Castilla Ce
Castilla Ce
Castilla Ce
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
Datos de autor
Datos de asesor
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
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
Expuesta la Tesis; los miembros del Jurado plantearon al Bachiller las preguntas pertinentes, que fueron
absueltas a: Satisfacción del Jurado
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. FÉLIX SANTIAGO SÁNCHEZ BENITES Dr. HUMBERTO IVÁN PEHOVAZ ALVAREZ
MIEMBRO MIEMBRO
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
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
ÍNDICE DE TABLAS
ÍNDICE DE FIGURAS
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
planeta, alterando el valor de los caudales medios, máximos y mínimos en diversos ríos del mundo.
climático se plantea la necesidad de considerar nuevas metodologías que consideren como real la
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
hidrológico regional que considera la presencia y la no-presencia del área de nevados en la cuenca.
aleatorio de los caudales medios anuales, y que la media de los caudales medios anuales al año
ABSTRACT
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
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
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
El Capítulo II, muestra las investigaciones antecesoras que servirán como lineamiento de
de la investigación.
la presente investigación.
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
Se incluirán como anexos, los datos de caudal medio anual de las estaciones hidrométricas
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
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
Vuille (2013) indica que los estudios realizados sobre el cambio climático son muy
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
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
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,
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
¿Cuál es el modelo estocástico de caudales medios anuales al interior de la cuenca del río
¿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
anuales en la cuenca del río Santa por influencia del cambio climático global.
hidrológico regional de caudales medios anuales que considera el cambio climático global.
El modelo estocástico de caudales medios anuales al interior de la cuenca del río Santa sin
Los parámetros de distribución de caudales medios anuales en la cuenca del río Santa
1.5. Justificación
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
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
de generar modelos matemáticos de escorrentía fluvial a largo plazo que incluyan los escenarios
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
La ecuación regional permitirá generar caudales medios anuales en diversos ríos ubicados
Construir un mapa de isolíneas de caudal medio anual por influencia del cambio climático
Kolmogorov
un alto potencial de aplicación en los proyectos de obras hidráulicas, dado que las
15
cuenca, las cuales presentan información del año 1968 al año 2008, dado que las estaciones
privadas.
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
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.
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
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
Box-Jenkins para generar un modelo ARIMA(p,d,q) para cada estación hidrométrica analizada.
realizados en la cuenca del rio Santa. Para estimar los parámetros de distribución por influencia
las medidas de distribución y evolución de la función de distribución probabilística del clima actual
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
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
2. CAPÍTULO II:
Marco teórico
2.1. Antecedentes
Según refiere Quisca (2019), la fiabilidad de las obras hidráulicas diseñadas con las guías
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
desequilibrio, por lo que no se debería considerar a las series de caudales como estacionarios, sino
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
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
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
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
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
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
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
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
estaciones hidrológicas, durante un periodo de 30 a 40 años. Para evaluar los posibles impactos
hidroeléctrico de Betania en la parte alta del río Magdalena en Colombia. Concluyendo que la
23
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
Modelos dinámicos y de regresión que permiten realizar predicciones teniendo en cuenta los datos
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,
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
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
determinaron la relación espacial que existe entre los parámetros del modelo AR(p) y las
partir de la ecuación regional y los datos medidos de una estación. Los resultados indican que el
Rivero et al. (2018) presentan el modelado lineal estocástico para pronósticos de flujos en
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
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),
Flores et al. (2015) mencionan que el río Tumilaca es una de las principales fuentes de agua
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
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
cuenca del río Mantaro aplicando modelos estocásticos de series sintéticas, para esto utilizó
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.
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
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
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
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
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
Área plana de proyección horizontal, obtenida luego del proceso de delimitación de cuenca
kilómetros.
La forma o figura que presenta una cuenca hidrográfica afecta a las características de los
Trata de cuantificar parámetros por medio de índices, los cuales relacionan la dinámica del
= (1)
�
donde:
cuya área es igual al área de cuenca, donde si el coeficiente es igual a 1 indica que la cuenca tiene
= (2)
∗√ ∗
donde:
= (3)
�
Distancia entre el punto de salida y el punto más alejado ubicado en la cabecera de cuenca,
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
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
solares.
González et al. (2003) mencionan que el cambio climático es un fenómeno causado total o
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,
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.
mientras que la demanda atmosférica es representada por la radiación neta. En condiciones muy
→ →∞ (4)
→ → (5)
donde:
= Radiación Neta
− .
=[ tanh ( ) − (− ) ] (6)
Wang et al. (2016), mencionan que el modelo Budyko se desarrolló con el concepto de
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
La ecuación de Fu es la siguiente:
= + −[ +( ) ] (7)
Zhang et al. (2004) mencionan que el valor de es obtenido minimizando los errores de
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
el sistema de ecuaciones de las variables hidrológicas (Q, E, U), y se considera como valor de
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
̇ + + (8)
= −
̇ + + (9)
= −
� �
− − − . − − ( 10 )
=
�
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
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)
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 -
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
predicción.
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
posible aplicar un modelo con dos variables que describe el proceso de formación del
̅,
=−∑ [ ̅, ̅, ] + ∑ [ , ̅, ̅, ]
( 11 )
, = , =
(Q, E); esta ecuación permite calcular densidades de probabilidad bidimensionales estables
pronosticadas.
el modelo matemático de la formación del caudal, donde todos los tipos de caudal fluvial plurianual
asimétricas, que se ajustan a la familia de curvas de Pearson y son soluciones de la ecuación del
mismo nombre:
−
= ( 12 )
+ +
La descripción matemática del caudal del río es la curva de densidad de probabilidad (p) o
�
~
�
Kovalenko (2009) aplica la teoría de los procesos aleatorios, y para la descripción del
pero estacionario), por lo que los coeficientes a, b0, b1, b2 adquieren un significado físico:
37
( 13 )
, , , = ̅, ̃, ̃,
̃� ̃
�
- 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
Los parámetros ̅ , ̃
� caracterizan las propiedades de la cuenca hidrográfica en estudio.
escorrentías, que da una solución en forma de curvas de densidad de probabilidad que evolucionan
+ = ( 14 )
� �
(Figura 2.4).
̃
� , ̃ ),
̃� se obtiene un modelo estocástico del filtro de conformación lineal.
= [− ̅ + ̃ ̅+�
+� ̃] ( 15 )
Kolmogorov:
=− + . ( 16 )
, =− ̅− . ̃ − . ̃
̃�
̅
+� ( 17 )
, = − + ( 18 )
̃ ̃
̃� ̃
Ñ
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:
considera suficiente aproximar la curva p(Q) con tres momentos iniciales mn:
∞
= ∫−∞ | (n=1,2,3) ( 19 )
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 − →
+ ( 21 )
~ / ↛
debe ser no lineal, pero puede explicar la aparición de colas gruesas y la inestabilidad de las
especificar un cierto número de momentos: p(Q) ~ m1, m2, m3, ... Se conoce el procedimiento que
= − ̅− . ̃ − . ̃
̃�
̅
+� ( 22 )
=− ̅− ̃
̅
+ � − ̃
̃� + ̃
� ( 23 )
=− ̅− . ̃
̅
+ � − . ̃
̃� + ̃
� ( 24 )
=− ̅− ̃
̅
+ � − ̃
̃� + ̃
� ( 25 )
O bien, generalizando y dando sólo aquellos términos de la parte derecha que son
= − ̅− . ̃ +⋯ | = , , , ( 26 )
Del sistema de ecuación 26 vemos que, para ̅ < 0.5n ̃ , la derivada dmn/dt > 0, es decir,
para su inestabilidad. El caudal del río puede ser inestable para los momentos más antiguos. Pero
= ∫ +
↛
( 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
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.
Nota: La Figura 2.8 muestra esquemáticamente la distribución c con diferentes intensidades de ruido: ̃ <
Figura 2.9 Significado físico del parámetro Intensidad del ruido blanco interno.
Nota: Extraído de Kovalenko, 2009.
= = + ( 28 )
= exp[− ̅ − . ̃ △ ] ( 29 )
La ecuación de FPK, que define el cambio de las funciones de autocorrelación para los
1 año), a la que conduce el uso del filtro de conformación lineal. Cuando el desplazamiento anual
Weber et al.(2010) mencionan que un modelo hidrológico tiene como objetivo representar
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
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
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.
es decir que una determinada variable de entrada generara una única respuesta del sistema.
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
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
igual manera González (2009) menciona que la estacionariedad se pude determinar en términos de
covarianza
= � < ∞, ∀ ( 30 )
= −� = � < ∞, ∀ ( 31 )
= [ −� + − � ] < ∞, ∀ ( 32 )
donde:
� : media
� : varianza
: covarianza
Existen diversas metodologías para establecer si una serie de tiempo es estacionaria como
ordenada se ubican los valores de la serie, y en las abscisas, el tiempo en días, meses, años, etc.,
Figura 2.11 Serie de tiempo del caudal medio anual versus tiempo
Nota: Elaboración propia, Software RStudio.
= =
( 33 )
La covarianza y la varianza son números que poseen la misma dimensión, por ende, la
+1, al graficar los valores en un plano cartesiano, tal que, los valores de se grafican en la
poblacional.
∑ −̅ + −̅
̂ =
( 34 )
∑ −̅
̂ =
( 35 )
̂
̂ =
̂ ( 36 )
donde:
̅ : media muestral
: tamaño muestral
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
Aumentado, este primer método será realizado con el software RStudio para determinar la
observaciones sobre una determinada variable en diferentes momentos, esta información deberá
ser recopilada en periodos regulares, es decir, diario, semanal, quincenal, mensual, anual, etc.
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
función a cero sin mostrar patrón alguno y con dispersión constante y aleatoria, tomado de “AnпlТsТs de serТes
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
indican que a diferencia de los demás modelos el modelo ARIMA analiza las probabilidades
publicación Time Series Analysis: Forecasting and Control, propusieron un nuevo instrumento
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.
Gujarati y Porter (2010) menciona que el valor de en un periodo t es igual una constante
=�+ +� − +� − + ⋯+ � − ( 37 )
Donde:
�: media
= = �� ( + � +⋯+� ) ( 38 )
−� + � � + +⋯� − �
, = ,…,
={ +� +⋯+�
, > ( 39 )
=�+ −� − ( 40 )
= [ −� − −� ]= [ −� − − −� − ] = −� �� ( 41 )
= [ −� − − −� − − ]= , k >1 ( 42 )
la covarianza es 0, se dice que el proceso tiene una memoria de un periodo donde esta
( + � )� , =
= {−� �� , =
, > ( 43 )
, =
−�
= , =
+�
{ , > ( 44 )
=�+ −� − −� − ( 45 )
El proceso MA(2) se caracteriza por tener una memoria de 2 periodos, es decir, que
( + � + � )�� , =
= −� + � � �� , =
−� �� , =
{ , > ( 46 )
−� + � �
, =
+� +�
= −�
, =
+� +�
{ , > ( 47 )
=� − +� − + ⋯+ � − + + ( 48 )
donde:
�: media
�=
−� −� −⋯−� ( 49 )
� +� +⋯+� < ( 50 )
=� − + + ( 51 )
�=
−� ( 52 )
� ��
={ ,∀
−� ( 53 )
= = {� ,∀
( 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.
=� − +� − + + ( 55 )
�=
−� −� ( 56 )
Para que el proceso AR(2) sea estacionario debe cumplir que � + � < .
� +� + �� , =
� +� , =
={
� +� , =
� − +� − , > ( 57 )
�
, =
−�
= �
� + , =
−�
{� − +� − , > ( 58 )
56
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 )
�=
− � − � − ⋯− � ( 60 )
� + � + ⋯+ � < ( 61 )
autocorrelación son:
=� − +� − + ⋯+ � − , + ( 62 )
=� − +� − + ⋯+ � − , + ( 63 )
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
más veces.
=∆ ( 64 )
Es estacionaria, donde:
∆ = − − ∧ ∆ =∆ −∆ − ( 65 )
Luego de diferencia , de modo tal que =∆ se puede modelar como una serie
Donde.
=∑ = ∑ +∑ = + + + ⋯+
=−∞ = ( 66 )
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
2.8.1. Identificación
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
2.8.2. Estimación
De acuerdo a González (2009), identificado el orden del proceso estocástico que generan
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
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
ecuación.
63
+ + �
, = � ln(�̂� ) + � + ( 91 )
�− − −
donde:
N : tamaño de la muestra
ecuación.
= � ln �̂� +�+ + ln � ( 92 )
,
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,
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.
= + ∑ ,
− ( 93 )
=
donde:
: tamaño de la muestra
( 94 )
ℎ= − −
donde:
grados de libertad.
h : grados de libertad
La funcТяn Boб,test() de la lТbrería stats permТte realТгar el “test de ruТdo blanco para los
65
2.8.4. Pronóstico
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
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
Este nos permite identifica cual es el punto medio o de localización central de un conjunto
de datos.
∑=
�= ( 95 )
∑=
̅= ( 96 )
donde:
� : media poblacional
̅ : media muestral
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
� = (∑ − � ) ( 97 )
=
= (∑ − ̅ ) ( 98 )
− =
donde:
: varianza muestral
� : varianza poblacional
= ( 99 )
̅
donde:
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
∑= −�
� = ( 100 )
− −
donde:
: coeficiente de sesgo
: cantidad de datos
� : media
hidrológica, donde se ubicará en las abscisas el tiempo (días, meses, años, etc.) y en la ordenada
presenta un caudal medio multianual de 1.73 m3/s, datos recopilados por Suarez, 2011. Diaz, 2017.
determinada estación con los datos medidos acumulados de un grupo de estaciones vecinas. Esto
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
hipótesis), si el valor de la media entre dos periodos, son estadísticamente iguales con una
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
= | − | ( 101 )
donde:
Aliaga (1985) menciona que para determinar el ajuste por el método de Smirnov-
2. Determinar el valor del valor critico estadístico según el tamaño muestral y tipo de nivel
3. Comparar los valores del estadístico con el valor crítico , según los siguientes criterios
significancia seleccionado.
. . . .
N > 50
√� √� √� √�
Nota: Adaptado de Yevjevich,1972.
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,
= ( 102 )
�+
donde:
: número de orden
� : número de datos
Chow et al. (1994) indican que una distribución de probabilidad es una función que
parámetros. El ajuste de estas distribuciones puede ser por el método de máxima verosimilitud o
Chow et al. (1994) mencionan que la aplicación del método de momentos lineales es más
Selección de
distribucion
Datos hidrológicos
Estimación de
parámetros
NO
Prueba de bondad de
ajuste
Ajuste bueno SI
Utilizar distribución
elegida
Fin
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 � .
− ( 103 )
−
= ∫ �
�√ −∞
donde:
73
: variable independiente
�
ln −�
− ( ) ( 104 )
�
= ∫
√ � −∞
Para < < ∞, donde � y � son la media y desviación estándar del logaritmo
momentos.
̅
� = ln ( 105 )
+
� = √ln( + ) ( 106 )
−
= ∫
( 107 )
√ −∞
ln − −�
= ( 108 )
�
Para = <∞
74
donde:
: parámetros de posición
� : parámetro de escala
� : parámetro de forma
� − .
� =√
. ( 109 )
�
� = [ln �
−� ] ( 110 )
−
�
� + ( 111 )
= ̅−
− −
( 112 )
=∫
Valido para:
< ∞
< < ∞
< ∞
donde:
: parámetro de forma
75
: parámetro de escala
siguiente ecuación:
̅
= ( 113 )
�
�
= ( 114 )
̅
−
− −
− ( 115 )
=∫
Valido para:
< ∞
−∞ < < ∞
< ∞
< ∞
donde:
: parámetro de forma
: parámetro de escala
76
= ( 116 )
�
�
= � ( 117 )
�
= ̅− ( 118 )
�
ln −
− −
ln − ( 119 )
=∫
Valido para:
< ∞
−∞ < < ∞
< < ∞
< < ∞
donde:
: parámetro de posición
: parámetro de forma
: parámetro de escala
77
= ( 120 )
�
�
= � ( 121 )
�
= ̅ − ( 122 )
�
método de momentos.
−
−
− ( 123 )
=
donde:
: Parámetro de escala
: Parámetro de posición
siguiente ecuación:
( 124 )
= . �
( 125 )
= ̅− . �
78
ln −
−
− ( 126 )
=
donde:
: Parámetro de escala
: Parámetro de posición
siguiente ecuación:
( 127 )
= . �
( 128 )
= ̅ − . �
herramienta física – estadística que permite relacionar una ecuación en derivadas parciales de leyes
causa – efecto del proceso lluvia – escorrentía. Para ello mediante la aplicación de la ecuación
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
+ = ( 130 )
� �
�
donde Q es el caudal líquido, − = , = � . Si y � son funciones no
� �
̃ ̃
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
,
=− [ , , ]+ . [ , , ] ( 131 )
siguiente expresión.
80
, =− ̅− . �̃ − . �̃ �
̃ ̅
+� ( 132 )
= − + ( 133 )
, �̃ �̃ �
̃ ̃
�
Donde:
�̃ , ̃
� �̃ �
̃ son las intensidades e intensidades mutuas del "ruido blanco".
� �,�
regímenes transitorios quedan excluidos, así de la Ec. (131) se considera = , transformando
�
−
= ( 134 )
+ +
�̃ �
̃ + �
=
̅ + �̃ ( 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:
Para evaluar la variación del flujo por efecto del cambio climático en función de sus
Paso 1:
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.
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.
de regresión lineal múltiple, en función de la superficie de cuenca con nevado y sin nevado.
82
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
( 140 )
= + + +⋯
donde:
ecuaciones:
∑ = + ∑ + ∑ + ∑ +⋯ ∑
∑ = ∑ + ∑ + ∑ + ∑ +⋯ ∑
∑ = ∑ + ∑ + ∑ + ∑ +⋯ ∑
.
.
.
∑ = ∑ + ∑ + ∑ + ∑ +⋯ ∑ ( 141 )
donde:
∑ −̂ ∑
=√ =√
− − ( 142 )
donde:
: error estándar
: valores de la muestra
= + : número de parámetros
− : grados de libertad
La Ec. (142) es compleja de determinar, por lo que diversos estadísticos han derivado la
siguiente:
∑ − ∑ − ∑ − ∑ − ⋯− ∑
=√
− ( 143 )
= − ( 144 )
∑ + ∑ ∑ ∑ −
+ + ⋯+ −
= ( 145 )
∑ − −
donde:
: coeficiente de determinación
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
Este coeficiente mide el grado de asociación lineal entre la variable dependiente y todas las
= − ( 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
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
3.3. Método
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
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.
2009.
89
Los datos de las estaciones hidrometeorológicas deberán ser consistentes, por tal motivo
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
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 = − + ̅.
Dickey-Fuller.
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
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.
(2010) menciona que este criterio penaliza al modelo por tener menor número de parámetros que
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
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 –
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)
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
( 148 )
− =−
( 149 )
+ − =−
( 150 )
+ − =−
expresiones:
. − − +
= ( 151 )
−
. (− − + )
= ( 152 )
−
93
. ( − − )
= ( 153 )
−
�
̅= ( 154 )
− .
�
�̃ �
̃ = ( 155 )
− .
�
̃
� =− ( 156 )
− .
donde:
�̃ , ̃
� �̃ �
̃ : 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
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
�̃ �
̃ + �
=
̅ ( 157 )
̃
�
=−
̅ ( 158 )
�̃ �
̃
=
̅ ( 159 )
donde:
De las Ec. (157) – (159) para el escenario futuro se obtendrán las siguientes expresiones:
= = − ( 160 )
= − − ( 161 )
= − − ( 162 )
−
=√
( 163 )
− +
� =( )
( 164 )
= ( 165 )
�
95
Siendo:
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
( 166 )
= ,
Donde:
4. CAPÍTULO IV:
Resultados
Dickey-Fuller, el cual menciona que analizando el parámetro de � del modelo AR(1), es posible
Los modelos estocásticos identificados que representa la serie de caudales medios anuales
criterio de Schwarz modificado (SIC), aplicando la Ec. (92). Los resultados se presentan en la
Tabla 4.3.
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
se muestran los gráficos y resultados detallados. Los resultados se presentan en la Tabla 4.5.
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
( 167 )
=� −� +� − +
Las ecuaciones del modelo AR(1) para cada una de las estaciones hidrométrica se muestran
en la Tabla 4.6.
Donde la variable es la componente aleatoria del modelo con media cero y desviación
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
Los parámetros para del clima futro fueron determinados aplicando la metodología de
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
probabilísticas actual para cada estación. Los resultados se muestran en la Tabla 4.9.
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
Los gráficos se presentan en los Anexos VI y VIII. En la Tabla 4.10, se muestra los estadísticos de
con el área de cuenca sin nevado (A) y área de cuenca con nevado (N).
evidenciándose que el valor del parámetro � puede ser explicado en un 34.05% en función del
En la Tabla 4.12, se muestran los valores del parámetro � para cada estación hidrométrica
analizada.
� = . + . �− . ( 168 )
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.
Nota: Grafica de los valores del parámetro � del modelo AR (1) y ��� proyectado por el método de regresión
lineal múltiple.
lineal múltiple.
104
con el área de cuenca sin nevado (A) y área de cuenca con nevado (N).
evidenciándose que el valor la desviación estándar del ruido blanco �� puede ser explicado en un
En Tabla 4.14, se muestran los valores de la desviación estándar del ruido blanco �� del
�� =− . + . �+ . ( 169 )
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
lineal múltiple con el área de cuenca sin nevado (A) y área de cuenca con nevado (N).
106
evidenciándose que el valor del caudal medio con cambio climático puede ser explicado en un
En Tabla 4.16, se muestran los valores del caudal medio proyectado (caudal futuro) con
Kolmogorov.
=− . + . �+ . ( 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
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
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
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
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
� =� (fi regional)
: tiempo en años
5. CAPÍTULO V:
Discusión
Esta estacionariedad se contrasto según indica Wooldrige (2010), el cual menciona que la
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
FACP, obtenidos en RStudio y mostrados en el Anexo III, lo que evidencia que los valores de los
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
muestra que el valor del parámetro �� del modelo ARMA(1,1) es menor que los otros modelos
identificados.
modificado (SIC), seleccionando el modelo AR(1) como representativo, dado que de las 9
AR(1), en comparación con los valores obtenidos para los modelos MA(1) y ARMA(1,1). Los
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
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
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.
se observa que ningún conjunto de datos de las estaciones hidrométricas presenta un ajuste de
El valor del parámetro ϕ puede ser explicado en un 34.05% en función del área de
El valor del caudal medio proyectado con cambio climático puede ser explicado
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
6. CAPÍTULO VI:
Conclusiones y Recomendaciones
6.1. Conclusiones
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
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
un comportamiento exacto de los caudales medios anuales en el tiempo, sin embargo, son
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
la curva de distribución probabilística de los caudales medios futuros, los cuales indican
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 regional del caudal medio anual a cuencas que presenten área nevada
con el fin de sintetizar datos de caudales en diversos ríos sin aforo. Estos datos pueden
Analizar las proyecciones a futuro con un modelo de Redes Neuronales Artificiales a partir
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
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,
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
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
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
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
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
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
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
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
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
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
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
Anexo IV
Estacion Querococha
Box-Ljung test
data: residuals(modelo)
X-squared = 0.041719, df = 1, p-value = 0.8382
Estación Olleros
Box-Ljung test
data: residuals(modelo)
X-squared = 0.042579, df = 1, p-value = 0.8365
Estación Quillcay
Box-Ljung test
data: residuals(modelo)
X-squared = 0.0054878, df = 1, p-value = 0.9409
Estación Chancos
Box-Ljung test
data: residuals(modelo)
X-squared = 0.0582, df = 1, p-value = 0.8094
Estación Llanganuco
Box-Ljung test
data: residuals(modelo)
X-squared = 0.085752, df = 1, p-value = 0.7696
Estación Paron
Box-Ljung test
data: residuals(modelo)
X-squared = 0.62476, df = 1, p-value = 0.4293
Estación Colcas
Box-Ljung test
data: residuals(modelo)
X-squared = 0.035476, df = 1, p-value = 0.8506
Box-Ljung test
data: residuals(modelo)
X-squared = 0.0018651, df = 1, p-value = 0.9656
Estación Quitaracsa
Box-Ljung test
data: residuals(modelo)
X-squared = 0.055799, df = 1, p-value = 0.8133
Anexo V
Algoritmos
Algoritmo A
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"
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
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))
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
Variables:
n: Numero de iteraciones
u: Media
Cv: Coeficiente de variación
Cs: Coeficiente de sesgo
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)
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)
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)
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)
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)
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)
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)
Algoritmo D
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+1,1):
aux2=f+i
F2.append(int(aux2))
plt.legend(loc=1)
plt.xlabel("Tiempo (Años)")
plt.ylabel("Caudal (m3/s)")
plt.grid()
plt.show()
return F2,Q2
165
Anexo VI
Anexo VII
Estación Querococha
Estación Olleros
Estación Quillcay
Estación Chancos
Estación Llanganuco
Estación Paron
Estación Colcas
Estación Quitaracsa
Anexo VIII
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
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: Lamina de Isolíneas del caudal medio anual con cambio climático en m3/s.
190
Anexo XI
Development of Water and Environment, Shanghai, China”, 17 Marzo 2022. El artículo será
2022 The 5th International Conference On Sustainable Development Of Water And Environment
(ICSDWE2022)
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%.
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
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.
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:
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).
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)
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)
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.
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)
−
�
̅= (21)
− .
�
�̃ �
̃ = − .
(22)
196
�
̃
� =− − .
(23)
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.
��
̃�̃ + ���
��
= ̅
(24)
���
��
̃ ��
=− ̅
���
(25)
��
̃�̃ ��
= ̅
(26)
���
= = − (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.
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.
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.
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.
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.
Station AR(1)
Querococha = . + . − +
Olleros = . + . − +
Quillcay = . + . − +
Chancos = . + . − +
Llanganuco = . + . − +
Parón = . + . − +
Colcas = . + . − +
Cedros = . + . − +
Quitaracsa = . + . − +
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.
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.
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.