See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/271203239

Eventos hidroclimáticos extremos en cuencas andinas: Caso de estudio Cuenca

del río Chinchiná - Colombia

Conference Paper · September 2014

CITATIONS READS

0 184

3 authors:

Jorge Julian Velez J.P. Marín

National University of Colombia National University of Colombia
108 PUBLICATIONS   298 CITATIONS    2 PUBLICATIONS   0 CITATIONS   

SEE PROFILE SEE PROFILE

Ocampo O.L.
Universidad Autónoma de Manizales
46 PUBLICATIONS   48 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

OPERACIÓN Y MANTENIMIENTO PREVENTIVO Y CORRECTIVO A LAS REDES HIDROMETEOROLÓGICAS, DE CALIDAD DEL AIRE Y SÍSMICA EN EL DEPARTAMENTO DE CALDAS
View project

Línea Base Ambiental de Caldas View project

All content following this page was uploaded by Jorge Julian Velez on 27 January 2015.

The user has requested enhancement of the downloaded file.

 SCI SBI

XXI SEMINARIO NACIONAL DE HIDRÁULICA E HIDROLOGÍA

VILLA DE LEYVA, BOYACÁ, 25 AL 27 DE SEPTIEMBRE, 2014

EVENTOS HIDROCLIMÁTICOS EXTREMOS EN CUENCAS ANDINAS:

CASO DE ESTUDIO CUENCA DEL RÍO CHINCHINÁ

Jenny Paola Marín1, Olga Lucía Ocampo1,2, Jorge Julián Vélez1

1
Universidad Nacional de Colombia Sede Manizales, Colombia
2
Universidad Autónoma de Manizales, Colombia
jepmarinsa@unal.edu.co; olocampo@autonoma.edu.co; jjvelezu@unal.edu.co

RESÚMEN:

Los fenómenos hidroclimáticos extremos, producto del cambio y la variabilidad climática,

plantean grandes retos en las cuencas andinas que son especialmente vulnerables. La comprensión del
carácter y la naturaleza de estos eventos extremos es indispensable, para la formulación de los planes
de gestión integral del recurso hídrico, la evaluación del riesgo y el establecimiento de medidas de
adaptación. El análisis de los eventos extremos debe considerar los diferentes períodos de retorno que
dependen de la distribución de probabilidad seleccionada. Este artículo plantea una metodología para
su definición considerando la verosimilitud, el análisis gráfico y el grado de complejidad de la función.
La metodología fue aplicada en la cuenca del río Chinchiná, Colombia, que se caracteriza por un
marcado gradiente altitudinal. En el caso de lluvias máximas, los resultados confirman que es posible
la selección de la función de distribución de probabilidad aplicando los tres criterios descritos; mientras
que para los caudales máximos se limita sólo al criterio de verosimilitud. Por otra parte, se evidencia la
influencia de los factores locales como la altitud, en la intensidad de los eventos de precipitación
máxima en esta cuenca andina.

ABSTRACT:

The extreme hydroclimatic phenomena generated by climate change and climate variability set
great challenges in the Andean Basins which are especially vulnerable. Understanding the character
and nature of these extreme events is essential for the integrated water resource management plans, risk
assessment and the adaptation measure establishment. The extreme event analysis should consider the
different return periods that depend on the selected probability distribution. This article presents a
methodology for its definition considering the likelihood, graphical analysis and the complexity
function degree. The methodology was applied in Chinchiná River Basin, Colombia, which is
characterized by a marked altitudinal gradient. For maximum rainfall, the results confirm that it is
possible to select the probability distribution function using the three criteria; for the maximum flow is
limited only to the likelihood criterion. Moreover, the influence of local factors such as elevation, in the
rainfall extreme events in this Andean basin was evidenced.

PALABRAS CLAVES: eventos extremos, variabilidad climática, cambio climático

INTRODUCCIÓN

Durante los últimos 50 años, las condiciones meteorológicas y climáticas extremas han sido la
causa de nueve de cada diez desastres naturales en el mundo (OMM, 2009; 2011). Para las últimas dos
décadas, la Organización Meteorológica,OMM (2013) registra un mayor número de lluvias extremas.
La primera década del siglo XXI se caracterizó por los drásticos fenómenos climáticos y
meteorológicos extremos donde las inundaciones fueron el evento que se presentó con mayor
frecuencia; aunque otros comunes fueron las crecidas de ríos y deslizamientos de tierra (OMM, 2013).
Si bien la variabilidad natural influye en estos eventos y tendencias, el aumento de los gases de efecto
invernadero también los afecta (IPCC, 2007; 2012).
El Panel Intergubernamental de Expertos de Cambio Climático, IPCC (2007, 2012) ha llegado a
la conclusión que el aumento en los fenómenos extremos, así como el cambio en las tendencias
socioeconómicas y demográficas son elementos que han contribuido a aumentar la vulnerabilidad
frente al cambio climático. Las poblaciones con menos recursos son las más vulnerables por su
capacidad de adaptación limitada; las más expuestas se encuentran en los países en desarrollo, con
infraestructuras frágiles y con una menor capacidad para reducir los riesgos y gestionarlos (PNUD,
2000; OMM, 2011).
Se espera que el cambio climático vaya exacerbando esta amenaza pues se prevé aumento en la
frecuencia e intensidad de los fenómenos meteorológicos extremos (IPCC, 2007; 2012), uno de los
aspectos más amenazadores del cambio climático mundial (OMM, 2008).
La frecuencia de precipitaciones intensas se ha incrementado en los trópicos (Roy y Rouault,
2013) y en otras regiones del mundo (Frei y Schar, 2001; Groisman et al., 2012) con variaciones
sustanciales en los patrones espacio-temporales. Los países de América Latina son vulnerables a estos
extremos climáticos dada su ubicación geográfica y las características topográficas (PNUMA, 2006;
Magrin et.al., 2007). En la región se evidencia un aumento de estos eventos, los cuales han causado
inundaciones, sequías y deslizamientos (IPCC, 2007). Hay preocupación por los aumentos
generalizados en los extremos de precipitación (Alexander et al., 2006), que amenazan los recursos
hídricos y la agricultura (Rosenzweig et al., 2004; Lin, 2007), entre otros sectores productivos.
En Colombia (IDEAM, 2005), al igual que en muchas partes del mundo (CEPAL, 2009; IPCC,
2007; Trenberth & Thomas, 2003; Adger et. al, 2007), se considera que tales fenómenos naturales que
producen eventos extremos están relacionados con la Oscilación del Sur-El Niño. En consecuencia, los
cambios en el régimen de lluvias tienen efectos muy diversos influenciados por el Niño y La Niña
(IDEAM, 2010); es posible observar comportamientos diferenciados de los desastres por fenómenos
hidrometeorológicos: incremento durante La Niña y disminución en episodios del Niño (Velásquez &
Rosales, 2002; Ocampo et al., 2014).
Los patrones de cambio de la variabilidad climática interanual son diferentes de los medios
climáticos y por tanto, los cambios en los extremos y en la variabilidad climática están controlados por
otros mecanismos, entre los cuales los factores locales son fundamentales (Poveda, 2004; Frei et al.,
2006; Seneviratne et al., 2006; Boé y Terray, 2008).
El análisis de las variables climatológicas, en especial la lluvia es particularmente importante
para la gestión integral de los recursos hídricos (Deckers et al., 2010); los estudios de cuencas no
aforadas (Wale et al., 2009); la modelación hidrológica (Rientjes, 2013); el análisis de amenazas de
eventos extremos (Lenderink y Meijgaard, 2008; Tarenkeng et al., 2010; Goodess, 2013; Roy and
Roualt, 2013); la evaluación de impactos de cambios de uso del suelo (Rientjes, 2011) y del cambio
climático (Abdo et al., 2009). Por otra parte, facilita la comprensión de los patrones de variabilidad
espacio-temporal; de manera que se pueda estimar la frecuencia e intensidad de los eventos extremos,
sus efectos en el balance hídrico y evaluar la influencia de los factores locales como la altitud.
En este sentido, los estudios a escala de cuencas andinas son necesarios por las características
de la precipitación tropical que exhibe alta variabilidad espacio-temporal en pequeñas escalas (Poveda,
2004). Comprender los patrones de variabilidad a nivel de cuenca es un componente fundamental para
el establecimiento de medidas de adaptación al cambio y la variabilidad climática.

MATERIALES Y MÉTODOS
El caso de estudio fue la cuenca del río Chinchiná (1052 km2), cuenca Andina localizada en la
región Centro Sur del departamento de Caldas, Colombia.

Figura 1.- Localización de la cuenca del río Chinchiná

Para el análisis se tuvieron en cuenta los registros diarios históricos de las variables
hidroclimáticas de las estaciones ubicadas en la cuenca; se consideraron las series temporales de 25
estaciones de precipitación y 5 de aforo, con información mayor a 30 años. Las series históricas fueron
suministradas por diferentes entidades como el Instituto de Hidrología, Meteorología y Estudios
Ambientales-IDEAM, La Central Hidroeléctrica de Caldas - CHEC, el Centro Nacional de
Investigaciones del Café- CENICAFE, y la Universidad Nacional de Colombia Sede Manizales. Previo
a la evaluación de eventos extremos, se efectuó el análisis de consistencia, homogeneidad y calidad de
las series temporales.
A partir de estos registros, se estableció la distribución de probabilidad de mejor ajuste
mediante el software libre AFINS 2.0, desarrollado por el Grupo de Investigación de Modelación
Hidrológica y Ambiental (GIMHA), que forma parte del área de investigación de hidráulica e
hidrología del Instituto de Ingeniería del Agua y el Medio Ambiente (IIAMA) de la Universidad
Politécnica de Valencia.
Se evaluaron diferentes distribuciones de probabilidad de valor extremo como Gumbel, Log
Gumbel, TCEV (Two Components Extreme Value), GEV (Generalized Extreme Value) y LogNormal
2; las ecuaciones de estas funciones se presentan a continuación:

GUMBEL

( ) ( ( )) [1]

( ) ( ) ( ( )) [2]

Donde es el parámetro de escala y λ es el parámetro de forma.

TCEV

( ) [ ( ) ( )] [3]

( ) ( )[ ( ) ( )] [4]

Donde y son los parámetros de escala y forma respectivamente de las crecidas

“ordinarias” y y son los parámetros de escala y forma de las crecidas “extraordinarias”.

GEV

( ) [ ( ( )) ] [5]

( ) ( )[ ( ( )) ] [6]

Donde α es el parámetro de escala, β es el parámetro de forma y es el parámetro de

localización.

Si β > 0 entonces < ( )

Si β < 0 entonces > ( )

LOG GUMBEL

( ) ( ) [7]

( ) () ( ) [8]
LOG NORMAL

( )
( ) ( ) [9]

( )
( ) [ ( ) ] [10]
√

Donde es la función de distribución acumulada normal estándar.

La curva de distribución de probabilidad permitió el análisis de lluvias máximas para los

diferentes períodos de retorno. Para su selección se consideraron tres criterios que se describen a
continuación:
1. Máxima verosimilitud: parámetro que permite determinar el mejor ajuste brindado entre las
distribuciones de probabilidad evaluadas. Si x1, x2,…..xn son los valores observados de una muestra
aleatoria de tamaño n, la función de verosimilitud o probabilidad conjunta de la muestra es:

L(Υ) = f(x1,Υ)* f(x2,Υ)*……………… f(xn,Υ) [11]

La función de verosimilitud es una función del parámetro desconocido Υ. El estimador de

máxima verosimilitud de Υ es el valor que maximiza la función de probabilidad conjunta L(Υ).
2. Linealidad en las curvas de ajuste: la “concavidad” en alguna de ellas representa errores
para el cálculo de lluvias en períodos de retorno elevados.
3. Parsimonia: es un principio metodológico filosófico, según el cual, “En igualdad de
condiciones, la explicación más sencilla suele ser la correcta”. De esta manera, cuando dos teorías, en
los mismos escenarios tienen las mismas consecuencias, la teoría considerada más simple tiene la
mayor probabilidad de ser la correcta que la más compleja. En consecuencia, se prefieren modelos más
simples representados por distribuciones de probabilidad con menos parámetros.
Finalmente, con el software IBM SPSS Statistics se efectuaron los análisis de la variación de los
eventos de extremos de precipitación con la altitud, para los diferentes períodos de retorno evaluados:
5, 10, 25, 50, 100 y 500.

EVALUACIÓN DE RESULTADOS
Las lluvias máximas diarias son sensibles a la distribución de probabilidad seleccionada como
se ilustra en la tabla 1 que presenta estas lluvias para diferentes períodos de retorno en la estación
Cenicafé, una de las estaciones analizadas, que posee registros del año 1942.

Tabla 1.- Lluvias máximas para diferentes periodos de retorno y análisis de verosimilitud (Cenicafé)
Distribución de
GEV Gumbel TCEV LogGumbel LogNormal 2
Probabilidad
Tr=5 98.2 98.2 98.1 98.5 99.4
Tr=10 111.1 109.7 109.9 114.0 109.9
Lluvia Tr=25 128.7 124.3 124.7 137.1 122.4
diaria mm Tr=50 142.6 135.1 135.7 157.3 131.2
Tr=100 157.3 145.8 146.6 180.2 139.6
Tr=500 194.4 170.6 171.4 246.8 158.4
Verosimilitud -311.3 -311.7 -311.8 -311.8 -313.3
 La aplicación de cada uno de los criterios descritos en la metodología permitió elegir la mejor
distribución de probabilidad. Para la estación Cenicafé, por ejemplo, el análisis de verosimilitud se
resume en la Tabla 1; según el primer criterio -máxima verosimilitud- la distribución GEV presentó un
mejor ajuste. Aplicando el segundo criterio, las distribuciones con tendencia lineal fueron Gumbel,
TCEV, LogNormal 2 y GEV (Figura 2). El tercer criterio indica que las distribuciones con menos
parámetros son Gumbel, Log Gumbel y LogNormal 2. Por tanto, a partir de los tres criterios se
seleccionó la distribución Gumbel.
GEV TCEV

Gumbel LogGumbel

LogNormal 2

Figura 2.- Análisis gráfico de las Distribuciones de probabilidad de lluvias máximas, Estación Cenicafé
 Para las 25 estaciones consideradas, 22 de ellas presentaron una máxima verosimilitud con la
función de distribución de probabilidad GEV, dos con Log Normal 2 y una con Log Gumbel. En
cuanto al análisis gráfico, la función de distribución Gumbel se ajustó a 25 estaciones, seguida por la
TCEV en 21 estaciones hidroclimáticas. La Figura 3 presenta los mejores ajustes en algunas de las
estaciones evaluadas, siguiendo la función de distribución Gumbel.

Uribe (1905 m.s.n.m)

Neira Río Tapias (1026 m.s.n.m)

Granja Luker (1590 m.s.n.m) Agronomía (1346 m.s.n.m)

Cenicafé (1590 m.s.n.m) La Esperanza (3280 m.s.n.m)

Figura 3.- Distribuciones de probabilidad de lluvias máximas cuenca del río Chinchiná
 La Figura 4 permite identificar la influencia de la altitud en las lluvias máximas. El análisis de
varianza mediante prueba no paramétrica de Kruskal Wallis evidencia diferencias estadísticamente
significativas (=0,05) en estas lluvias máximas para los períodos de retorno de 5, 10, 25 y 50 años, en
los diferentes rangos de altitud. Por otra parte, las series históricas registran intensificación de los
eventos extremos en la cuenca por encima del percentil 95 y 99.

Figura 4.- Lluvias máximas en la cuenca del río Chinchiná por rangos de altitud.

Con relación al caudal, se aplicaron los mismos criterios para la selección de la curva de
distribución de probabilidad en 5 estaciones con registros superiores 30 años. Por ejemplo, para la
estación El Retiro, los resultados del análisis de verosimilitud se ilustran en la Tabla 2; la máxima
verosimilitud se obtuvo con la distribución TCEV.

Tabla 2-. Análisis de Máxima Verosimilitud o Probabilidad Conjunta para la estación El Retiro.
Distribución Verosimilitud
TCEV -163.663
GEV -163.690
LogNormal 2 -163.714
Gumbel -163.964

Las distribuciones con tendencia lineal fueron Gumbel y Log Normal 2 como se muestra en la
Figura 5; la Parsimonia se da en las distribuciones Gumbel y LogNormal 2. Por tanto, el mejor ajuste
es dado por la función de distribución LogNormal 2.
 GEV LogNormal 2

Gumbel TCEV

Figura 5.- Ajuste de distribuciones de probabilidad para la estación de aforo El Retiro

La Tabla 3 presenta el cálculo del error relativo para las diferentes funciones de distribución
analizadas, frente a la distribución LogNormal 2 elegida como la de mejor ajuste; los mayores errores
se presentan en períodos de retorno elevados.
En las cinco estaciones analizadas, la distribución de probabilidad con máxima verosimilitud
fue representada por la función GEV en 3 estaciones y TCEV en 2. En algunas estaciones, existen
diferencias significas en las curvas de ajuste que no permiten la aplicación de los tres criterios; por
tanto, la selección debe limitarse al criterio estadístico de máxima verosimilitud.

Tabla 3.- Cálculo del error relativo en los caudales máximo con relación a la distribución LogNormal 2
Distribución de Error, %
Probabilidad Tr=5 Tr=10 Tr=25 Tr=50 Tr=100 Tr=500
TCEV 1.2% 0.2% -2.1% -4.2% -6.3% -10.5%
GEV 0.2% 1.5% 3.1% 4.4% 5.8% 9.1%
Gumbel 0.5% 1.1% 1.8% 2.2% 2.7% 4.1%
CONCLUSIONES
Este artículo presenta el comportamiento de los eventos hidroclimáticos extremos en la cuenca
del río Chinchiná; estos eventos son sensibles a la distribución de probabilidad seleccionada.
Se presentan tres criterios que permiten la elección considerando la verosimilitud, el análisis
gráfico y la simplicidad de la función de distribución, los cuales pueden ser aplicados para el análisis de
lluvias máximas.
La distribución de probabilidad de lluvias máximas que presentó mejor ajuste en las estaciones
de la cuenca, según el criterio de la verosimilitud, fue la GEV; sin embargo, considerando los tres
criterios, la función Gumbel es adecuada.
Con relación a los caudales máximos se sugiere emplear sólo el criterio de la máxima
verosimilitud para la selección de la función de probabilidad.
Por otra parte, este artículo evidencia diferencias estadísticamente significativas (=0,05) en las
lluvias máximas para los períodos de retorno de 5, 10, 25 y 50 años, en los diferentes rangos de altitud,
lo cual revela la importancia de los factores locales para el análisis de los eventos climáticos extremos.
Estos resultados deben considerarse en los planes de gestión integral del recurso hídrico y en las
medidas de adaptación al cambio y la variabilidad climática en la cuenca.

BIBLIOGRAFÍA
Abdo, K.S., Fiseha, B.M., Rientjes, T.H.M., Gieske, A.S.M., Haile, A.T. (2009). Assessment of climate
change impacts on the hydrology of Gilgel Abay catchment in Lake Tana basin, Ethiopia. Hydrological
Processes 23 (6), 3661–3669.
Adger, W.N., Agrawala, S., Mirza, M., Conde, C., O'Brien, K., Pulhin, J., Pulwarty, R., Smit, B., and
Takahashi, K. (2007). Assessment of adaptation practices, options, constraints and capacity; in Climate
Change 2007: Impacts, Adaptation and Vulnerability (Contribution of Working Group II to the Fourth
Assessment Report of the Intergovernmental Panel on Climate Change), (ed.) M.L. Parry, O.F. Canziani, J.P.
Palutikof, P.J. van der Linden and C.E. Hanson, Eds., Cambridge University Press, Cambridge, United
Kingdom, 133-171.
Alexander, L. V., Zhang, X., Peterson, T. C., Caesar, J., Gleason, B., Klein Tank, A. M. G., et al.
(2006). Global observed changes in daily climate extremes of temperature and precipitation. Journal of
Geophysical Research-Atmospheres, 111.
Boé, J., Terray, L. (2008). Uncertainties in summer evapotranspiration changes over Europe and
implications for regional climate change. Geophys. Res. Lett. 35, L05702. doi:10.1029/2007GL032417.
CEPAL. Comisión Económica para el América Latina y el Caribe. (2009). Cambio Climático y
desarrollo en América Latina y el Caribe: una reseña. Santiago de Chile: Organización de las Naciones
Unidas.
Deckers, D.L.E.H., Booij, M.J., Rientjes, T.H.M., Krol, M.S. (2010). Catchment variability and
parameter estimation in multi – objective regionalisation of a rainfall – runoff model. In: Water resources
management,
Frei, C., Schar, C. (2001). Detection probability of trends in rare events: theory and application to heavy
precipitation in the alpine region. Journal of Climate, 14, 1568-1584.
Frei, C., Schöll, R., Fukutome, S., Schmidli, J., Vidale, P.L. (2006). Future change of precipitation
extremes in Europe: an intercomparison of scenarios from regional climate models. J. Geophys. Res. 111,
D06105.
Goodess, C.M. (2013). How is the frequency, location and severity of extreme events likely to change up to
2060?. Environ. Sci. & Police.
Groisman, P. Ya., Knight, R. W., & Karl, T. R. (2012). Changes in intense precipitation over the central
United States. Journal of Hydrometeorology, 13, 47-66.
IDEAM. Instituto de Hidrología, Meteorología y de Estudios Ambientales. (2005). Atlas Climatológico
de Colombia. Bogotá: Ministerio de Ambiente, Vivienda y Desarrollo Territorial. IDEAM.
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia. (2010).
 Indicadores, tendencias y escenarios hidrológicos para el cambio climático. Bogotá.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático (2007). Cambio Climático
2007: Informe de Síntesis. Ginebra, Suiza.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático. (2012). Gestión de los
riesgos de fenómenos meteorológicos extremos y desastres para mejorar la adaptación al cambio climático.
Ginebra. Suiza.
Lenderink, G., van Meijgaard, E. (2008). Increase in hourly precipitation extremes beyond expectations
from temperature changes. Nat. Geosci. 1, 511–514.
Lin, Brenda. (2007). Agroforestry management as an adaptive strategy against potential microclimate
extremes in coffee agriculture. Agricultural and Forest Meteorology 144 (2007) 875-94.
Magrin, et. al. (2007). Latina America, Climate Change 2007: Impacts, Adaptation and Vulnerability,
Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on
Climate Change. Cambridge University Press.
Ocampo, Vélez y Londoño (2013). Análisis de vulnerabilidad hídrica de la cuenca del río Chinchiná.
Universidad Nacional de Colombia.
OMM. Organización Meteorológica Mundial (2008). Adaptación a la variabilidad del clima y al cambio
climático. Boletín. La Revista de la Organización Meteorológica Mundial. Volumen 57 (2). PP 142.
OMM. Organización Meteorológica Mundial (2009). La información sobre el clima, un instrumento para
reducir los riesgos de desastres. Tercera Conferencia Mundial sobre el Clima. Ginebra, Suiza.
OMM. Organización Meteorológica Mundial (2011). El Clima y Tú. Ginebra, Suiza.
OMM. Organización Meteorológica Mundial (2013). El estado del clima mundial 2001-2010. Un
decenio de fenómenos climáticos extremos. Ginebra, Suiza.
PNUD. Programa de la Naciones Unidas para el Desarrollo. (2000). Panorama del Impacto ambiental de
los recientes desastres naturales en América Latina y el Caribe.
Poveda, G. (2004): La hidroclimatología de Colombia. Una síntesis desde la decada Interdecanal hasta la
escala diurna. Rev. Acad. Colomb.Ciencia 28 (107) , 201-222.
Programa de las Naciones Unidas para el Medio Ambiente [PNUMA]. (2006). El Cambio Climático en
América Latina y el Caribe. México: Secretaria de Medio Ambiente y Recursos Naturales, SEMARNAT.
Rientjes, T.H.M., Alemseged, T.H., Kebede, E., Mannaerts, C., Habib, E., Steenhuis, T.S. (2011).
Changes in land cover and stream flow in Gilgel Abay watershed, Blue Nile Basin Ethiopia. Hydrology and
Earth System Sciences 15, 1979–1989.
Rientjes, Haile and Fenta (2013). Diurnal rainfall variability over the Upper Blue Nile Basin: A remote
sensing based approach. International Journal of Applied Earth Observation and Geoinformation 21 (2013)
311-325.
Rosenzweig, C., Strzepek, K.M., Major, D.C., Iglesias, A., Yates, D.N., McCluskey, A., Hillel, D.
(2004). Water resources for agriculture in a changing climate: international case studies. Global Environ.
Change 14, 345–360.
Roy and Rouault. (2013): Spatial patterns of seasonal scale trends in extreme hourly precipitation in South
Africa. Applied Geography 39 (2013) 151-157.
Seneviratne, S.I., Lüthi, D., Litschi, M., Schär, C. (2006). Land–atmosphere coupling and climate change
in Europe. Nature 443, 205–209.
Tarekegn, H.T., Haile, A.H., Rientjes, T.H.M., Reggiani, P., Alkema, D. (2010). Assessment of an
ASTER-generated DEM for 2D-hydrodynamic flood modeling. International Journal of Applied Earth
Observation and Geoinformation,
Trenberth and Thomas. (2003). Modern Global Climate Change. Science 5 , Vol 302.
Velásquez, A., y Rosales, C. (2002). Los pasos del Niño en Colombia 1980-2001. Santiago de Cali:
Universidad del Valle.
Wale, A., Rientjes, T.H.M., Gieske, A.S.M., Getachew, H.A. (2009). Ungauged catchment contributions
to Lake Tana’s water balance. Hydrological Processes 23 (26), 3682–3693.

View publication stats