actualizaciÓn y automatizaciÓn del modelo...
TRANSCRIPT
ACTUALIZACIÓN Y AUTOMATIZACIÓN DEL MODELO HIDROLÓGICO FONAG PARA LA CUENCA ALTA DEL RIO
GUAYLLABAMBA Y MICROCUENCAS OYACACHI, CHALPI GRANDE, PAPALLACTA Y ANTISANA
Ángel G. Muñoz S. y William Torres
Centro de Modelado Científico (CMC). Universidad del Zulia. Maracaibo, 4004. Venezuela
Observatorio Latinoamericano de Eventos Extraordinarios (OLE2)
Noviembre 2013
2
Equipo de Trabajo:
Ángel G. Muñoz, asesor en cambio y variabilidad climáticos. William Torres, especialista en modelo hidrológico FONAG-CMC.
Fiscalización:
Jacqueline Cisneros, Coordinadora Programa Gestión del Agua – FONAG Instituciones que contribuyeron:
Fondo para la Protección del Agua (FONAG)
Agencia de Cooperación Internacional de Estados Unidos (USAID)
Empresa Pública Metropolitana de Agua Potable y Saneamiento (EPMAPS)
Instituto Nacional de Meteorología e Hidrología (INAMHI)
Centro de Modelado Científico (CMC). Universidad del Zulia. Venezuela
Observatorio Latinoamericano de Eventos Extraordinarios (OLE2)
El presente trabajo forma parte de las actividades de la colaboración FONAG-USAID-CMC para la actualización del modelo hidrológico FONAG-CMC. Una copia electrónica de este documento puede encontrarse en www.infoagua-guayllabamba.ec
3
Este informe ha sido posible gracias al apoyo del pueblo de los Estados Unidos de América a través de la Agencia de los Estados Unidos para el Desarrollo Internacional - USAID y el Fondo para la Protección del Agua FONAG, conforme a los términos de la Adjudicación No. 518-A-00-07-00056-00. Las opiniones aquí expresadas pertenecen al autor o autores y no reflejan necesariamente el punto de vista de USAID o del Gobierno de los Estados Unidos de América ni del FONAG”.
4
Índice General
Introducción ….............................................................................................. 5
Cambio y Variabilidad Climática en Ecuador …............................................ 7
Datos y Metodología …................................................................................. 9
Estandarización de los Datos: Generalidades ….................................... 9
Estaciones y Datos del Proyecto …................................................... 10
Control de Calidad …..........................................................................11
Homogeneización …...........................................................................16
Otros Datos …...................................................................................21
Modelo FONAG-CMC …...............................................................................22
Descripción de la estructura y automatización del Modelo.....................24
Oferta Natural Actual …......................................................................28
Demanda Actual …............................................................................32
Proyecciones al Futuro …..................................................................33
Resultados del Estudio …..........................................................................37
Conclusiones y Recomendaciones …........................................................49
Referencias …...........................................................................................52
Anexos …..................................................................................................54
5
Introducción
La oferta natural de los recursos hídricos en una región dada depende de una compleja
relación entre múltiples agentes climáticos. Tomando en cuenta la orografía, ubicación
geográfica y la época del año, los distintos factores se combinan para originar el clima
correspondiente. Discernir el efecto particular de cada uno de ellos no es, frecuentemente, una
tarea sencilla, y por ello desde un punto de vista operativo, lo que suele hacerse es estudiar
directamente el resultado de todas estas interacciones: estudiar la evolución espacio-temporal
del observable físico de interés.
Naturalmente, el comportamiento de las variables climáticas es distinto para distintas escalas
de tiempo. Si bien es fundamental entender el papel que el Cambio Climático [IPCC, 2007]
ejerce en determinadas variables, especialmente las hidrológicas en lo que respecta a este
trabajo, lo es también el comprender cuál es la variabilidad natural propia, y cómo ambos
aspectos interactúan entre sí para explicar el comportamiento observado de, por ejemplo, las
precipitaciones.
Este tipo de estudios es de capital importancia [Muñoz et al., 2010], dado que si sólo se
consideran lo efectos (normalmente analizados en términos de tendencias de incremento o
decremento a largo plazo de una variable en particular) asociados al Cambio Climático, y se
obvia el papel de la Variabilidad Climática como moduladora (amplificadora, atenuadora) de los
efectos de aquél, podrían establecerse medidas inadecuadas de adaptación para un período de
tiempo en particular y para una región en particular. Para detalles ver [Greene, Goddard y
Cousin, 2011; Muñoz, 2010].
El presente documento tiene por objeto discutir los resultados del empleo de; modelo
hidrológico denominado FONAG-CMC, calibrado con observaciones locales y que ha mostrado
ser exitoso para la zona de estudio [De Bievre y Coello, 2008; Muñoz y Torres, 2012; Torres y
Muñoz, 2013], en aras de evaluar la disponibilidad del recurso hídrico para el futuro cercano
(10-20 años). El mismo se ha automatizado en esta versión, lo cual es importante porque
facilita la actualización de nuevos resultados periódicamente, y porque permite que la ejecución
misma del modelo se realice de modo rápido y eficiente.
6
Este modelo se ha ejecutado en este proyecto con un conjunto con datos actualizados, tanto
del ciclo hidrológico como de información socio-económica. De este modo es posible ofrecer no
sólo la disponibilidad natural, sino también un análisis de la oferta y demanda, presente y futura
(bajo 10 escenarios1 posibles), considerando especialmente la posibilidad de ocurrencia de
estrés hídrico en distintas zonas.
Las siguientes páginas, por otro lado, no pretenden ser un compendio o manual de los distintos
aspectos relacionados con el modeloper se, sino más bien presentar de modo conciso cuáles
son los procedimientos y resultados obtenidos en el estudio, con el ánimo de poder ofrecer al
tomador de decisión ideas concretas que permitan establecer, con la debido atención y
cuidados, políticas públicas de disponibilidad hídrica ante la interacción de las señales de
variabilidad y cambio climático.
Maracaibo, 31 de Octubre 2013
1
Estos escenarios no son los escenarios del Panel Intergubernamental para el Cambio Climático [IPCC, 2007], sino posibles realizaciones futuras basadas en información climática y socio-económica local.
7
Cambio y Variabilidad Climática en Ecuador
Como se ha mencionado, no sólo es importante considerar el efecto que el Cambio Climático,
como señal de fondo con tiempos característicos del orden del siglo, ejerce sobre la
disponibilidad del recurso hídrico. Dado que las variables hidrológicas dependen también de
señales a distintas escalas temporales que normalmente se asocian a Variabilidad Climática,
es fundamental incluir el efecto de las mismas en los análisis que conlleven al establecimiento
de políticas públicas.
Si bien no hay aún consenso en la comunidad científica sobre cómo proceder al respecto, una
vía que parece cada vez más plausible es la identificación, mediante filtros matemáticos, de las
señales climáticas a distintas escalas. En breve, una vez detectadas las señales de variabilidad
interanual, interdecadal y la tendencia de Cambio Climático se procede a cuantificar el peso
específico de cada una y, a partir de los ciclos de variación, identificar si para los próximos
años (10-20) se estará en un período por encima o por debajo de la normal, y en qué magnitud.
La Figura 1, tomada de [Muñoz, Macías y García, 2010] muestra resultados al respecto para la
zona de estudio completa. A juzgar por el comportamiento de la variable en la figura, es posible
plantear la hipótesis de que la serie de tiempo decadal sugiere que entre el 2011 y 2020 podría
presentarse un período completo bajo la normal, modulado por la señal interanual, que aparece
como mucho más difícil de predecir; todo sobre un fondo con la señal de cambio climático que
apunta a un incremento estadísticamente significativo del caudal. Estos resultados constituyen
un marco de referencia para sus respectivos períodos y escalas, que se toman en
consideración con los correspondientes cuidados, y no excluyen los obtenidos anteriormente y
reportados por Muñoz [2011], que en resumen sugieren:
1.- Para el largo plazo (2071-2099), un aumento en la intensidad de las precipitaciones para
básicamente toda la Región Interandina.
2.- En el corto plazo (2015-2039) el modelo TL959 [Kusunoki et al., 2008; Muñoz, 2010;
Chimborazo, Guitarra y Muñoz, 2010] prevé para la Región Interandina tanto incrementos como
decrementos de intensidad de precipitación, dependiendo de la ubicación (ver Figura 2).
8
Figura 1. Tendencia lineal, variabilidad interdecadal e interanual para caudales (m3/s) de la microcuenca de
Papallacta, en Ecuador. Fuente: [Muñoz, Macías y García, 2010]
Figura 2. Delta (Futuro-Presente) de intensidad de precipitación (%) según modelo TL959. Fuente: [Muñoz, 2010].
9
Datos y Metodología
El contar con una única red de vigilancia hidrometeorológica, administrada bajo parámetros y
protocolos estándar que garanticen su confiabilidad a la hora de hacer análisis, facilita el
manejo de este tipo de información y hace posible compartirla horizontalmente entre todas las
instituciones involucradas.
En esta sección se discuten primeramente los datos y procedimientos empleados para la
estandarización de la información hidrometeorológica disponible para las microcuencas
Oyacachi, Chalpi Grande, Papallacta, Antisana y cuenca alta del río Guayllabamba. Se
continúa luego con la descripción del funcionamiento del modelo de oferta y demanda para el
presente, y se explica cómo se generaron los casos futuros a partir de “perturbaciones” del
estado actual observado.
Estandarización de los Datos: Generalidades
Antes de proceder con cualquier análisis, es menester garantizar que la información provista
por instrumentación hidrometeorológica posee un adecuado control de calidad y que las series
de tiempo de las estaciones/celdas a analizar estén homogeneizadas. La Organización Mundial
de Meteorología [OMM, 2002] recomienda evaluar rutinariamente el control de calidad y la
homogeneidad de las series de tiempo.
El objetivo último consiste en poder garantizar que las series de tiempo de las distintas
estaciones efectivamente estén representando señales asociadas al sistema climático en la
zona correspondiente, y que no se deben a ruido insertado por otras causas (e.g. errores de
medición, humanos, desplazamiento de la estación, cambio del medio circundante a la
estación, etc.).
Aunque existe un debate importante hoy en día sobre cuáles son los métodos idóneos o
estándares para llevar a cabo el proceso mencionado en el párrafo anterior [Aguilar et al.,
2003], sí existe consenso en que la información disponible debe siempre pasar por un estricto
10
control de calidad y, en los casos requeridos, por un proceso de homogeneización de las series
temporales. En ambos casos, se aplica primero una serie de pasos para la detección de errores
de diverso tipo en los datos y de falta de homogeneidad en las series, y posteriormente y si
fuera posible, para la corrección de la información.
Mayores detalles se ofrecen a continuación.
Estaciones y Datos del Proyecto
Tras un análisis preliminar de los datos suministrados para realizar este trabajo a la fecha de su
elaboración (2013), es posible percatarse de que en la zona de estudio operan diferentes redes
de vigilancia que atienden a objetivos institucionales específicos de acuerdo al interés de cada
uno de los administradores.
Para configurar, calibrar y ejecutar el modelo de disponibilidad hídrica FONAG-CMC, se
emplearon observaciones de precipitación y caudales de un total de 155 estaciones,
pertenecientes a distintas instituciones (i.e. FONAG, INAMHI, EPMAPS, IRD, INAMHI-IRD,
CARE, INERHI, Hidroequinoccio, HCJB y Ecoluz), cada una manejando un formato de datos en
general diferente. Una lista de las estaciones originales se encuentra disponible en el Anexo 1.
El FONAG espera que el número de estaciones se incremente con el tiempo, y que las
organizaciones que las implementen cumplan con los parámetros y protocolos exigidos por la
OMM, y además que amparen sus procesos con los estándares del INAMHI como se ha
ejecutado en estudios liderados por el FONAG.
Del total de las 155 estaciones, 58 son hidrológicas y 97 meteorológicas. La Figura 3 muestra
la distribución de las mismas. Las estaciones hidrológicas de mayor extensión temporal (30
años) le pertenecen al INAMHI (i.e. H143, H152, H158 y H159), y por ende conforman parte
central del proceso de calibración. La resolución espacial de los datos hidrometeorológicos es
mensual.
Luego de analizar las series de tiempo de las estaciones, se procedió a estandarizar 12
estaciones hidrológicas y 65 meteorológicas (ver Anexo 2). Por estandarización, como se
detalla en las siguientes páginas, se entiende tanto el proceso de control de calidad como el de
homogeneización de las series de tiempo. La razón principal para tratar este número final de
estaciones se explica en el siguiente párrafo.
11
En el presente proyecto se contemplan proyecciones futuras que requieren información
meteorológica confiable del presente. En las series de tiempo de interés en estudios
climatológicos es posible reconocer una componente asociada a la señal climática y otra que
puede identificarse como ruido. Es normal en este tipo de estudios el considerar el llamado
“cociente señal-ruido” (S/N ratio, en inglés) cuando se analizan las series de tiempo, en aras de
conocer, por ejemplo, qué tan útil es la información disponible para calcular tendencias a futuro
de la variable en consideración. Existen estudios (ver por ejemplo Santer et al. [2011] y
referencias allí citadas para un ejemplo particular) que muestran que existe una longitud
mínima de la serie de tiempo para que pueda ser utilizada para estudios como los planteados
en este proyecto. La longitud en cuestión (o la magnitud de la razón señal a ruido) depende en
parte de la región en consideración, pero en general se estima que el S/N es adecuado para
series de tiempo con al menos unos 20 años. Este criterio se adoptó en el presente estudio
para garantizar la confiabilidad de los resultados que puedan desprenderse de la información
disponible en las estaciones disponibles, con la metodología planteada. Es principalmente por
esta falta de un mínimo de años para tener una adecuada relación señal-ruido que se
descartaron estaciones en el proceso de homogeneización (la otra razón es datos faltantes,
principalmente en estaciones hidrológicas del EPMAPS, en las mediciones no se realizan
periódicamente).
Los formatos de datos en general se presentaron de modo diferente por cada institución (y en
ocasiones inclusive dentro de la misma institución), por lo que fue primeramente necesario
transformar todos los formatos a uno estándar, que correspondió al de entrada del paquete
RHTests [Wang y Feng, 2007], discutido más adelante en este documento. Para detalles ver
Muñoz [2012a] y Coello y Muñoz [2011].
Una vez en el formato correcto, se procedió a llevar a cabo el control de calidad, detección de
homogeneidades y correcciones en los casos posibles, según se explica en las siguientes
secciones.
Control de Calidad
Los procesos de control de calidad se aplican para detectar e identificar los errores que ocurren
durante la adquisición, manipulación, formato, transmisión y archivo de los datos [Aguilar et al.,
2003]. Naturalmente, es importante conocer los procedimientos que se han aplicado en cada
12
caso, en aras de considerar adecuadamente la validez de las observaciones y llevar a cabo las
correcciones necesarias.
En el conjunto de metadatos de las estaciones, debería especificarse si las mismas tienen o no
un proceso de control de calidad sobre sus datos, y en caso positivo, debería haber información
adicional sobre qué tipo de control se llevó a cabo. Típicamente estos incluyen [Aguilar et al.,
2003]:
• Filtros locales
• Coherencia interna
• Consistencia espacial con estaciones vecinas similares
• Coherencia con valores climatológicos
• Otros
Entre las técnicas más comunes para el control de calidad se cuentan:
1. Chequeo grueso de errores: se emplean banderas especiales para señalar errores obvios en los datos (e.g. valores imposibles, anómalos, probables errores de tipeo, precipitación<0).
2. Pruebas de tolerancia: diseñadas para detectar valores atípicos tras definir límites climatológicos en la serie de tiempo analizada.
3. Chequeo de consistencia interna: como por ejemplo, valores en los que la temperatura máxima < temperatura mínima.
4. Prueba de coherencia temporal: para verificar si la variabilidad observada de una observación a la siguiente se encuentra dentro de un límite característico para la estación (análisis de saltos anómalos en los datos).
5. Chequeo de coherencia espacial: con el objeto de verificar si el comportamiento de las observaciones son consistentes con las reportadas al mismo tiempo por otras estaciones similares en un vecindario espacial dado.
En este trabajo se hizo uso, primeramente, del paquete RClimdex del Expert Teamon Climate
Changes Detection and Indices –ETCCDI-, el cual posee un módulo de control de calidad de
datos, que consiste en una serie de pruebas para garantizar que las variables no posean
magnitudes en la serie que se consideren "no permisibles" en el sentido explicado
recientemente.
13
Adicionalmente, se hizo uso de una serie de programas escritos por Enric Aguilar (Centre for
Climate Change, C3) y Marc Prohom (Servei Meteorològic de Catalunya), quienes han
mejorado el código original de Rclimdex para llevar a cabo un control de calidad más minucioso
que el que trae el paquete básico [Aguilar et al., 2009]. El procedimiento está explicado en
detalle en el manual escrito por Enric Aguilar, Javier Sigró y Manola Brunet, del C3 [Aguilar et
al., 2009]. Los pasos operativos pueden consultarse en el Wiki del Observatorio
Latinoamericano de Eventos Extraordinarios (OLE2), puesto a disposición del público por el
Centro de Modelado Científico (CMC) en el url correspondiente [Muñoz, 2011].
Para ilustrar el tipo de resultados que se obtienen con estos paquetes, las Figuras 4 y 5
muestran boxplots típicos para series mensuales multianuales y series multianuales,
respectivamente, para precipitación no nula (PREC), temperatura máxima (TX), temperatura
mínima (TN) y rango diurno de temperatura (DTR). Los círculos vacíos representan valores
atípicos detectados en el proceso de control de calidad de cada serie, que deben ser revisados
por el analista para verificar si se trata de un evento extremo real o de errores propiamente
dichos.
Con estas herramientas (las figuras y los archivos de texto con información sobre los distintos
filtros llevados a cabo por el paquete de software, ver [Aguilar et al., 2009]) es fácil percatarse
rápidamente de valores sospechosos, que requieren de una inspección detallada por parte del
analista y, según el caso, de una corrección. Para detalles adicionales sobre el procedimiento
de control de calidad, consultar [Aguilar et al., 2009; Muñoz, 2011].
14
Figura 3. Ubicación de las estaciones procesadas en este trabajo. Las indicadas en violeta corresponden a las
meteorológicas, y las celestes a las hidrológicas.
15
Figura 4. Boxplots con la serie mensual multianual de precipitación no nula (PREC), temperatura máxima (TX),
temperatura mínima (TN) y rango diurno de temperatura (DTR). Los valores en círculos vacíos corresponden a
valores atípicos.
16
Figura 5. Igual que en la Figura 4, pero para series anuales.
Una vez realizado el control de calidad de las estaciones, y siempre manteniendo el mismo
formato estándar de escritura de los datos de modo que sea posible introducirlos en el
siguiente paquete, se procedió al estudio de homogeneización, cuyos detalles se describen a
continuación.
Homogeneización
Una vez garantizada la calidad de la data, puede procederse con la detección de
inhomogeneidades y, en los casos posibles, con la homogeneización de las series de tiempo.
El objeto de este proceso es, en resumen, el reconocimiento de discontinuidades no naturales
(i.e. no asociados a señales climáticas reales) en las observaciones, y la correspondiente
corrección si fuera posible.
17
La homogeneidad en los datos climáticos es indispensable para poder llevar a cabo un análisis
fidedigno y para cualquier uso posterior de los mismos en un modelo hidrológico. Naturalmente,
antes de realizar este proceso debe de haberse realizado primero el control de calidad. Para la
caracterización de las tendencias hidrológicas y climáticas, así como de su variabilidad a
múltiples escalas en el área de estudio en cuestión, resulta fundamental disponer de series de
tiempo homogeneizadas. La presencia de discontinuidades en los datos está frecuentemente
producida por cambios inevitables de la ubicación de la estación, o del observador mismo, o en
los procedimientos de medición o tipo de instrumentación. Algunos de estos cambios artificiales
están documentados en los metadatos mientras que otros no. Cuando se tiene evidencia de
estas modificaciones, puede procederse a homogeneizar las series claramente con
metodologías sugeridas por [Vincentet al., 2002; Menne y Williams 2005; DeGaetano, 2006;
Wang, 2006; Wan et al. 2007]. Es por ello importante que en la medida de lo posible siempre
estén reflejados en la metadata de la estación. Sin embargo, es frecuente también la ausencia
de metadatos indicando estos cambios, de modo que diversos métodos estadísticos se han
diseñado para detectarlos (ver por ejemplo [Lund y Reeves 2002; Wang, 2003, 2008;
Caussinus y Mestre 2004; Wang et al., 2007] y referencias ahí citadas).
Si bien no hay consenso sobre cuál es la mejor metodología para la detección y corrección de
inhomogeneidades, la de Wang [2008] llama la atención por ofrecer ventajas sobre otra de las
más empleadas, de Alexandersson [1986]. Para detalles se sugiere al lector consultar las
referencias citadas. La metodología de Wang et al. [2007] emplea funciones de prueba
maximizadas F y t con penalización (PMT y PMF), capaces de detectar desplazamientos en la
media de series de tiempo de tendencia nula, empleando una función de penalización
construida empíricamente para emparejar el perfil de la tasa de falsas alarmas (posee
típicamente forma de U). Wang et al. [2007] muestran que su prueba estadística posee una
potencia significativamente mayor para detección de los casos de interés que las pruebas de
Alexandersson [1986].
Otra ventaja del método empleado en este trabajo es que ya ha sido codificado en R y el
paquete está disponible públicamente con el nombre de RHTest [Wang et al., 2007]. Para
detalles en castellano concernientes al procedimiento a seguir para ejecutar el software, puede
verse [Muñoz, 2011].
Básicamente el procedimiento detecta saltos en el tiempo t=k en las series de tiempo {Xt} de la
variable, con tendencia lineal probando la hipótesis nula.
18
contra la alternativa
donde t denota una variable gaussiana distribuida idéntica e independientemente con media
cero y varianza desconocida, y siendo en la ecuación (2) y diferentes. Cuando Ha es
cierta, entonces t=k es un punto de salto y corresponde a la magnitud del salto
(o cambio de media). Para detalles adicionales ver Wang [2008].
19
Figura 6. Detección de discontinuidades en la serie de tiempo de anomalía de precipitación de la estación M113,
con el paquete RHTests. Arriba: serie de tiempo de anomalías. Abajo: serie de tiempo original con control de calidad.
La Figura 6 muestra la salida del paquete RHTests para la detección de las discontinuidades en
una serie de tiempo de precipitación. Una vez hechas las detecciones, el método procede a
homogenizar corrigiendo las magnitudes de los saltos en cada punto en cuestión, pudiendo
hacerse por ajuste de media (mean-adjust) o por ajuste de cuantiles (QM-adjust). La Figura 7
evidencia los resultados para cada uno de estos casos mencionados. El método ofrece, por
supuesto, información sobre los niveles de significancia estadística encontrados, que permiten
evaluar en parte el desempeño del procedimiento.
Para un procedimiento detallado correspondiente a la ejecución del paquete RHTests, ver
Anexo 3 de este documento.
20
Figura 7. Homogeneización de la serie de tiempo de la Figura 6 con el paquete RHTest. Arriba: ajuste por media
únicamente. Abajo: ajuste por cuantiles (QM-adjust).
El mejor resultado tiende a obtenerse al usar el ajuste por cuantiles, que es el que se empleó
en este trabajo. El procedimiento debe repetirse para cada una de las estaciones, para lo cual
se creó un ciclo simple de procesamiento dentro del lenguaje R, habiendo introducido en un
archivo la lista de todas las estaciones a procesar (para detalles técnicos, ver [Muñoz, 2011]).
Se desea incluir en este reporte una mención al hecho de que se han puesto a disposición del
FONAG un archivo (llamado FONAG_Todo_QCHomog.zip) con no solamente los datos
procesados, sino también todas las figuras y salidas técnicas del paquete utilizado para el
proceso final de estandarización, para cada estación. Típicamente, para cada estación (que en
este ejemplo llamamos “ESTAC”) se tiene la siguiente lista de archivos en el comprimido
mencionado anteriormente:
21
ESTAC_1Cs.txt (copia de seguridad que lista los puntos de cambio y su
significancia estadística),
ESTAC_mCs.txt (archivo a modificar que lista los puntos de cambio y su
significancia estadística),
ESTAC_Ustat.txt (estadísticas),
ESTAC_U.dat (archivo de salida; 3a columna: dato original; 5a columna:
ajustado por media; 9a columna: QM-ajustado),
ESTAC_U.pdf (archivo pdf con imágenes de los ajustes de la serie y al
final la distribución de los QM-ajustes).
Es importante notar que, para cada estación procesada, el archivo que contiene los datos
estandarizados tiene la terminación, en el nombre, de “*_U.dat”, y que la columna que interesa
es la novena (9ª). La primera columna posee la información de la fecha de cada punto de la
serie de tiempo.
Otros Datos
Por otra parte, los datos requeridos para definir las hidrozonas provienen de un informe de
línea base de uso de suelos en la zona de estudio (Figura 3), realizado por TNC-FONAG
[2008]. Estos datos fueron actualizados empleando las unidades de clasificación de cobertura
vegetal y los usos del suelo del Distrito Metropolitano de Quito (DMQ), elaborado por la
Secretaría del Ambiente del DMQ en el 2010 (documento no publicado), así como también de
la cobertura vegetal empleada para el “Modelo Cartográfico para la Determinación de Áreas
Prioritarias de Forestación y Reforestación para la microcuenca del río Pita”. Con esta
información se realizaron ajustes, tanto de la clasificación como de los límites de las unidades
de cobertura vegetal y uso del suelo, del mapa de cobertura vegetal y uso del suelo de FONAG
[2008].Los datos de concesiones corresponden a los reportados por SENAGUA [2013].
22
Todos los conjuntos de datos disponibles se llevaron a una malla sobre el dominio de estudio
de una resolución de 25 metros de resolución espacial, según se solicitó a los autores por la
nueva cartografía nacional del Ecuador. Para información detallada sobre el procesamiento de
estos datos, consultar [Torres y Muñoz, 2013].
Modelo FONAG-CMC
El modelo hidrológico utilizado está basado en una versión anterior desarrollada por De Bievre
y Coello [2008] considera estas observaciones para estimar tanto la oferta natural como la
demanda neta presente en la zona de estudio. El caudal neto disponible (la oferta-demanda) se
calcula mediante el balance hídrico asociado a los caudales natural, captado y de retorno.
Las diferencias más importantes entre la versión actual del modelo y las anteriores son: (i) la
actualización de todos los conjuntos de datos de entrada del modelo, incluyendo –como se ha
explicado- el empleo de un mayor número de estaciones y datos, cuya calidad fue controlada y
cuyas series de tiempo se homogenizaron antes de realizar la calibración; (ii) la reescritura del
modelo desde cero, con algunas mejoras informáticas, en lenguaje Python, facilitando futuras
modificaciones de la física del modelo y su actual ejecución en modo secuencial, incluyendo
aún la interfaz para ArcGIS 9.3; y (iii) la presente versión permite ejecutar no sólo el escenario
presente sino también escenarios futuros (o pasados), por medio de una perturbación de las
condiciones climáticas y socio-económicas actuales. Quizá es esta última la diferencia más
importante, junto con la facilidad que el modelo ahora plantea para llevar a cabo re-ejecuciones
periódicas con datos actualizados o un número mayor de escenarios.
La Figura 8 presenta el diagrama de flujos del modelo, y se recomienda como referencia rápida
para entender sus diferentes módulos. En las siguientes páginas se describe la metodología en
detalle. Los aspectos técnicos relacionados con la ejecución pueden encontrarse en Torres y
Muñoz [2013].
23
Figura 8. Diagrama de flujos del modelo hidrológico FONAG-CMC
24
Descripción de la estructura y automatización del Modelo
Como se ha mencionado varias veces, un aspecto clave de esta nueva versión es la
automatización de la ejecución de los distintos módulos recién expuestos. Esto es importante
porque facilita la actualización de nuevos resultados periódicamente, y porque permite que la
ejecución misma del modelo se realice de modo rápido y eficiente. Como se detalla en el
manual del modelo FONAG-CMC [Torres y Muñoz, 2013] la automatización fue posible gracias
a códigos escritos en lenguaje Python, que permiten ejecutar en otras plataformas el modelo,
aunque para la visualización final el usuario prefiera el software ArcGIS 9.3.
Módulo I: Escorrentía
Se arranca con el cálculo de mapas de escorrentía, para el cual se deben tener las siguientes
entradas:
- 12 Mapas de Precipitaciones Medias Mensuales Interanuales y 1 Mapa de Precipitación
Media Interanual, todos en formato ráster. Los mapas de precipitación son resultado del
trabajo hecho previamente al Control de Calidad y Homogeneización realizado en el marco
de este mismo proyecto (ver Muñoz y Torres [2013]).
- 4 Mapas para la ponderación al aporte de la precipitación en la escorrentía no glacial, en
formato ráster. Estos mapas se generan a partir del Shapefile de las Hidrozonas y una
tabla con los valores calibrados para cada hidrozona. Estos mapas fueron elaborados
previamente con la base de datos actualizados. Sin embargo, es importante aclarar que
para la generación de estas entradas se desarrollaron herramientas adicionales para
recalcularlos de forma automáticas.
- 12 Mapas para la ponderación al aporte de la precipitación en la escorrentía glacial, en
formato ráster. Estos mapas se generan a partir del Shapefile de las Hidrozonas y una
tabla con los valores calibrados de escorrentía glacial mensual. Estos mapas fueron
elaborados previamente previamente con la base de datos actualizados. Sin embargo, es
importante aclarar que para la generación de estas entradas se desarrollaron herramientas
adicionales para recalcularlos de forma automática.
Este módulo calcula las escorrentías glaciales y no glaciales por separado, y luego se unen
estos mapas para dar como resultado 12 Mapas ráster de escorrentía mensual.
25
Módulo II: Qm y Q80
A partir de los mapas de escorrentía resultantes del Módulo I: Escorrentía, se calculan los
mapas de Caudal Medio (Qm) y Caudal al 80% (Q80). Para la ejecución de este módulo se
requieren las siguientes entradas:
- Un archivo File Geodatabase (.gdb) que contenga los resultados del Módulo I:
Escorrentía, se recomienda no alterar los archivos y utilizar los resultados tal cual como
son producidos.
- Un Mapa de "Flow Direction", en formato ráster. Éste puede ser calculado por varios
métodos, sin embargo ya se prevee éste mapa para la cuenca.
- 2 Mapas indicando los coeficientes del caudal 80% para invierno y verano, en formato
ráster. Estos mapas se generan a partir del Shapefile de las Hidrozonas y una tabla con los
valores calibrados por cada hidrozona.
Estos mapas fueron elaborados previamente con la base de datos actualizados. Sin embargo,
es importante aclarar que para la generación de estas entradas se desarrollaron herramientas
adicionales para recalcularlos de forma automática.
Éste módulo genera los caudales a través del proceso del cálculo de Acumulación de Flujo
ponderado con los valores de escorrentía calculados en el Módulo I: Escorrentía. Como se
puede apreciar en el Diagrama 2. Específicamente, se hace una conversión a ráster de los
mapas de Captaciones y Retornos de la demanda, para luego ponderar con estos mapas el
cálculo de acumulación de flujo, y de esta manera obtener una ¨escorrentía de consumo¨ de
naturaleza negativa, que luego es contrastada con los mapas de escorrentía producto de la
oferta natural. Los mapas resultantes representan los resultados finales de la Oferta, que son
contrastados en el cuarto módulo con los de Demanda, para calcular el caudal resultante.
Módulo III: Demanda
En ésta fase se contempla el cálculo de los mapas de la Demanda, puede ser ejecutada
independientemente de las 2 primeras, sin embargo se recomienda mantener el orden de los
módulos. Para la ejecución de este módulo se requieren las siguientes entradas:
- Un Mapa vector de las Captaciones Hídricas del sector Riego, en formato Shapefile (.shp).
Éste mapa se generó a partir de los censos realizados por la SENAGUA.
- Un Mapa vector de los Retornos Hídricos del sector Riego, en formato Shapefile (.shp).
26
Éste mapa se generó a partir del mapa de Captaciones Hídricas del sector Riego,
siguiendo la metodología de la Caracterización de la Demanda sugerida por De Bievre et al
[2008].
- Un Mapa vector de las Captaciones Hídricas del sector Industrial, en formato Shapefile
(.shp). Éste mapa se generó a partir de los censos realizados por la SENAGUA.
- Un Mapa vector de los Retornos Hídricos del sector Industrial, en formato Shapefile (.shp).
Éste mapa se generó a partir del mapa de Captaciones Hídricas del sector Riego,
siguiendo la metodología de la Caracterización de la Demanda sugerida por De Bievre et al
[2008].
- Un Mapa vector de las Captaciones Hídricas del sector de Agua Potable, en formato
Shapefile (.shp). Éste mapa se generó a partir de los censos realizados por la SENAGUA.
- Un Mapa vector de los Retornos Hídricos del sector de Agua Potable, en formato Shapefile
(.shp). Éste mapa se generó a partir del mapa de Captaciones Hídricas del sector de Agua
Potable, siguiendo la metodología de la Caracterización de la Demanda sugerida por De
Bievre et al [2008].
La actualización constante de estos mapas de entrada es vital para el modelo, pues es la
información que más varía constantemente. Éste módulo genera un serie de mapas (30 mapas
en formato ráster), que se archivan en un File Geodatabase (.gdb) y sirven como entrada en la
cuarta fáse del modelo.
Módulo IV: Oferta vs Demanda
Este módulo contempla la substracción al caudal de Oferta Hídrica por parte de la demanda,
para obtener los caudales resultantes. Por parte de la Oferta se consideran tanto el caudal Qm
como el Q80. Es importante mencionar que los caudales resultantes pueden tener valores
negativos, que sucede en el caso cuando la demanda supera la oferta y éste evento es crítico
para estudios de estrés hídrico.
Adicionalmente al diseño original se incluyó en éste módulo la posibilidad de correr con
distintos escenarios, por medio de constantes que se fijan previas a la ejecución del modelo. El
módulo también cuenta con una corrección del dominio de los mapas resultantes, para evitar
los resultados cortados que se obtenían en versiones pasadas. Para la ejecución del modelo se
requieren las siguientes entradas:
27
- Un archivo File Geodatabase (.gdb) que contenga los resultados de Módulo II: Qm y Q80.
- Un archivo File Geodatabase (.gdb) que contenga los resultados de Módulo III: Demanda.
- Un Mapa de "Flow Direction", en formato ráster. Éste puede ser calculado por varios
métodos, sin embargo ya se prevee éste mapa para la cuenca.
- Un coeficiente para el Factor de la Oferta. Con la finalidad de incrementar o reducir los
valores de la Oferta para el escenario deseado, por defecto es 1.
- 9 coeficientes para el Factor de la Demanda. Con la finalidad de incrementar o reducir los
valores de la Demanda en cada una de las microcuencas para el escenario deseado, por
defecto son 1.
Éste es el módulo más complejo del modelo como se puede observar en el Diagrama 4, posee
más de 100 geoprocesamientos y su ejecución tarda entre 1 y 2 horas. En el caso de desear
diferentes escenarios, esta fase debe repetirse por cada escenario que se desee.
Módulo V: Estrés Hídrico
Esta fase fue incluida en este proyecto, a pesar de haberse hecho cálculos de estrés hídrico en
trabajos pasados, versiones previas del modelo no incluían herramientas para calcularlo. Su
diseño está basado en los criterios de estrés hídrico presentados en el Diagnóstico Oferta
Demanda realizado por De Bievre y Coello [2008]. Su funcionamiento consiste en la
reclasificación de los rásters de caudales resultantes del Módulo IV: Oferta vs Demanda, que
luego verifica para cada punto los meses en donde la Demanda supera la Oferta tanto para Qm
y Q80, clasificando el estrés en 5 niveles:
1. Sin estrés hídrico: durante todo el año tanto el caudal medio como el caudal Q80% son mayores a
la demanda.
2. Estrés hídrico ligero: durante todo el año el caudal medio es mayor que la demanda pero durante 1
a 3 meses la demanda es mayor al Q80%.
3. Estrés hídrico moderado: durante 0 a 2 meses la demanda es mayor al caudal medio y durante 4 a
5 meses la demanda es mayor al Q80%.
4. Estrés hídrico alto: durante 3 a 5 meses la demanda es mayor al caudal medio y durante 4 a 5
meses la demanda es mayor al Q80%.
5. Estrés hídrico severo: durante 3 o más meses la demanda es mayor al caudal medio y durante 6
meses o más la demanda es mayor al Q80%.
Con esta herramienta se cierra el modelo. Finalmente, se debe calcular un mapa de estrés por
cada escenario generado en la cuarta fase.
28
Oferta Natural Actual
Siguiendo a De Bievre y Coello [2008], el modelo calcula los caudales medios mensuales
producidos por cada zona de respuesta hidrológica homogénea (hidrozona, de ahora en
adelante) de la siguiente manera
3322110)( ******** XPCXPCXPCXPCQ iiiii (1)
donde
Qi Caudal medio mensual del i-ésimo mes que aporta la hidrozona (mm)
Pi Precipitación promedia en la hidrozona para el i-ésimo mes (mm)
C Coeficiente de escorrentía en la hidrozona
X0 Coeficiente de ponderación que asigna el peso de la precipitación del mes en el caudal del mismo mes
X1 Coeficiente de ponderación que asigna el peso de la precipitación del mes anterior en el caudal de un mes específico
X2 Coeficiente de ponderación que asigna el peso de la precipitación del mes anteanterior en el caudal de un mes específico
X3 Coeficiente de ponderación que asigna el peso de la precipitación del mes que se ubica 3 meses al caudal de un mes específico
El caudal medio total estimado es la combinación neta de los caudales que produce cada
hidrozona considerada. Los coeficientes de ponderación satisfacen la clausura . Para
las zonas de respuestas hidrológicas menos reguladas, X3 y X2 son nulas; en algunos casos
incluso X1 podría ser nulo [De Bievre y Coello, 2008].
El coeficiente de escorrentía, C, de cada hidrozona se escogió igual para todos los meses (es
un coeficiente de escorrentía anual), viniendo considerada la regulación de la cuenca a través
de los coeficientes Xj (salvo en el caso de la zona de glaciares). Para los glaciares se permite
29
coeficientes de escorrentía variables de mes en mes, para poder simular de esta manera la
acumulación y deshielo que tiene una regulación anual, evitando así la inclusión de múltiples
meses anteriores en el cálculo [De Bievre y Coello, 2012]. Vale notar que en la configuración
del modelo, sus autores permiten para glaciares incluso valores del coeficiente de escorrentía
C> 1.
Los caudales medios netos (Qmedio) en cada celda del dominio se obtienen simplemente
sumando los caudales producidos por cada zona de respuesta hidrológica y convertida en m3/s.
Los caudales con 80% de probabilidad de ocurrencia (Q80) se obtienen como una fracción del
caudal medio siguiendo la relación
medioi QKQ *%80 (2)
donde Kies un coeficiente que depende del i-ésimo mes y de la zona de respuesta hidrológica.
Tal como está diseñado por De Bievre y Coello [2008], mayores valores de Kiimplican caudales
con poca variabilidad del caudal medio durante el mes en cuestión y que estos caudales se
reproducen cada año. Bajos valores de Kiindican gran variabilidad intraestacional e interanual.
La determinación de Ki, se realiza por medio de un ajuste por mínimos cuadrados empleando
los datos de caudales disponibles para la zona de estudio, produciendo valores climatológicos
(medias mensuales multianuales). Para un ejemplo de valores típicos para las estaciones de
mayor cantidad de años, ver Tabla No. 1. El siguiente paso es la provisión las “curvas de
duración generales naturales” [De Bievre y Coello, 2008]. El proceso de naturalización de las
series considera los ingresos desde fuentes externas y los egresos (consumos) de agua,
definidos por las concesiones de agua reportadas, siguiendo la relación
arribaaguascaptadotrasvasadoJestacionmedidoJestacionnatural QQQQ (3)
donde
Qnatural caudal de producción natural de la cuenca de drenaje en el sitio de medición de la estación
Qmedido caudal medido en la estación
30
Qcaptado aguas arriba caudales captados para usos consuntivos
Qtrasvase caudales trasvasados desde una fuente externa a la microcuenca en análisis
Estación Anual Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
H143 0.36 0.48 0.41 0.52 0.47 0.38 0.45 0.48 0.57 0.59 0.56 0.56 0.42
H152 0.51 0.77 0.76 0.77 0.76 0.73 0.59 0.59 0.65 0.72 0.73 0.78 0.81
H158 0.53 0.68 0.65 0.61 0.62 0.74 0.68 0.76 0.74 0.73 0.74 0.72 0.69
H159 0.50 0.76 0.70 0.71 0.85 0.74 0.74 0.83 0.84 0.82 0.81 0.80 0.78
Tabla 1. Algunos valores típicos de Ki.
El modelo provee no sólo la lámina de escorrentía, el Qmedio y el Q80, sino que con un modelo de
elevación digital permite calcular el enrutamiento topográfico. Para mayores detalles técnicos y
una descripción detallada del modelo, la cual escapa a los objetivos de este informe, el lector
puede consultar los documentos originales del mismo escritos por De Bievre y Coello [2008] y
referencias allí citadas.
En este estudio se ha considerado no sólo el estado presente de la disponibilidad de agua, sino
que se han considerado casos perturbados del presente como futuros probables. La
metodología para el cálculo de las variables de interés en estos casos es fundamentalmente la
misma explicada para el presente, la metodología para perturbar el escenario presente se
describe brevemente más adelante.
En resumen, para el período presente el caudal natural se calcula identificando primero
regiones hidrográficamente homogéneas (llamadas hidrozonas en adelante) y se procede a
construir el hidrograma unitario para cada una de ellas. La calibración del modelo hace uso de
observaciones de precipitación y caudales mensuales actualizadas y con control de calidad y
homogeneización, como se ha descrito anteriormente en este documento y también por Muñoz
[2012a]. A partir de la información de la dirección de flujo obtenida de la topografía, el modelo
provee mapas geo-referenciados de caudales naturales medios y observados el 80% de las
veces, considerando inclusive las escorrentías provenientes de glaciares en la zona de estudio.
Las salidas consisten en mapas con valores de escorrentías o caudales (típicamente en m3/s).
31
Actividad Guayllabamba Alto
Guayllabamba Medio
Chalpi Grande
Oyacachi Papallacta Pisque Pita San Pedro Antisana
Riego 20.87% 56.87% 0.00% 54.73% 2.29% 71.58% 46.84% 31.19% 0.00%
Industria 0.13% 2.07% 0.00% 0.00% 13.20% 0.46% 2.00% 9.28% 0.00%
Hidro-
electricidad 78.08% 35.95% 56.99% 0.00% 28.15% 25.11% 0.00% 52.50% 0.00%
Agua Potable 0.92% 5.11% 43.01% 45.27% 56.36% 2.86% 51.15% 7.04% 100.00%
Tabla 2. Desglose de la demanda presente por actividad y por cuenca.
32
Demanda Actual
En el caso de la demanda, los insumos para su cálculo hacen uso de los reportes de
captaciones y retornos asociados a los diversos consumos presentes en la región: agua
potable, riegos, hidroelectricidad e industrias (ver Figura 9). Como se aprecia en la Figura 9, los
consumos más importantes corresponden a riegos, industrias y generadoras hidroeléctricas, si
bien esta última actividad retorna el 100% del recurso empleado. Un análisis detallado llevado a
cabo a partir de los datos de concesiones evidencia un desglose de la demanda presente por
actividad y por cuenca que se presenta en la Tabla 2.
A partir del caudal natural y la demanda, se obtiene la disponibilidad hídrica neta como una
diferencia algebraica para cada celda del dominio. Adicionalmente, es posible calcular un índice
de estrés hídrico definido por De Bievre y Coello [2008] como sigue:
Sin estrés hídrico: durante todo el año tanto el caudal medio como el caudal Q80% son
mayores a la demanda.
Estrés hídrico ligero: durante todo el año el caudal medio es mayor que la demanda pero
durante 1 a 3 meses la demanda es mayor al Q80%.
Estrés hídrico moderado: durante 0 a 2 meses la demanda es mayor al caudal medio y durante
4 a 5 meses la demanda es mayor al Q80%.
Estrés hídrico alto: durante 3 a 5 meses la demanda es mayor al caudal medio y durante 4 a 5
meses la demanda es mayor al Q80%.
Estrés hídrico severo: durante 3 o más meses la demanda es mayor al caudal medio y durante
6 meses o más la demanda es mayor al Q80%.
Figura 9. Consumos y flujos de retorno medios totales (m3/s) para el mes de máximo consumo, i.e. Agosto (todas
las cuencas).
Vale mencionar una vez más que los resultados para la demanda actual corresponden a una
actualización llevada a cabo por la Secretaría Nacional del Agua [SENAGUA, 2013]. Es por
ello, y por los datos climáticos empleados, normal esperar diferencias entre los productos para
el presente con respecto al estudio de De Bievre y Coello [2008].
Proyecciones al Futuro
Las proyecciones del futuro se construyen en términos de variaciones del campo de
precipitaciones y de demanda del presente. Dado que las salidas de los escenarios del IPCC2,
poseen altas incertidumbres [Baethgen, 2010; Muñoz 2011, 2012b], no se recomienda en
general utilizarlas directamente para la toma de decisiones. Incluso productos de mayor
resolución producidos por métodos de downscaling dinámico o estadístico en general pueden
incrementar las incertidumbres al incrementar la resolución espacio-temporal, y especial
cuidado debe tenerse al respecto.
Una alternativa, desde el punto de vista de la componente climática de los datos requeridos
2
Particularmente las anteriores (ver [IPCC, 2007] y referencias allí citadas) al reporte más reciente [IPCC, 2013], pero también es cierto para éste último.
para el modelo, es llevar a cabo una caracterización de la magnitud y cambio en la variabilidad
de la precipitación (y demás variables de interés) con procedimientos semejantes a los
mencionados en la Sección 1 de este documento (ver por ejemplo Figura 1 y texto
correspondiente en la sección). Esto permite determinar, empleando información observada,
cuáles son los posibles “estados” de variabilidad para la zona. Esta información puede o no
contrastarse con las salidas de los modelos para el corto plazo, y debe emplearse en sincronía
con la información escogida para representar el estado socio-económico del período futuro que
se desee estudiar.
Un análisis de esta variabilidad para las estaciones en estudio muestra que la amplitud de la
variación neta de precipitación entre el año más seco y más húmedo en las series de datos
disponibles no supera en promedio el orden del 10% (para detalles ver [Muñoz, 2011, 2012b]
y el resumen en la sección correspondiente de este documento). En consecuencia, se
escogieron como posibles “estados de precipitación futura” incrementos, decrementos y
también un estado idéntico al presente. Vale notar que
1. los cambios se realizan homogéneamente para todo el dominio en estudio
2. las magnitudes de incremento y decremento son del 10% y 20%, en cada caso. La cota
de 20% se incluye en este estudio como estado “extremo” con respecto al presente que
considera no sólo las señales asociadas a variabilidad climática natural, sino también un
incremento pronunciado de estas señales debido a cambio climático antropogénico; la cota
de 10% corresponde a una variación esperada similar a las observadas en las series de
tiempo históricas, y puede considerarse un estado entre las condiciones normales del
presente y las amplitudes máximas de variabilidad de precipitación en la zona de estudio, sin
necesariamente considerar una señal pronunciada asociada al cambio climático.
3. cambios menores al 10% no proveen en el modelo hidrológico FONAG-CMC resultados
significativamente diferentes al del estado presente (0% de cambio), y para fines prácticos
se consideran todos virtualmente iguales al del presente.
Las consideraciones presentadas en los puntos anteriores pretenden contemplar los posibles
estados futuros de precipitación en la zona, sin que esto implique que se tenga información
completamente certera de que uno de los estados sea el que va a ocurrir en un momento dado.
La aproximación seguida acá es distinta. La premisa es que si se conoce el rango de
variabilidad del caudal neto (diferencia oferta-demanda) para distintos estados posibles futuros,
los tomadores de decisión podrían establecer con suficiente antelación políticas de adaptación
para los distintos estados esperados. Son los distintos estados los que importan. Si en el futuro
(actualmente la predictibilidad para más de 1.5 años en avance es bastante baja) se conoce la
probabilidad de que uno de estos estados pueda ocurrir con mayor certeza, entonces no habría
que empezar desde cero las políticas de adaptación, dado que los tomadores de decisión con
la presente herramienta habrían ya conocido de antemano los posibles “escenarios” a esperar.
Como una nota adicional al párrafo anterior, la idea de conocer con antelación los posibles
estados futuros es crucial para el manejo de riesgos, dado que permite a los tomadores de
decisión estar preparados –en principio- para todos los posibles casos con antelación. Los
autores consideran una práctica errónea el prepararse únicamente para el estado más
probable, dado que el sistema climático no es completamente predecible, y otros estados
pueden ocurrir, siendo en ocasiones entonces la medida de adaptación tomada peor que el
propio impacto de las amenazas climáticas.
Estados de Precipitación
Precipitación Demanda Actual Más Demanda
Similar al presente P0 P0D0 (igual al presente) P0D+
Más Precipitación P+ P+D0 P+D+
Mucha Más Precipitación
P++ P++D0 (más optimista) P++D+
Menos Precipitación
P- P-D0 P-D+
Mucho Menos Precipitación
P-- P--D0 P--D+ (menos optimista)
Tabla 3. Casos futuros considerados en este estudio, como posibles estados perturbados del presente. P hace referencia a la precipitación, mientras que D a la demanda. Los símbolos +,0 y – indican incremento, actual y
decremento, respectivamente. Para detalles ver texto principal.
Para referencia futura, la Tabla 3 presenta en las dos primeras columnas los estados de
precipitación mencionados en los párrafos anteriores como los posibles futuros para la zona de
estudio. Para precipitación, en adelante P+ denota incremento del 10%, mientras que P++
denota 20% de aumento. P- y P-- corresponden a las mismas magnitudes, pero para el caso de
disminución.
Para la demanda, en base a los resultados de Cisneros y Burneo [2008], los datos de los
últimos censos en Ecuador y el crecimiento urbano, se seleccionaron sólo los casos con
demanda actual o incrementada, en la que el incremento se hace de modo espacialmente
homogéneo en la demanda total de cada cuenca, pero el valor del aumento depende de las
actividades y población presentes, oscilando entre 8% y 14% según la cuenca. La Tabla 4
presenta el desglose de los incrementos por cuenca, y corresponden a los casos D+ de la Tabla
3. Al momento no es posible estimar el desglose por actividad (similar a la Tabla 2, que
corresponde al caso presente) para los estados de demanda futura, pero se asume que sean
muy parecidos a los actuales. Esta asunción sugiere también la importancia de mantener
actualizados continuamente los datos de demanda.
En función de la discusión presentada, se obtiene un total de 10 casos distintos posibles para el
futuro, uno de ellos siendo idéntico al presente (ver Tabla 3). Para efectos de este estudio, a los
distintos estados perturbados con respecto al presente se les denomina “escenarios”, sin que
esto indique que se tratan de escenarios como los del IPCC. La idea central del presente
análisis ha sido explorar las combinaciones presentadas en la Tabla 3 a la luz del modelo de
disponibilidad FONAG-CMC presentado en las páginas anteriores, y analizar el cambio que se
tendría en términos de la disponibilidad en los distintos “escenarios”.
Cuenca Porcentaje
Antisana 8.00%
Papallacta 8.00%
San Pedro 10.00%
Guayllabamba Medio 12.00%
Guayllabamba Alto 14.00%
Oyacachi 8.00%
Chalpi Grande 8.00%
Pisque 10.00%
Pita 8.00%
Tabla 4. Estimación del incremento en la demanda futura para cada cuenca.
Resultados del Estudio
En esta sección se discuten los resultados generales de la modelación de la disponibilidad del
recurso hídrico para el presente y para el futuro. El análisis para distintos sectores socio-
económicos puede variar, dependiendo de las características propias de las actividades y
manejo de recursos involucrados, por lo que lo primero que hay que tener en cuenta es que la
información provista debe siempre tratarse con el cuidado correspondiente.
La presente ejecución del modelo FONAG-CMC ha provisto al FONAG los productos en
formato ArcGIS para el presente y las proyecciones futuras de oferta natural (escorrentía,
Qmedio, Q80), oferta-demanda y estrés hídrico.
La escorrentía corresponde a la lámina de agua (en mm) de lluvia no infiltrada en el suelo de la
cuenca. Los caudales medios (Qmedio) y caudales de probabilidad de excedencia del 80% en el
tiempo (Q80) están medidos en m3/s, y corresponden a la media aritmética del caudal y al valor
del flujo que será igualado o sobrepasado el 80% de las veces cada año, respectivamente. La
diferencia oferta – demanda se explica por sí misma: corresponde, en m3/s, a la diferencia neta
de la oferta total menos la demanda total, y da una idea formal de la disponibilidad del recurso
hídrico para el período en consideración y la ubicación de interés.
El estrés hídrico, presente y futuro, es el producto considerado como el más importante por los
tomadores de decisión. En parte esto se debe a que contiene información relacionada con los
otros productos, permitiendo rápidamente identificar es estado de la disponibilidad del recurso
hídrico en un sector particular. Es por ello que en las siguientes páginas se discuten
especialmente los resultados obtenidos para este índice tanto para el presente y como para el
futuro, siguiendo la metodología explicada anteriormente.
Figura 10. Estrés hídrico para el presente (y el escenario futuro P0D0, igual al presente).
Figura 11. Estrés hídrico para el estado P0D+ (ver Tabla 3).
El estrés hídrico, como se explicó anteriormente, está definido en términos de 5 categorías (sin
estrés, estrés ligero, moderado, alto y severo) fundamentándose en la diferencia entre el
consumo de agua y los caudales Qmedio y Q80 (para detalles ver la descripción del modelo
FONAG-CMC en este documento o consultar De Bievre y Coello [2008]).
El análisis del estrés hídrico con los datos actualizados revela para el presente algunos tramos
con estrés entre alto y severo en básicamente todas las cuencas, siendo más notorios en
Pisque, Oyacachi, y Antisana. Los tramos más largos corresponden a estrés alto afectando, en
Guayllabamba Alto, principalmente a El Quinche y Guayllabamba, y en Pisque a Cayambe,
Shimpis, Cangahua, Tabacundo y Malchingui. Amplios tramos con estrés moderado son
visibles sobre todo en San Pedro, Pita, en Pisque y Guayllabamba Alta. Múltiples secciones
aparecen también con estrés hídrico ligero, siendo particularmente de interés los tramos que
alimentan a las centrales hidroeléctricas de Nayón, Cumbayá y Guangopolo. Las zonas de
mayor estrés responden a las concesiones asociadas a industrias, riego e hidroeléctricas en los
tramos mencionados. Quito prácticamente muestra estrés nulo o a lo sumo ligero.
Las proyecciones futuras del estrés hídrico pueden clasificarse en dos tipos, de demanda igual
a la del presente y de demanda incrementada. La proyección menos optimista de todas
corresponde a un decremento de la precipitación y un incremento en la demanda. En ella
puede apreciarse que el estrés tiende en general a acentuarse o bien con tramos que
presentan mayor severidad, o bien con tramos más largos con la misma severidad (o ambos).
Sin embargo, en determinados sectores el estrés es más ligero que en el caso presente, debido
en parte a la existencia de un número menor de tramos secundarios, por lo que ríos principales
tienen mayor caudal para satisfacer la demanda requerida. El caso más optimista muestra
tramos con mejoras en el estrés para Pisque, Guayllabamba Alto y Medio, pero en general no
presenta diferencias importantes con respecto al estrés del caso presente.
Figura 12. Estrés hídrico para el estado P+D0 (ver Tabla 3).
Figura 13. Estrés hídrico para el estado P+D+ (ver Tabla 3).
Figura 14. Estrés hídrico para el estado P++D0 (ver Tabla 3).
Figura 15. Estrés hídrico para el estado P++D+ (ver Tabla 3).
Figura 16. Estrés hídrico para el estado P-D0 (ver Tabla 3).
Figura 17. Estrés hídrico para el estado P-D+ (ver Tabla 3).
Figura 18. Estrés hídrico para el estado P--D0 (ver Tabla 3).
Figura 19. Estrés hídrico para el estado P--D+ (ver Tabla 3).
Conclusiones y Recomendaciones
En este documento se han reportado primeramente los trabajos relacionados con la
estandarización de los datos de las estaciones disponibles para el proyecto, con la
actualización más reciente a la fecha (2013). Se han discutido también algunos aspectos
importantes referentes a control de calidad y homogeneización de series de tiempo de variables
hidroclimáticas. En virtud de una adecuada relación señal-ruido en las series de tiempo
tratadas se estableció un mínimo de 20 años como umbral para seleccionar estaciones que
garanticen de entrada resultados robustos a la hora de representar el presente y que sirvan de
punto de partida para la generación de proyecciones futuras. Es por ello que sólo 77 estaciones
(65 meteorológicas y 12 hidrológicas) fueron seleccionadas finalmente para el proceso de
homogeneización. Series de tiempo más cortas que 20 años introducirán incertidumbres que no
permitirán trabajar en un escenario confiable como para proveer información útil a tomadores
de decisión. Para ver una lista de las estaciones homogeneizadas, ver Anexo 2. Vale
mencionar acá que aunque las estaciones P08 y C10 tienen datos y en el caso de la C10 se
llevó a cabo la homogeneización, no pueden ser utilizadas en este proyecto debido a que no se
pudieron encontrar las coordenadas de las mismas.
La metodología empleada involucra el software en lenguaje R desarrollado por Aguilar y
Prohom [Aguilar et al., 2009] para control de calidad, mientras que los procedimientos de Wang
et al. [2007] para detección de discontinuidades, tanto anotadas en metadata como no, y la
subsecuente corrección (también disponible gratuitamente en lenguaje R). Los datos de
entrada, los programas de procesamiento de cada fase y los archivos de salida ya
estandarizados, así como figuras con los detalles de las series de tiempo se han incluido como
anexos de este documento y están disponibles para todo el público.
Vale mencionar que algunas estaciones hidrológicas del EPMAPS presentaron series de
tiempo de más de 20 años pero con días de medición variable, es decir, sin continuidad día tras
día en las mediciones, un requisito importante para garantizar la homogeneización a la escala
temporal correspondiente. Por otra parte, las estaciones meteorológicas de EPMAPS y del
FONAG no tienen aún una longitud temporal lo suficientemente amplia y es por ello que
ninguna pudo incluirse en el proceso de homogeneización.
Estos procesos deben realizarse periódicamente sobre los nuevos datos producidos por
estaciones en el dominio espacial de interés, tomando en cuenta que por el carácter estadístico
de los métodos, cuanto mayor sea la serie de tiempo, más robustos serán los resultados. Para
tal fin se entrenó a personal del FONAG ya en un proyecto pasado, y se entrega el Anexo 3
como guía operacional.
No deben emplearse los datos bajo ninguna circunstancia si no está hecho el control de calidad
y la homogeneización mencionada. Adicionalmente, vale resaltar que debe llevarse a cabo el
más extremo escrutinio en cada paso de los procesos mencionados para garantizar que las
series de tiempo final cumplan con las características deseables, y que efectivamente
representen la evolución de las variables climáticas e hidrológicas, como corresponde.
Se ha discutido también la metodología y resultados obtenidos para el presente y futuro con el
modelo de oferta y demanda ejecutado en el proyecto, haciendo especial énfasis en el estrés
hídrico. Estos productos forman parte fundamental de un sistema de gestión integrada de
recursos hídricos que considera la variabilidad climática y su interacción con la señal de cambio
climático. Realizar proyecciones futuras nunca es una tarea fácil, y las mismas deben
considerarse siempre con los cuidados correspondientes. Los resultados al respecto en este
informe poseen incertidumbres asociadas a información climática, concesiones, demanda
futura y uso de suelo presente y futuro.
Los resultados obtenidos muestran que en general hay condiciones aceptables de
disponibilidad de recurso hídrico para la mayor parte de las zonas en las cuencas estudiadas,
sin embargo en determinados tramos el estrés hídrico, por ejemplo, aparece entre moderado
(San Pedro, Pita, en Pisque y Guayllabamba Alto) y severo (San Pedro, Guayllabamba Alto y
Medio, Pisque y en menor grado en Pita). Estas zonas de mayor estrés responden a las
concesiones asociadas a industrias, riego e hidroeléctricas en los tramos mencionados. Para
Quito, se muestra estrés moderado en el sur y ligero al norte.
En los distintos estados considerados como posibles proyecciones del futuro (Figuras 6 y 7,
Tabla 3), construidos como perturbaciones de los campos de precipitación y demanda
presentes, se aprecia en general disponibilidad del recurso hídrico semejante al actual, salvo
por tramos que se agravan o mejoran de acuerdo al “escenario” considerado. Los tramos de
interés son nuevamente los mencionados en el párrafo anterior. En los distintos casos futuros
considerados, sin embargo, no se aprecia en general un cambio significativo en términos de
estrés para Quito con respecto al presente, aunque los resultados sí evidencian diferencias por
tramos o incluso en el número de cauces disponibles para aprovechamiento (Figuras 6 y 7).
Un aspecto importante es que en función de los datos disponibles de los últimos censos del
Ecuador, no se prevé una disminución de la demanda en las cuencas analizadas, sino en el
mejor de los casos que estadísticamente hablando la demanda total se mantenga como la del
presente, y probablemente ocurran incrementos. El hecho de que aún en determinados casos
futuros en los que se tengan disminuciones de orden del 10% de la precipitación, tramos de
ríos mejoren su estrés hídrico se interpreta en términos de una posible disminución del caudal a
ramificaciones de orden superior del cauce principal, por lo que quedaría mayor disponibilidad
en éste último y el estrés hídrico sería consecuentemente menor.
Vale la pena resaltar que estos productos corresponden a un comportamiento medio para el
período considerado, por lo que las concesiones -principalmente asociadas a industrias, riego e
hidroeléctricas en los tramos mencionados- en la época seca (húmeda) del año y en
determinados sectores pudieran ocasionar estrés mensuales al menos una categoría más
(menos) severa que la presentada en los mapas.
Finalmente, se han mencionado ya algunos de los cuidados (caveats) que hay que tener en
cuenta con el presente estudio. En futuros proyectos habría que velar por tratar de disminuir
estas incertidumbres, y un aspecto sumamente interesante a considerar sería el de variar la
superficie y configuración de las hidrozonas, que en este estudio, incluso para proyecciones del
futuro, se han mantenido iguales a las del presente.
Referencias
Aguilar, E., J., Sigró, M. Brunet, 2009: RClimdex con funcionalidades extra de control de calidad. Manual de Uso, versión 1.0. Documento descargado del ClimateChangeResearchGroup, University Rovira i Virgili, Tarragona, España. 12 pp.
Aguilar, E., I. Auer, M. Brunet, T. C. Peterson, y J. Wieringa, 2003: GuidelinesonClimateMetadata and Homogenization, WCDMP GUIDELINES SERIES, WMO/TD no 1186, Llansó, P. ed., 50 pp., WMO, Geneva.
Alexandersson, H., 1986: A homogeneity test appliedtoprecipitation data. J. Climatol., 6, 661–675.
Caussinus, H., y O. Mestre, 2004: Detection and correction of artificial shifts in climate. Appl. Stat., 53, 405–425.
DeGaetano, A. T., 2006: Attributes of severalmethodsfordetectingdiscontinuities in mean temperature series. J. Climate, 19, 838–853.
Lund, R., y J. Reeves, 2002: Detection of undocumentedchangepoints: A revision of thetwo-phaseregressionmodel. J. Climate, 15, 2547–2554.
Menne, M. J., y C. N. Williams Jr., 2005: Detection of undocumentedchangepointsusingmultiple test statistics and com- positereference series. J. Climate, 18, 4271–4286.
Muñoz, Á.G., 2011: Preparando los Datos. Entrada del wiki del Observatorio Latinoamericano de Eventos Extraordinarios (OLE2). [Disponible en línea en: http://www.cmc.org.ve/mediawiki/index.php?title=Preparando_los_datos
Muñoz, Á.G., 2012a: Informe Final del Proceso de Homogeneización de Datos del Proyecto FONAG-MAE. Ecuador.
Muñoz, Á.G., 2012b: Análisis de la Variabilidad Climática Actual y Escenarios de Cambio Climático. Proyecto FONAG-MAE. Quito. Ecuador.
Muñoz, Á.G. y Torres, W., 2012: Informe Final del Módulo de Disponibilidad Hídrica del Proyecto FONAG-MAE. Quito. Ecuador
Muñoz, Á.G., 2011: Informe de Avance Módulo de Cambio y Variabilidad Climático. Proyecto PRAA-FONAG-NewVI. Quito. 18pp.
Muñoz, Á.G., 2010: Validación y Análisis de Consenso de Modelos de Escenarios de Cambio Climático para Ecuador, Informe Final. Proyectos MAE-INAMHI. Quito. 131 pp.
Muñoz, Á.G., Recalde, C., Cadema, J., Núñez, A., Díaz-Lobatón, J., 2010: Análisis Estadístico con FClimdex de índices climáticos para Ecuador. Informe Final. Proyectos MAE-INAMHI. Quito. 71pp
OMM, 2002: WMO TechnicalDocument 1125, GCOS-76.
Santer, B. D., et al., 2011: Separatingsignal and noise in atmospherictemperaturechanges:
Theimportance of timescale, J. Geophys. Res., 116, D22105, doi:10.1029/2011JD016263.
Vincent, L. A., X. Zhang, B. R. Bonsal, y W. D. Hogg, 2002: Homogenization of dailytemperaturesoverCanada. J. Climate, 15, 1322–1334.
Wan, H., X. L. Wang, y V. R. Swail, 2007: A qualityassurancesystemfor Canadian hourlypressure data. J. Appl. Meteor. Climatol., 46, 1804–1817.
Wang, X.L., 2003: Commentson “Detection of undocumentedchangepoints: A revision of thetwo-phaseregressionmodel.” J. Climate, 16, 3383–3385.
________, 2006: Climatology and trends in some adverse and fairweatherconditions in Canada, 1953–2004. J. Geophys. Res., 111, D09105, doi:10.1029/2005JD006155.
________, y Y. Feng, 2007: RHtestV2 user manual. ClimateResearchDivision, Science and TechnologyBranch, Envi- ronmentCanada, Toronto, Ontario, Canada, 19 pp. [Disponible en línea en: http://cccma.seos.uvic.ca/ETCCDMI/RHtest/RHtestV2_UserManual.doc]
________, 2008: Penalizedmaximal F test fordetectingundocumented mean shiftwithouttrendchange. J. Atmos. OceanicTechnol., 25, 368–384.
Chimborazo, O., Guitarra, S. y Muñoz, Á.G., 2010: Informe Final Análisis de Nuevas Salidas del Modelo TL959. Proyectos MAE-INAMHI. Quito. 430 pp.
Cisneros, F. y Burneo, D., 2008: Análisis de Estrategias para la Gestión de Demanda y Oferta de los Recursos Hídricos y Evaluación de su Factibilidad Financiera-Económica en la Cuenca Alta del Río Guayllabamba. Proyecto UICN-SUR-BID-FONAG. Quito. Ecuador.
Coello, X. Y Muñoz, Á.G., 2011: Extensión de la Red de Vigilancia Hidrometeorológica para microcuencas andinas en el Ecuador. Artículo Técnico del Proyecto FONAG-MAE. Ecuador. 24 pp.
De Bievre, B. y Coello, X., 2008: Diagnóstico del balance entre oferta y demanda hídrica, Proyecto Manejo Integrado de los Recursos Hídricos en la Hoya de Quito. UICN-Sur, Ecuador.
FONAG, 2008: Mapa de cobertura vegetal y uso del suelo del FONAG. Informe interno. Datos disponibles en la institución.
FONAG, 2012: Portal de productos FONAG_GIS. Url: http://186.66.127.99:8082/fonagiis/index.swf
Greene, A.M., L. Goddard and R. Cousin, 2011: Web ToolDeconstructsVariability in Twentieth-Century Climate, EosTrans. AGU (92) 45, Nov, 397-398
SENAGUA, 2010: Datos de concesiones para las cuencas de Guayllabamba, Pita, San Pedro y Papallacta. Actualizado hasta el 2010. Datos disponibles en la sede de la institución.
TNC-FONAG, 2008: [Verduga, Lino, Zak, Vlastimil y Guevara Marcelo]. Mapa de ecosistemas y uso del suelo en el área de influencia del FONAG. TNC-FONAG, Ecuador.
ANEXOS
Anexo I
Estaciones Meteorológicas Originales
Código Estación UTMY UTMX Instituto Cuenca
06MET1 ASO. SAN MARCOS 9936650,69 760558,74 San Pedro
06PVL1 LA VIRGEN 9930742,75 757431,87 San Pedro
07MET1 CONTROL NORTE 9937628,68 784580,80 Pita
26PVL1 EL TAMBO 9958380,45 812379,70 Papallacta
26PVL2 PAPALLACTA 9958682,45 818317,47 Papallacta
26PVL3 BAÐOS 9964408,39 817752,49 Papallacta
27MET1 YURAFACCHA 9979505,22 821512,34 Oyacachi
27PVL1 YAMUYACU 9977096,25 824286,23 Oyacachi
28PVL1 MUDADERO 9931020,75 793478,45 Pita
C7 San Antonio 9997910,00 783247,00 EPMAPS Guayllabamba Medio
C8 IASA - ESPE 9956570,00 787679,00 EPMAPS San Pedro
C9 Mica Campamento 9942030,00 808760,00 EPMAPS Antisana
C10 desconocida desconocida EPMAPS Guayllabamba Medio
M001 INGUINCHO 10028600,00 789323,00 INAMHI
M002 LA TOLA 9974610,00 793122,00 INAMHI Guayllabamba Alto
M003 IZOBAMBA 9959440,00 772701,00 INAMHI San Pedro
M009 LA VICTORIA INERHI 9993360,00 811628,00 INAMHI Pisque
M010 MONTESERRIN 9993390,00 805204,00 INAMHI Guayllabamba Alto
M011 URAPAMBA 9990720,00 798693,00 INAMHI Guayllabamba Alto
M022 TABACUNDO TOMALON 10005900,00 807795,00 INAMHI Pisque
M023 OLMEDO-PICHINCHA 10016400,00 828652,00 INAMHI Pisque
M024 QUITO INAMHI-INAQUITO 9981560,00 780135,00 INAMHI Guayllabamba Alto
M054 QUITO-OBSERVATORIO 9976640,00 778274,00 INAMHI Guayllabamba Alto
M055 QUITO AEROPUERTO - DAC 9984510,00 779946,00 INAMHI Guayllabamba Alto
M098 SAN MARCOS 10011600,00 838402,00 INAMHI
M111 MALCHINGUI 10006100,00 796967,00 INAMHI Pisque
M112 CONOCOTO 9970440,00 781737,00 INAMHI Guayllabamba Alto
M113 UYUMBICHO 9957040,00 775452,00 INAMHI San Pedro
M115 SAN ANTONIO DE PICHIN. 9998860,00 785305,00 INAMHI Guayllabamba Medio
M116 CHIRIBOGA-GRANJA EXPER 9976710,00 746880,00 INAMHI
M117 MACHACHI 9942010,00 773743,00 INAMHI San Pedro
M118 INIAP-SUPLEMENTARIA PORCINOS 9961280,00 778271,00 INAMHI San Pedro
M120 COTOPAXI-CLIRSEN 9931040,00 769195,00 INAMHI San Pedro
M188 PAPALLACTA 9959610,00 817850,00 INAMHI Papallacta
M201 El Chaco Inecel 9963090,00 871117,00 INAMHI
M210 VINDOBONA 10000100,00 789225,00 INAMHI Guayllabamba Medio
M211 LA VIDA DE CHESPI 10012900,00 774567,00 INAMHI Guayllabamba Medio
M212 MINDO INECEL 9994720,00 752037,00 INAMHI
M213 LA PERLA 10021300,00 759408,00 INAMHI Guayllabamba Medio
M214 PERUCHO INECEL 10012400,00 786975,00 INAMHI Guayllabamba Medio
M215 Baeza 9930690,00 848913,00 INAMHI
M216 S.MIGUEL DE LOS BANCOS 10001800,00 734844,00 INAMHI
M260 PIFO 9982940,00 798292,00 Guayllabamba Alto
M316 ZULETA 10022700,00 824695,00
M318 APUELA-INTAG 10039300,00 776756,00
M320 HDA.LA VEGA 10020700,00 814044,00
M325 GARCIA MORENO 10026000,00 764107,00
M326 SELVA ALEGRE-IMBABURA 10027300,00 769709,00
M327 CHONTAL BAJO,DJ ALAMBI 10026200,00 750521,00 INAMHI
M335 LA CHORRERA 9977690,00 774376,00 INAMHI Guayllabamba Alto
M337 SAN JOSE DE MINAS 10018700,00 790183,00 INAMHI Guayllabamba Medio
M339(P) NANEGALITO 10007400,00 758630,00
M341 GUAYLLABAMBA 9993700,00 795753,00 INAMHI Guayllabamba Alto
M342 COTOCOLLAO 9989240,00 778867,00 INAMHI Guayllabamba Medio
M343 EL QUINCHE-PICHINCHA 9988690,00 800186,00 INAMHI Guayllabamba Alto
M344 CANGAHUA 9993670,00 815349,00 INAMHI Pisque
M345 CALDERON 9989120,00 787098,00 INAMHI Guayllabamba Alto
M346(P) YARUQUI INAMHI 9982330,00 798849,00 Guayllabamba Alto
M347 PUEMBO 9980510,00 794337,00 INAMHI Guayllabamba Alto
M350 HDA. LA GRANJA-ALOAG 9947300,00 761194,00 INAMHI
M352 SANGOLQUI 9963120,00 785701,00 INAMHI San Pedro
M353 RUMIPAMBA-PICHINCHA 9952277,00 787386,00 INAMHI San Pedro
M354 SAN JUAN-PICHINCHA(CHILLOG.) 9968215,00 764001,00 INAMHI
M357(P) CANAL 10 TV. 9981780,00 775769,00 INAMHI Guayllabamba Alto
M358(P) CALACALI INAMHI 10000200,00 776884,00 INAMHI
M359 CAYAMBE 10006000,00 818447,00 INAMHI Pisque
M361(P) NONO 9991890,00 770168,00
M362 LAS PAMPAS 9951079,00 726023,00 INAMHI
M364(P) LORETO PEDREGAL 9937890,00 786461,00 INAMHI Pita
M365 GUAYTACAMA 9909230,00 762624,00 INAMHI
M436 Cuyuja 9953880,00 828465,00 INAMHI
M488 Cotundo 9903320,00 852013,00 INAMHI
M5021 SalvefachaOyacachi 9979154,00 821647,00 FONAG Oyacachi
M533 Chalupas 9907162,00 806715,00 INAMHI
M545 OYACACHI 9963110,00 837684,00 INAMHI
M546 Cosanga 9931740,00 8482,00 INAMHI
M566 ASCAZUBI INAMHI 9991420,00 801513,00 INAMHI Guayllabamba Alto
M572 CUMBAYA 9978730,00 786417,00 INAMHI Guayllabamba Alto
MA2T TOMALON-TABACUNDO 9994470,00 783846,00 INAMHI Guayllabamba Medio
P00 Glaciar 9948311,00 817373,00 INAMHI Papallacta
P02 Morrena 9948568,00 817055,00 INAMHI Papallacta
P07 Crespos 9946072,00 815317,00 INAMHI Antisana
P08 desconocida desconocida INAMHI Antisana
P18 Guayllabamba 9991334,00 794412,00 EPMAPS Guayllabamba Alto
P19 La Tola (Tumbaco) 9973140,00 793451,00 EPMAPS Guayllabamba Alto
P23 ATACAZO 9964580,00 767118,00 EPMAPS Guayllabamba Alto
P34 Papallacta 9959960,00 817271,00 EPMAPS Papallacta
P35(P) PITA EN BOCATOMA 9945110,00 785119,00 EPMAPS Pita
P36 Maucatambo 9925324,00 794891,00 EPMAPS
P37 Salve fascha 9974470,00 816939,00 EPMAPS Oyacachi
P38 San Simon 9941810,00 811767,00 EPMAPS Antisana
P39(P) YANGAHUAGRA 9927780,00 790545,00 EPMAPS Pita
P40 Tambo 2A 9916982,00 792766,00 EPMAPS
P42 Antis-RamonHuanuta 9932740,00 806304,00 EPMAPS Antisana
P44 Guaytaloma 9966800,00 820027,00 EPMAPS Chalpi Grande
P46 Chalpi Grande 9971060,00 823213,00 EPMAPS Chalpi Grande
P55 AntisanaDiguvhi 9936430,00 804462,00 EPMAPS Antisana
Estaciones Hidrológicas Originales
Código Estación UTMY UTMX Instituto Cuenca
E1 EL COLEGIO Q. MONJAS 9991000,10 780688,95 Guayllabamba Medio
E2 EL RECREO 9971803,31 775480,16 Guayllabamba Alto
E3 TRANSITO 9968255,35 770626,35 Guayllabamba Alto
E4 CAPULI 9967808,35 774206,21 Guayllabamba Alto
E5 PITA EN BOCATOMA 9945440,59 785420,76 Pita
ECOLUZ1 LORETO 9963708,00 817786,00 ECOLUZ Papallacta
ECOLUZ2 BAÐOS 9963515,00 817733,00 ECOLUZ Papallacta
ECOLUZ3 MENTALA 9963179,00 817590,00 ECOLUZ Papallacta
ECOLUZ4 SAN CRISTOBAL 9965050,00 815705,00 ECOLUZ Papallacta
ECOLUZ5 PAPALLACTA 9959610,00 817850,00 ECOLUZ Papallacta
G15 Glaciar 15 9948515,97 815513,00 IRD-INAMH Papallacta
G15a Glaciar 15a 9947439,60 816285,00 IRD-INAMH Antisana
G15b Glaciar 15b 9947788,97 816860,00 IRD-INAMH Papallacta
H1 Tambo DJ Tamboyacu 12 9921482,16 804383,00 EPMAPS
H136 ALAMBI EN CHURUPAMBA 10016226,00 757989,00 INAMHI
H137 MACHANGARA 9977505,00 781378,00 INAMHI Guayllabamba Alto
H141 CANAL TABACUNDO 10015128,00 831512,00 INAMHI Pisque
H142 CANAL EXCESO TABACUNDO 10015128,00 831512,00 INAMHI Pisque
H143 GRANOBLES AJ GUACHALA 10001846,00 814800,00 INAMHI Pisque
H143 GRANOBLES AJ GUACHALA 10002683,00 814780,00 Pisque
H144 GUACHALA AJ GRANOBLES 10000739,00 817028,00 INAMHI Pisque
H145 GUAYLLABAMBA AJ. CUBI 10010295,88 786320,40 Hidroequinoccio Guayllabamba Medio
H145 GUAYLLABAMBA AJ CUBI 10009994,00 786098,00 Guayllabamba Medio
H146 GUAYLLABAMBA DJ. ALAMBI 10025075,00 751306,00 INAMHI
H148 GUAYLLABAMBA DJ. PISQUE 10000922,04 788765,14 Hidroequinoccio Guayllabamba Medio
H148 GUAYLLABAMBA DJ PISQUE 9999762,00 788800,00 Guayllabamba Medio
H149 GUAYLLABAMBA EN PTE CHACAPATA 10019605,11 762589,64 Hidroequinoccio Guayllabamba Medio
H149 GUAYLLABAMBA EN PTE.CHACAPATA 10019702,00 762518,00 Guayllabamba Medio
H150 INTAG DJ. PAMPLONA 10023971,00 764670,00 INAMHI
H151 INTAG EN BALZAPAMBA 10037248,00 773578,00 INAMHI
H152 LA CHIMBA EN OLMEDO 10016235,00 829284,00 INAMHI Pisque
H152 LA CHIMBA EN OLMEDO 10015377,00 826483,00 Pisque
H154 MONJAS DJ Q. COLORADA 9998526,00 786949,00 INAMHI Guayllabamba Medio
H158 PITA AJ SALTO 9936566,00 786935,00 INAMHI Pita
H158 PITA AJ SALTO 9945030,00 785415,00 Pita
H159 SAN PEDRO EN MACHACHI 9947635,00 773573,00 INAMHI San Pedro
H159 SAN PEDRO EN MACHACHI 9944628,00 773252,00 San Pedro
H176 INTAG EN APUELA 10038355,00 775805,00 INAMHI
H178 PINNAN 10052742,00 786939,00 INAMHI
H180 MONJAS AA PISCINAS 9998526,00 823713,00 INAMHI Pisque
H182 QDA.COLORADA 10000739,00 785835,00 INAMHI Guayllabamba Medio
H184 PITA ABT PI 9945418,00 785825,00 INAMHI Pita
H198 PITA EN TR.AL SAN PEDRO 9967547,00 783604,00 INAMHI Guayllabamba Alto
H2 Tambo 2A 9918074,20 795216,00 EPMAPS
H21 Humboldt 9943258,51 810170,00 IRD-INAMH Antisana
H25 Crespos 9945501,99 814608,00 IRD-INAMH Antisana
H3 Tamboyacu 5 9924269,17 794096,00 EPMAPS
H5 Antisana DJ Ramón Huata 9933193,07 811729,00 EPMAPS Antisana
H6 Chalpi Grande 9960142,87 824358,00 EPMAPS Chalpi Grande
H7 Antisana DJ Diguchi 9937064,05 808630,00 EPMAPS Antisana
H718 Quijos en Baeza 9949602,87 846245,00 INAMHI
H719 Quijos DJ Oyacachi 9964944,74 857480,00 INAMHI
H722 Yanahurco DJ Valle 9922243,16 803111,00 INAMHI
H731 Cosanga AJ Quijos 9949008,86 850145,00 INAMHI
H733 Quijos AJ Borja 9952552,83 851829,00 INAMHI
HCJB HCJB 9958542,90 817418,00 HCJB Papallacta
Anexo II
Estaciones Meteorológicas Homogeneizadas
Código Estación UTMY UTMX Instituto Cuenca
C7 San Antonio 9997910,00 783247,00 EPMAPS Guayllabamba Medio
C8 IASA - ESPE 9956570,00 787679,00 EPMAPS San Pedro
C9 Mica Campamento 9942030,00 808760,00 EPMAPS Antisana
C10 La Mica Presa desconocida desconocida EPMAPS Guayllabamba Medio
M001 INGUICHO 10028600,00 789323,00 INAMHI
M002 LA TOLA 9974610,00 793122,00 INAMHI Guayllabamba Alto
M003 IZOBAMBA 9959440,00 772701,00 INAMHI San Pedro
M009 LA VICTORIA INERHI 9993360,00 811628,00 INAHMI Pisque
M010 MONTESERRIN 9993390,00 805204,00 INAMHI Guayllabamba Alto
M011 URAPAMBA 9990720,00 798693,00 INAMHI Guayllabamba Alto
M022 TABACUNDO TOMALON 10005900,00 807795,00 INAMHI Pisque
M023 OLMEDO-PICHINCHA 10016400,00 828652,00 INAMHI Pisque
M024 QUITO INAMHI-INAQUITO 9981560,00 780135,00 INAMHI Guayllabamba Alto
M054 QUITO-OBSERVATORIO 9976640,00 778274,00
EPN-INAMHI-EPMAPS Guayllabamba Alto
M055 QUITO AEROPUERTO - DAC 9984510,00 779946,00
EPN-INAMHI-EPMAPS Guayllabamba Alto
M098 SAN MARCOS 10011600,00 838402,00 INAMHI
M111 MALCHINGUI 10005829,00 796752,00 INAMHI Pisque
M112 CONOCOTO 9970440,00 781737,00 INAMHI Guayllabamba Alto
M113 UYUMBICHO 9957040,00 775452,00 INAMHI San Pedro
M114 TUMBACO 9974180,00 787864,00 INAMHI Guayllabamba Alto
M115 SAN ANTONIO DE PICHIN. 9998860,00 785305,00 INAMHI Guayllabamba Medio
M116 CHIRIBOGA-GRANJA EXPER 9976710,00 746880,00 INAMHI
M117 MACHACHI 9942010,00 773743,00 INAMHI San Pedro
M118 INIAP-SUPLEMENTARIA PORCINOS 9961280,00 778271,00 INAMHI San Pedro
M120 COTOPAXI-CLIRSEN 9931040,00 769195,00 INAMHI San Pedro
M188 PAPALLACTA 9959610,00 817850,00 ECOLUZ Papallacta
M201 El Chaco Inecel 9963090,00 871117,00 INAMHI
M210 VINDOBONA 10000100,00 789225,00 INAMHI Guayllabamba Medio
M211 LA VIDA DE CHESPI 10012900,00 774567,00 INAMHI Guayllabamba Medio
M212 MINDO INECEL 9994720,00 752037,00 INAMHI
M213 LA PERLA 10021300,00 759408,00 INAMHI Guayllabamba Medio
M214 PERUCHO INECEL 10012400,00 786975,00 INAMHI Guayllabamba Medio
M215 Baeza 9930690,00 848913,00 INAMHI
M216 S.MIGUEL DE LOS BANCOS 10001800,00 734844,00 INAMHI
M316 ZULETA 10022700,00 824695,00 INAMHI
M318 APUELA-INTAG 10039300,00 776756,00 INAMHI
M320 HDA.LA VEGA 10020700,00 814044,00 INAMHI
M325 GARCIA MORENO 10026000,00 764107,00 INAMHI
M326 SELVA ALEGRE-IMBABURA 10027300,00 769709,00 INAMHI
M327 CHONTAL BAJO,DJ ALAMBI 10026200,00 750521,00 INAMHI
M335 LA CHORRERA 9977690,00 774376,00 INAMHI Guayllabamba Alto
M337 SAN JOSE DE MINAS 10018700,00 790183,00 INAMHI Guayllabamba Medio
M339(P) NANEGALITO 10007400,00 758630,00 INAMHI
M341 GUAYLLABAMBA 9993700,00 795753,00 INAMHI Guayllabamba Alto
M342 COTOCOLLAO 9989240,00 778867,00 INAMHI Guayllabamba Medio
M343 EL QUINCHE-PICHINCHA 9988690,00 800186,00 INAMHI Guayllabamba Alto
M344 CANGAHUA 9993670,00 815349,00 INAMHI Pisque
M345 CALDERON 9989120,00 787098,00 INAMHI Guayllabamba Alto
M346(P) YARUQUI INAMHI 9982330,00 798849,00 INAMHI Guayllabamba Alto
M347 PUEMBO 9980510,00 794337,00 INAMHI Guayllabamba Alto
M350 HDA. LA GRANJA-ALOAG 9947300,00 761194,00 INAMHI
M352 SANGOLQUI 9962789,00 785496,00 INAMHI San Pedro
M353 RUMIPAMBA-PICHINCHA 9952277,00 787386,00 INAMHI San Pedro
M354 SAN JUAN-PICHINCHA(CHILLOG.) 9968215,00 764001,00 INAMHI
M357(P) CANAL 10 TV. 9981780,00 775769,00 INAMHI Guayllabamba Alto
M358(P) CALACALI INAMHI 10000200,00 776884,00 INAMHI
M359 CAYAMBE 10006000,00 818447,00 INAMHI Pisque
M361(P) NONO 9991890,00 770168,00 INAMHI
M362 LAS PAMPAS 9951079,00 726023,00 INAMHI
M364(P) LORETO PEDREGAL 9937890,00 786461,00 INAMHI Pita
M365 GUAYTACAMA 9909230,00 762624,00 INAMHI
M545 OYACACHI 9963110,00 837684,00 INAMHI
M566 ASCAZUBI INAMHI 9991420,00 801513,00 INAMHI Guayllabamba Alto
M572 CUMBAYA 9978730,00 786417,00 INAMHI Guayllabamba Alto
MA2T TOMALON-TABACUNDO 9994470,00 783846,00 INAMHI Guayllabamba Medio
Estaciones Hidrológicas Homogeneizadas
Código Estación UTMY UTMX Instituto Cuenca
ECOLUZ5 PAPALLACTA 9959610,00 817850,00 ECOLUZ Papallacta
H136 ALAMBI EN CHURUPAMBA 10016226,00 757989,00 INAMHI
H143 Granobles AJ Guachala 10002683,00 814780,00 INAMHI Pisque
H144 Guachala Aj. Granobles 10000739,00 817028,00 INAMHI Pisque
H145 Guayllabamba AJ Cubi 10009994,00 786098,00 INAMHI Guayllabamba Medio
H146 GUAYLLABAMBA DJ. ALAMBI 10025075,00 751306,00 INAMHI
H148 GUAYLLABAMBA DJ. PISQUE 10000922,04 788765,14 Hidroequinoccio Guayllabamba Medio
H149 Guayllabamba en Pte. Chacapata 10019702,00 762518,00 INAMHI Guayllabamba Medio
H150 Intag Dj. Pamplona 10023971,00 764670,00 INAMHI
H152 LA CHIMBA EN OLMEDO 10016235,00 829284,00 INAMHI Pisque
H158 Pita AJ Salto 9945030,00 785415,00 INAMHI Pita
H159 San Pedro en Machachi 9944628,00 773252,00 INAMHI San Pedro
Anexo 3
Guía Rápida para Usuarios de RClimdex y RHTests
Preparada por
Xiaolan L. Wang
ClimateResearchDivision, STB, EnvironmentCanada 18 May 2010
Traducción y explicaciones menores de
Ángel G. Muñoz
[email protected] Centro de Modelado Científico (CMC) – La Universidad del Zulia
3 Junio 2011 Pasos para usar el paquete combinado RClimdex y RHTests:
(1) Escriba source(RClimDex.r) en el terminal de R para que RClimDex lleve a cabo los controles de calidad de la data diaria de tmax, tmin y prcp.
(2) Escriba source(RClimDex_RHtest.r) en el terminal de R para usar RclimDex_RHtest3, o
escriba source(RHtestsV3.r) y luego StartGUI() para usar el botón Transform Data en el modo gráfico (GUI), para producir los archivos de entrada par alas pruebas de homogeneización y ajustes correspondientes. El script provee 9 archivos de salida4: para tmax, tmin y prpc, mensuales (MLY) y diarios (DLY), un archivo con una serie de totales mensuales de días en los que prcp ≥ 1mm (*_prcpMLY1mm), y las series transformadas-log de las dos series mensuales de precipitación total, respectivamente (*_LogprcpMLY and *_LogprcpMLY1mm). Nótese que si las series a ser transformadas-log incluyen un valor de cero en alguna parte, cada uno de estos valores más 1 es transformado; esto es: log(P_i +1) es la serie transformada de P_i.
(3) Homogeneización mensual primero: usar una de las funciones de RHtestsV3 (por ejemplo, FindU si no se tiene una serie de referencia o FindU.wRef si sí se posee) para detectar los puntos de cambio en las series mensuales y para determinar cuáles necesitan ser ajustados. Este proceso provee los archivos siguientes: ESTAC_1Cs.txt (copia de seguridad que lista los puntos de cambio y su significancia estadística), ESTAC_mCs.txt (archivo a modificar que lista los puntos de cambio y
3 El comando en la terminal tiene este formato: RClimDex_RHtest(ArchivoEntrada, MissingStr=’-99.9’) 4 Se asigna la bandera de faltante (-99.9) a un valor mensual si faltan más de 3 días en dicho mes.
su significancia estadística), ESTAC_Ustat.txt (estadísticas), ESTAC_U.dat (archivo de salida; 3a columna: dato original; 5a columna: ajustado por media; 9a columna: QM-ajustado) y ESTAC_U.pdf (archivo pdf con imágenes de los ajustes de la serie y al final la distribución de los QM-ajustes).
a. Es menester identificar en ESTAC_mCs.txt los puntos de cambio que no sean
estadísticamente significativos (o subjetivamente no significativos) y eliminarlos.
b. Una vez eliminados, ejecutar StepSize (o StepSize.wRef si se tiene una serie de referencia) para actualizar los puntos de cambio.
c. Repetir el procedimiento a y b hasta que todos los puntos sean estadísticamente
significativos.
(4) Para temperatura, use QMadj.GaussianDLY5 (con esta lista de puntos de cambio y la serie original de datos de temperatura diarios) para obtener una serie diaria QM-ajustada6. La 5a columna en el archivo de salida *_QMadjDLY_F.dat es la serie diaria QM-ajustada.
(5) Para precipitación diaria, escriba source(RHtests_dlyPrcp.r) en el terminal de R y use FindU.dlyPrcp, FindUD.dlyPrcp, y StepSize.dlyPrcp para detectar y ajustar las inhomogeneidades en las series de precipitación diaria (empleando pthr=0.99 mm). Esto se hace debido a que diariamente se realiza la prueba prcp>pthr en estas funciones, mientras que RClimDex emplea diariamente prcp ≥ 1.0 mm para calcular los índices. El procedimiento para usar estas funciones7 es el mismo que en caso de FindU y StepSize en el RHtestsV3. La serie de datos diarios de precipitación QM-ajustados aparecen en la 5a columna del archivo de salida *_QMadjDLY_UC.dat o *_QMadjDLY_UDfinal.dat.
5 El commando tiene este formato:
QMadj.GaussianDLY(InSeries=’/PATH...’, InCs=’/PATH…/Nombre_mCs.txt’,
output=’/PATH..../salida/’,
MissingValueCode=’-99.9’, GUI=FALSE, Iadj=10000, Mq=10, Ny4a=0)
6 “QM-ajustada” significa “ajustada empleando el algortimo de Ajuste de Cuantiles (QM: QuantileMatching)”. 7 Los comandos tienen este formato: FindU.dlyPrcp(InSeries=’/PATH...’, output=’/PATH..../salida/Nombre’,
MissingValueCode=’-99.9’, GUI=FALSE, pthr=0.99, Mq=10, Ny4a=0, p.lev=0.95, Iadj=10000)
FindUD.dlyPrcp(InSeries=’/PATH...’, InCs=’/PATH…/Nombre_mCs.txt’,
output=’/PATH..../salida/Nombre’,
MissingValueCode=’-99.9’, GUI=FALSE, pthr=0.99, Mq=10, Ny4a=0, p.lev=0.95, Iadj=10000)
StepSize.dlyPrcp(InSeries=“D:\\...”, InCs=“D:\\..._mCs.txt”, output=“D:\\...”,
MissingValueCode=“-999.99”, GUI=FALSE, pthr=0.99, Mq=10, Ny4a=0, p.lev=0.95,
Iadj=10000)