01401sena 92

Citar:
Llauca H. (2021), Estudio de modelamiento hidrológico a paso diario a nivel nacional

para el monitoreo de potenciales inundaciones. Estudio Final. Servicio Nacional de
Meteorología e Hidrología del Perú –SENAMHI.
https://hdl.handle.net/20.500.12542/1777
ESTUDIO DE MODELAMIENTO
HIDROLÓGICO A PASO DIARIO A NIVEL
NACIONAL PARA EL MONITOREO DE
POTENCIALES INUNDACIONES
DIRECTORIO
PhD. Patricio Alonso Valderrama Murillo
PRESIDENTE EJECUTIVO DEL SENAMHI
Ing. Oscar Gustavo Felipe Obando
DIRECTOR DE HIDROLOGÍA DEL SENAMHI
PhD. Waldo Sven Lavado Casimiro
SUBDIRECTOR DE ESTUDIOS E INVESTIGACIONES HIDROLÓGICAS DEL

SENAMHI
Elaborado por:
Harold Llauca Soto, MSc.

Especialista en Hidrología
[email protected]
Revisado por:
Waldo Lavado Casimiro, PhD.

Subdirector de Estudios e Investigaciones Hidrológicas
[email protected]
2021
DIRECCIÓN DE HIDROLOGÍA
Contenido
Pág.
Resumen............................................................................................................................7
I. Introducción ................................................................................................................8
II. Datos y métodos.........................................................................................................8
2.1. Dominio de estudio ............................................................................................ 8

2.2. Datos ................................................................................................................ 10
a. Producto PISCO ...............................................................................................10
b. Caudales medios diarios ..................................................................................10
c. Predictores de similitud .....................................................................................11
2.3. Enfoque de regionalización a nivel nacional ................................................... 12

2.4. Modelamiento hidrológico ................................................................................ 13
III. Resultados y discusión.............................................................................................16
3.1. Selección de subcuencas donantes y receptoras ........................................... 16

3.2. Evaluación del desempeño del modelo........................................................... 17
3.3. Simulación de caudales diarios a nivel nacional ............................................. 20
IV. Conclusiones ............................................................................................................21
V. Referencias bibliográficas ........................................................................................22
ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

MONITOREO DE POTENCIALES INUNDACIONES 5
Índice de figuras
Pág.
Figura 1. (a) Dominio de estudio y estaciones hidrométricas seleccionadas en las
vertientes del Pacífico, Atlántico y Lago Titicaca. Detalle de (b) subcuencas y
(c) red hidrográfica utilizada para la modelación hidrológica a nivel nacional. ..9
Figura 2. Marco para la simulación de descargas diarias a nivel nacional. ..................12
Figura 3. Estructura del modelo ARNO/VIC. Adaptado de Clark et al. (2008). ............14
Figura 4. Características climáticas y fisiográficas, zonas de parámetros, subcuencas

donantes y receptoras identificadas a nivel nacional. ......................................17
Figura 5. (a-d) Métricas estadísticas para realizar el modelo hidrológico a nivel nacional
durante la calibración, la validación y el período total. .....................................19
Figura 6. Calificaciones cualitativas de la simulación de caudal diario en captaciones

calibradas en todo el dominio de estudio basadas en (a) caudales altos y (b)
énfasis de caudal general. ................................................................................20
Índice de tablas
Pág.
Tabla 1. Estaciones hidrométricas seleccionadas para la modelación hidrológica a nivel
nacional. La cobertura de datos [%] se considera desde el 1 de enero de 1981
hasta el 31 de marzo de 2020. .........................................................................11
Tabla 2. Características climáticas y fisiográficas seleccionadas para cuantificar la

similitud entre cuencas. .....................................................................................12
Tabla 3. Parámetros del modelo ARNO/VIC y límites superior e inferior definidos.

Adaptado de Lane et al. (2019). .......................................................................15
Tabla 4. Métricas estadísticas y sus correspondientes ecuaciones utilizadas para

evaluar el desempeño hidrológico del modelo ARNO / VIC + RAPID. ............16

ESTUDIO DE MODELAMIENTO HIDROLÓGICO

A PASO DIARIO A NIVEL NACIONAL PARA EL
MONITOREO DE POTENCIALES INUNDACIONES
Resumen
Las inundaciones son uno de los desastres naturales más recurrentes en el Perú que
afectan la salud y causan graves daños a la propiedad pública y privada. Las amenazas
de datos hidrológicos en todo el territorio peruano aumentan la urgente necesidad de
desarrollar herramientas para el monitoreo y pronóstico de los caudales. En ese sentido,
este trabajo tiene como objetivo evaluar el desempeño de un modelo hidrológico
conceptual diario a nivel nacional utilizando un enfoque de regionalización basado en
similitudes para estimar descargas en cuencas no calibradas. En este artículo, usamos
el conjunto de datos PISCO como entradas meteorológicas para el modelo acoplado
ARNO/VIC+RAPID para simular descargas diarias a través de una densa red fluvial en
el dominio de estudio desde el 1 de enero de 1981 al 31 de marzo de 2020. Realizamos
un análisis de similitudes enfoque de regionalización basado en siete condiciones
climáticas y fisiográficas y un esquema de análisis de conglomerados para identificar
122 zonas diferentes para transferir los parámetros del modelo calibrado de los
donantes a las subcuencas receptoras. Las simulaciones del modelo muestran un buen
desempeño en una gran parte del dominio de estudio con KGE≥0,75 y NSEsqrt≥0,65,
MARE≤2 y -25% ≤PBIAS≤25%. Es la primera vez que se desarrollan simulaciones
diarias de caudal en todo el territorio peruano con fines operativos de apoyo.
Palabras clave: PISCO; inundaciones; regionalización hidrológica; modelación

hidrológica.

I. Introducción
Las inundaciones son uno de los desastres naturales más frecuentes en el Perú y
generan anualmente grandes impactos a la salud, la propiedad y la economía (Huggel
et al., 2015). En sentido, existe la urgente necesidad de contar con herramientas que
den soporte a su monitoreo y previsión; sin embargo, la implementación de un sistema
de alerta frente a inundaciones se encuentra limitada por la baja densidad de estaciones
hidrométricas a lo largo del territorio nacional. En ese contexto, el desarrollo de modelos
hidrológicos y la aplicación de técnicas de regionalización hidrológica permitirían simular
caudales sobre la extensa red hídrica nacional, evaluar la hidrología de cuencas con
escasa información, y dar soporte a la gestión de peligros hidrológicos (Kauffeldt et al.,
2016; Bezak et al., 2019; Wang et al., 2020).
Las aplicaciones hidrológicas a escalas regionales, continentales y globales, se realizan

comúnmente empleando modelos de superficie terrestre (MST). Sin embargo, los MST
requieren de una gran cantidad de datos de entrada y altos recursos computacionales
(Rodriguez and Tomasella, 2016), por lo que la aplicación de modelos hidrológicos
conceptuales (MHC) en grandes escalas cobra relevancia por su bajo costo
computacional. Los MHC se aplican comúnmente de forma concentrada para
transformar la precipitación en escorrentía a la salida de la cuenca, por lo que las
aplicaciones semidistribuidas de los MHC requieren de acoplar modelos de tránsito
hidrológico (MTH) para simular descargas sobre toda la red hídrica de la cuenca. En la
actualidad existe una amplia gama de MTH aplicados a grandes escalas (David et al.,
2011b; Mizukami et al., 2016; Piccolroaz et al., 2016; Paul et al., 2018) que permiten
transitar ondas de crecidas en miles de tramos de río de manera simultánea y óptima.
Este trabajo tiene como objetivo evaluar el desempeño hidrológico de un modelo

hidrológico a paso diario aplicado a nivel nacional. Para ello, se utiliza un enfoque de
regionalización basada en la similitud física para identificar subcuencas donantes y
receptoras de parámetros. Además, se emplea un modelo hidrológico conceptual para
la transformación precipitación-escorrentía, y un modelo de tránsito hidrológico para
simular caudales diarios en toda la red hídrica desde el 1 de enero de 1981 hasta el 31
de marzo de 2020. Finalmente, se introduce un nuevo producto hidrológico en Perú para
proporcionar información continua de caudales diarios, y dar soporte a la gestión del
riesgo de desastres ante potenciales inundaciones a nivel nacional.
II. Datos y métodos

2.1. Dominio de estudio
El Perú está ubicado en la costa oeste de Sudamérica. Tiene una superficie de

1.285.220 km2 y una población aproximada de 32,5 millones de habitantes. Limita al
oeste con el Océano Pacífico, al norte con Ecuador y Colombia, y al sureste con Brasil,
Bolivia y Chile. La presencia de la cordillera de los Andes en el territorio peruano genera
variabilidad hidroclimática en las vertientes del Pacífico, Atlántico y Lago Titicaca

(Autoridad Nacional del Agua, 2013). Las precipitaciones en el Perú son muy variables
tanto en el espacio como en el tiempo (Zubieta et al., 2017) debido a que Los Andes
atrapan la humedad atmosférica del Atlántico produciendo altas tasas de precipitación
sobre la región andino-amazónica y escasas precipitaciones en la costa (Lavado
Casimiro et al., 2011). Las tasas máximas de precipitación ocurren entre noviembre y
marzo. La vertiente del Pacífico se caracteriza por condiciones áridas (<~ 150 mm/año)
en la costa y condiciones semiáridas (<~ 400 mm/año) en el flanco occidental de Los
Andes (Rau et al., 2019). Acorde a (Aybar et al., 2020), las vertientes del Atlántico y
Titicaca presentan condiciones húmedas en el flanco oriental de Los Andes (~ 1100
mm/año), la transición Andes-Amazonas (~ 3200 mm/año) y la llanura amazónica (~
2550 mm/año). Las fluctuaciones de la temperatura media anual en el país parecen
estar indirectamente relacionadas con la elevación (menor altitud, más temperatura),
por lo que se presentan bajas temperaturas sobre Los Andes y altas sobre la Costa y
Amazonía.
Figura 1. (a) Dominio de estudio y estaciones hidrométricas seleccionadas en las vertientes del
Pacífico, Atlántico y Lago Titicaca. Detalle de (b) subcuencas y (c) red hidrográfica
utilizada para la modelación hidrológica a nivel nacional.
El dominio de estudio corresponde a todo el territorio peruano, incluidas las cuencas

transfronterizas con Ecuador, Colombia y Brasil; con un área de drenaje total de
1.480.620 km2 (Figura 1). De acuerdo con (Beck et al., 2020), el éxito de un enfoque de
regionalización basado en similitudes depende del uso de un conjunto grande y muy
diverso de cuencas, por lo que el dominio de estudio se dividió en 11913 subcuencas
que varían en tamaño de 70 a 4000 km 2. En este trabajo se utilizó la misma red
hidrográfica empleada por el servicio GEOGloWS ECMWF (Nelson et al., 2019;
Sanchez Lozano et al., 2021). Esta red toma en cuenta un único tramo de río por
subcuenca, de forma similar a (Llauca et al., 2021).

2.2. Datos
a. Producto PISCO
El conjunto de datos hidrometeorológicos PISCO tiene cobertura en todo territorio

peruano incluyendo cuencas transfronterizas. Contiene subproductos grillados de
precipitación (P), temperatura del aire (TA) y evapotranspiración potencial (PET); con
una resolución horizontal de 0.1º y paso de tiempo diario. No obstante, recientemente
Llauca et al. (2021) implementó el subproducto PISCO_HyM_GR2M que contiene
simulaciones mensuales de caudales a nivel nacional en formato tabular.
Los subproductos PISCOP, TA, PET están disponibles para el periodo de 1981 al 2016
(versión estable). Sin embargo, existe una versión inestable desarrollada para PISCOP,
la cual se actualiza diariamente para los fines operativos del SENAMHI. PISCO P (Aybar
et al., 2020) se genera mediante el uso de métodos geoestadísticos y determinísticos
que incluyen tres fuentes de precipitación: (a) el conjunto de datos de pluviómetros
nacionales con control de calidad, (b) climatologías de precipitación combinadas con
indicadores de radar, y (c) el Climate Hazards Group Infrared Precipitation (CHIRP). De
manera similar, PISCOTA se obtiene de: a) series de tiempo de datos de temperatura del
aire máxima y mínima, (b) producto de temperatura del suelo del sensor MODIS
(Moderate Resolution Imaging Spectroradiometer) y (c) predictores geográficos
(elevación, longitud, latitud e índice de disección topográfica). PISCO PET se deriva a
partir de PISCOTA siguiendo la metodología propuesta por (Hargreaves and Samani,
1985). El conjunto de datos de PISCO está disponible gratuitamente en:
http://iridl.ldeo.columbia.edu/SOURCES/.SENAMHI/.HSR/.PISCO (consultado el 19 de
octubre de 2021).
En este estudio se calcularon los valores medios areales de P y PET para cada
subcuenca a nivel nacional, desde el 1 de enero de 1981 hasta el 31 de marzo de 2020.
Debido al propósito operativo de nuestro modelo hidrológico, se utilizó la versión
inestable de PISCOP, y los valores climatológicos diarios de PISCOPET (debido a la falta
de datos TA y PET desde el 1 de enero de 2017).
b. Caudales medios diarios
Se seleccionaron las series de tiempo de caudales diarios observados en 43

estaciones hidrométricas. La mayoría de estas estaciones pertenecen al Servicio
Nacional de Meteorología e Hidrología del Perú (SENAMHI,
https://www.gob.pe/senamhi, consultado el 13 de marzo de 2021). En concreto, en la
región amazónica (vertiente atlántica), la mayoría de las estaciones son monitoreadas
por el SENAMHI y el IRD (Instituto Francés para el Desarrollo Sostenible) en el marco
del Proyecto HYBAM (https://hybam.obs-mip.fr/ , consultado el 25 de marzo de 2021).
El detalle de las estaciones seleccionadas se resume en la Tabla 1, y su distribución en
todo el territorio peruano se muestra en la Figura 1a. El proceso de selección de
estaciones tomó en cuenta:
- Estaciones con información consistente.

- Estaciones con al menos 10% de cobertura de datos respecto al periodo de
estudio.

Considerando el área de drenaje que abarca cada estación (Figura 1), el 73.3% del
dominio de estudio corresponde a cuencas con aforos, y solo el 26,7% corresponde a
cuencas sin aforos.
Tabla 1. Estaciones hidrométricas seleccionadas para la modelación hidrológica a nivel

nacional. La cobertura de datos [%] se considera desde el 1 de enero de 1981 hasta
el 31 de marzo de 2020.
Vertiente Estación Abrev. Latitud [º] Longitud [º] Cuenca Fuente Cobertura [%]
Huatiapa HUA -16.008 -72.484 Camana SENAMHI 45.4

Socsi SOC -13.029 -76.195 Cañete SENAMHI 93.3
Santo Domingo SDO -11.384 -77.050 Chancay-Huaral SENAMHI 66.2
Racarumi RRI -6.633 -79.317 Lambayeque SENAMHI 99.8
Salinar SAL -7.661 -78.961 Chicama SENAMHI 92.5
Obrajillo OBR -11.452 -76.622 Chillón SENAMHI 59.0
El Ciruelo ECI -4.300 -80.150 Chira SENAMHI 98.0
Pacífico JU FORTALEZA
Malvados MAL -10.340 -77.630 Fortaleza 31.0
Pte. Ocona POC -16.422 -73.115 Ocoña SENAMHI 34.1
Letrayoc LET -13.640 -75.720 Pisco SENAMHI 89.1
Pte. Sanchez Cerro PSC -5.194 -80.623 Piura PE CHIRA PIURA 49.0
Condorcerro CCO -8.658 -78.262 Santa PE CHAVIMOCHIC 98.7
Pte. Santa Rosa PSR -17.030 -71.690 Tambo JU VALLE DEL TAMBO 92.5
El Tigre ETI -3.769 -80.457 Tumbes SENAMHI 97.7
Chosica CHO -11.930 -76.690 Rimac SENAMHI 55.0
Pte. Huancane HNE -15.216 -69.793 Huancane SENAMHI 79.9
Titicaca Pte. Ramis RAM -15.255 -69.874 Intercuenca Ramis SENAMHI 72.9
Pte. Unocolla COA -15.451 -70.192 Coata SENAMHI 74.9
Pte. Ilave ILA -16.088 -69.626 Ilave SENAMHI 72.7
Egemsa Km105 EKM -13.183 -72.533 Urubamba SENAMHI 86.2
Borja BOR -4.470 -77.548 Maranon SENAMHI 86.8
Jesus Tunel JTU -7.221 -78.404 Crisnejas SENAMHI 98.2
Cumba CUM -5.944 -78.661 Maranon SENAMHI 14.2
Los Naranjos LNA -5.756 -78.432 Maranon SENAMHI 18.4
Pte. Tocache TOC -8.181 -76.506 Huallaga SENAMHI 58.9
Tingo Maria TMA -9.290 -76.003 Huallaga SENAMHI 52.2
Picota PIC -6.949 -76.325 Huallaga SENAMHI 42.7
Chazuta CHA -6.570 -76.119 Huallaga SENAMHI 41.9
Paucartambo PAU -13.321 -71.594 Urubamba SENAMHI 29.4
Pisac PIS -13.422 -71.855 Vilcanota SENAMHI 67.3
Atlántico Puente Cunyac PCU -13.560 -72.574 Apurimac SENAMHI 26.9
Puente Stuart PST -11.802 -75.490 Mantaro ELECTROPERU 69.5
Puerto Inca PUI -9.384 -74.968 Pachitea SENAMHI 43.6
Tamshiyacu TAM -4.003 -73.162 Amazonas HYBAM 90.7
Requena REQ -5.030 -73.830 Ucayali SENAMHI 59.1
Lagarto LAG -10.607 -73.871 Ucayali SENAMHI 23.6
Bellavista BEL -3.482 -73.073 Napo SENAMHI 71.3
Pte. Corral Quemado PCQ -5.755 -78.692 Marañon SENAMHI 14.4
La Pastora LPA -12.584 -69.214 Madre de Dios EMAPAT 24.3
Napo NAP -0.917 -75.396 Napo HYBAM 40.3
Tabatinga TAB -4.250 -69.950 Amazonas HYBAM 87.5
Pucallpa PUC -8.390 -74.530 Ucayali HYBAM 43.2
San Regis SRE -4.513 -73.907 Marañon SENAMHI 53.5
c. Predictores de similitud
Se utilizó un criterio de similitud que incorpora tres características climáticas y cuatro

fisiográficas enumeradas en la Tabla 2. Acorde a (Beck et al., 2015), estas
características exhiben fuertes vínculos con firmas de flujos superficiales a nivel global.
Se utilizaron predictores relacionados con el clima porque se sabe que el clima influye
en la vegetación, los suelos y la geomorfología y, por lo tanto, ejerce una influencia
indirecta importante en la respuesta de lluvia-escorrentía (Wagener et al., 2007; Gentine
et al., 2012; Troch et al., 2013).

Tabla 2. Características climáticas y fisiográficas seleccionadas para

cuantificar la similitud entre cuencas.
Abrev. Unid. Variable Fuente de datos Resolución
Precipitación PISCOP, media de los años 1981-

P mm/año 0.1°
media anual (Aybar et al., 2020)
PISCOPET (1981-2016) calculado
Evap. potencial de PISCOTA usando la ecuación
PET mm/año 0.1°
media anual de (Hargreaves and Samani,
1985).
Calculado como: AI=PET/P,
donde P es la precipitación media
anual y PET la evap. potencial
AI - Índice de aridéz media anual. Los valores fueron 0.1°
truncados por encima de 19 para
evitar altos valores extremos en
la costa.
Temperatura PISCOTA, media de los años
TA °C 0.1°
media del aire 1981-2016.
Fracción de Basado en el producto Landsat
fTC % cobertura de de cobertura de bosque para el 30 m
bosque año 2000 (Hansen et al., 2013)
Pendiente
SLO ° Tomado de HydroSHED SRTM 90 m
superficial
Contenido de SoilGrids 2020 (ISRIC), media de
CLAY g/Kg 250 m
arcilla en el suelo todas las capas (0-100).
2.3. Enfoque de regionalización a nivel nacional
Los modelos hidrológicos a menudo se basan en enfoques de regionalización para

transferir información de cuencas y subcuencas calibradas (donantes) a cuencas y
subcuencas no calibradas (receptoras). Es posible transferir conjuntos de parámetros
calibrados basándose en una consideración explícita de similitud climática y/o
fisiográfica.
Figura 2. Marco para la simulación de descargas diarias a nivel nacional.

Según (Beck et al., 2016), los beneficios del enfoque basado en la similitud incluyen: (a)
su relativa facilidad de implementación; (b) retención de la interacción de los parámetros
del modelo porque se transfiere todo el conjunto de parámetros; (c) posibilidad de
variabilidad espacial en los parámetros del modelo de acuerdo con las características
del paisaje, incluso en regiones no calibradas; y (d) los parámetros derivados son (en
gran medida) independientes del forzamiento.
Para cada cuenca, se cuantificaron varios descriptores de subcuencas y varios índices

climáticos (ver Tabla 2). La disimilitud entre subcuencas se cuantificó como:
7
|Zp,i − Zp,j |
Si,j = ∑ ; [1]
IQR p
p=1
donde S es la disimilitud (-), Z son los valores de las características respectivas (Tabla
2), IQR es el rango intercuartílico de la característica, p denota la característica, i y j
denotan, respectivamente, el donante y el receptor en cuestión. Los valores de IQR
representan la variabilidad espacial en las diversas características. La división por IQR
en la ecuación [1] fue necesaria para igualar la variabilidad de los datos de las
características. De la ecuación [1] se deduce que una subcuenca similar produce un
valor S cercano a cero. Para cada subcuenca, usamos el donante más similar en una
distancia <300 km del donante debido a la capacidad de la computadora.
Las cuencas hidrográficas calibradas se dividieron en zonas de parámetros para el

modelado hidrológico utilizando análisis de conglomerados jerárquicos y mapas de
predictores como entradas. Para ello, se graficaron los dendrogramas de cada cuenca,
lo que permitió distinguir gráficamente las agrupaciones de subcuencas, así como el
valor de la medida de asociación entre los grupos.
2.4. Modelamiento hidrológico
En este estudio se tuvo en cuenta un enfoque de modelación acoplado (MHC+MTH).

Como se muestra en la Figura 2, los datos del producto PISCO (P y PET) se utilizan
para forzar un MHC (lluvia-escorrentía) que proporciona volúmenes diarios de
escorrentía (RU) como entradas para un MTH para estimar descargar diarias (Qsim) en
toda la red hidrográfica nacional. En primer lugar, el modelo acoplado se ejecutó solo
para cuencas con información para encontrar los parámetros óptimos del modelo (por
zonas). Luego, y después de transferir los parámetros de las subcuencas donantes a
las receptoras, se ejecutó nuevamente el modelo para todas las cuencas a fin de simular
los caudales diarios a nivel nacional.
Para la modelación lluvia-escorrentía, elegimos el modelo conceptual de Capacidad de

Infiltración Variable (ARNO/VIC) (Liang et al., 1994; Todini, 1996) debido a su flexibilidad
y eficiencia computacional. A pesar de sus simplificaciones, el modelo está diseñado
para proporcionar una representación relativamente completa de los principales flujos
hidrológicos (Addor and Melsen, 2019; Lane et al., 2019). Para este estudio, utilizamos
el Framework for Understanding Structural Errors (FUSE) de (Clark et al., 2008) y solo
se seleccionó la configuración FUSE-230 (Vitolo et al., 2016) correspondiente al modelo
ARNO/VIC, con 10 parámetros ajustables que se muestran en la Tabla 3, debido a los

altos requisitos computacionales de ejecutar el modelo en un dominio tan grande. La

estructura del modelo, las variables de estado, y los flujos del modelo se presentan en
la Figura 3. Esta configuración tiene una variable de un solo estado para la capa superior
del suelo (S1). La capa inferior del suelo (S2) puede definirse mediante un solo depósito
de flujo base no lineal de tamaño fijo. La evaporación (e) se modela en ambas capas
del suelo y se calcula en base a las fracciones de raíces relativas en cada una de las
capas del suelo. La percolación (q 12) toma el agua disponible desde el punto de
marchitez (𝛉wilt) hasta la saturación (𝛉wilt). La escorrentía superficial (qsx) se
conceptualiza utilizando la parametrización ARNO/VIC (control de zona superior) y se
utiliza una distribución gamma para el tiempo de retardo de la escorrentía. Los lectores
pueden encontrar más detalles sobre las ecuaciones del modelo y las diferentes
configuraciones de FUSE en (Clark et al., 2008).
Figura 3. Estructura del modelo ARNO/VIC. Adaptado de Clark et al. (2008).

Tabla 3. Parámetros del modelo ARNO/VIC y límites superior e inferior

definidos. Adaptado de Lane et al. (2019).
Parámetro Descripción Unid. Inferior Superior
MAXWATER1 Profundidad de capa superior mm 25 500
MAXWATER2 Profundidad de capa inferior mm 50 5000
Fracción del almacenamiento en la

FRACTEN - 0.05 0.95
zona de tensión
RTFRAC1 Fracción de raices en la capa superior - 0.05 0.95
PERCRTE Tasa de percolación mm/d 0.01 1000
PERCEXP Exponente de percolación - 1 20
BASERTE Tasa de flujo base mm/d 0.001 1000
QB_POWR Exponente de flujo base - 1 10
AXV_BEXP Exponente b de ARNO/VIC - 0.001 3
TIMEDELAY Tiempo de retardo de la escorrentía d 0.01 7
Para el modelado de enrutamiento en ríos, usamos la Routing Application for Parallel

Computation of Discharge (RAPID) que usa una versión matricial del esquema de
enrutamiento de Muskingum para calcular simultáneamente la descarga de agua en
miles de tramos de una gran red fluvial (David et al., 2011a). RAPID es un modelo de
código abierto y está disponible en https://github.com/ch-david/rapid, y se resume
brevemente a continuación porque hay descripciones más completas disponibles en
otros estudios (David et al., 2011b; Lin et al., 2015; Follum et al., 2017; Tavakoly et al.,
2017; Salas et al., 2018). El método de Muskingum se puede reorganizar introduciendo
una matriz transfronteriza T = (I-C1*N) como lo describe David et al. (2015) en el modelo
RAPID:
[𝐼 − 𝐶1 ∙ (𝑁 − 𝑇)] ∙ 𝑄(𝑡 + ∆𝑡) = 𝑏(𝑡) + 𝑇 ∙ 𝐶1 ∙ 𝑄(𝑡 + ∆𝑡) ; [2]
donde t es el tiempo, Δt es el paso de tiempo de la ruta del río, I es la matriz de identidad,

N es la matriz de la red del río, Q es un vector de flujos de salida de cada tramo y C1 es
una matriz diagonal de parámetros para un tramo dado j.
Se utiliza la información de conectividad de los servicios GEOGloWS ECMWF (Nelson

et al., 2019; Sanchez Lozano et al., 2021) para crear la matriz de conectividad de red
hidrográfica nacional. Es importante señalar que la escorrentía de las subcuencas está
conectada al esquema de enrutamiento en el nodo aguas arriba de cada tramo de río y
la salida de flujo del modelo representa el flujo en el nodo aguas abajo.

Tabla 4. Métricas estadísticas y sus correspondientes ecuaciones utilizadas para evaluar el desempeño
hidrológico del modelo ARNO / VIC + RAPID.
Min, Max,
Estadístico Ecuación Unid. Énfasis
Óptimo
𝐾𝐺𝐸 = 1 − √(𝑟 − 1)2 + (𝛼 − 1)2 + (𝛽 − 1)2
∑𝑛𝑖=1[(𝑋𝑖 − 𝑋̅ )(𝑂𝑖 − 𝑂̅)]

𝑟= Flujos altos
Kling-Gupta
√∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 √∑𝑛𝑖=1(𝑂𝑖 − 𝑂̅)2 - -,1,1
Efficiency (KGE) Flujos medios
𝜎𝑋 𝜇𝑋
𝛼= ;𝛽=
𝜎𝑂 𝜇𝑂
Nash-Sutcliffe 2
squared ∑𝑛𝑖=1(√𝑂𝑖 − √𝑋𝑖 ) - -,1,1 Flujos en general
𝑁𝑆𝐸𝑠𝑞𝑟𝑡 = 1 − 2
(NSEsqrt) ∑𝑛𝑖=1 (√𝑂𝑖 − √𝑂̅)
Mean Absolute 𝑛 Flujos bajos

Relative Error 1 |𝑋𝑖 − 𝑂𝑖 | - 0,+,0
𝑀𝐴𝑅𝐸 = ∑
(MARE) 𝑛 𝑂𝑖 Error relativo
𝑖=1
Tendencia promedio
Percent Bias ∑𝑛𝑖=1(𝑂𝑖 − 𝑋𝑖 ) % -,+,0 de los datos
(PBIAS) 𝑃𝐵𝐼𝐴𝑆 = 100
∑𝑛𝑖=1 𝑂𝑖 simulados
El modelo fue calibrado en cuencas con información para el mismo período con datos
de entrada (P y PET) y caudales observados (Qobs) simultáneamente. Se construyó un
período de calentamiento de un año (1980) utilizando climatologías diarias P y PET para
evitar descartar simulaciones desde el 1 de enero de 1981.
En esta implementación, utilizamos el algoritmo Shuffled Complex Evolutionary (SCE-

UA) (Duan et al., 1993) (Duan et al., 1993) para optimizar los parámetros del modelo
para cada cuenca y zona, considerando el criterio de eficiencia Kling-Gupta (KGE)
(Gupta et al., 2009) como función objetivo con énfasis en caudales medios y altos
(Mizukami et al., 2019). Además, se tienen en cuenta más métricas estadísticas como
el criterio de eficiencia de Nash-Sutcliffe (NSEsqrt) (Chiew et al., 1993), el error relativo
absoluto medio (MARE) y el sesgo porcentual (PBIAS) para evaluar el rendimiento del
modelo. Las métricas estadísticas seleccionadas y sus respectivas ecuaciones se
resumen en la Tabla 3.
III. Resultados y discusión

3.1. Selección de subcuencas donantes y receptoras
La Figura 4 muestra la variabilidad de las características climáticas (P, TA, PET, AI) y
fisiográficas (SLO, fTC, CLAY) en todo el territorio. Las altas tasas de P y PET están
presentes en el Atlántico y Titicaca, mientras que la costa (Pacífico) se caracteriza por
valores altos de AI (con P bajo y PET alto). TA es más baja sobre los Andes y mucho
más alta sobre la llanura del Amazonas. La región andina tiene un SLO alto debido a la
topografía accidentada de los Andes. CLAY tiende a ser más homogénea en todo el

territorio con máximos en la llanura amazónica, mientras que la fTC es mucho mayor en
la vertiente atlántica.
Figura 4. Características climáticas y fisiográficas, zonas de parámetros, subcuencas donantes

y receptoras identificadas a nivel nacional.
Se identificaron un total de 122 zonas de parámetros en todo el dominio de estudio y se

muestran en la Figura 4. La transferencia de parámetros desde las subcuencas donante
a receptora se realiza solo para la misma zona de parámetros (Figura 2). A nivel
nacional, el 73% de las subcuencas son donantes y solo el 27% corresponden a
subcuencas receptoras. Como se muestra en la Figura 4, el número de donantes en la
vertiente del Pacífico (38%) es mucho menor en comparación con el Atlántico (71%) y
Titicaca (84%). Esto se debe a que una estación hidrométrica cubre un área de drenaje
más grande en el Atlántico y Titicaca que en el Pacífico.
3.2. Evaluación del desempeño del modelo
La Figura 5 muestra el rendimiento del modelo para cada punto de calibración (Tabla
1). En términos de KGE y NSEsqrt, el modelo se comporta bien (en azul) en la vertiente
del Pacífico, la vertiente del lago Titicaca y la transición Andes-Amazonas (entre las
vertientes del Pacífico y el Atlántico) con valores superiores a 0.75 y 0.65,
respectivamente. Sin embargo, se encontró un bajo rendimiento del modelo (en blanco
y rojo) con valores de KGE y NSEsqrt inferiores a 0.50 en la llanura del Amazonas
(noreste del dominio de estudio). Los valores de KGE y NSEsqrt disminuyen ligeramente
desde la calibración hasta la validación, excepto en algunas estaciones en la vertiente
del Pacífico. Un caso particular ocurre en la llanura del Amazonas donde el rendimiento

aumentó durante el período de validación debido a los sesgos de la precipitación en

1983/1997 utilizados para la calibración. En términos de MARE y PBIAS, el desempeño
del modelo durante la calibración y validación se muestra con valores bajos de MARE
(<2) y PBIAS (<± 25%) en gran parte del dominio de estudio. PBIAS muestra una
subestimación de la escorrentía total ligeramente mayor durante la validación.
La evaluación del período total muestra un buen rendimiento del modelo con valores
altos de KGE (≥0,75) y NSEsqrt (≥0,65) en el 70% y 68% de las estaciones en el dominio
de estudio, respectivamente. Este comportamiento muestra una buena representación
de caudales medio-altos de acuerdo con nuestro propósito de representar potenciales
crecidas. Debido a que MARE es menos sensible a valores altos (Ferreira et al., 2020;
Seo et al., 2018), es un buen índice para valores de datos bajos, por lo que el 95% de
las estaciones con valores de error relativo más bajos (menos de 2) confirman buenos
ajustes a los caudales bajos-medianos. PBIAS se encuentra en el rango óptimo (Moriasi
et al., 2007) de ± 25%, y muestra una ligera subestimación de la escorrentía total.

Figura 5. (a-d) Métricas estadísticas para realizar el modelo hidrológico a nivel nacional
durante la calibración, la validación y el período total.

3.3. Simulación de caudales diarios a nivel nacional
El enfoque de regionalización basado en similitudes permite simular descargas diarias

continuas en 11913 tramos de ríos (incluidas áreas no calibradas) desde el 1 de enero
de 1981 hasta el 31 de marzo de 2020. Este nuevo subproducto PISCO de descargas
diarias simuladas llamado PISCO_HyD_ARNOVIC está disponible en línea de forma
gratuita en https://doi.org/10.4211/hs.7046f3efa5db4cb78296fa06d833d721 en formato
netCDF. El COMID de tramos de río para el dominio de estudio se puede identificar en
https://hllauca.github.io/PISCO_HyD_ARNOVIC_map/. Este nuevo producto contribuirá
a comprender las descargas diarias en cuencas con escasez de datos. Además, las
simulaciones se utilizan actualmente como insumo para el monitoreo de posibles
inundaciones en el Servicio Nacional de Meteorología e Hidrología del Perú (disponible
en línea: https://www.senamhi.gob.pe/?p=observacion-de-inundaciones - consultado en
17 de noviembre de 2021).
La clasificación cualitativa de las simulaciones PISCO_HyD_ARNOVIC en cuencas

calibradas basadas en los rangos KGE (Thiemig et al., 2013) y NSEsqrt (Moriasi et al.,
2015) se muestran en la Figura 6a-b, respectivamente. A pesar de que KGE enfatiza los
flujos altos (Mizukami et al., 2019) y NSEsqrt enfatiza la representación general del flujo
(Seiller et al., 2015), ambas métricas coinciden en que las descargas diarias simuladas
en el centro y sur del dominio de estudio están bien representadas, mientras que los del
noreste (llanura del Amazonas) deben interpretarse con cautela.
Figura 6. Calificaciones cualitativas de la simulación de caudal diario en captaciones calibradas

en todo el dominio de estudio basadas en (a) caudales altos y (b) énfasis de caudal
general.
Los resultados insatisfactorios en la llanura del Amazonas (noreste) reflejan dos

cuestiones: primero, la mayor incertidumbre de la distribución espacial de las

precipitaciones en las cuencas del Marañón, Ucayali y Huallaga (Zubieta et al., 2015,
2017), ubicadas en la vertiente atlántica, y los sesgos del subproducto PISCO P en el
norte debido a la falta de estimaciones adecuadas de lluvia en las regiones ecuatoriales
(Aybar et al., 2020). Este menor rendimiento del modelo es similar al obtenido en
estudios recientes en el dominio de estudio (Strauch et al., 2017; Zubieta et al., 2017;
Llauca et al., 2021) utilizando diferentes modelos hidrológicos y productos de
precipitación satelital. Por lo tanto, las incertidumbres de las precipitaciones se propagan
a los resultados del modelo y reducen la capacidad predecible del modelo (Liu and
Gupta, 2007). Los trabajos futuros incorporarán la evaluación de corrección de sesgos
a PISCOP y el análisis de incertidumbre en el modelado hidrológico.
IV. Conclusiones
Este estudio evalúa el desempeño del modelo hidrológico diario en 11953 subcuencas
y tramos de ríos en Perú. Se utilizó un enfoque de regionalización basado en similitudes
ben siete características climáticas y fisiográficas para identificar subcuencas donantes
y subcuencas de parámetros, mientras que se aplicó un enfoque acoplado de modelo
lluvia-escorrentía (ARNO/VIC) y enrutamiento (RAPID). El producto de simulaciones de
caudales diarios denominado PISCO_HyD_ARNOVIC contiene información desde el 1
de enero de 1981 hasta el 31 de marzo de 2020, y se desarrolló para dar soporte a la
gestión de peligros hidrológicos. Las principales conclusiones de este trabajo se
resumen a continuación:
a. El desempeño hidrológico del modelo acoplado ARNOVIC+RAPID en Perú es

muy bueno en las subcuencas de la vertiente del Pacífico y la transición Andes-
Amazonas (parte del Titicaca y vertiente del Atlántico). El modelo representa
adecuadamente la estacionalidad de los caudales, excepto en la llanura del
Amazonas, donde solo se logran representar los caudales altos.
b. A través del uso producto PISCO (P, TA, PET) es factible simular
adecuadamente el volumen diario de la escorrentía en la mayor parte del Perú.
Sin embargo, las incertidumbres asociadas a estos subproductos son más
significativas hacia el norte del país donde no hay suficientes estaciones
meteorológicas, por lo que este error se propaga hacia las salidas del modelo
hidrológico en la llanura del Amazonas.
c. La metodología propuesta para identificar subcuencas donantes y receptores de
parámetros con un enfoque basado en similitudes climáticas y fisiográficas
demostró ser una técnica adecuada para calibrar y validar el modelo ARNOVIC
y estimar la descarga diaria en subcuencas sin información.
Los resultados presentados en este trabajo también demuestran el enorme

potencial del producto PISCO_HyD_ARNOVIC para comprender la dinámica de los
recursos hídricos superficiales en el Perú. Las versiones futuras de este producto
incluirán un análisis extenso de diferentes configuraciones de FUSE y su impacto en las
descargas diarias.

V. Referencias bibliográficas
Addor N, Melsen LA. 2019. Legacy, rather than adequacy, drives the selection of
hydrological models. Water resources research 55 (1): 378–390 DOI:
10.1029/2018wr022958
Autoridad Nacional del Agua. 2013. Plan Nacional de Recursos Hídricos del Perú.
Available at:
https://www.ana.gob.pe/sites/default/files/plannacionalrecursoshidricos2013.pdf
Aybar C, Fernández C, Huerta A, Lavado W, Vega F, Felipe-Obando O. 2020.

Construction of a high-resolution gridded rainfall dataset for Peru from 1981 to
the present day. Hydrological Sciences Journal 65 (5): 770–785 DOI:
10.1080/02626667.2019.1649411
Beck HE, van Dijk AIJM, de Roo A, Miralles DG, McVicar TR, Schellekens J, Bruijnzeel
LA. 2016. Global-scale regionalization of hydrologic model parameters. Water
resources research 52 (5): 3599–3622 DOI: 10.1002/2015WR018247
Beck HE, Pan M, Lin P, Seibert J, Dijk AIJM, Wood EF. 2020. Global fully‐distributed
parameter regionalization based on observed streamflow from 4229 headwater
catchments. Journal of Geophysical Research, D: Atmospheres DOI:
10.1029/2019JD031485
Beck HE, de Roo A, van Dijk AIJM. 2015. Global Maps of Streamflow Characteristics
Based on Observations from Several Thousand Catchments. Journal of
Hydrometeorology 16 (4): 1478–1501 DOI: 10.1175/JHM-D-14-0155.1
Bezak N, Jemec Auflič M, Mikoš M. 2019. Application of hydrological modelling for

temporal prediction of rainfall-induced shallow landslides. Landslides 16 (7):
1273–1283 DOI: 10.1007/s10346-019-01169-9
Chiew FHS, Stewardson MJ, McMahon TA. 1993. Comparison of six rainfall-runoff
modelling approaches. Journal of Hydrology 147 (1): 1–36 DOI: 10.1016/0022-
1694(93)90073-I
Clark MP, Slater AG, Rupp DE, Woods RA, Vrugt JA, Gupta HV, Wagener T, Hay LE.
2008. Framework for Understanding Structural Errors (FUSE): A modular
framework to diagnose differences between hydrological models. Water
resources research 44 (12): 2135 DOI: 10.1029/2007WR006735
David CH, Habets F, Maidment DR, Yang Z-L. 2011a. RAPID applied to the SIM-France
model. Hydrological processes 25 (22): 3412–3425 DOI: 10.1002/hyp.8070
David CH, Maidment DR, Niu G-Y, Yang Z-L, Habets F, Eijkhout V. 2011b. River Network
Routing on the NHDPlus Dataset. Journal of Hydrometeorology 12 (5): 913–934
DOI: 10.1175/2011JHM1345.1
Duan QY, Gupta VK, Sorooshian S. 1993. Effective and Efficient Global Minimization.
Journal of optimization theory and applications 76 (3)

Follum ML, Tavakoly AA, Niemann JD, Snow AD. 2017. AutoRAPID: A model for prompt
streamflow estimation and flood inundation mapping over regional to continental
extents. Journal of the American Water Resources Association 53 (2): 280–299
DOI: 10.1111/1752-1688.12476
Gentine P, D’Odorico P, Lintner BR, Sivandran G, Salvucci G. 2012. Interdependence

of climate, soil, and vegetation as constrained by the Budyko curve. Geophysical
research letters 39 (19) DOI: 10.1029/2012gl053492
Gupta HV, Kling H, Yilmaz KK, Martinez GF. 2009. Decomposition of the mean squared
error and NSE performance criteria: Implications for improving hydrological
modelling. Journal of Hydrology 377 (1): 80–91 DOI:
10.1016/j.jhydrol.2009.08.003
Hansen MC, Potapov PV, Moore R, Hancher M, Turubanova SA, Tyukavina A, Thau D,
Stehman SV, Goetz SJ, Loveland TR, et al. 2013. High-Resolution Global Maps
of 21st-Century Forest Cover Change. Science 342 (6160): 850–853 DOI:
10.1126/science.1244693
Hargreaves GH, Samani ZA. 1985. Reference crop evapotranspiration from ambient air
temperature. Chicago. In Amer. Soc. Agric. Eng. Meeting (Paper 85-2517).
Huggel C, Raissig A, Rohrer M, Romero G, Diaz A, Salzmann N. 2015. How useful and
reliable are disaster databases in the context of climate and global change? A
comparative case study analysis in Peru. Natural Hazards and Earth System
Sciences 15 (3): 475–485 DOI: 10.5167/uzh-118125
Kauffeldt A, Wetterhall F, Pappenberger F, Salamon P, Thielen J. 2016. Technical review

of large-scale hydrological models for implementation in operational flood
forecasting schemes on continental level. Environmental Modelling & Software
75: 68–76 DOI: 10.1016/j.envsoft.2015.09.009
Lane RA, Coxon G, Freer JE, Wagener T, Johnes PJ, Bloomfield JP, Greene S, Macleod
CJA, Reaney SM. 2019. Benchmarking the predictive capability of hydrological
models for river flow and flood peak predictions across over 1000 catchments in
Great Britain. Hydrology and Earth System Sciences 23 (10): 4011–4032 DOI:
10.5194/hess-23-4011-2019
Lavado Casimiro WS, Labat D, Guyot JL, Ardoin-Bardin S. 2011. Assessment of climate
change impacts on the hydrology of the Peruvian Amazon--Andes basin.
Hydrological processes 25 (24): 3721–3734 Available at:
https://onlinelibrary.wiley.com/doi/abs/10.1002/hyp.8097
Liang X, Lettenmaier DP, Wood EF, Burges SJ. 1994. A simple hydrologically based
model of land surface water and energy fluxes for general circulation models.
Journal of geophysical research 99 (D7): 14415 DOI: 10.1029/94jd00483
Lin P, Yang Z-L, Cai X, David CH. 2015. Development and evaluation of a physically-
based lake level model for water resource management: A case study for Lake
Buchanan, Texas. Journal of Hydrology: Regional Studies 4: 661–674 DOI:
10.1016/j.ejrh.2015.08.005

Liu Y, Gupta HV. 2007. Uncertainty in hydrologic modeling: Toward an integrated data
assimilation framework. Water resources research 43 (7): 160 DOI:
10.1029/2006WR005756
Llauca H, Lavado-Casimiro W, Montesinos C, Santini W, Rau P. 2021.

PISCO_HyM_GR2M: A Model of Monthly Water Balance in Peru (1981–2020).
Water DOI: 10.3390/w13081048
Mizukami N, Clark MP, Sampson K, Nijssen B, Mao Y, McMillan H, Viger RJ, Markstrom
SL, Hay LE, Woods R, et al. 2016. mizuRoute version 1: a river network routing
tool for a continental domain water resources applications. Geoscientific Model
Development 9 (6): 2223–2238 DOI: 10.5194/gmd-9-2223-2016
Mizukami N, Rakovec O, Newman AJ, Clark MP, Wood AW, Gupta HV, Kumar R. 2019.
On the choice of calibration metrics for “high-flow” estimation using hydrologic
models. Hydrology and Earth System Sciences 23 (6): 2601–2614 DOI:
10.5194/hess-23-2601-2019
Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD, Veith TL. 2007. Model
evaluation guidelines for systematic quantification of accuracy in watershed
simulations. Transactions of the ASABE 50 (3): 885–900 Available at:
https://elibrary.asabe.org/abstract.asp?aid=23153
Moriasi DN, Gitau MW, Pai N, Daggupati P. 2015. Hydrologic and water quality models:
Performance measures and evaluation criteria. Transactions of the ASABE 58
(6): 1763–1785 DOI: 10.13031/trans.58.10715
Nelson J, Biesinger J, Jones N, Ames DP, Hales R, Williams GP, Gutierrez-Magness A,

Edwards C, Ashby K, Khattar R. 2019. Global Water Sustainability Tools from
Earth Observations for the Americas.ui.adsabs.harvard.edu; GC41C-07.
Available at: https://ui.adsabs.harvard.edu/abs/2019AGUFMGC41C..07N
Paul PK, Kumari N, Panigrahi N, Mishra A, Singh R. 2018. Implementation of cell-to-cell

routing scheme in a large scale conceptual hydrological model. Environmental
Modelling & Software 101: 23–33 DOI: 10.1016/j.envsoft.2017.12.003
Piccolroaz S, Lazzaro MD, Zarlenga A, Majone B, Bellin A, Fiori A. 2016. HYPERstream:

a multi-scale framework for streamflow routing in large-scale hydrological model.
Hydrology and Earth System Sciences 20 (5): 2047–2061 DOI: 10.5194/hess-
20-2047-2016
Rau P, Bourrel L, Labat D, Ruelland D, Frappart F, Lavado W, Dewitte B, Felipe O. 2019.

Assessing multidecadal runoff (1970-2010) using regional hydrological modelling
under data and water scarcity conditions in Peruvian Pacific catchments.
Hydrological processes 33 (1): 20–35 DOI: 10.1002/hyp.13318
Rodriguez DA, Tomasella J. 2016. On the ability of large-scale hydrological models to

simulate land use and land cover change impacts in Amazonian basins.
Hydrological Sciences Journal 61 (10): 1831–1846 DOI:
10.1080/02626667.2015.1051979

Salas FR, Somos-Valenzuela MA, Dugger A, Maidment DR, Gochis DJ, David CH, Yu
W, Ding D, Clark EP, Noman N. 2018. Towards real‐time continental scale
streamflow simulation in continuous and discrete space. Journal of the American
Water Resources Association 54 (1): 7–27 DOI: 10.1111/1752-1688.12586
Sanchez Lozano J, Romero Bustamante G, Hales RC, Nelson EJ, Williams GP, Ames
DP, Jones NL. 2021. A Streamflow Bias Correction and Performance Evaluation
Web Application for GEOGloWS ECMWF Streamflow Services. Hydrology 8 (2):
71 DOI: 10.3390/hydrology8020071
Seiller G, Hajji I, Anctil F. 2015. Improving the temporal transposability of lumped

hydrological models on twenty diversified U.S. watersheds. Journal of Hydrology:
Regional Studies 3: 379–399 DOI: 10.1016/j.ejrh.2015.02.012
Strauch M, Kumar R, Eisner S, Mulligan M, Reinhardt J, Santini W, Vetter T, Friesen J.

2017. Adjustment of global precipitation data for enhanced hydrologic modeling
of tropical Andean watersheds. Climatic change 141 (3): 547–560 DOI:
10.1007/s10584-016-1706-1
Tavakoly AA, Snow AD, David CH, Follum ML, Maidment DR, Yang Z-L. 2017.
Continental-scale river flow modeling of the Mississippi river basin using high-
resolution NHDPlusDataset. Journal of the American Water Resources
Association 53 (2): 258–279 DOI: 10.1111/1752-1688.12456
Thiemig V, Rojas R, Zambrano-Bigiarini M, De Roo A. 2013. Hydrological evaluation of

satellite-based rainfall estimates over the Volta and Baro-Akobo Basin. Journal
of Hydrology 499: 324–338 DOI: 10.1016/j.jhydrol.2013.07.012
Todini E. 1996. The ARNO rainfall—runoff model. Journal of Hydrology 175 (1): 339–
382 DOI: 10.1016/S0022-1694(96)80016-3
Troch PA, Carrillo G, Sivapalan M, Wagener T, Sawicz K. 2013. Climate-vegetation-soil

interactions and long-term hydrologic partitioning: signatures of catchment co-
evolution. Hydrology and Earth System Sciences Discussions 10 (3): 2927–2954
DOI: 10.5194/hessd-10-2927-2013
Vitolo C, Wells P, Dobias M, Buytaert W. 2016. fuse: An R package for ensemble

Hydrological Modelling. Journal of Open Source Software 1 (8): 52 Available at:
https://joss.theoj.org/papers/10.21105/joss.00052
Wagener T, Sivapalan M, Troch P, Woods R. 2007. Catchment Classification and

Hydrologic Similarity. Geography Compass 1 (4): 901–931 DOI: 10.1111/j.1749-
8198.2007.00039.x
Wang S, Zhang K, van Beek LPH, Tian X, Bogaard TA. 2020. Physically-based landslide
prediction over a large region: Scaling low-resolution hydrological model results
for high-resolution slope stability assessment. Environmental Modelling &
Software 124: 104607 DOI: 10.1016/j.envsoft.2019.104607
Zubieta R, Getirana A, Espinoza JC, Lavado W. 2015. Impacts of satellite-based

precipitation datasets on rainfall–runoff modeling of the Western Amazon basin

of Peru and Ecuador. Journal of Hydrology 528: 599–612 DOI:

10.1016/j.jhydrol.2015.06.064
Zubieta R, Getirana A, Espinoza JC, Lavado-Casimiro W, Aragon L. 2017. Hydrological

modeling of the Peruvian--Ecuadorian Amazon Basin using GPM-IMERG
satellite-based precipitation dataset. Hydrology and Earth System Sciences 21
(7): 3543–3555 Available at: https://hess.copernicus.org/articles/21/3543/2017/


01401sena 92

Cargado por

Copyright:

Formatos disponibles

01401sena 92

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

01401sena 92

Cargado por

Copyright:

Formatos disponibles

Citar:

Llauca H. (2021), Estudio de modelamiento hidrológico a paso diario a nivel nacional

PhD. Patricio Alonso Valderrama Murillo

PRESIDENTE EJECUTIVO DEL SENAMHI

Ing. Oscar Gustavo Felipe Obando

DIRECTOR DE HIDROLOGÍA DEL SENAMHI

PhD. Waldo Sven Lavado Casimiro

SUBDIRECTOR DE ESTUDIOS E INVESTIGACIONES HIDROLÓGICAS DEL

Harold Llauca Soto, MSc.

Waldo Lavado Casimiro, PhD.

II. Datos y métodos.........................................................................................................8

2.1. Dominio de estudio ............................................................................................ 8

b. Caudales medios diarios ..................................................................................10

c. Predictores de similitud .....................................................................................11

2.3. Enfoque de regionalización a nivel nacional ................................................... 12

3.1. Selección de subcuencas donantes y receptoras ........................................... 16

V. Referencias bibliográficas ........................................................................................22

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

Figura 2. Marco para la simulación de descargas diarias a nivel nacional. ..................12

Figura 4. Características climáticas y fisiográficas, zonas de parámetros, subcuencas

Figura 6. Calificaciones cualitativas de la simulación de caudal diario en captaciones

Tabla 2. Características climáticas y fisiográficas seleccionadas para cuantificar la

Tabla 3. Parámetros del modelo ARNO/VIC y límites superior e inferior definidos.

Tabla 4. Métricas estadísticas y sus correspondientes ecuaciones utilizadas para

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

ESTUDIO DE MODELAMIENTO HIDROLÓGICO

Palabras clave: PISCO; inundaciones; regionalización hidrológica; modelación

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

Las aplicaciones hidrológicas a escalas regionales, continentales y globales, se realizan

Este trabajo tiene como objetivo evaluar el desempeño hidrológico de un modelo

II. Datos y métodos

El Perú está ubicado en la costa oeste de Sudamérica. Tiene una superficie de

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

El dominio de estudio corresponde a todo el territorio peruano, incluidas las cuencas

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

El conjunto de datos hidrometeorológicos PISCO tiene cobertura en todo territorio

b. Caudales medios diarios

Se seleccionaron las series de tiempo de caudales diarios observados en 43

- Estaciones con información consistente.

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

Tabla 1. Estaciones hidrométricas seleccionadas para la modelación hidrológica a nivel

Huatiapa HUA -16.008 -72.484 Camana SENAMHI 45.4

Se utilizó un criterio de similitud que incorpora tres características climáticas y cuatro

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

Tabla 2. Características climáticas y fisiográficas seleccionadas para

Abrev. Unid. Variable Fuente de datos Resolución

Precipitación PISCOP, media de los años 1981-

2.3. Enfoque de regionalización a nivel nacional

Los modelos hidrológicos a menudo se basan en enfoques de regionalización para

Figura 2. Marco para la simulación de descargas diarias a nivel nacional.

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

Para cada cuenca, se cuantificaron varios descriptores de subcuencas y varios índices

Las cuencas hidrográficas calibradas se dividieron en zonas de parámetros para el

2.4. Modelamiento hidrológico

En este estudio se tuvo en cuenta un enfoque de modelación acoplado (MHC+MTH).

Para la modelación lluvia-escorrentía, elegimos el modelo conceptual de Capacidad de

ESTUDIO DE MODELAMIENTO HIDROLÓGICO A PASO DIARIO A NIVEL NACIONAL PARA EL

altos requisitos computacionales de ejecutar el modelo en un dominio tan grande. La

Figura 3. Estructura del modelo ARNO/VIC. Adaptado de Clark et al. (2008).