilística y bondad de ajuste

Obtenidos los parámetros de clima futuro se procederá a identificar la curva de densidad

probabilísticas actual para cada estación. Los resultados se muestran en la Tabla 4.9.

Tabla 4.9 Prueba de Kolmogorov


Estación 1 2 3 4 5 6 7
Querococha 0.072 0.075 - 0.072 - 0.082 0.119
Olleros 0.045 0.069 - 0.058 0.042 0.099 0.141
Quillcay 0.093 0.12 - 0.111 - 0.157 0.193
Chancos 0.096 0.092 - 0.093 0.094 0.083 0.1
Llanganuco 0.075 0.065 - 0.061 0.072 0.108 0.134
Paron 0.064 0.039 - 0.036 0.044 0.062 0.098
Colcas 0.064 0.093 - 0.082 - 0.118 0.131
Los Cedros 0.116 0.146 - 0.136 - 0.185 0.218
Quitaracsa 0.075 0.075 - 0.07 - 0.113 0.144
Nota: Donde 1 =distribución Normal, 2 =distribución Log Normal 2 parámetros, 3 = distribución Log Normal

3 parámetros, 4 = distribución Gamma 2 parámetros, 5 = distribución Gamma 3 parámetros, 6 = distribución

Gumbel, 7 = distribución Log Gumbel.

Los resultados mostrados en la Tabla 4.9 deberán ser menor a ∆ = . , para afirmar que

las distribuciones se ajustan con una probabilidad del 95%, según la prueba de bondad de

Kolmogorov. Se seleccionó la función de distribución de probabilidad con menor error para

generar la evolución de su curva de densidad probabilística por influencia de cambio climático.

Los gráficos se presentan en los Anexos VI y VIII. En la Tabla 4.10, se muestra los estadísticos de

la serie de datos hidrológicos para el clima actual.

Tabla 4.10 Parámetros estadísticos del caudal medio anual actual


Estación � �� ��
Querococha 1.732 0.220 -0.013
Olleros 4.759 0.188 0.128
Quillcay 7.091 0.145 -0.578
Chancos 8.287 0.184 0.443
Llanganuco 3.031 0.128 0.484
Parón 2.019 0.241 0.306
Colcas 5.620 0.202 -0.227
Cedros 3.383 0.149 -0.405
102

Quitaracsa 10.547 0.166 -0.002


Nota: Se muestra los parámetros estadísticos para caudal medio anual actual.

4.8. Regionalización de los parámetros del modelo AR(1)

4.8.1. Regionalización del parámetro �

La regionalización del parámetro � es obtiene por el método de regresión lineal múltiple

con el área de cuenca sin nevado (A) y área de cuenca con nevado (N).

En la Tabla 4.11, se muestran los valores estadísticos de la regresión lineal múltiple,

evidenciándose que el valor del parámetro � puede ser explicado en un 34.05% en función del

área de cuenca con nevado y sin nevado.

En la Tabla 4.12, se muestran los valores del parámetro � para cada estación hidrométrica

analizada.

Del método de regresión múltiple se obtuvo la siguiente ecuación:

� = . + . �− . ( 168 )

Tabla 4.11 Valores estadísticos de la regionalización de �


Estadísticas valores
Coeficiente de correlación múltiple 0.71089353
Coeficiente de determinación R^2 0.50536961
R^2 ajustado 0.34049282
Error típico 0.09785936
Observaciones 9

Tabla 4.12 Parámetros de la regionalización y pronóstico de �


Área con Área sin
Estación � Modelado � Pronosticado
nevado nevado
Querococha 4.10 58.60 0.28 0.213
Olleros 25.10 149.20 0.31 0.263
Quillcay 29.00 220.50 0.23 0.246
Chancos 69.50 140.40 0.44 0.469
Llanganuco 37.50 46.50 0.34 0.370
103

Paron 29.00 24.30 0.37 0.343


Colcas 45.90 188.40 0.48 0.338
Cedros 23.05 91.45 0.12 0.283
Quitaracsa 33.32 351.58 0.16 0.200

Las Figuras 4.1 y 4.2 muestran de manera visual los valores del parámetro � estimados y

� pronosticado para cada cuenca en función del área de cuenca con nevado y área de cuenca sin

nevado.

Figura 4.1 Gráfico de regresión entre � y Área con nevado

Nota: Grafica de los valores del parámetro � del modelo AR (1) y ��� proyectado por el método de regresión

lineal múltiple.

Figura 4.2 Gráfico de regresión entre � y Área sin nevado


Nota: Grafica de los valores del parámetro � del modelo AR (1) y ��� proyectado por el método de regresión

lineal múltiple.
104

4.8.2. Regionalización de la desviación estándar de error

La regionalización del parámetro �� es obtiene por el método de regresión lineal múltiple

con el área de cuenca sin nevado (A) y área de cuenca con nevado (N).

En la Tabla 4.13, se muestran los valores estadísticos de la regresión lineal múltiple,

evidenciándose que el valor la desviación estándar del ruido blanco �� puede ser explicado en un

90.77% en función del área de cuenca con nevado y sin nevado.

En Tabla 4.14, se muestran los valores de la desviación estándar del ruido blanco �� del

modelo AR(1) para cada estación hidrométrica analizada.

Del método de regresión múltiple se obtuvo la siguiente ecuación.

�� =− . + . �+ . ( 169 )

Tabla 4.13 Valores estadísticos de la regionalización de ��


Estadísticas valores
Coeficiente de correlación múltiple 0.964757783
Coeficiente de determinación R^2 0.93075758
R^2 ajustado 0.907676773
Error típico 0.143816889
Observaciones 9

Tabla 4.14 Parámetros de la regionalización y pronóstico de ��


Área con Área sin ��
Estación �� Modelado
nevado nevado Pronosticado
Querococha 4.10 58.60 0.362 0.244
Olleros 25.10 149.20 0.838 0.790
Quillcay 29.00 220.50 0.986 1.095
Chancos 69.50 140.40 1.356 1.196
Llanganuco 37.50 46.50 0.362 0.529
Paron 29.00 24.30 0.449 0.362
Colcas 45.90 188.40 0.984 1.142
Cedros 23.05 91.45 0.495 0.554
Quitaracsa 33.32 351.58 1.708 1.628
105

Las Figuras 4.3 y 4.4 muestran de manera visual los valores de la desviación estándar del

ruido blanco �� estimados y �� pronosticados para cada cuenca en función del área de cuenca

con nevado y área de cuenca sin nevado.

Figura 4.3 Gráfico de regresión de �� y Área con nevado


Nota: Grafica de los valores del parámetro �� del modelo AR (1) y ���� proyectado por el método de

regresión lineal múltiple.

Figura 4.4 Gráfico de regresión de �� y Área sin nevado


Nota: Grafica de los valores del parámetro �� del modelo AR (1) y ���� proyectado por el método de

regresión lineal múltiple.

4.8.3. Regionalización del caudal medio anual con cambio climático

La regionalización del caudal medio proyectado se obtiene por el método de regresión

lineal múltiple con el área de cuenca sin nevado (A) y área de cuenca con nevado (N).
106

En la Tabla 4.15, se muestran los valores estadísticos de la regresión lineal múltiple,

evidenciándose que el valor del caudal medio con cambio climático puede ser explicado en un

93.87% en función del área de cuenca con nevado y sin nevado.

En Tabla 4.16, se muestran los valores del caudal medio proyectado (caudal futuro) con

cambio para cada estación hidrométrica analizada, según la metodología de Fokker-Planck-

Kolmogorov.

Del método de regresión múltiple se obtuvo la siguiente ecuación.

=− . + . �+ . ( 170 )

Tabla 4.15 Valores estadísticos de la regionalización del caudal medio anual futuro
Estadísticas valores
Coeficiente de correlación múltiple 0.976735559
Coeficiente de determinación R^2 0.954012353
R^2 ajustado 0.938683137
Error típico 0.669636447
Observaciones 9

Tabla 4.16 Parámetros de la regionalización y pronóstico del caudal medio anual


proyectado
Caudal Medio
Área con Área sin Caudal Medio
Estación Futuro
nevado nevado Futuro
pronosticado
Querococha 4.10 58.60 1.56 1.219
Olleros 25.10 149.20 4.29 4.374
Quillcay 29.00 220.50 6.37 6.139
Chancos 69.50 140.40 7.47 6.708
Llanganuco 37.50 46.50 2.73 2.856
Paron 29.00 24.30 1.82 1.892
Colcas 45.90 188.40 5.05 6.405
Cedros 23.05 91.45 3.04 3.007
Quitaracsa 33.32 351.58 9.49 9.223
107

Las Figuras 4.5 y 4.6 muestran de manera visual los valores del caudal medio proyectado

con cambio climático estimados y pronosticados para cada cuenca en función del área de

cuenca con nevado y área de cuenca sin nevado.

Figura 4.5 Gráfico de regresión caudal medio anual futuro y Área con nevado
Nota: Grafica de los valores del caudal medio anual con cambio climático y el caudal medio anual proyectado

por el método de regresión lineal múltiple.

Figura 4.6 Gráfico de regresión caudal medio anual futuro y Área sin nevado
Nota: Grafica de los valores del caudal medio anual con cambio climático y el caudal medio anual proyectado

por el método de regresión lineal múltiple.


108

4.9. Ecuación regional del caudal medio anual por influencia del cambio climático

El modelo hidrológico regional de caudales medios anuales en la cuenca del río Santa se

determina reemplazando la Ec. (168) y Ec. (170) en la ecuación del modelo AR(1), considerando

que la desviación estándar del ruido blanco se estima por la Ec. (159). La ecuación regional

estimada es la siguiente:

=� −� +� + ( 171 )
+

donde:

+ : caudal estimado

� = (caudal medio anual regional)

� =� (fi regional)

: tiempo en años

∶ proceso de ruido blanco con media 0 y desviación estándar ��

�� =�� (desviación estándar de error regional).


109

5. CAPÍTULO V:

Discusión

5.1. Análisis de estacionariedad por Dickey-Fuller

Esta estacionariedad se contrasto según indica Wooldrige (2010), el cual menciona que la

manera más sencilla de comprobar la estacionariedad de una serie de tiempo es a través de la

existencia de raíz unitaria en un modelo AR(1).

La Tabla 4.1 muestra los resultados de la prueba de estacionariedad por el método de

Dickey-Fuller, aplicando el software de RStudio, el cual indica que la serie de caudal medio anual

de las estaciones hidrométricas analizadas son estacionarias, debido a que el parámetro � del

modelo AR(1) es menor que la unidad, lo que guarda relación con los resultados obtenido por Díaz

(2017), quien indica que las series de caudales medios anuales de las estaciones hidrométricas

Querococha, Olleros, Quillcay, Chancos, Llanganuco, Paron, Colcas, Los Cedros y Quitaracsa,

presentan una media constante, varianza constante, y que la covarianza solo depende del retardo y

no presenta autocorrelacion significativa, además de demostrar la estacionariedad aplicando los

valores de tc de las tablas de Dickey-Fuller.

Determinada la estacionariedad de los datos hidrométricos se procede a identificar los

posibles modelos ARIMA, sin la necesidad de realizar transformación alguna.

5.2. Identificación de los modelos estocásticos

La identificación de los posibles modelos se realizó, visualizando los gráficos FAC y

FACP, obtenidos en RStudio y mostrados en el Anexo III, lo que evidencia que los valores de los

gráfico decrecen exponencialmente y presentan picos significativos, considerando las

características de cada modelo, según se muestra en la Tabla 2.1.


110

Del análisis gráfico, se determinó que los modelos que podrían representar a la serie de

caudal medio anual de las estaciones hidrométricas son AR(1), MA(1) y ARMA(1,1), los cuales

difieren de los modelos estocásticos AR(1), AR(2) y AR(3) referidos por Diaz (2017), que aplica

el software Stochastic Analysis Modeling and Simulation (SAMS) Versión 2007.

5.3. Estimación de la varianza de error

Se determinó la varianza de error de los modelos AR(1), MA(1) y ARMA(1,1), el cual

muestra que el valor del parámetro �� del modelo ARMA(1,1) es menor que los otros modelos

identificados.

Los parámetros �� , p, q y N (definidos en la Ec. (91)) de los modelos AR(1), MA(1) y

ARMA(1,1), son necesarios para determinar el modelo más adecuado.

5.4. Validación del modelo estocástico

La validación o selección del modelo estocástico se realizó aplicando el criterio Schwarz

modificado (SIC), seleccionando el modelo AR(1) como representativo, dado que de las 9

estaciones hidrometeorológicas analizadas 6 presentan menor valor SIC, utilizando el modelo

AR(1), en comparación con los valores obtenidos para los modelos MA(1) y ARMA(1,1). Los

resultados obtenidos aplicando el criterio Schwarz modificado se muestran en la Tabla 4.3.

Estos resultados se relacionan con los valores obtenidos por Diaz (2017), el cual determino

que de las 9 series de caudal medio anual, 8 presentan un menor número SIC en el modelo AR(1)

en comparación con el numero SIC de los modelos AR(2) y AR(3). Resultando que el mejor

modelo es el modelo AR(1).

5.5. Verificación del modelo estocástico

La evaluación del modelo seleccionado AR(1) de caudales medios anuales de las

estaciones hidrométricas Querococha, Olleros, Quillcay, Chancos, Llanganuco, Parón, Colcas, Los
111

Cedros y Quitaracsa se realizaron mediante la prueba de Ljung Box, para identificar la presencia

de ruido blanco en los residuos del modelo AR(1). Se obtuvo un valor-p mayor a 0.05 para cada

una de las estaciones analizadas (ver Anexo IV), permitiendo aceptar la hipotesis nula (H0) de que

el modelo es bueno y no muestra falta de ajuste. Además, que los residuos del modelo presentan

comportamiento de ruido blanco, es decir que tienen media cero, no presentan correlación y tienen

una distribución normal.

5.6. Determinación de los parámetros de caudal medio anual futuro

La determinación de los parámetros del clima futuro se realizó aplicando la metodología

de Fokker-Planck-Kolmogorov para el escenario de cambio climático presentado por SENAMHI

al año 2030, el cual indica que en el escenario seco más crítico presenta una disminución del 10%

de precipitación en la zona de estudio, generando una disminución del caudal medio anual en las

subcuencas analizadas.

5.7. Determinación de la función de distribución probabilística y bondad de ajuste

Las funciones distribución de probabilidad para cada estación hidrométrica fue

determinada según la prueba de bondad de ajuste de Kolmogorov, seleccionando aquellas

funciones que presenten un menor error probabilístico.

En la Tabla 4.9, se muestra el resumen de resultados de la prueba de Kolmogorov, donde

se observa que ningún conjunto de datos de las estaciones hidrométricas presenta un ajuste de

distribución log normal 3 parámetros.

5.8. Regionalización de parámetros del modelo AR(1)

Los resultados obtenidos de la regionalización de los parámetros del modelo AR(1) en

función del área de cuenca nevada y sin nevado indican lo siguiente:


112

 El valor del parámetro ϕ puede ser explicado en un 34.05% en función del área de

cuenca con nevado y sin nevado.

 El valor la desviación estándar del ruido blanco �� puede ser explicado en un

90.77% en función del área de cuenca con nevado y sin nevado.

 El valor del caudal medio proyectado con cambio climático puede ser explicado

en un 93.87% en función del área de cuenca con nevado y sin nevado.

5.9. Ecuación regional del caudal medio anual por influencia del cambio climático

El modelo hidrológico regional del caudal medio anual por influencia del cambio climático

en la cuenca del río Santa es determinado por la Ec.171, la cual genera valores menores a los

determinados por la ecuación regional de Diaz (2017), debido a que se consideró la variabilidad

de la precipitación del -10% por efectos del cambio climático según el escenario climático,

estimados por SENAMHI al año 2030. La Tabla 5.1 presenta los valores del caudal medio anual

estimados por Diaz, y los proyectados por influencia del cambio climático en cada estación

hidrométrica.

Tabla 5.1 Parámetros de la regionalización y pronóstico del caudal medio anual proyectado

Caudal Caudal Medio Caudal Medio


Área con Área sin
Estación Medio Futuro Estimado (Diaz,
nevado nevado
Futuro pronosticado 2017)

Querococha 4.1 58.6 1.56 1.219 1.501


Olleros 25.1 149.2 4.29 4.374 4.864
Quillcay 29 220.5 6.37 6.139 6.953
Chancos 69.5 140.4 7.47 6.708 7.681
Llanganuco 37.5 46.5 2.73 2.856 3.016
Paron 29 24.3 1.82 1.892 2.084
Colcas 45.9 188.4 5.05 6.405 6.52
Cedros 23.05 91.45 3.04 3.007 3.336
Quitaracsa 33.32 351.58 9.49 9.223 10.515
113

6. CAPÍTULO VI:

Conclusiones y Recomendaciones

6.1. Conclusiones

 El modelo hidrológico regional del caudal medio anual, considerando el escenario de

cambio climático al año 2030, es + =� −� +� + .

 Los parámetros regionales de la media con cambio climático, � y la desviación estándar

de error son valores que representan los parámetros de la ecuación regional en la cuenca,

los cuales están en función del área de cuenca con nevado y sin nevado.

 El modelo ARMA (1,0) es el mejor modelo para estimar los caudales medios anuales de

las subcuencas Querococha, Olleros, Quillcay, Chancos, Llanganuco, Parón, Colcas, Los

Cedros y Quitaracsa, según el criterio de Schwarz modificado y Prueba de Ljun Box.

 El modelo hidrológico regional de las subcuencas analizadas presenta un valor medio de

caudal medio futuro menor al caudal medio histórico, a excepción de la subcuenca Colcas

que presenta un aumento del 13.9%, debido al error que genera la proyección de datos por

el método de regresión lineal múltiple.

 El modelo hidrológico regional propuesto y los modelos estocásticos, no permiten simular

un comportamiento exacto de los caudales medios anuales en el tiempo, sin embargo, son

una buena herramienta para predecir eventos de máximas y mínimas avenidas.

 Para la aplicación de la Metodología de Fokker-Planck-Kolmogorov se consideró las series

de caudal medio anual de las estaciones hidrométricas y el escenario de cambio climático

al año 2030 elaborado por el SENAMHI, el cual considera una disminución del 10% de

precipitación para ese año, generando así una disminución aproximada del 10% del valor

del caudal medio anual.


114

 Aplicando la metodología de Fokker-Planck-Kolmogorov, se obtienen los parámetros de

distribución con cambio climático, proporcionando la información pertinente para estimar

la curva de distribución probabilística de los caudales medios futuros, los cuales indican

una disminución al valor medio.

 Aplicando la metodología de Fokker-Planck-Kolmogorov se pueden determinar las curvas

de densidad probabilística con influencia del cambio climático global, para estimar los

valores de caudal de diseño para distintos periodos de retorno, y aplicarlos a los proyectos

de ingeniería hidráulica.

6.2. Recomendaciones

 Aplicar la ecuación de Fokker-Planck-Kolmogorov en estudios de obras hidráulica, para

considerar la influencia del cambio climático al diseño.

 Aplicar la ecuación regional del caudal medio anual a cuencas que presenten área nevada

cercanas al área de estudio.

 Ampliar la investigación de modelo regional en diversas cuencas del territorio peruano,

con el fin de sintetizar datos de caudales en diversos ríos sin aforo. Estos datos pueden

servir para completar datos de estaciones hidrométricas incompletas o sintetizar datos de

caudales para estudios hidrológicos e hidráulicos.

 Analizar las proyecciones a futuro con un modelo de Redes Neuronales Artificiales a partir

de datos de área de cuenca, caudal, precipitación, temperatura y evaporación.


115

BIBLIOGRAFÍA

АleбandrovТcС J. (1999).
[EstabТlТdad de la probabТlТdad de las características de la
escorrentía anual por la acción antrópica]. Disertación para Obtener el Grado Académico
de Candidato a Doctor en Ciencias de Ingeniería, Universidad Estatal Hidrometeorológica
de Rusia, San Petersburgo, Federación de Rusia,1999, 155 páginas.
Aliaga S. (1985). Hidrología estadística. UNMSM Lima-1985, 320 pág.
Allen, M. R., Stott, P. A., Mitchell, J. F. B., Schnur, R. & Delworth, T.L. (2000). Quantifying the
uncertainty in forecasts of anthropogenic climate change. Nature, 407, 617-620.
https://doi.org/10.1038/35036559
Ames A. (1998). A documentation of glacier tongue variations and lake development in the
Cordillera Blanca, Peru. With 8 figures and 32 photographs [Documentación de las
variaciones de la franja glaciar y del desarrollo de los lagos en la Cordillera Blanca, Perú.
Con 8 figuras y 32 fotografías]. Zeitschrift fur Gletscherkunde und Glazialgeologie, 34(1),
1-36
Amaris G., Ávila, H., y Guerrero T. (2017). Aplicación de modelo ARIMA para el análisis de
series de volúmenes anuales en el río Magdalena. Extraído de
https://www.redalyc.org/journal/2570/257051186008/html/
Autoridad Nacional del Agua (2012). Inventario de glaciares: Cordillera Blanca.
http://repositorio.ana.gob.pe/handle/20.500.12543/490
Autoridad Nacional del Agua (2015). Evaluación de recursos hídricos en la cuenca del río Santa.
https://hdl.handle.net/20.500.12543/23
Bastidas J. (2015). Generación de descargas en la cuenca del río Mantaro mediante el uso de
modelos estocásticos de series sintéticas. Tesis de Titulación, Universidad Nacional del
Centro del Perú. http://repositorio.uncp.edu.pe/handle/UNCP/392
Bindoff, N. L., Stott, P. A., Achutarao, K. M., Allen, M. R., Gillett, N., Gutzler, D., Hansingo, K.,
Hegerl, G., Hu, Y., Jain, S., Mokhov, I. I., Overland, J., Perlwitz, J., Sebbari, R. y Zhang,
X. (2013). Detection and Attribution of Climate Change: from Global to Regional. In: T.
F. Stocker, D. Qin, G-K. Plattner, M. Tignor, S. K. Allen, J. Boschung, A. Nauels, Y. Xia,
V. Bex & P. M. Midgley (Eds.), Climate Change 2013: The Physical Science Basis.
Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental
116

Panel on Climate Change. Cambridge University Press, Cambridge, United Kingdom and
New York, NY, USA.
http://www.climatechange2013.org/images/report/WG1AR5_Chapter10_FINAL.pdf
Budвko M. (1958) TСe Heat Balance of tСe EartС’s Surface [El balance tцrmТco de la superfТcТe
de la Tierra]. Washington, DC: Springer.
Budyko M. (1974) Climate and Life [El clima y la vida]. New York: Academic.
Chow V., Maidment D., y Mays L. (1994). Hidrología aplicada. McGraw-Hill.
Díaz A. (2017). Modelación estocástica de los caudales en la cuenca del río Santa. Tesis de
Doctoris Philosophiae. Universidad Nacional Agraria la Molina.
http://repositorio.lamolina.edu.pe/handle/UNALM/2912
Domínguez E. (2004). щ
К [PredТccТяn estocпstТca del ingreso del flujo de agua a los embalses
de las centrales hidroeléctricas de la República de Colombia]. Disertación para Obtener el
Grado Académico de Candidato a Doctor en Ciencias de Ingeniería. Universidad Estatal
Hidrometeorológica de Rusia. San Petersburgo, Federación de Rusia, 2004, 231 páginas.
Domínguez E. y Kovalenko V. (2009). Modelación estocástica de sistemas complejos: adaptación
y bifurcación como mecanismos de evolución. Complejidad: revolución científica y teoría,
(1st ed., pp. 34–69). Editorial Universidad del Rosario.
https://www.researchgate.net/publication/230847016_MODELACION_ESTOCASTICA
_DE_SISTEMAS_COMPLEJOS_ADAPTACION_Y_BIFURCACION_COMO_MECA
NISMOS_DE_EVOLUCION
Domínguez E., y Rivera H. (2010). A Fokker-Planck-KoImogorov equation approach for the
monthly affluence forecast of Betania hydropower reservoir [Un enfoque de la ecuación de
Fokker-Planck-KoImogorov para la previsión de la afluencia mensual del embalse
hidroeléctrico de Betania]. Journal of Hydroinformatics, 12(4), 486–501.
https://doi.org/10.2166/hydro.2010.083
Earls J. (2008). Manejo de cuencas y cambio climático. Los Andes y las poblaciones altoandinas
en la agenda de la regionalización y la descentralización, 1, 113–126.
https://www.academia.edu/download/38211359/MANEJO_DE_CUENCAS_Y_CAMBI
O_CLIM.pdf
117

Favier V. (2004). One-year measurements of surface heat budget on the ablation zone of Antizana
Glacier 15, Ecuadorian Andes [Mediciones de un año del presupuesto de calor superficial
en la zona de ablación del glaciar Antizana 15, Andes ecuatorianos]. Journal of
Geophysical Research, 109, D18105. https://doi.org/10.1029/2003JD004359
Flores E., Silva C., y Flores E. (2015). Predicción de caudales diarios de la estación hidrométrica
Tumilaca aplicando modelos estocásticos autoregresivos. Ciencia & Desarrollo, 19, 68–
73. https://doi.org/10.33326/26176033.2015.19.489
Garreaud R., Vuille M., y Clement A. (2003). The climate of the Altiplano: Observed current
conditions and mechanisms of past changes [El clima del Altiplano: Condiciones actuales
observadas y mecanismos de cambios pasados]. Palaeogeography, Palaeoclimatology,
Palaeoecology, 194(1–3), 5–22. https://doi.org/10.1016/S0031-0182(03)00269-4
González M. (2009). Análisis de series temporales económicas: Modelos ARIMA.
https://addi.ehu.es/handle/10810/12492
González M., Jurado E., González S., Aguirre Ó., Jiménez J., y Návar J. (2003). Cambio climático
mundial: origen y consecuencias. Ciencia UANL, 6(3). http://eprints.uanl.mx/1287/
Green, T. R., Taniguchi, M., Kooi, H., Gurdak, J. J., Allen, D.M., Hiscock, K.M., ... & Aureli, A.
(2011). Bajo la superficie del cambio global: Impactos del cambio climático en las aguas
subterráneas. Revista de Hidrología, 405(3-4), 532-560.
https://doi.org/10.1016/j.jhydrol.2011.05.002
Guevara, J., Vega, C., y Guevara, E. (2010). Análisis estocástico de una serie cronológica de
caudales mensuales. Caso de estudio: Río Caroní, Venezuela. INGENIERÍA UC, 17(1),
46–54. http://www.redalyc.org/articulo.oa?id=70721861006
Gujarati D., y Porter D. (2010). Econometría (quinta edición). México: Editorial Mc. Graw Hill.
Gutiérrez A., Becerra R., Esparza J., López J., y Gallardo P. (2009). Estimación de caudales en
cuencas no aforadas, empleando modelos estocásticos y multivariados. AQUA-LAC, 1(1),
72–81. http://aqua-lac.org/index.php/Aqua-LAC/article/view/32
Illana J. (2013). Métodos Monte Carlo. De Departamento de Física Teórica y del Cosmos,
Universidad de Granada, 26(01). http://www.ugr.es/~jillana/Docencia/FM/mc.pdf
IPCC, 2013: Glosario [Planton, S. (ed.)]. En: Cambio Climático 2013. Bases físicas. Contribución
del Grupo de trabajo I al Quinto Informe de Evaluación del Grupo Intergubernamental de
Expertos sobre el Cambio Climático [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K.
118

Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex y P.M. Midgley (eds.)]. Cambridge


University Press, Cambridge, Reino Unido y Nueva York, NY, Estados Unidos de
América. https://www.ipcc.ch/site/assets/uploads/2018/08/WGI_AR5_glossary_ES.pdf
Ivanova Y., y Corredor J. (2006). Evaluación de la sensibilidad de los caudales máximos de diseño
ante la influencia del cambio climático. Avances en recursos hidráulicos, (13), 89-98.
https://www.redalyc.org/pdf/1450/145017291004.pdf
Kovalenko V.V. (1993). Modelación de procesos hidrológicos, San Petersburgo, Editorial
Hidrometeoizdat, Rusia, 256 pág.
Kovalenko V.V., Viktorova N.V y Gaidukova E.V. (2006). М
[Modelado de Procesos Hidrológicos], San Petersburgo, Editorial RGGMU,
Rusia, 559 pág.
Kovalenko V.V. (2008).
[Teoría de las catástrofes y evolución de las
variedades diferenciables en la hidrología parcialmente infinita], San Petersburgo, Editorial
RGGMU, Rusia, 178 pág.
Kovalenko V.V. (2009). Г
[Aseguramiento hidrológico de la fiabilidad de los proyectos de
construcción frente al cambio climático], San Petersburgo, Editorial RGGMU, Rusia, 100
pág.
Kovalenko V.V., Viktorova N.V., Gaidukova E.V. Khaustov V. A. y Devyatov V.S. (2020).
ГГМ
[Resultados de las investigaciones de los procesos hidrológicos probabilísticos en
RHSMU], Universidad Hidrometeorológica Estatal de Rusia, 60, 255-268,
https://doi.org/10.33933%2F2074-2762-2020-60-255-268
Mark B. G., McKenzie, J. M., y Gómez, J. (2005). Hydrochemical evaluation of changing glacier
meltwater contribution to stream discharge: Callejon de Huaylas, Peru / Evaluation
hydrochimique de la contribution évolutive de la fonte glaciaire à l'écoulement fluvial:
Callejon de Huaylas, Pérou. [Evaluación hidroquímica del cambio de contribución de
derretimiento glaciar a la descarga de arroyos: Callejón de Huaylas, Perú]. Hydrological
Sciences Journal. 50(6). https://doi.org/10.1623/HYSJ.2005.50.6.975
119

Olivos A. (2004). Informe hidrológico de la C.H. Pariac,


http://www2.osinerg.gob.pe/ProcReg/TarifasBarra/ProcMay05-
Abril06/pdf/present_coes/Anexo F.pdf
Palacio D., y González C. (2016). Reseña sobre el estado del arte de la aplicación del modelo
Fokker-Planck-Kolmogorov en la estimación de amenazas hidrológicas. Avances:
Investigación En Ingeniería, 13, 11.
https://dialnet.unirioja.es/servlet/articulo?codigo=6680914
Peña D. (2010). Análisis de Series Temporales. Madrid; ES, Alianza Editorial, 524 pág.
Pindyck R., y Rubinfeld, D. (2001). Econometría: modelos y pronósticos. México: McGraw-Hill.
Praskievicz, S., & Chang, H. (2009). Una revisión de la modelización hidrológica del cambio
climático a escala de cuenca y los impactos del desarrollo urbano. Progreso en Geografía
Física, 33(5), 650-671.
Quisca S.I. (2019). Apunte de clases del curso de Ingeniería de Recursos Hidráulicos, Capítulo 4,
Escuela de Ingeniería Civil de la FIGMMG, Universidad Nacional Mayor de San Marcos.
Lima, Perú.
Raybaut, P. (2020). Spyder (4.1.4) [Software]. Windows, MacOS, Linux. Estados Unidos:
Massachusetts Institute of Technology. Recuperado de https://www.spyder-ide.org/
Rivero A., Alonso Brito, G. R., y Lau Quan, A. (2018). Stochastic Linear Modeling for the
Forecast of Flows in Basin, Western Region of Cuba [Modelación lineal estocástica para
el pronóstico de caudales en cuenca, región occidental de Cuba]. Ciencias Técnicas
Agropecuarias, 27(4). https://doi.org/10.13140/RG.2.2.26734.61764
Rodríguez, A. (2011). Cambio climático, precipitaciones, sociedad y desastres en América Latina:
relaciones y necesidades. Revista Peruana de Medicina Experimental y Salud Publica,
28(1), 165-166. http://www.scielo.org.pe/scielo.php?pid=S1726-
46342011000100032&script=sci_arttext
Rojas J. (2016). Aplicación del modelo estocástico Wiener-FPK en caudales medios del río Fonce
en condiciones del sistema de Pearson. Revista Ambiental Agua, Aire y Suelo, 7(1).
https://doi.org/10.24054/19009178.v1.n1.2016.3256
RStudio (3.6.1) [Software]. (2019). Windows, MacOS, Linux. Boston, Massachusetts, Estados
Unidos: RStudio PBC. Recuperado de https://www.rstudio.com/products/rstudio/
120

Servicio Nacional de Meteorología e Hidrología del Perú. (2009). Escenarios climáticos en el Perú
para el año 2030. http://repositorio.senamhi.gob.pe/handle/20.500.12542/141
Teng J., Chiew, F., Vaze, J., Marvanek, S., y Kirono, D. (2012). Estimation of climate change
impact on mean annual runoff across continental Australia using Budyko and Fu equations
and hydrological models [Estimación del impacto del cambio climático en la escorrentía
media anual en toda Australia continental utilizando ecuaciones Budyko y Fu y modelos
hidrológicos]. Journal of Hydrometeorology, 13(3), 1094–1106.
https://doi.org/10.1175/JHM-D-11-097.1
Useros J. (2013). El Cambio Climático: sus causas y efectos medioambientales. Real Academia
de Medicina y Cirugía de Valladolid, 50, 71–98.
Villavicencio J. (2010). Introducción a series de tiempo. Puerto Rico.
https://www.academia.edu/download/38458362/manual_intro_series_tiempo.pdf
Vuille M. (2013). El cambio climático y los recursos hídricos en los andes tropicales. Banco
Interamericano de Desarrollo, 21.
http://publications.iadb.org/bitstream/handle/11319/5826/SR2012_VUILLE_FINAL_ES
P.pdf?sequence=1
Vuille, M., Bradley, R. S., Werner, M., y Keimig, F. (2003). 20th century climate change in the
tropical Andes: observations and model results. In Climate variability and change in high
elevation regions: Past, present & future [Cambio climático del siglo XX en los Andes
tropicales: observaciones y resultados de modelos. En Variabilidad climática y cambio en
regiones de alta elevación: Pasado, presente y futuro] (pp. 75-99). Springer, Dordrecht.
https://doi.org/10.1007/978-94-015-1252-7_5
Vuille, M., Kaser, G., y Juen, I. (2008). Glacier mass balance variability in the Cordillera Blanca,
Peru and its relationship with climate and the large-scale circulation [Variabilidad del
equilibrio de masas glaciares en la Cordillera Blanca, Perú y su relación con el clima y la
circulación a gran escala]. Global and Planetary Change, 62(1–2), 14–28.
https://doi.org/10.1016/j.gloplacha.2007.11.003
Wang, C., Wang, S., Fu, B., y Zhang, L. (2016). Advances in hydrological modelling with the
Budyko framework: A review [Avances en modelado hidrológico con el marco budyko:
Una revisión]. Progress in Physical Geography, 40(3), 409–430.
https://doi.org/10.1177/0309133315620997
121

Weber, J., Dasso, C., y Jorquera, E. (2010). Desarrollo y calibración de un modelo hidrológico de
simulación mixta. Mecánica Computacional, 29(39), 4013–4037. http://venus.santafe-
conicet.gov.ar/ojs/index.php/mc/article/view/3280/3203
Wooldrige, J. (2010) Introducción a la econometría: Un enfoque moderno. 4ta. Edición en español,

Ciudad de México, México, Edit. Cengage Learning, 1-865.

Yevjevich, V. (1972). Stochastic Processes in Hydrology [Procesos estocásticos en hidrología].

Publicación de Recursos Hídricos

Zhang, L., Dawes, W., y Walker, G. (2001). Response of mean annual evapotranspiration to
vegetation changes at catchment scale [Respuesta de la evapotranspiración anual media a
los cambios de vegetación a escala de captación]. Water Resources Research, 37(3), 701–
708. https://doi.org/10.1029/2000WR900325
Zhang, L., Hickel, K., Dawes, W. R., Chiew, F. H. S., Western, A. W., y Briggs, P. R. (2004). A
rational function approach for estimating mean annual evapotranspiration [Un enfoque de
función racional para estimar la evapotranspiración anual media]. Water Resources
Research, 40(2). https://doi.org/10.1029/2003WR002710
Zhang, L, Potter, N., Hickel, K., Zhang, Y., y Shao, Q. (2008). Water balance modeling over
variable time scales based on the Budyko framework - Model development and testing
[Modelado de equilibrio de agua a escalas de tiempo variables basadas en el marco
Budyko– Desarrollo y pruebas de modelos]. Journal of Hydrology, 360(1–4), 117–131.
https://doi.org/10.1016/j.jhydrol.2008.07.021
122

ANEXOS
123

Anexo I

Caudal medio anual (m3/s) de las estaciones hidrométricas

Datos hidrométricos de la estación Querococha

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 1.88 2.34 3.19 1.35 0.69 0.46 0.32 0.41 0.6 1.36 1.56
1969 1.72 2.03 2.12 2.43 1.04 0.7 0.38 0.48 0.55 0.95 1.72
1970 4.25 3.39 3 2.61 2.31 1.26 0.78 0.62 0.94 1.42 2.15
1971 2.69 3.95 4.78 2.46 1.09 0.62 0.48 0.52 0.56 1.15 0.94
1972 2.53 2.61 5.72 3.22 1.39 0.74 0.45 0.46 0.49 0.77 0.94
1973 2.36 3.53 3.64 3.64 1.24 0.78 0.53 0.54 0.63 1.89 2.64
1974 4.32 5.39 4.9 3.43 1.04 0.78 0.44 0.39 0.66 0.67 0.98
1975 2.36 2.98 5.11 2.48 2.15 1 0.58 0.61 0.79 1.32 1.4
1976 2.93 5.32 3.45 2.17 0.95 0.68 0.43 0.38 0.44 0.71 0.9
1977 1.94 2.73 2.89 2.02 1.25 0.68 0.57 0.57 0.73 1.04 2.55
1978 1.84 4.12 3.61 1.9 1.38 0.82 0.5 0.45 1.04 1.08 1.46
1979 1.95 3.83 5.67 3.83 1.49 0.75 0.62 0.72 0.86 0.97 1.08
1980 1.93 2.24 1.94 1.83 1.01 0.66 0.4 0.58 0.79 1.38 1.94
1981 2.5 5.65 4.14 2.32 1.13 0.63 0.52 0.49 0.51 1.41 3.52
1982 3.51 5.14 3.26 2.59 1.23 0.72 0.44 0.39 0.61 1.85 3.08
1983 4.14 2.54 3.96 3.52 2.11 1.17 0.79 0.74 0.94 1.34 1.7
1984 2.36 5.11 5.64 3.27 1.96 1.06 0.78 0.52 0.51 1.59 1.36
1985 2.36 2.71 3.48 2.92 1.43 0.66 0.37 0.37 0.98 0.94 1.21
1986 2.38 2.57 3.32 2.58 1.42 0.56 0.4 0.37 0.58 0.76 1.18
1987 3.3 3.08 2.89 1.52 1.06 0.46 0.39 0.36 0.52 1.08 1.25
1988 3.9 3.71 2.33 2.21 1.2 0.6 0.39 0.39 0.57 0.83 0.95
1989 2.37 3.8 3.95 3.07 1 0.5 0.32 0.36 0.4 0.86 1.95
1990 1.82 1.41 1.48 1.1 0.66 0.68 0.42 0.32 0.42 1.41 1.83
1991 1.81 2.04 3.02 1.84 1.13 0.56 0.38 0.37 0.39 1.16 1.18
1992 1.67 1.33 1.34 1.44 1.04 0.7 0.4 0.46 0.43 0.76 0.85
1993 2.01 3.92 4.42 3.28 1.4 0.67 0.45 0.4 0.98 1.09 3.14
1994 4.93 7.26 4.91 3.9 0.85 0.45 0.22 0.24 0.3 0.68 1.1
1995 2.48 1.9 5.34 2.65 1.03 0.47 0.34 0.32 0.65 0.81 1.55
1996 3.31 4.74 4.63 3.54 1.53 0.64 0.43 0.38 0.62 1.13 0.86
1997 1.87 2.97 1.03 0.75 1.25 0.67 0.46 0.46 0.62 1.11 1.56
1998 3.77 10.9 5.02 2.53 1.11 0.65 0.41 0.52 0.64 1.29 1.9
1999 3.55 6.11 3.96 2.28 1.41 0.71 0.45 0.34 0.63 0.79 1.22
2000 2.23 3.74 5.01 3.52 1.4 0.73 0.46 0.53 0.56 1.19 1.38
2001 1.72 5.3 4.72 3.11 2.05 0.85 0.64 0.7 0.85 1.61 1.61
2002 2.34 2.53 2.52 1.87 2.01 1.08 0.75 0.63 1.04 1.83 2.5
2003 2.89 2.11 3.53 3.38 1.12 0.62 0.45 0.5 0.58 1.38 1.92
2004 2.13 3.91 3.47 2.23 1.19 0.57 0.45 0.49 0.64 1.06 1.34
2005 1.4 1.75 2.38 0.88 0.73 0.41 0.27 0.25 0.5 0.74 1.17
2006 1.69 3.77 3.33 1.1 1.16 0.78 0.59 0.63 0.7 0.76 0.85
2007 1.63 2.66 3.46 1.8 0.87 0.49 0.35 0.29 0.3 0.83 1.87
2008 3.42 4.09 3.62 2.04 1.31 0.7 0.43 0.36 0.49 1.23 1.25
Nota: información recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído de

Diaz,2017, Modelamiento estocástico de los caudales en la cuenca del río Santa.


124

Datos hidrométricos de la estación Olleros

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 5.03 5.86 7.41 4.07 2.87 2.45 2.2 2.36 2.7 4.08 4.45
1969 4.74 5.3 5.46 6.03 3.5 2.89 2.3 2.49 2.51 3.98 5.27
1970 7.12 8.51 12.5 10.04 8.2 4.98 2.76 2.59 3.31 5.98 8.96
1971 9.54 7.62 9.67 9.64 3.59 2.12 1.53 1.47 2.15 4.91 4.86
1972 4.93 7.05 11.8 11.21 4.93 2.75 1.82 1.63 2.04 2.87 4.07
1973 7.14 9.15 12.55 5.92 2.79 1.99 1.52 1.73 2.4 5.19 6.06
1974 8.41 13.5 13.26 8.59 3.01 2.22 1.47 1.48 1.69 2.65 3.76
1975 8.15 8.29 11.72 7.26 3.68 2.39 1.64 1.83 2.37 3.34 4.29
1976 10.64 12.79 9.59 6.32 3.64 2.69 1.57 1.52 2.21 3.76 3.64
1977 5.86 6.57 8.63 5.82 4.49 2.36 2.07 2.45 2.2 2.58 7
1978 5.36 10.83 6.87 3.47 2.7 2.61 1.45 1.36 2.77 2.94 4.14
1979 5.77 12.26 13.51 8.37 4.02 2.22 1.78 2.3 2.52 4.06 4.57
1980 7.58 7.42 7.39 3.68 2.14 1.77 1.56 2.31 3.92 5.33 6.69
1981 7.93 4.85 6.22 3.53 1.52 2.01 1.87 1.82 2.5 4.05 7.74
1982 7.05 10.72 3.71 3.28 1.86 1.88 2.08 2.32 3.36 7.72 10.92
1983 13.49 9.38 12.04 8.4 3.54 2.45 1.81 1.94 2.66 3.72 4.92
1984 5.14 14.28 15.79 8.07 4.02 2.34 1.85 1.6 1.85 5.21 3.83
1985 4.8 4.97 7.45 7.26 3.72 1.93 1.35 1.44 3.67 3.75 4.64
1986 5.97 5.71 3.91 3.49 2.4 1.69 1.56 2.05 3.44 4.57 5.18
1987 5.18 4.52 4.81 3.39 2.29 1.72 1.65 1.65 2.87 4.09 5.83
1988 8.79 7.79 5.34 5.89 3.12 1.74 1.53 1.71 2.47 3.92 3.88
1989 6.28 10.98 9.95 9.31 4.4 3.16 2.57 2.78 1.62 3.39 3.7
1990 5.17 4.52 4.48 3.12 1.81 1.52 0.69 0.79 0.81 3.01 4.56
1991 4.22 3.71 8.24 3.7 3.08 1.53 1.32 1.8 2.47 3.24 3.28
1992 5.36 5.14 6.49 5.69 4.16 2.5 1.51 2.08 3.17 4.07 3.92
1993 9.26 9.84 9.64 8.11 5.86 3.54 2.99 3.16 2.45 3.83 6.51
1994 10.04 10.3 7.23 5.95 2.89 1.86 1.36 1.38 1.63 2.47 3.96
1995 5.6 6.04 8.65 9.77 3.05 2.42 1.87 2.31 2.46 2.82 5
1996 7.24 7.29 10.34 6.56 2.64 1.88 1.48 1.35 2.73 3.88 5.2
1997 6.44 8.27 7.08 3.76 2.91 2.25 1.95 2.1 2.5 3.96 6.21
1998 7.94 14.55 10.66 8.18 3.87 2.04 1.35 1.62 2.63 4.37 5.75
1999 8.37 11.87 9.62 5.87 3.92 2.52 1.89 1.65 2.77 3.15 4.15
2000 5.85 8.58 11.61 9.13 4.49 2.86 2.07 2.41 2.3 3.91 4.4
2001 4.83 11.57 11.59 8.31 6.07 3.17 2.81 3.19 3.1 5.31 5.43
2002 5.77 6.25 5.85 4.44 5.18 3.5 2.88 2.77 3.77 6.21 7.77
2003 6.95 5.24 7.73 8.47 3.58 2.48 2.11 2.35 2.44 4.52 5.78
2004 5.26 8.71 8.31 5.61 3.28 2.06 2.04 2.28 2.6 3.72 4.42
2005 4.3 5.66 5.74 1.78 1.34 1.26 1.04 1.04 2.33 2.83 3.83
2006 5.28 9.23 8.28 2.65 2.65 2.48 2.32 2.67 2.58 2.77 3.06
2007 4.83 7.15 8.26 4.4 2.2 1.72 1.53 1.41 1.69 2.81 5.11
2008 8.4 8.61 8.45 4.97 3.45 2.4 1.69 1.61 2.2 4.04 4.2
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
125

Datos hidrométricos de la estación Quillcay

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 9.88 8.12 9.56 5.55 3.67 3 2.71 2.54 3.5 5.14 5.78
1969 8.58 8.04 10.63 14.01 8.6 6.27 4.68 5.72 5.76 8.24 10.88
1970 16.04 12.69 11.82 8.51 6.57 4.89 3.69 3.29 3.55 5.53 7.92
1971 16.38 17.45 20.75 12.4 5.37 4.49 2.78 2.49 3.2 5 5.58
1972 11.35 15.65 13.73 7.75 5.44 4.36 3.7 3.72 3.77 4.29 6.36
1973 10.96 11.08 10.47 11.48 5.94 3.98 2.96 2.9 3.01 6.84 10.86
1974 13.77 15.44 14.58 9.38 4.82 3.24 2.91 2.72 2.64 4.32 7.14
1975 11.01 10.43 15.56 10.1 7.09 3.69 3.15 3.11 3.35 4.24 6.9
1976 9.52 10.3 11.32 9.34 5.99 4.04 3.35 3.05 3.58 6.85 7.56
1977 11.43 9.82 10.87 8.65 5.11 2.96 3.24 4.1 3.95 6.03 8.08
1978 8.08 9.4 8.82 7.74 5.67 4.16 3.76 3.19 4.75 5.73 6.97
1979 10.46 12.27 16.85 8.37 5.55 4 3.21 3.78 4.22 5.34 6.51
1980 8.62 8.98 7.83 7.06 4.95 4.39 3.08 3.92 5.92 6.31 10.85
1981 9.15 16.88 13.18 6.68 4.71 3.84 4.04 3.47 3.7 5.9 10.63
1982 12.32 13.61 7.72 7.15 6.07 5.07 2.79 2.87 3.86 5.68 12.1
1983 14.96 12.76 11.88 9.62 5.67 3.91 4.07 3.38 4.44 7.15 9.48
1984 7.37 15.08 13.98 8.57 5.81 3.74 2.67 2.97 3.33 5.73 5.61
1985 7.34 6.18 6.96 7.06 4.49 2.67 1.72 2.11 5.27 5.38 7.33
1986 8.98 8.87 8.42 6.71 4.62 2.61 2.43 3.38 3 4.42 5.48
1987 16.21 13.33 11.06 9.03 7.82 3.56 2.76 3.7 4.12 7.26 9.23
1988 10.75 12.22 9.07 9.87 5.18 3.44 2.62 3.66 3.34 5.74 7.1
1989 9.47 12.66 15.04 13.85 7.07 2.98 1.8 3.19 3.98 6.18 8
1990 10.83 9.62 7.88 7.23 4.73 3.19 2.37 4.28 3.63 5.12 8.28
1991 9.22 9.52 12.68 8.02 6.42 4.59 3.48 4.33 4.36 4.91 6.04
1992 10.04 9.73 9.88 8.86 6.54 5.6 4.34 4.98 6.9 7.6 9.61
1993 11.44 14.19 13.68 13.8 5.35 2.18 1.44 1.39 2.1 3.82 9.22
1994 11.37 14.89 12.03 9.78 4.59 2.91 1.82 2.35 3.43 4.51 7.01
1995 7.79 8.99 18.15 14.37 5.86 3.74 2.22 3.52 3.93 4.54 6.07
1996 8.58 11.62 11.49 10.39 4.32 2.53 2.35 3.17 3.64 4.69 5.14
1997 5.09 7.24 7.04 5.08 4.17 3.26 3.76 4.1 4.4 4.57 5.81
1998 13.21 15.71 8.73 3.93 3.11 3.82 3.14 3.44 3.8 5.88 8.43
1999 12.64 16.1 13.51 8.68 6.04 3.83 2.93 2.35 3.63 4.45 6.38
2000 9.09 12.32 15.95 13.45 6.52 4.29 3.2 4.12 3.65 5.6 7.09
2001 7.65 15.54 15.79 12.06 8.52 4.48 4.27 5.27 5.26 7.5 8.78
2002 8.93 9.73 9.04 7.43 7.92 5.83 4.99 4.58 6.1 8.44 11.53
2003 10.23 8.52 11.29 13.44 5.65 3.86 3.38 4.03 3.86 6.23 8.68
2004 7.92 12.26 11.83 8.57 5.32 3.06 3.13 3.79 3.98 5.42 7.12
2005 6.86 8.99 8.87 3.12 3.21 2.05 1.58 1.65 2.82 3.9 5.76
2006 8.33 13.03 12 3.79 4.65 4.28 4.04 4.87 4.47 4.91 6.07
2007 8.21 10.96 12.05 6.76 4.05 2.67 2.37 2.1 1.89 3.71 7.07
2008 12.73 12.53 12.22 7.61 5.58 3.8 2.71 2.5 2.86 5.2 6.22
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
126

Datos hidrométricos de la estación Chancos

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 9.96 8.39 9.68 6.1 4.42 3.82 3.56 3.41 4.27 5.73 6.3
1969 8.8 8.3 10.63 13.65 8.82 6.74 5.32 6.25 6.29 8.5 10.86
1970 11.12 10.39 10.98 12.2 8.29 6.08 5.88 5.66 4.4 6.24 8.4
1971 9.72 13.58 20.83 10.76 5.41 4.09 3.73 3.4 4.14 5.69 5.9
1972 8.16 10.85 21.44 6.87 5.03 3.72 3.66 3.76 3.76 4.96 6.94
1973 9.67 10.03 11.36 13.47 7.6 4.52 3.58 3.82 4.4 5.96 8.13
1974 11.01 11.61 13.24 10.99 4.87 4.3 3.51 3.37 3.5 4.72 6.47
1975 11.72 11.45 16.77 9.33 6.56 3.77 3.59 4.14 3.78 5.19 5.24
1976 8.56 12.63 12.67 6.69 6.62 4.62 4.22 4.32 6.33 8.86 8.93
1977 13.86 14.3 14.61 13.8 8.85 5.75 5.23 5.29 4.83 12.51 16.79
1978 19.06 22.98 20.47 16.02 13.96 6.76 5.49 5.43 6.42 6.68 8.93
1979 11.6 14.8 20.11 11.57 7.39 6.38 5.13 5.72 6.82 8.62 9.8
1980 12.31 14.56 11.23 10.31 6.13 5.98 4.81 5.02 8.3 11.74 4.85
1981 10.51 18.4 17.24 12.33 7.16 5.25 5.24 4.58 5.13 10.67 13.52
1982 10.94 17.62 14.44 12.55 7.94 6.24 4.2 4.68 5.67 10.38 12.66
1983 20.35 17.58 19.73 17.05 12.87 7.19 7.05 6.27 7.16 12.23 10.36
1984 9.72 15.8 20.61 14.1 6.88 4.25 4.27 4.65 4.99 7.08 6.31
1985 11.46 11.5 11.54 13.05 3.92 3.22 3.19 3.64 5.51 5.34 6.16
1986 12.69 10.64 10.77 13.03 7 5.19 4.37 4.5 4.76 7.28 8.33
1987 14.39 15.4 15.3 12.87 7.82 4.3 3.97 3.98 5.25 8.42 12.26
1988 16.3 17.58 13.41 11.21 5.98 3.93 3.32 3.79 5.03 6.9 8.96
1989 9.88 13.8 14.74 15.01 5.41 3.03 2.38 2.68 3.39 6.27 7.48
1990 10.67 12.51 9.9 7.56 3.08 2.92 2.52 2.65 4.43 7.72 10.76
1991 10.89 12.64 17.51 9.37 5.97 4.4 3.59 3.95 4.53 4.71 5.65
1992 8.86 10.49 6.22 4.12 2.52 1.12 2.06 2.41 2.51 2.85 3.39
1993 8.37 15.04 13.32 13.66 7.33 3.73 3.3 3.37 3.97 5.81 8.47
1994 14.64 14.46 12.21 12.33 9.37 4.41 3.48 4.06 5.16 6.02 9.45
1995 12.36 11.99 10.36 7.92 5.2 4.62 5.14 5.21 5.34 7.5 8.93
1996 11.14 16.66 7.2 14.91 7.67 5.92 5.47 4.79 4.79 8.01 9.76
1997 10.76 9.01 12.22 6.16 6 8.29 4.24 4.39 3.51 4.59 5.55
1998 11.11 11.45 7.11 5.77 2.27 2.27 2.38 2.77 4.1 8.43 10.83
1999 10.08 12.59 13.8 10.82 6.33 6.17 4.63 4.7 5.4 8.92 8.98
2000 14.17 10.57 12.69 8.72 8.29 5.2 5.22 5.44 4.77 8.35 9.85
2001 12.8 12.73 16.88 10.5 6.48 4.46 4.54 5.07 5.4 8.1 10.7
2002 9.42 15.97 16.14 8.55 5.73 4.59 3.67 3.9 4.86 7.66 4.39
2003 6.47 9.47 9.29 9.54 5.99 4.42 4.94 4.76 4.9 4.89 5.1
2004 8.15 13.45 16.57 7.81 5.57 3.13 4.02 4.4 3.9 3.22 5.33
2005 10.74 9.71 10.92 10.31 5.3 4.89 3.81 4.16 6.5 9.68 11.77
2006 18.65 16.27 21.09 4.63 6.07 0.78 1.9 2.35 5.03 6.07 6.9
2007 6.34 8.14 13.87 8.09 6.84 5.47 4.16 4.48 4.54 8.1 10.85
2008 13.99 14.21 11.87 5.38 4.27 1.98 2.27 3.06 5.79 9.1 8.34
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
127

Datos hidrométricos de la estación Llanganuco

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 3.33 3.38 2.73 2.42 2.06 1.87 1.7 1.57 1.84 2.02 2.62
1969 3.83 3.57 4.1 3.87 3.11 2.48 2.15 2.09 2.15 2.78 3.42
1970 4.32 3.93 3.89 3.92 2.97 1.33 3.7 3.02 2.24 2.36 2.66
1971 3.54 3.51 5.22 3.8 2.46 2.19 1.81 1.43 1.58 2.13 2.48
1972 3 3.88 4.96 4.58 2.87 2.19 2.11 2.09 1.84 2.09 2.96
1973 4.95 5.2 5.51 4.7 2.94 2.35 2.06 2.1 1.85 2.33 3.21
1974 3.79 3.71 4.18 3.67 2.54 1.77 1.34 1.43 1.21 1.71 3.01
1975 3.2 3.6 5.23 3.63 2.31 1.56 1.7 1.66 1.12 1.49 2.77
1976 3.14 3.78 4.04 3.32 2.27 1.87 1.98 1.8 1.91 2.92 3.32
1977 4.55 4.47 4.88 4.04 2.52 2.12 2.08 2.22 1.97 2.57 3.03
1978 4.33 5.14 4.25 3.4 3.2 2.27 1.94 1.93 1.85 2.21 2.73
1979 4.76 4.31 5.22 3.94 3.01 2.6 2.14 2.07 2.39 2.73 3.52
1980 3.86 4.6 4.04 4.08 3.14 3.25 2.33 2.46 3.57 3.11 3.25
1981 4.17 5.08 4.69 3.5 2.89 2.95 2.35 2.1 2.03 2.82 3.46
1982 4.17 4.61 4.36 3.82 2.85 2.53 2.03 2 1.96 2.32 3.21
1983 5.98 5.81 6.22 4.69 3.87 3.02 3.04 3.25 3.3 3.7 5
1984 2.85 5.89 5.75 4.22 2.74 2 1.85 2.16 2.07 2.72 3.04
1985 3.68 3.11 3.37 3.44 2.36 1.71 1.34 1.34 1.8 2.16 3.18
1986 3.86 3.38 3.69 5.8 3.14 2.59 2.14 1.81 1.57 2.48 3.23
1987 4.99 5.45 4.7 4.27 3.61 2.95 2.5 2.25 2.22 2.61 3.17
1988 5.75 6.04 4.65 4.21 3.21 2.56 2.03 1.96 2.27 2.55 2.99
1989 3.08 4 4.49 3.55 2.22 1.81 1.49 1.63 1.55 2.18 2.88
1990 4.02 4.6 3.7 3.13 2.48 2.15 2 2.03 1.94 2.11 2.78
1991 3.97 4.2 6.72 3.77 2.72 2.37 1.7 1.75 1.65 1.63 2.27
1992 3.73 4.03 4.2 3.6 2.6 2.2 2 1.86 1.9 1.94 2.8
1993 3.42 4.86 4.55 3.94 2.8 2.14 1.79 1.67 1.8 1.96 3.08
1994 3.8 4.87 5.06 4.12 2.7 1.91 1.6 1.61 1.74 1.84 2.5
1995 4.44 3.92 4.11 4.71 2.76 2.47 2 2.19 2.08 2.48 3.06
1996 4.09 4.97 4.53 3.76 2.4 1.93 2.13 2.5 2.24 2.58 2.27
1997 3.25 3.12 3.57 2.61 2.07 2.15 2.03 2.02 1.95 2.39 3.12
1998 4.77 5.46 4.74 3.45 2.77 2.18 1.86 1.53 1.79 1.75 2.43
1999 3.42 4.31 5.37 4.57 3.05 2.47 1.95 2.14 1.85 2.25 2.75
2000 2.95 5.08 5.23 4.2 3.63 2.48 2.63 2.81 2.7 3.16 3.47
2001 3.97 3.94 3.75 3.3 3.4 3.06 2.73 2.46 2.9 3.41 4.11
2002 4.31 3.63 4.36 4.74 2.84 2.35 2.24 2.31 2.09 2.62 3.29
2003 3.39 4.43 4.35 3.48 2.56 1.86 2.26 2.3 2.19 2.34 2.88
2004 2.72 3.42 3.56 2.2 1.74 1.33 1.4 1.28 1.46 1.54 2.24
2005 2.67 4.23 4.19 2.23 2.16 2.28 2.47 2.61 2.35 2.1 2.55
2006 3.1 3.93 4.35 3.01 2.09 1.66 1.8 1.55 1.23 1.57 2.64
2007 4.25 4.3 4.35 3.2 2.59 2.15 1.69 1.51 1.45 2.03 2.44
2008 4.47 4.63 3.78 4.36 2.51 1.77 1.31 1.99 1.58 2.26 2.76
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
128

Datos hidrométricos de la estación Paron

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 1.83 1.82 1.63 1.48 1.33 1.11 0.94 0.86 1 1.09 1.29
1969 2.24 2.41 2.46 2.43 2.19 1.67 1.36 1.11 1.15 1.33 1.35
1970 2.05 1.94 2.29 2.16 1.85 1.4 1.15 0.91 1.09 1.14 1.37
1971 2.13 2.39 2.75 2.56 1.75 1.38 1.04 0.82 0.84 1.02 1.38
1972 1.51 1.81 2.11 2.38 2.51 1.47 1.3 1.15 1.13 1.15 1.39
1973 2.59 2.95 2.95 2.38 2.14 1.65 1.39 1.3 1.12 1.24 1.53
1974 1.92 2.05 2.28 1.98 1.61 1.4 1.05 0.92 0.83 0.93 1.28
1975 1.68 1.76 2.08 2.1 1.84 1.39 1.1 0.76 1.04 0.97 1.29
1976 1.6 1.77 1.99 2.16 1.8 1.49 1.1 0.88 0.82 1.29 1.84
1977 2.48 2.53 2.38 2.33 2.06 1.63 1.45 1.43 1.39 1.53 1.71
1978 2.15 2.63 2.43 2.23 2 1.64 1.51 1.38 1.4 1.38 1.76
1979 3.54 3.74 3.2 2.53 2.11 1.85 1.38 1.46 1.38 1.65 1.88
1980 3.05 2.87 3.03 2.78 2.31 2.15 1.88 1.7 1.99 2.08 2.14
1981 2.93 3.41 3.51 2.59 2.38 2.17 1.74 1.6 1.58 1.72 1.94
1982 2.35 2.61 2.73 2.64 2.35 1.91 1.53 1.31 1.23 1.34 1.59
1983 3.19 4.23 3.54 3.23 2.41 1.93 1.72 1.92 2.03 1.95 2.17
1984 2.16 3.16 3.52 4.46 2.94 0.58 0.54 0.64 0.71 0.75 0.83
1985 1.75 5.04 4.38 3.92 3.72 3.61 3.57 3.58 2.85 2.56 2.37
1986 2.62 2.53 2.41 2.39 2.26 2.06 1.99 1.87 1.92 1.76 1.94
1987 2.75 2.95 3.12 3.04 2.94 2.96 2.35 1.93 1.98 1.88 2.02
1988 2.7 2.82 2.85 2.81 2.42 2.43 2.42 2.37 2.46 2.21 1.97
1989 2.08 2.35 2.66 2.66 2.43 2.02 1.91 1.69 1.3 1.26 1.49
1990 3.5 5.61 3.17 2.31 1.69 1.75 1.09 0.98 1.03 1.12 1.85
1991 1.83 3.89 6.57 2.9 2.26 2.21 2.06 1.93 1.88 1.48 1.58
1992 4.32 7.72 0.53 0.44 0.42 1.32 1.21 5.68 4.68 2.14 3.84
1993 1.53 0.59 0.58 0.6 0.51 1.2 5.53 7.55 3.14 1.13 0.87
1994 0.31 0.31 0.32 0.17 1.93 1.59 4.27 4.25 1.25 1.39 1.72
1995 3.1 4.68 2.75 2.11 2 1.52 1.12 3.28 0.86 0.76 1.01
1996 1.93 2.57 3.63 3.37 2.59 2 1.43 2.32 1.4 1.4 1.51
1997 1.46 3.12 3.14 2.81 2.98 1.71 2.62 4.2 2.69 2.19 2.18
1998 2.42 2.45 1.78 1.71 2.46 2.32 2.75 2.66 2.64 2.26 2.62
1999 2.45 1.94 2.6 3.21 2.21 1.8 2.01 2.71 1.72 1.7 2
2000 1.82 2.58 2.28 1.97 1.7 1.12 1.96 2.58 1.81 1.43 1.58
2001 1.15 0.9 1.4 0.63 0.59 0.52 0.17 3.11 0.38 0.59 0.83
2002 1.06 1.77 1.95 0.78 1.1 1.64 2.43 3.65 2.18 1.27 1.33
2003 1.62 1.9 2.39 1.65 1.22 1.01 1.11 0.08 0.17 0.68 1.26
2004 2.54 2.88 2.44 1.83 1.77 1.49 0.79 1.02 0.43 1.06 1.08
2005 2.81 3.5 1.7 2.54 1.62 1 1.49 1.97 1.04 1.44 1.55
2006 3.45 4.9 2.02 1.79 1.9 1.97 2.19 2.82 2.41 1.54 1.33
2007 2.84 2.84 1.6 0.69 1.33 1.34 1.01 2.53 1.84 1.34 1.2
2008 3.15 4.66 4.9 4.36 3.52 2.27 2.27 2.14 1.19 0.99 1.41
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
129

Datos hidrométricos de la estación Colcas

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 7.59 6.54 6.85 4.78 3.43 2.68 2.31 2.04 2.34 3.39 4.46
1969 7.11 8.03 10.21 7.78 4.3 3.05 2.75 2.87 2.94 4.39 5.47
1970 9.91 6.69 7.75 6.36 5.27 3.78 3.67 3.39 2.94 4.35 6.1
1971 6.82 11.23 16.75 7.07 3.52 2.97 3.31 3.34 3.35 3.46 4.78
1972 7.62 8.39 13.66 7.67 5.43 4.5 4.3 6.93 4.97 5.18 5.42
1973 10.23 11.4 11.97 10.22 6.1 3.81 3.08 3.01 2.86 4.96 6.28
1974 11.22 16.42 10.86 6.98 4.76 4.39 3.44 3.36 2.46 2.89 2.97
1975 6.46 9.33 14.96 11.44 5.68 2.78 2.61 2.59 2.26 2.62 2.79
1976 9.05 7.27 9.01 6.05 4.38 3.39 2.78 2.96 3.03 4.88 6.39
1977 8.92 11.14 14.9 5.37 5.53 3.52 6.63 4.02 3.66 4.56 6.98
1978 6.89 7.44 8.25 11.15 6.55 3.01 2.4 2.4 4.2 4.35 5.75
1979 12.72 10.06 9.19 9.14 5.99 5.17 4.51 4.12 3.79 5.18 6.93
1980 7.25 7.8 7.22 7.69 5.84 8.58 6.81 6.88 8.89 10.42 9.74
1981 7.76 12.12 11.33 5.41 5.6 6.34 4.14 3.16 3.72 5.39 8.21
1982 8.93 13.38 12.09 6.42 3.71 3.17 2.64 2.52 2.63 3.66 6.22
1983 11.7 10.49 10.62 9.18 7.62 7.21 6.27 4.81 4.96 4.89 6.65
1984 5.23 13.38 9.31 6.36 5.03 3.17 2.46 2.55 2.44 3.87 3.99
1985 5.3 4.75 4.77 4.73 3.06 2.08 2.02 2.09 2.44 3 4.74
1986 9.1 7.04 7.15 7.15 5.33 4 3.5 3.48 6.8 8.02 5.36
1987 17.36 12.5 5.36 5.79 4.42 3.82 3.17 2.81 2.87 3.47 4.07
1988 8.85 11.44 6.09 7.11 4.96 3.01 3.77 3.62 2.24 2.47 2.62
1989 4.15 5.1 3.81 3.22 2.17 3.25 3.13 2.5 2.89 5.03 6.51
1990 9.19 9.82 5.08 4.03 3.4 2.97 2.54 2.45 1.97 3.85 5.32
1991 6.73 8.23 12.92 7.08 4.62 3.63 0.5 3.15 1.58 2.08 2.79
1992 8.06 9.4 9.74 7.21 4.68 3.72 0.65 3.18 3.28 3.18 3.61
1993 5.35 8.47 15.35 11.05 7.97 5.84 4.05 4.28 4.4 3.8 7.16
1994 6.75 10.13 10.2 7.94 3.16 4.12 2.35 2.07 1.94 2.98 4.2
1995 6.92 7.31 7.48 6.17 3.69 3.57 3.45 3.33 3.25 2.4 3.3
1996 2.72 3.57 5.01 7.29 4.68 3.74 3.14 1.03 1.3 2.38 2.15
1997 4.22 9.01 6.56 3.56 2.78 2.64 2.19 2.33 2.82 4.08 5.58
1998 10.24 12.67 10.14 6.09 4.66 3.45 2.67 1.76 2.26 2.39 3.79
1999 6.47 9.39 13.37 9.56 5.8 4.38 3.23 3.85 3.44 4.55 5.15
2000 5.48 12.1 12.59 8.4 6.99 3.81 3.99 4.72 5.17 6.8 6.7
2001 7.84 7.99 6.92 5.94 6.21 5.62 4.91 3.92 5.55 7.41 8.59
2002 8.92 6.98 9.53 10.23 5.47 4.29 3.77 3.96 3.81 5.32 6.53
2003 6.47 9.81 9.25 6.39 4.28 2.74 3.14 3.49 3.57 4.29 5.11
2004 4.55 6.77 6.6 2.75 1.97 1.63 1.34 1.28 1.43 1.65 3.16
2005 4.54 9.42 8.79 2.69 2.9 4.07 4.07 4.51 4.46 4.36 4.8
2006 6.07 8.48 9.62 5.07 3.04 2.46 2.33 1.75 0.75 1.46 4.25
2007 9.05 9.26 9.24 5.54 4.25 3.51 2.46 1.99 1.68 3.01 3.49
2008 9.53 10.2 6.74 9.06 4.52 2.73 1.57 3.97 3.22 4.81 5.39
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017

.
130

Datos hidrométricos de la estación Los Cedros

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 3.8 3.48 4.19 2.9 2.19 2.02 2 1.97 2.21 2.92 2.91
1969 3.71 4.76 6.11 5.5 3.08 2.68 2.25 2.59 2.76 3.39 3.65
1970 6.09 3.99 4.79 4.98 3.86 3 2.97 2.93 2.67 4.48 3.02
1971 2.85 2.52 5.98 5.97 3.77 3.03 2.86 2.85 2.88 3 3.23
1972 3.91 3.99 6.55 7.65 4.31 3.05 2.85 2.92 2.33 2.82 3.46
1973 5.46 5.89 7.02 5.54 3.67 3.33 2.65 2.21 2.18 3.4 3.96
1974 5.11 5.04 5.74 4.99 3.84 2.43 2.28 2.25 2.35 2.64 3.05
1975 3.28 5.41 7.37 5.31 3.29 2.33 1.86 2.02 2.1 2.44 2.57
1976 3.14 2.96 3.96 3.74 2.81 2.34 2.16 1.92 1.79 2.45 2.47
1977 5.57 6.08 3.28 3.14 2.58 2.27 2.63 2.86 2.62 3.23 4.35
1978 3.6 5 3.66 3.99 3.92 2.71 2.13 2.45 2.77 2.67 3.33
1979 4.42 4.44 5.27 3.63 3.15 2.77 2.47 2.48 2.66 3.3 3.85
1980 3.68 3.95 3.57 3.55 2.89 3.2 2.51 2.56 3.43 3.38 3.47
1981 4.13 5.42 5.34 3.83 2.82 2.31 2.15 2 1.96 2.96 4.07
1982 4.3 5.07 4.34 4.26 2.89 2.36 1.94 2.12 2.27 2.87 3.59
1983 6.45 6.23 6.17 2.65 1.94 1.4 1.31 1.49 1.47 1.64 1.76
1984 5.74 8.55 5.03 4.48 3.58 2.51 1.88 1.85 2 2.78 2.49
1985 3.07 3.04 3.65 3.42 2.45 1.64 1.45 1.59 2.25 2.47 2.96
1986 3.93 3.45 3.39 5 2.86 2.45 1.79 1.68 2.11 2.71 3.13
1987 4.98 5.91 4.5 3.65 2.72 2.2 1.96 1.85 2.14 2.42 2.92
1988 4.88 6.34 5.57 5.61 3.5 2.72 2.48 2.39 2.52 3.18 3.69
1989 4.96 6.72 6.63 6.4 3.16 2.53 1.73 1.93 1.77 2.57 2.61
1990 3.51 4.07 3.82 2.8 2.54 1.99 1.88 2.18 1.87 2.97 3.88
1991 3.5 4.1 8.92 5.24 3.27 3.32 1.95 2.1 2.08 2.12 2.28
1992 3.11 3.17 4.08 3.6 2.77 2.24 2.16 2.72 1.64 1.91 1.7
1993 2.45 4.42 8.3 7.6 3.66 2.35 2.37 4.57 3.19 3.43 4.33
1994 5.53 6.73 6.2 5.25 3.44 1.86 3.4 2.47 2.05 1.94 2.44
1995 3.54 3.23 4.14 5.26 3.49 2.86 2.86 2.78 2.76 2.57 3.13
1996 3.84 5.3 6.73 6.14 3.45 2.54 2.47 3.58 3.92 2.91 2.83
1997 2.61 3.68 3.12 2.34 1.93 1.9 1.84 2.59 2.69 2.37 3.16
1998 4.23 4.89 4.3 3.29 2 1.44 1.83 1.47 1.16 3.46 4.49
1999 3.85 6.8 5.64 4.29 3.09 2.16 2.01 3.73 2.91 2.37 2.15
2000 2.06 3.59 4.27 3.31 2.88 2.24 2.16 2.42 1.88 1.93 2.05
2001 3.89 3.96 4.53 2.79 1.76 1.54 1.43 2.94 2.25 3.03 3.51
2002 5.24 6.72 5.42 3.93 3.18 2.44 2.14 1.54 2.15 2.16 2.57
2003 3.52 4.66 6.8 6.2 3.7 2.85 2.39 3.11 2.59 3.09 3.11
2004 2.94 5.86 6.33 5.39 4.3 2.77 2.89 3.76 3.43 3.9 3.61
2005 3.69 3.75 3.81 3.37 3.81 3.28 3.1 2.79 3.45 4.09 4.52
2006 4.14 3.31 5.05 6.1 3.34 2.66 2.55 3.02 2.66 3.42 3.79
2007 3.24 4.67 4.83 3.88 2.9 2.09 2.35 2.83 2.69 2.87 3.02
2008 2.48 3 3.64 1.54 1.8 1.49 1.43 1.34 1.86 2.08 2.5
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
131

Datos hidrométricos de la estación Quitaracsa

Año Ene. Feb. Mar. Abr. Jun. Jul. Sep. Oct. Nov. Dic. Media
1968 13.59 11.8 12.78 9.59 6.17 5.61 4.55 4.45 5.12 8.76 8.68
1969 6.87 12.35 24.8 21.27 9.32 7.56 5.87 5.79 5.48 7.73 9
1970 21.02 16.59 15.39 18.04 9.51 6.94 5.58 5.33 5.78 8.22 9.39
1971 14 18.55 20.65 15.34 9.51 6.94 5.58 5.33 5.78 8.22 7.67
1972 12.26 15.21 16.85 19.88 9.51 6.94 5.58 4.55 4.84 7.49 11.49
1973 14.4 19.78 25.03 22.21 12 9.93 8.13 5.86 6.66 11.03 12.68
1974 17.96 34.75 24.82 17.14 10.26 8.7 7.63 7.31 6.24 7.94 7.77
1975 18.31 17.35 26.08 17.75 13.29 7.3 5.43 5.5 6.88 9.28 8.51
1976 14.02 13.03 16.42 12.27 7.18 5.84 5.01 4.64 4.75 5.71 6.07
1977 13.39 21.08 17.86 12.13 8.57 6.51 5.06 5.45 5.22 6.27 8.73
1978 7.56 12.15 11.83 8.41 6.43 5.77 5.64 5.01 6.63 6.04 7.46
1979 7.9 14.7 26.2 11.83 8.15 6.35 5.81 5.57 5.61 6.18 8.38
1980 9.3 9.39 10.73 10.15 6.88 6.57 5.04 5.38 6.3 8.89 9.48
1981 11.04 24.44 18.9 11.47 7.01 5.59 4.92 4.58 4 7.28 13.37
1982 13.89 16.56 13.7 13.94 8.35 5.96 4.88 4.89 5.19 9.3 10.75
1983 16.18 12.36 26.27 19.42 10.55 9.38 11.17 13.05 12.33 13.15 10.55
1984 11.25 22.19 16.55 14.48 13.01 11.95 8.11 6.17 6.07 8.73 7.39
1985 8.95 12.41 12.21 13.13 8.19 6.55 6.18 5.73 7.24 7.63 8.08
1986 14.15 14.14 14.31 17.88 8.33 5.75 4.19 3.74 4.87 6.01 9.45
1987 21.5 18.35 14.96 11.13 8.14 6 5.42 5.24 5.75 5.43 8.48
1988 19.64 20.58 14.03 17.05 10.53 7.02 6.14 5.87 6.06 9.24 10.31
1989 14.53 19.09 20.18 15.88 8.98 7.52 4.79 4.86 6 10.02 7.57
1990 9.3 11.85 11.21 8.37 6.72 7.03 5.43 4.72 4.65 8.51 9.76
1991 10.14 12.45 27.87 10.74 10.06 7.54 6.25 6.46 6.16 8.43 10.43
1992 9.59 10.12 15.97 11.64 9.88 7.13 5.95 5.62 7.17 12.43 9.54
1993 12.11 23.94 25.59 15.26 10.08 7.34 5.46 4.13 6.3 8.38 10.4
1994 19.25 24.61 28 24.58 11.8 7.13 5.61 5.21 5.39 5 6.85
1995 12.86 14.25 19.68 15.7 6.32 4.94 3.72 3.99 5.47 5.98 9.95
1996 21.46 26.8 25.66 24.64 10.85 7.53 6.48 6.11 5.95 8.84 8.14
1997 7.38 14.84 10.52 6.98 5.72 4.68 4.04 3.93 4.58 5.71 11.02
1998 22.44 25.21 19.82 17.96 9.57 8.23 6.97 6.22 6.36 10.12 12.72
1999 16.1 30.36 16.99 15.16 8.02 6.47 4.6 4.18 6.29 9.55 10.06
2000 18.14 26.54 20.71 13.68 9.73 7.02 5.41 4.11 5.41 5.99 9.1
2001 12.76 19.44 26.86 21.15 10.9 7.86 5.95 6.33 6.06 9.02 8.76
2002 9.19 24.56 24.94 18.57 13.34 8.05 7.42 8.15 8 12.03 8.59
2003 11.29 13.85 14.4 12.33 12.31 9.45 8.13 7.51 8.59 13.12 10.74
2004 12.29 11.02 18.98 21 9.68 7.3 6.21 6.35 6.28 10.21 9.97
2005 9.81 18.57 18.73 13.84 8.83 6.14 5.81 5.89 6.18 8.17 8.93
2006 7.66 12.13 14.26 6.46 5.68 4.71 3.54 2.62 4.08 5.07 8.98
2007 10.34 19.96 18.74 7.16 7.61 7.35 6.76 7.25 6.95 6.84 8.21
2008 10.48 16.31 19.73 11.61 7.07 5.61 4.71 3.61 3.82 6.02 10.94
Nota: La información fue recopilada por Suarez, 2011, Estudio hídrico de la cuenca del rio Santa, extraído

de Diaz,2017
132

Anexo II

Serie de tiempo hidrológico de las estaciones hidrométricas

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Querococha, elaborado en Mathcad.

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Olleros, elaborado en Mathcad.
133

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Quillcay, elaborado en Mathcad.

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Chancos, elaborado en Mathcad.
134

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Llanganuco, elaborado en Mathcad.

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Paron, elaborado en Mathcad.
135

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Colcas, elaborado en Mathcad.

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Cedros, elaborado en Mathcad.
136

Nota: Gráfico de serie tiempo del año 1968 al 2008 de la estación Quitaracsa, elaborado en Mathcad.
137

Anexo III

Correlograma de las estaciones hidrométricas

Nota: correlograma, elaborado en Rstudio.


138

Nota: correlograma, elaborado en Rstudio.


139

Nota: correlograma, elaborado en Rstudio.


140

Nota: correlograma, elaborado en Rstudio.


141

Nota: correlograma, elaborado en Rstudio


142

Nota: correlograma, elaborado en Rstudio.


143

Nota: correlograma, elaborado en Rstudio.


144

Nota: correlograma, elaborado en Rstudio.


145

Nota: correlograma, elaborado en Rstudio.


146

Anexo IV

Análisis de residuos – Test de Ljung Box

Estacion Querococha

Box-Ljung test

data: residuals(modelo)
X-squared = 0.041719, df = 1, p-value = 0.8382

Nota: elaborado en Rstudio.


147

Estación Olleros

Box-Ljung test

data: residuals(modelo)
X-squared = 0.042579, df = 1, p-value = 0.8365

Nota: elaborado en Rstudio.


148

Estación Quillcay

Box-Ljung test

data: residuals(modelo)
X-squared = 0.0054878, df = 1, p-value = 0.9409

Nota: elaborado en Rstudio.


149

Estación Chancos

Box-Ljung test

data: residuals(modelo)
X-squared = 0.0582, df = 1, p-value = 0.8094

Nota: elaborado en Rstudio.


150

Estación Llanganuco

Box-Ljung test

data: residuals(modelo)
X-squared = 0.085752, df = 1, p-value = 0.7696

Nota: elaborado en Rstudio.


151

Estación Paron

Box-Ljung test

data: residuals(modelo)
X-squared = 0.62476, df = 1, p-value = 0.4293

Nota: elaborado en Rstudio.


152

Estación Colcas

Box-Ljung test

data: residuals(modelo)
X-squared = 0.035476, df = 1, p-value = 0.8506

Nota: elaborado en Rstudio.


153

Estación Los Cedros

Box-Ljung test

data: residuals(modelo)
X-squared = 0.0018651, df = 1, p-value = 0.9656

Nota: elaborado en Rstudio.


154

Estación Quitaracsa

Box-Ljung test

data: residuals(modelo)
X-squared = 0.055799, df = 1, p-value = 0.8133

Nota: elaborado en Rstudio.


155

Anexo V

Algoritmos

Algoritmo A

SOLUCION DE LA ECUACIÓN CUASI ESTACIONARIA DE FOKKER-PLANCK-KOLMOGOROV


ALGORITMO DESARROLLADO EN LENGUAJE PYTHON CON EL SOFTWARE SPYDER 4

Universidad Nacional Mayor de San Marcos


EAP Ingeniería Civil

Tesis: MODELO HIDROLÓGICO REGIONAL CON CAMBIO CLIMÁTICO GLOBAL DE


CAUDALES MEDIOS ANUALES DE LA CUENCA HIDROGRÁFICA DEL RÍO SANTA, APLICANDO
LA ECUACIÓN DE FOKKER-PLANCK-KOLMOGOROV

Author: Bach. Ing. Civil Castilla Chanco, Erick Vladimir

Variables:
I: primer momento estadístico
J: segundo momento estadístico
K: tercer momento estadístico
N: precipitación media
P: variación de precipitación (%)

import pandas as pd

def fpk(est,N,P):

xls=pd.read_csv('estaciones.csv',header=0)
es=xls[est]
n=es.count()
I=sum(es)/n
J=sum(es**2)/n
K=sum(es**3)/n

a = (4*I*I*I-5*I*J+K)/(2*I*I-2*J)
b0= (2*J*J-I*I*J-I*K)/(2*I*I-2*J)
b1= (2*I*I*I-3*I*J+K)/(2*I*I-2*J)

C = 2*N/(2*a-b1)
Gcn= 2*N*b1/(2*a-b1)
Gn= -4*N*b0/(2*a-b1)

Cpr= C
Gcnpr= Gcn
Gnpr= Gn

Npr= N*(1+P/100)

apr = (Gcnpr+2*Npr)/(2*Cpr)
b0pr= -Gnpr/(2*Cpr)
b1pr= (2*Gcnpr)/(2*Cpr)
156

m1pr= apr-b1pr
m2pr= m1pr*apr-b0pr-2*m1pr*b1pr
m3pr= m2pr*apr-2*m1pr*b0pr-3*m2pr*b1pr

qpr= m1pr
if m2pr-qpr**2<0:
qpr = "-88888"
Cvpr = "-88888"
Cspr = "-88888"

print("Cvpr: " + str(Cvpr))


print("Cspr: " + str(Cspr))
print("qpr: " + str(qpr))
print("apr: " + str(apr))
print("b0pr: " + str(b0pr))
print("b1pr: " + str(b1pr))

else:

Cvpr = ((m2pr-m1pr**2)/(m1pr**2))**0.5

Cspr = (m3pr-3*m2pr*m1pr+2*m1pr**3)/(Cvpr**3*m1pr**3)

B= Cspr/Cvpr

print(" ")
print("*****Parametros de escenario futuro*****")
print("Cvpr: " + str(round(Cvpr,4)))
print("Cspr: " + str(round(Cspr,4)))
print("qpr: " + str(round(qpr,4)))
print("apr: " + str(round(apr,4)))
print("b0pr: " + str(round(b0pr,4)))
print("b1pr: " + str(round(b1pr,4)))
print(" ")
print(".....................")
print(" ")
return Cvpr,Cspr,qpr
157

Algoritmo B

PRUEBA DE SMIRNOV KOLMOGOROV


ALGORITMO DESARROLLADO EN LENGUAJE PYTHON CON EL SOFTWARE SPYDER 4

Universidad Nacional Mayor de San Marcos


EAP Ingeniería Civil

Tesis: MODELO HIDROLÓGICO REGIONAL CON CAMBIO CLIMÁTICO GLOBAL DE


CAUDALES MEDIOS ANUALES DE LA CUENCA HIDROGRÁFICA DEL RÍO SANTA, APLICANDO
LA ECUACIÓN DE FOKKER-PLANCK-KOLMOGOROV

Author: Bach. Ing. Civil Castilla Chanco, Erick Vladimir

import presente as pr
import grafico as grf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def error(est):
dad=pd.read_csv('estaciones.csv',header=0)
p=dad[est]
n=len(p)
t=1.36/np.sqrt(n)

a,b=pr.weibull(est)

a1,b1=grf.NORMALA(est)

a2,b2=grf.LOGNOR2PA(est)

a3,b3=grf.LOGNOR3PA(est)

a4,b4=grf.GAMMA2PA(est)

a5,b5=grf.GAMMA3PA(est)

a6,b6=grf.GUMBELA(est)

a7,b7=grf.LOGUMBELA(est)

g1=np.amax(abs(a-a1))
g2=np.amax(abs(a-a2))
g3=np.amax(abs(a-a3))
g4=np.amax(abs(a-a4))
g5=np.amax(abs(a-a5))
g6=np.amax(abs(a-a6))
g7=np.amax(abs(a-a7))

print("Prueba de Smirnov-Kolmogorov............... ")


print(" ")
158

if g1<t:
print("El ajuste es bueno, al 95%, Dist. Normal error maximo: " + str(round(g1,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Normal error maximo: " + str(round(g1,3)))

if g2<t:
print("El ajuste es bueno, al 95%, Dist. Log Normal 2P error maximo: " + str(round(g2,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Log Normal 2P error maximo: " + str(round(g2,3)))

if g3<t:
print("El ajuste es bueno, al 95%, Dist. Log Normal 3P error maximo: " + str(round(g3,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Log Normal 3P error maximo: " + str(round(g3,3)))

if g4<t:
print("El ajuste es bueno, al 95%, Dist. Gamma 2P error maximo: " + str(round(g4,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Gamma 2P error maximo: " + str(round(g4,3)))

if g5<t:
print("El ajuste es bueno, al 95%, Dist. Gamma 3P error maximo: " + str(round(g5,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Gamma 3P error maximo: " + str(round(g5,3)))

if g6<t:
print("El ajuste es bueno, al 95%, Dist. Gumbel error maximo: " + str(round(g6,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Gumbel error maximo: " + str(round(g6,3)))

if g7<t:
print("El ajuste es bueno, al 95%, Dist. Log Gumbel error maximo: " + str(round(g7,3)))
else:
print("El ajuste NO es bueno, al 95%, Dist. Log Gumbel error maximo: " + str(round(g7,3)))
plt.grid()
159

Algoritmo C

SIMULACIÓN DE MONTE CARLO


ALGORITMO DESARROLLADO EN LENGUAJE PYTHON CON EL SOFTWARE SPYDER 4

Universidad Nacional Mayor de San Marcos


EAP Ingeniería Civil

Tesis: MODELO HIDROLÓGICO REGIONAL CON CAMBIO CLIMÁTICO GLOBAL DE


CAUDALES MEDIOS ANUALES DE LA CUENCA HIDROGRÁFICA DEL RÍO SANTA, APLICANDO
LA ECUACIÓN DE FOKKER-PLANCK-KOLMOGOROV

Author: Bach. Ing. Civil Castilla Chanco, Erick Vladimir

Variables:
n: Numero de iteraciones
u: Media
Cv: Coeficiente de variación
Cs: Coeficiente de sesgo

from scipy.stats import norm


from scipy.stats import lognorm
from scipy.stats import gamma
import math
import random
import numpy as np

def NORMAL(n,u,Cv,Cs):
import matplotlib.pyplot as plt
d = Cv*u
a = []
Z = []

for i in range(0,n,1):
a.append(random.random())
b = a[i]
c = norm.ppf(b,u,d)
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
"""plt.grid()"""
print(" ")
return sorted(a),sorted(Z)

def LOGNOR2P(n,u1,Cv,Cs):
import matplotlib.pyplot as plt

u = 0.5*np.log(u1**2/(1+Cv**2))
d = np.sqrt(np.log(1+Cv**2))
160

a = []
Z = []

for i in range(0,n,1):
a.append(random.random())
b = a[i]
c = lognorm.ppf(b,d,loc=0,scale=np.exp(u))
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
plt.grid()
print(" ")
return sorted(a),sorted(Z)

def LOGNOR3P(n,u1,Cv,Cs):
import matplotlib.pyplot as plt

d1=u1*Cv
d=np.sqrt((Cs-0.52)/(4.85))

u=0.5*(np.log((d1**2)/(np.exp(d**2)-1))-d**2)

k=u1-np.exp(u+((d**2)/2))

a = []
Z = []

for i in range(0,n,1):
a.append(random.random())
b = a[i]
c = lognorm.ppf(b,d,loc=k,scale=np.exp(u))
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
plt.grid()
print(" ")
return sorted(a),sorted(Z)

def GAMMA2P(n,u1,Cv,Cs):
import matplotlib.pyplot as plt

d1=Cv*u1

u=u1**2/d1**2
d=d1**2/u1

a = []
Z = []
161

for i in range(0,n,1):
a.append(random.random())
b = a[i]
c = gamma.ppf(b,u,loc=0,scale=d)
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
"""plt.grid()"""
print(" ")
return sorted(a),sorted(Z)

def GAMMA3P(n,u1,Cv,Cs):
import matplotlib.pyplot as plt

d1=Cv*u1

u=4/(Cs**2)
d=Cs*d1/2
k=u1-2*d1/Cs

a = []
Z = []

for i in range(0,n,1):
a.append(random.random())
b = a[i]
c = gamma.ppf(b,u,loc=k,scale=d)
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
plt.grid()
print(" ")
return sorted(a),sorted(Z)

def GUMBEL(n,u1,Cv,Cs):
import matplotlib.pyplot as plt

d1=Cv*u1

d=0.78*d1
u=u1-0.45*d1

a = []
Z = []

for i in range(0,n,1):
a.append(random.random())
162

b = a[i]
c = -1*d*np.log(-1*np.log(b))+u
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
plt.grid()
print(" ")
return sorted(a),sorted(Z)

def LOGUMBEL(n,u1,Cv,Cs):
import matplotlib.pyplot as plt

u2 = 0.5*np.log(u1**2/(1+Cv**2))
d2 = np.sqrt(np.log(1+Cv**2))

d=(6**0.5)*d2/3.1415
u=u2-0.45*d2

a = []
Z = []

for i in range(0,n,1):
a.append(random.random())
b = a[i]
c = math.exp(-1*d*np.log(-1*np.log(b))+u)
Z.append(c)

plt.plot(sorted(a),sorted(Z),'g',label="Distribucion clima futuro")


plt.xlabel("Probabilidad (%)")
plt.ylabel("Caudal (m3/s)")
plt.title("Funcion de distribucion")
plt.legend(loc=2)
plt.grid()
print(" ")
return sorted(a),sorted(Z)
163

Algoritmo D

MODELO HIDROLOGICO DE CAUDALES MEDIOS CON CAMBIO CLIMATICO


ALGORITMO DESARROLLADO EN LENGUAJE PYTHON CON EL SOFTWARE SPYDER 4

Universidad Nacional Mayor de San Marcos


EAP Ingeniería Civil

Tesis: MODELO HIDROLÓGICO REGIONAL CON CAMBIO CLIMÁTICO GLOBAL DE


CAUDALES MEDIOS ANUALES DE LA CUENCA HIDROGRÁFICA DEL RÍO SANTA, APLICANDO
LA ECUACIÓN DE FOKKER-PLANCK-KOLMOGOROV

Author: Bach. Ing. Civil Castilla Chanco, Erick Vladimir

Variables:
An: Área de cuenca nevada (Km2)
As: Área de cuenca sin nevada (Km2)
t: Longitud de simulación
est: Estación hidrométrica

def model(An,As,t,est):

fi=0.2239+0.0045*An-0.000496*As
de=-0.0155+0.009*An+0.0037*As
u=-0.2826+0.0568*An+0.0216*As

Q2 = []
F2 = []

xls=pd.read_csv('estaciones.csv', header=0)

F1=xls["AÑO"]

Q1=xls[est]

f=max(F1)

L=len(F1)

p=L-1

Q2.append(Q1[p])

for i in range (0,t,1):


e = norm.ppf(random.random(),0,de)
aux1=u*(1-fi)+fi*Q2[i]+e
Q2.append(aux1)

for i in range(0,t+1,1):
aux2=f+i
F2.append(int(aux2))

plt.plot(F2,Q2,'r',label="Serie sintetica "+str(est))


plt.xticks(range(f, f+t+1,2))
164

plt.legend(loc=1)
plt.xlabel("Tiempo (Años)")
plt.ylabel("Caudal (m3/s)")
plt.grid()
plt.show()

return F2,Q2
165

Anexo VI

Curvas de densidad probabilística actual

Curva de densidad probabilística estación Querococha

Nota: Curva que mejor se ajusta es Gamma 2 parámetros, elaborado en Spyder 4.

Curva de densidad probabilística estación Olleros

Nota: Curva que mejor se ajusta es Gamma 3 parámetros, elaborado en Spyder 4.


166

Curva de densidad probabilística estación Quillcay

Nota: Curva que mejor se ajusta es Normal, elaborado en Spyder 4.

Curva de densidad probabilística estación Chancos

Nota: Curva que mejor se ajusta es Gumbel, elaborado en Spyder 4.


167

Curva de densidad probabilística estación Llanganuco

Nota: Curva que mejor se ajusta es Gamma 2 parámetros, elaborado en Spyder 4.

Curva de densidad probabilística estación Paron

Nota: Curva que mejor se ajusta es Gamma 2 parámetros, elaborado en Spyder 4.


168

Curva de densidad probabilística estación Colcas

Nota: Curva que mejor se ajusta es Normal, elaborado en Spyder 4.

Curva de densidad probabilística estación Cedros

Nota: Curva que mejor se ajusta es Normal, elaborado en Spyder 4.


169

Curva de densidad probabilística estación Quitaracsa

Nota: Curva que mejor se ajusta es Gamma 2 parámetros, elaborado en Spyder 4.


170

Anexo VII

Histograma de caudales simulados

Estación Querococha

Nota: simulación de 2000 años, elaborado en Spyder 4.

Estación Olleros

Nota: simulación de 2000 años, elaborado en Spyder 4.


171

Estación Quillcay

Nota: simulación de 2000 años, elaborado en Spyder 4.

Estación Chancos

Nota: simulación de 2000 años, elaborado en Spyder 4.


172

Estación Llanganuco

Nota: simulación de 2000 años, elaborado en Spyder 4.

Estación Paron

Nota: simulación de 2000 años, elaborado en Spyder 4.


173

Estación Colcas

Nota: simulación de 2000 años, elaborado en Spyder 4.

Estación Los Cedros

Nota: simulación de 2000 años, elaborado en Spyder 4.


174

Estación Quitaracsa

Nota: Simulación de 2000 años, elaborado en Spyder 4.


175

Anexo VIII

Curvas de densidad probabilística con cambio climático

Estación Querococha

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.

Estación Olleros

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.
176

Estación Quillcay

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.

Estación Chancos

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.
177

Estación Llanganuco

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.

Estación Paron

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.
178

Estación Colcas

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.

Estación Cedros

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.
179

Estación Quitaracsa

Nota: Curva de distribución de probabilidad por influencia del cambio climático, elaborado en Spyder 4.
180

Anexo IX

Caudales medios anuales simulados del modelo hidrológico regional

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030
181

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030
182

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030
183

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030
184

Nota: Gráfico de serie tiempo del año 1968 al 2008 y modelada del 2009 al 2030
185

Anexo X

Laminas

Nota: Ubicación de cuenca del río Santa.


186

Nota: Ubicación estaciones hidrométricas.


187

Nota: Ubicación de subcuencas analizadas.


188

Nota: Lamina de elevación en la cuenca del río Santa.


189

Nota: Lamina de Isolíneas del caudal medio anual con cambio climático en m3/s.
190

Anexo XI

Artículo publicado e indexado por SCOPUS

Artículo Presentado en “The 5th International Conference on Sustainable

Development of Water and Environment, Shanghai, China”, 17 Marzo 2022. El artículo será

indexado por SCOPUS y publicado en Springer Nature Switzerland AG.


191

2022 The 5th International Conference On Sustainable Development Of Water And Environment
(ICSDWE2022)

Regional Hydrological Model with Global Climate Change of


Mean Annual Flows of the Santa River Basin, Applying the
Fokker-Planck-Kolmogorov Equation

Erick Vladimir Castilla Chanco 1 and Samuel Quisca Astocahuana 2


1 Graduate student at National University of San Marcos, Lima, Peru
2 Principal Professor, School of Civil Engineering, National University of San Marcos, Lima, Peru

Abstract. Global climate change generates a variation in precipitation and temperature throughout the
planet, consequently altering the average, maximum and minimum values of river flows in various parts
of the world, causing floods and droughts. Between 1932 and 1994, the glaciers of the tropical Andes
in Peru suffered a setback due to the increase in temperature, causing an increase in flow rates.
Commonly, hydrological studies applied to the development of hydraulic works consider a stationary
hydrological regime; however, with the development and research on global climate change, the need
to evaluate the hydrological regime as a non-stationary one arises. This non-stationarity approach can
foresee hydraulic projects of maximum and minimum flows not expected determined by current
methodologies. The objective of the research was to develop a regional hydrological model of annual
mean flows under the influence of global climate change (climate change scenario estimated by
SENAMHI for the year 2030) in the Santa River basin. This research used as data the mean annual flow
series of the following hydrometric stations: Querococha, Olleros, Quillcay, Chancos, Llanganuco,
Parón, Colcas, Los Cedros and Quitaracsa; applying the methodology of linear stochastic models and
the Fokker-Planck-Kolmogorov equation, for the development of a regional hydrological model
designed to predict future mean annual flows. A regional hydrological model is presented that depends
on the basin area with and without snowfall; in addition, it was identified that the model that best
describes the stochastic behavior of the mean annual flows is the AR model (1), and that due to the
influence of climate change the estimated mean flow decreased by 10%.

Keywords: Fokker-Planck-Kolmogorov, Hydrological Model.

1. Introductions and Antecedents

According to reports by numerous researchers such as Earls (2008), the impact of global
warming is very evident in areas close to the planet's polar circles, as well as in tropical
highlands (tropical Andes of South America). Likewise, Rodríguez (2011) reports that in
2010 there was a climatic anomaly that affected several Latin American countries, causing
droughts and forest fires.

Vuille (2013) indicates that studies on the future of climate change are very limited, focusing
mainly on temperature variation and precipitation by the end of the 21st century, according
to the consensus of scenarios of the Intergovernmental Panel on Climate Change (IPCC).

Kovalenko et al. (2020) mention that the assumption of self-sufficiency of the actual
discharge series (under the assumption of statistical stationarity) is of concern. At present,
these assumptions are supported under the climate change scenario, as watershed surfaces
show a change in their flow formation factors due to deforestation, plowing, etc. Therefore,
not only do we need real runoff series on which to build empirical probabilistic density curves
192

and approximate analytical distributions, but we also need to generate long-term


mathematical models of river runoff that include climate change scenarios and changing
watershed surface characteristics. Also, Quisca (2019), indicates that the reliability of the
hydraulic works designed with the existing international technical guidelines and regulations,
are based on the assumption that the hydrological regime (of the catchment basin where the
project is located) does not change statistically, before design and during its useful life.
However, concrete evidence of global climate change and changes in the characteristics of
the watershed surfaces demonstrate the opposite. In fact, the records of the flow series may
be statistically stable, but become unstable due to climate change, causing changes in
precipitation. If the climate system is currently in disequilibrium, we should no longer
consider stationary flow series but enter the new field of unstable hydrology, and redefine
reliability based on the concept of design flow security. This involves reconciling the concept
of the useful life of the hydraulic work and the time it takes for the unbalanced climatological
system to return to its equilibrium state.

To this end, we must consider the climatic imbalance and the statistical variability of river
flows.

Given the scenario of global climate change that we are experiencing, hydrology and the
design of large hydraulic works require the development of new conceptual approaches,
methodologies and calculation procedures that allow us to estimate with the necessary
reliability the water supply and the hydrological parameters for the design of hydraulic works
under the scenario of global climate change.

2. Methodology

Weber et al. (2010) mention that a hydrological model aims to represent the various factors
involved in the distribution of precipitation and flow formation in a given watershed.
Hydrological models can be physical, where the basin can be represented by a small-scale
model, or a mathematical model, which is characterized by estimating hydrological responses
by means of empirical or conceptual equations, varying parameters and hydrometeorological
conditions. Chow et al. (1994) also indicate that a hydrological model can be classified as:
physical models and abstract models. Physical models are the scaled representation of reality
while an abstract model describes a system by means of a set of equations that relate
hydrological variables and responses. The input variables can be functions located in a given
space and time, and they can also be random or probabilistic, which do not have a specific
value in space and time but are described by a probabilistic distribution curve.

The purpose of the research consists of the analysis and generation of linear stochastic models
(ARIMA), the determination of the basin area with and without snowfall, the obtaining of
distribution parameters with climate change and regionalization of ARIMA parameters due
to the influence of climate change.

2.1. ARIMA Model

Gujarati and Porter (2010) mention that in the publication of George E. P. Box and Gwilym
Jenkins (Time Series Analysis: Forecasting and Control), they proposed a new tool for the
generation of forecasts, called ARIMA methodology and popularly known as the Box-
Jenkins methodology.

González (2009) mentions that ARIMA models aim to generate a time series based on the
interrelation of its elements. This model was proposed by Yule and Slutzky in the 1920s, and
193

they proposed that a model can be characterized by sum, difference, weighted or not, of
stochastic variables, being the antecedent of the autoregressive processes and moving
averages of the ARIMA model, which was published in Box-Jenkins' book in 1970.

To identify the order p and q, which could have generated the stationary series, the FAC and
FACP instruments are used, which have the following characteristics (Table 1).

Pindyck and Rubinfeld (2001) mention that the weighted averages of the stochastic variable
evaluated in q or p periods can explain the observed yt values. The equation that explains the
MA(q), AR(q) and ARMA (p, q) and ARIMA (p, d, q) process are as follows:

Table 1. Structure of FAC and FACP.

Process FAC FACP


Rapidly decreasing, does not
MA(q) It cancels out for j>q
cancel out
AR(p) Rapidly decreasing, does not cancel out It cancels out for j>q
Rapidly decreasing, does not
ARMA(p,q) Rapidly decreasing, does not cancel out
cancel out

MA (q) =�+ −� − −� − − ⋯− � − (1)

AR(P) =� − +� − + ⋯+ � − + + (2)

ARMA(p,q) =� − + ⋯+ � − + + −� − (3)

After differentiating "y", so that it can be modeled as an ARMA (p, q) stationary series, then
it can be said to be an integrated autoregressive moving average process of order (p, d, q) or
ARIMA (p, d, q).

2.2. Fokker-Planck-Kolmogorov Equation

Alexandrovich (1999) indicates that the solution to the stochastic equation of the Fokker-
Planck-Kolmogorov equation is a Markovian process, since it states that future values do not
depend only on the present and past. Kovalenko (1993) indicates that the FPK model is based
on the mass balance relationship in a control volume.

− − = (4)

where, X= precipitation intensity, E= evaporation, I= infiltration y K= runoff coefficient.

ConsТderТnР tСe effectТve runoff tТme τ, аСТcС cСaracterТгes tСe ТnertТal propertТes of tСe
watershed, transforms into the differential equation (Equation 5).

� � � �
+ = (5)
� � �


where Qmax is the liquid flow rate, − = , = � . If C(t) and N(t) are non-random
� �
functions, then the solution of this equation is non-random, but a dynamic process Q = f(t).
Considering that C(t) and N(t) are Random parameters, it is assumed that = ̅ + ̃ y
�=� ̅+� ̃ , where ̃ y � ̃ are the Random processes of white noise.
194

The solution to this stochastic equation is a Markovian process, whose future state depends
only on the present (not on the past).

The equation describing the probability density curve was strictly derived by A.I.
Kolmogorov, hence the name Fokker - Planck - Kolmogorov equation. In this case, the
evolution of the probability density of water discharge is described by the equation (Equation
6).

� �,� � �
=− [ , , ]+ . [ , , ] (6)
� � �

Where the funtions A (Q, t) and B (Q, t) are the translation and diffusion coefficients, defined
by the following expressions:

, =− ̅− . �̃ − . �̃ �
̃ ̅
+� (7)

, = �̃ − �̃ �
̃ + ̃
� (8)

where, �̃ , ̃
� �̃ �
̃ he mutual intensities and intensities of "white noise".

Since the purpose is to analyze the hydrological regime in a stationary case, the transient
� �,�
regimes are excluded, so from equation 6 we consider = , transforming the Fokker-

Planck-Kolmogorov equation into the Pearson equation.

� −

= (9)
+ +

where, depending on the coefficients b0, b1 and b2 different distributions of the Pearson family
of curves will be obtained and determined from the following expressions.

��
̃�̃+ �
= (10)
�̅ +� ̃ �

�� ̃
=− (11)
�̅ +��̃

�� ̃�
̃
= (12)
�̅ +��̃

�� ̃
=− (13)
�̅ +��̃

Due to the short length of the historical series being counted, it is possible to solve equation
10 with a system of algebraic equations with 4 unknowns based on the first centered statistical
moments.

− + [ + − ]+ + [ + + ]= (14)

Being, n= statistical moments not centered (0,1,2,3)

To evaluate the variation of the flow due to climate change as a function of its non-central
moments, we proceed as follows.
195

Paso 1: Knowing the non-central moments of the historical flow record, equation 14 is solved
by obtaining the current climate parameters a, b0, b1 and b2.

Paso 2: Once the current climate parameters are obtained, the future climate scenario
parameters (white noise intensities) are obtained from equations 10 to 13. Replacing the
parameters of the future climate scenario in equation 14 will give the non-centered moments
of the future climate.

2.3. Application of the quasi-stationary Fokker-Planck- Kolmogorov equation to


determine the variation of the flow rate due to climate change

The determination of the effect of climate change on flows will be evaluated as follows. From
equation 9 which represents a family of Pearson Probabilistic Density Curves, which due to
the short length of historical data to be evaluated (which are the annual flow records), the
Pearson parameters can be determined in terms of their statistical moments as shown in
equation 14. These statistical moments of current and future climate are generally represented
in isovalue maps, as shown in the research of Dominguez (2004). Solving equation 14 with
the current climate moments, the stabilized values of a, b0, b1 and b2 will be obtained and
then replaced in equations 10 to 13 to determine the current climate white noise intensities,
which will be assumed constant, to solve again equations 22 to 24 with the values of white
noise and precipitation of the future scenario.

With this information, isoline maps will be constructed to characterize the corresponding
hydrological scenario. Considering the short length of the hydrological data collected and
available, the values a, b0 and b1 solving equation 14 as follows, it is considered that the
anthropic noise.

− =− (15)

+ − =− (16)
+ − =− (17)

Solving the equations of 15, 16 and 17 in terms of the unknowns a, b0 and b1 gives the
following expressions:

. (− − + )
= (18)

. (− − + )
= (19)

. ( − − )
= (20)

By solving the white noise parameters of equations 10 to 13 as a function of the parameters


a, b0 and b1, they are represented as follows:


̅= (21)
− .

�̃ �
̃ = − .
(22)
196


̃
� =− − .
(23)

where N is the average precipitation of the current climate.

To identify the parameters of the future scenario, the Npr will be used, it represents the
average precipitation of the future climate scenario estimated by the competent Institution.
For the magnitudes of the white noise intensities for the future scenario will be estimated as
follows, for ̅ is considered equal to ̅ o ̅ = (K is the runoff coefficient that can be

determined as a function of precipitation, temperature or agroindustrial activities.).
Regarding the parameters of �̃ �̃ = �̃ �̃ y �̃ = �̃ . There is currently insufficient
information available to estimate these future scenario parameters.

Solving equations 10 to 13 without considering anthropogenic noise is determined as follows:

��
̃�̃ + ���
��
= ̅
(24)
���

��
̃ ��
=− ̅
���
(25)

��
̃�̃ ��
= ̅
(26)
���

where, apr, b0pr, b1pr are future climate parameters.

Solving the equation system of equations 15 to 17 for future scenario generates:

= = − (27)

= − − (28)

= − − (29)

�� − ��
=√ (30)
��

�� − �� �� + ��
� =( �� ��
) (31)
��

�� ��
= (32)
�� ��

From the values qpr, CVpr and β Тsovalue maps are constructed for a РТven clТmate cСanРe
scenario. Likewise, by applying the Monte Carlo method, the evolution of the probabilistic
density curve for the future scenario is generated.

2.4. Study watershed

The study was carried out in the Santa River basin, which is located on the central coast of
Peru, between parallels 8°4' and 10°8' south latitude and meridians 77°12' and 78°38' west
197

longitude. It includes the regions of Ancash and La Libertad, and belongs to the Pacific Ocean
basins, limited to the east by the Cordillera Blanca, formed by the glacier chain, and to the
west by the Cordillera Negra, a group of mountain chains without glaciers; it has a basin area
of 11,661.53 km2 of which 10,400.5 km2 is above 2000 masl, and has a basin length of 316
km to its mouth in the Pacific Ocean, with an average width of 38 km.

Table 2. Glacier surface distribution in the Santa River basin.

Station Sub-basin surface area Surface area with snow Surface area without
(km2) (km2) snow (km2)
Querococha 62,70 4,10 58,6
Olleros 174,30 25,10 149,2
Quillcay 249,50 29,00 220,5
Chancos 209,90 69,50 140,4
Llanganuco 84,00 37,50 46,5
Parón 53,30 29,00 24,3
Colcas 234,30 45,90 188,4
Cedros 114,50 23,05 91,45
Quitaracsa 384,90 33,32 351,58

Fig.1. The location of the hydrometric stations and delimitation of the Santa River basin and sub-basins
are shown.
198

The data used to generate the regional model in the Santa river basin with climate change are
the historical and completed records of the mean annual flow of the Querococha, Olleros,
Quillcay, Chancos, Llanganuco, Parón, Colcas, Los Cedros and Quitaracsa hydrometric
stations (see Fig.1). As well as the area of snowed and non-snowed basin in the study basin.
For the application of the Fokker-Planck-Kolmogorov methodology, we used the total
multiannual precipitation and percentage variation of precipitation due to climate change,
presented in the report on climate scenarios in Peru for the year 2030 by SENAMHI,
indicating a 10% decrease in precipitation.

3. Results

Applying the Box-Jenkins methodology in RStudio to generate and estimate the best ARIMA
model to represent the mean annual flow values, we began with the evaluation of the
stationarity of the hydrometric stations.

Using the adf.test function (Es.ts, alternative = "stationary") on the data series of each
hydrometric station, a p-value < 5% is obtained, thus testing the stationarity of the series, as
shown in Table 3.

Table 3. Summary of statistical values of instantaneous peak flow rates for current weather.

Station Parameter (ϕ) ϕ <1? Does it comply with


stationarity?
Querococha 0.2772 No Yes
Olleros 0.3104 No Yes
Quillcay 0.2310 No Yes
Chancos 0.4402 No Yes
Llanganuco 0.3407 No Yes
Parón 0.3701 No Yes
Colcas 0.4784 No Yes
Cedros 0.1178 No Yes
Quitaracsa 0.1600 No Yes

In order to select the possible ARIMA models to represent the time series, the ACF and PACF
diagrams were evaluated. Selecting as the possible models AR(1), MA(1) and ARMA(1,1),
as shown in Table 4.

Table 4. Selected models and modified Schwarz values.

Station AR(1) MA(1) ARMA(1,1)


Querococha -38.68 -37.94 -35.19
Olleros 30.19 29.83 33.53
Quillcay 43.55 43.86 47.26
Chancos 69.71 69.15 72.57
Llanganuco -38.59 -40.61 -36.96
Parón -21.03 -18.56 -19.79
Colcas 43.40 43.72 46.84
Cedros -13.00 -12.95 -9.32
Quitaracsa 88.62 88.97 91.90
199

The reliability of the model was determined by the Ljung-Box test since the p-values are
greater than 0.05, therefore, the null hypothesis is rejected, and it is concluded that the
residuals are independent of each other. In conclusion, it is said that the AR(1) model does
represent the series of annual mean flows.

The equations of the AR(1) models without climate change are shown in Table 5.

Table 5. Model AR(1) equations.

Station AR(1)
Querococha = . + . − +
Olleros = . + . − +
Quillcay = . + . − +
Chancos = . + . − +
Llanganuco = . + . − +
Parón = . + . − +
Colcas = . + . − +
Cedros = . + . − +
Quitaracsa = . + . − +

Due to the non-stationarity of the values, the Fokker-Planck-Kolmogorov methodology will


be applied to estimate the statistical values of the maximum flows considering the effect of
climate change.

To estimate future statistical values, the historical data on mean annual flows, predicted
precipitation and determination of the climate scenario to be considered will be analyzed. For
the study, the 2030 scenario estimated by SENAMHI was considered, which indicates that
the percentage variation in precipitation will be -10%. These will be the input data for the
generation of future statistical values obtained by applying the quasi-stationary solution of
the Fokker-Planck-Kolmogorov equation. Once the future climate statistical values have
been determined, we will proceed to estimate the distribution function that best fits the
current climate flows, which will be used to readjust the distribution parameters to the new
future climate parameters.

Table 6. Statistical parameters of future climate.

Station µ CVpr CSpr


Querococha 1.5584 0.242 -0.0122
Olleros 4.2854 0.2025 0.1254
Quillcay 6.3678 0.1742 -0.5087
Chancos 7.4747 0.1898 0.4539
Llanganuco 2.7326 0.1274 0.5148
Parón 1.8207 0.2557 0.3045
Colcas 5.0514 0.2284 -0.2129
Cedros 3.0402 0.1743 -0.3662
Quitaracsa 9.4925 0.1823 -0.0022

The regionalization of the parameters ϕ, standard deviation of error and mean annual
discharge with snowed and non-snowed basin area yields the following equations

� = . + . �− . (33)
200

�� = − . + . �+ . (34)
� =− . + . �+ . (35)

+ =� −� +� + (36)

where:
+ : estimated flow
� : regional average flow
� : � regional
: time in years
ɛt : white noise process with mean 0 and standard deviation ��
�� : standard deviation of regional error

4. Conclusions

The regional hydrological model of the mean annual flow, considering the 2030 climate
change scenario, depends on the value of the basin area with and without snowfall to
determine the value of the regional parameters.

The parameters of basin area with snowfall and without snowfall explain 93% of the mean
annual mean flow with climate change in the Santa River basin.

The regional hydrological model of the sub-basins analyzed shows an average future mean
flow value lower than the historical mean flow, with the exception of the Colcas sub-basin,
which shows an increase of 13.9%.

The regional hydrological model determined, and the stochastic models do not allow for
simulating a precise behavior of the mean annual flows over time, however, they are a good
tool for predicting maximum and minimum flood events.

According to the climate change scenario for the year 2030, it is estimated that precipitation
would decrease by 10%, which generates an approximate 10% decrease in the value of the
mean annual flow, which was obtained by applying the Fokker-Planck-Kolmogorov
methodology.

Applying the Fokker-Planck-Kolmogorov methodology, the distribution parameters with


climate change are obtained, providing the relevant information to estimate the probabilistic
distribution curve of future mean flows, which indicate a decrease to the mean value,
variation of the bias coefficients and coefficient of variation.

Applying the Fokker-Planck-Kolmogorov equation, the probabilistic density curves can be


determined with the influence of global climate change, to estimate the design flow values
for different return periods and apply them to various hydraulic engineering projects.

References
АleбandrovТcС J. EstabТlТdad de la probabТlТdad de las característТcas de la escorrentía anual por la
acción antrópica. Universidad Estatal Hidrometeorológica de Rusia, San Petersburgo, Federación de
Rusia,1999, 155 pág. (1999)
ANA. Construcción del sistema de Irrigación Conchan, Vol. II (2009)
Chow V., Maidment D., y Mays L. (1994). Hidrología aplicada. McGraw-Hill.
201

Díaz A. (2017). Modelación estocástica de los caudales en la cuenca del río Santa. Tesis de Doctoris
Philosophiae. Universidad Nacional Agraria la Molina.
http://repositorio.lamolina.edu.pe/handle/UNALM/2912
Domínguez, E. (2004). Predicción estocástica del ingreso del flujo de agua a los embalses de las
centrales hidroeléctricas de la República de Colombia. Universidad Estatal Hidrometeorológica de
Rusia. San Petersburgo, Federación de Rusia, 231 pág. (2004)
Earls J. (2008). Manejo de cuencas y cambio climático. Los Andes y las poblaciones altoandinas en la
agenda de la regionalización y la descentralización, 1, 113–126.
González M. (2009). Análisis de series temporales económicas: Modelos ARIMA.
Gujarati D., y Porter D. (2010). Econometría (quinta edición). México: Editorial Mc. Graw Hill.
Ivanova, Y., Corredor, J. Evaluación de la sensibilidad de los caudales máximos de diseño ante la
influencia del cambio climático. Avances en recursos hídricos, 89-98 (2006)
Kovalenko V.V. Modelación de procesos hidrológicos, San Petersburgo, Editorial Hidrometeoizdat,
Rusia, 256 pág. (1993)
Kovalenko V.V., Viktorova N.V., Gaidukova E.V. Khaustov V. A. y Devyatov V.S. Resultados de las
investigaciones de los procesos hidrológicos probabilísticos en RHSMU, Universidad
Hidrometeorológica Estatal de Rusia, 60, 255-268 (2020)
Quisca S.I. (2019). Apunte de clases del curso de Ingeniería de Recursos Hidráulicos, Capítulo 4,
Escuela de Ingeniería Civil de la FIGMMG, Universidad Nacional Mayor de San Marcos. Lima, Perú.
Rodríguez, A. (2011). Cambio climático, precipitaciones, sociedad y desastres en América Latina:
relaciones y necesidades. Revista Peruana de Medicina Experimental y Salud Publica, 28(1), 165-
166.
SENAMHI. Escenarios climáticos en el Perú para el año 2030, 26 pág. (2009)
Vuille M. (2013). El cambio climático y los recursos hídricos en los andes tropicales. Banco
Interamericano de Desarrollo, 21
Weber, J., Dasso, C., y Jorquera, E. (2010). Desarrollo y calibración de un modelo hidrológico de
simulación mixta. Mecánica Computacional, 29(39), 4013–4037.

También podría gustarte