Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director:
Ph.D. Jaime Ignacio Vélez Upegui
Codirector:
Ph.D. Germán Poveda Jaramillo
A mi director de tesis Jaime Ignacio Vélez, muchas gracias por creer en mis capacidades y
por permitirme participar en diferentes actividades investigativas y docentes relacionadas con la
hidrologı́a y los sistemas de información geográfica, las cuales me han hecho crecer profesionalmen-
te y como persona. A mi codirector de tesis, German Poveda Jaramillo por todo su apoyo y los
consejos proporcionados durante la elaboración de éste trabajo, han sido muy valiosos. Gracias a
los ingenieros Julián Morales, Manuel Zuluaga y Paola Arias por su ayuda en la recopilación y
procesamiento de la información utilizada en la tesis. Un mensaje de profundo agradecimiento a
mis compañeros de HidroSIG y amigos, Olver Hernández y Felipe Quintero, mis maestros en el arte
de la programación en JAVA. Por todas sus enseñanzas, muchas gracias a los profesores que me
impartieron cátedra en la maestrı́a, Ricardo Smith, Marı́a Victoria Vélez, Mauricio Toro, Gladys
Bernal, Luis Fernando Carvajal y Andrés Ochoa.
Por brindarme ánimos, paciencia y comprensión, gracias a mi familia. A mis padres Cándida
y Arturo, a mi hermana Angela Marı́a, mi tı́a Marta, mis primas Paula, Astrid y Bibiana y a mi
primo Carlos Andrés, los quiero mucho a todos. Liliana, Sandrita, Luisa y Chente, gracias por su
apoyo y constantes ánimos. A mi novia Mónica, muchas gracias por brindarme tanto amor y aliento
durante el proceso de culminación de éste trabajo.
Gracias a todos mis compañeros de cohorte, en especial a mis amigos, Mario Jiménez, Lina
Marı́n, Paola Roldán, Carolina Ortiz, Julián Montoya y Oscar Rueda. Los miembros de la Royal
Suciety, se merecen un mensaje de gratitud especial....durante el tiempo que trabajé en ésta tesis
muchas veces estuve mal y ustedes me ayudaron a superar las dificultades, a todos lo considero mis
amigos: A Carlos El Sucio Restrepo, Joany El Dirty Sánchez, Jorge El Ácaro Hernández y Cristian
Demonmalfas Ortiz, muchas gracias y larga vida al Rock And Roll.
Finalmente, gracias a las personas con las cuales he tenido el placer de compartir durante mis
cinco años de trabajo en el Postgrado en Aprovechamiento de Recursos Hidráulicos, de quienes
he aprendido muchas cosas; en especial a Jesús David Gómez, Marı́a Clara Gómez, Juan David
Montoya, Javier Eduardo Posada, Remberto Luis Rhenals, Jorge Esteban Alarcón, Oscar Correa,
Hernán Moreno, Oscar Andrés Estrada, Yuley Cardona, Silvia Alejandra Montoya, Daniel Busta-
mante, Hugo Escorcia, Mauricio Andrés Ruiz, Juan David Urrego, Jorge Mario Cadavid, Edwin
David Builes, Juan Fernando Patiño, Juan Camilo Martinez y Laura Posada.
iii
Resumen
Inicialmente, se realiza una evaluación crı́tica de las diferentes metodologı́as existentes para
la estimación espacial de variables que se encuentran actualmente en la literatura. Las metodo-
logı́as clásicas para la estimación espacial como los polı́gonos de Thiessen o el método del inverso
cuadrático de la distancia, no consideran que la variable a estimar es aleatoria, por lo cual no
puede cuantificarse la incertidumbre asociada con dichas estimaciones. Por el contrario, los algorit-
mos geoestadı́sticos consideran explı́citamente la aleatoriedad de los fenómenos representados y, en
virtud de lo anterior, permiten cuantificar la incertidumbre relacionada con la estimación espacial.
Las diferentes metodologı́as de estimación espacial revisadas durante ésta investigación han
sido empleadas por muchos cientı́ficos para estimar campos de diferentes variables hidrológicas.
En especial, para la precipitación han encontrado resultados satisfactorios cuando integran la pre-
cipitación medida en las estaciones junto con información secundaria de altitud o precipitación
medida con sensores remotos. Ası́, en éste trabajo se han estimado campos de precipitación para
el territorio colombiano utilizando métodos geoestadı́sticos que permiten considerar la información
secundaria en el procedimiento de estimación, como lo son kriging con deriva externa, cokriging
estandarizado y cokriging colocalizado. La información de apoyo la constituye un campo de inten-
sidades de precipitación estimado a partir de los datos extraı́dos del sensor PS del satélite de la
misión TRMM, el cual fue post-procesado para obtenerse un campo de precipitación media anual.
Los experimentos realizados muestran que la información secundaria extraı́da representa de forma
coherente la precipitación en tierra medida en los pluviómetros.
Para estimar los campos de precipitación media anual sobre el territorio colombiano se rea-
v
lizó la implementación computacional de la anteriormente mencionada metodologı́as de estimación
y sus correspondientes algoritmos para la cuantificación de las incertidumbres asociadas. Dicha
implementación generó un módulo geoestadı́stico, escrito en lenguaje JAVA, integrado a la librerı́a
de HidroSIG, el cual contiene aplicaciones referentes al análisis estructural del comportamiento
de variables aleatorias espaciales y estimación de campos de variables espaciales mediante kriging
ordinario, kriging simple, kriging con deriva externa, cokriging ordinario, cokriging colocalizado y
cokriging indicador.
Se han estimado campos de evapotranspiración medial anual real y potencial para el territorio
colombiano empleando las metodologı́as de Turc, Turc modificado, Penman aproximado, Thor-
nwaite, Cenicafé, Coutagne, Choudhury y Budyko. Dichos métodos estiman la evapotranspiración
partiendo de otras variables relacionadas, cuya medición o estimación es más sencilla, como la tem-
peratura, la presión atmosférica, la radiación neta y la precipitación. Los campos de las variables
de entrada previamente mencionadas se estimaron de acuerdo con la disponibilidad de información.
Por ejemplo, para la temperatura y la presión atmosférica se estimaron ecuaciones de ajuste con
respecto de la altitud, usando registros existentes en estaciones climatológicas. A partir de dichas
ecuaciones de ajuste se estimaron los campos asociados usando la información de altitud contenida
en un Modelo Digital de Elevaciones extraı́do de la base de datos GTOPO30. Por otro lado, el
campo de radiación neta se ha estimado empleando la metodologı́a propuesta por Morton, la cual
se basa en la disponibilidad de un campo de brillo solar, el cual se estimó mediante kriging con
deriva a partir de estaciones en tierra de dicha variable.
Finalmente, se han calculado los balances hı́dricos de largo plazo para 390 cuencas en el territo-
rio colombiano empleando el campo de precipitación estimado mediante kriging con deriva externa
y los diferentes campos de evapotranspiración. Adicionalmente, se estimaron los campos de lámina
de escorrentı́a para el territorio colombiano. Los balances hı́dricos se estimaron con el propósito de
realizar una validación indirecta de los campos de precipitación y evapotranspiración estimados.
Se obtuvieron resultados aceptables en la estimación del caudal medio anual para los diferentes
campos de evapotranspiración estimados con excepción del obtenido para la metodologı́a de Turc
modificado.
Para cuantificar la incertidumbre asociada con la estimación del caudal medio anual mediante
el modelo de balance hı́drico de largo plazo se desarrolló un expresión analı́tica partiendo de la
ecuación de propagación de la incertidumbre. Con base en dicha ecuación se implementaron dos
experimentos; el primero estima la incertidumbre considerando que el área de la cuenca es conocida,
mientras que el segundo involucra la incertidumbre en la medición del área de la cuenca en el
Modelo Digital de Elevaciones. Se cuantifica, entonces, la incertidumbre en la medición del aérea
ocasionada por la rasterización de la divisoria de la cuenca y se involucra la ley de Hack para tener
en cuanta la relación de elongación, que se manifiesta en la variación del perı́metro con el área
de la cuenca. Se encontró que la incertidumbre de medición del área de la cuenca es importante
para cuencas pequeñas, pero su influencia disminuye a medida que su área aumenta. También se
encontró que, para ambos experimentos, las incertidumbres estimadas escalan simplemente con el
área de la cuenca de forma muy similar a la que manifiestan los caudales medios anuales.
Abstract
There are many uncertainty sources in a hydrological modeling procedure, for instance, uncer-
tainties that arises from using information in different spatial and temporal resolutions, uncertain-
ties that emerge from estimating values of a variable in a location where the information is not
available, uncertainties relating to post-processing the results, uncertainties that propagates when
a spatial superposition operation between fields is performed, among others. In this Master Thesis,
different uncertainty quantification methodologies, that are related with some of the uncertainty
sources above mentioned, are applied. The analysis has been focused in the uncertainty arising in
estimation of precipitation and evapotranspiration fields.
Firstly, a thorough literature review about spatial estimation methodologies is performed. The
classical methodologies to perform spatial estimations, for instance, Thiessen´s polygon or inverse
distance interpolation, can not consider the randomness of the variable that has been estimated. In
opposition, the geostatistical algorithms can account the randomness of the represented phenomena
and allow to quantify the uncertainty related with the spatial interpolation procedure.
There are different geostatistical approaches to quantify the uncertainty related with the esti-
mation of geophysical variables fields. Some of them are related with quantification of estimation
error arising from estimating an attribute by applying a methodology based on kriging. Another
approaches try to calculate the accumulated probability distribution of a variable analyzed at a de-
termined location. Such accumulated probability distribution represents a local uncertainty model
of a variable in the selected location.
The spatial estimation methodologies presented in this research have been used for many scien-
tists to estimate different hydrological fields. Specially, for precipitation there are satisfactory results
when rainfall information from raingauge measurements is used together with auxiliar information
extracted from Digital Elevation Models or remote sensed rainfall. Thus, long-term rainfall fields
for Colombia are estimated with some geostatistical methodologies, which allow to consider the
auxiliar information in the estimation procedure. Those methodologies are kriging with an external
drift, ordinary standardized cokriging and colocated cokriging. The auxiliar information was built
as a precipitation intensity field estimated from data of the PS sensor of the TRMM satellite. The
above mentioned intensity field was post-processed to obtain a long-term anual average rainfall
field. Some experiments have shown that the auxiliar information extracted form TRMM data
represents coherently the anual average precipitation measured with the raingauges.
To estimate the long-term anual average precipitation field for Colombia, the computational
implementation of some estimation algorithms and their associated routines for estimation uncer-
tainty quantifications were performed. Such implementations generated a geostatistical software
module. It was developed in JAVA language and has been integrated in the HidroSIG library. The
ix
new HidroSIG geostatistical library contains some applications about structural analysis of random
spatial variables, estimation of spatial variables fields with ordinary kriging, simple kriging, kriging
with external drift, ordinary cokriging, colocated cokriging and indicator cokriging.
In general, each estimated long-term anual average rainfall field has associated an uncertainty
field according with the estimation methodology used. The uncertainty or error fields associated
with the estimations performed with kriging present a discontinuous behavior. Because of that, it
was necessary to implement methodologies to calculate accumulated probability function related to
each location where the precipitation is estimated using the indicator transformation of the original
data. From this point of view, accumulated probability distributions of precipitation for Colombia
were estimated using indicator colocated cokriging with Bayes-Markov hypothesis. The uncertainty
field obtained through indicator colocated cokriging is continuos and consistent with the physics of
rainfall in colombia. The computational procedures about estimations of probability distributions
through indicator kriging and cokriging, specially indicator colocated cokriging with Bayes-Markov
hypothesis, have been included in the HidroSIG geostatistical library.
Long-term average real an potential evapotranspiration fields have been estimated for Colombia
using Turc, modified Turc, approximated Penman, Thornwaite, Cenicafé, Coutagne, Choudhury
and Budyko methodologies. Such methodologies estimates evapotranspiration considering other
more easily measurable related variables, as temperature, atmospheric pressure, net radiation and
precipitation. The above mentioned variable´s fields were estimated according the available infor-
mation. For temperature and pressure, it has been analytically developed fitting equations with
elevation as independent variable, using the existent data from climatological gauges. By the means
of a Digital elevation Model and using the above mentioned equations, such variables fields were
estimated. In this investigation, GTOPO30 elevation data has been used. Net radiation field was
estimated using Morton´s method and incorporating a solar bright field, which was estimated with
kriging with an external drift and long-term information from solar bright´s gauges.
To quantify uncertainty related with long-term evapotranspiration fields estimation, it has been
used statistical uncertainty propagation equation. Independency between the involved variables
has been assumed. For every applied methodology, it has been analytically developed its uncer-
tainty propagation equation. Initially, uncertainty fields for any related variable were calculated
in agreement with the estimation methodology. For temperature, atmospheric pressure, dew point
temperature, uncertainties arising from Digital Elevation Model processing and equation fitting
were accounted. For solar bright fields, uncertainties emerging from spatial interpolation have been
quantified. For net radiation, uncertainty propagation equation was used for each step involved in
Morton´s algorithm.
Finally, long-term water balances have been calculated for 390 drainage basins in Colombia
using the precipitation field estimated with kriging with an external drift and every estimated eva-
potranspiration field. In addition, long-term average runoff fields were estimated for Colombia. The
above mentioned long-term water balances were estimated to validate the estimated precipitation
and evapotranspiration fields. Aceptable results were obtained in long-term mean flows estimated
using each evapotranspiration field, with exception of the estimated with modified Turc equation.
An analytical uncertainty propagation equation has been developed to quantify the uncertainty
related to mean river flow estimated with long-term water balance equation. Using the above
mentioned equation, two experiments have been implemented, the first one estimates uncertainty
considering that the watershed area is known, whereas the second one involves the watershed
area measurement over the Digital Elevation Model. The quantification of the uncertainty in the
watershed area arising from the rasterization of its boundary was performed, Hack´s Law has
been used to accounting the elongation of the watershed, which relates the watershed perimeter
variation with its area. It has been found that area measurement uncertainty is important for small
drainage basins, but its influence diminishes as area increases. It also has been found that, for both
experiments, uncertainties scales with the watershed area, analogous to anual mean river flows.
Abstract
xii
Índice General
Agradecimientos iii
Resumen v
Abstract ix
1. Introducción general 1
1.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. La incertidumbre y la modelación hidrológica . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Propósitos y alcances de esta tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Estructura del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4. Precipitación 39
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1.1. Caracterı́sticas generales de la precipitación en Colombia . . . . . . . . . . . 39
4.2. Información utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1. Estaciones de precipitación en el territorio colombiano . . . . . . . . . . . . . 40
4.2.2. Estaciones de precipitación de paı́ses limı́trofes . . . . . . . . . . . . . . . . . 41
4.2.3. Consideraciones adicionales acerca del procedimiento de interpolación de
campos de precipitación y cuantificación de su incertidumbre asociada . . . . 42
4.2.4. Información de precipitación global - bases de datos satelitales . . . . . . . . 44
4.3. Análisis estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.1. Análisis de la información de apoyo y selección de la variable secundaria a
ser incluida dentro del procedimiento de interpolación . . . . . . . . . . . . . 47
xiv
Índice General
5. Evapotranspiración 97
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.1.1. Caracterı́sticas generales de la evapotranspiración . . . . . . . . . . . . . . . . 97
5.2. Información utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2.1. Topografı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2.2. Temperatura media anual y temperatura de punto de rocı́o . . . . . . . . . . 100
5.2.3. Presión atmosférica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.2.4. Humedad relativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.2.5. Brillo solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.2.6. Radiación neta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.2.7. Consideraciones acerca de la información disponible y su incertidumbre asociada121
5.3. Métodos para la estimación de la evapotranspiración potencial . . . . . . . . . . . . 124
5.3.1. Ecuación de CENICAFÉ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.3.2. Ecuación de Thornwaite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.3.3. Método de Turc modificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3.4. Método combinado aerodinámico y de balance de energı́a (Penman) con apro-
ximación de Priestley y Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.3.5. Método de Morton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.6. Análisis de los campos de evapotranspiración potencial y su incertidumbre . . 133
5.4. Estimación de la evapotranspiración real . . . . . . . . . . . . . . . . . . . . . . . . . 144
xv
Índice General
xvi
Índice de Tablas
4.4. Parámetros ajustados para los modelos corregionalización por regiones para la variable prin-
cipal, precipitación. C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura
imbricada, a1x y a1y son sus rangos iniciales en la dirección de menor y mayor variación,
x y y, respectivamente; C2 es la meseta de la segunda estructura imbricada, a2x y a2y son
sus rangos finales en la dirección de menor y mayor variación, x y y, respectivamente. . . . . 59
4.5. Parámetros ajustados para los modelos corregionalización por regiones para la variable se-
cundaria, TRMM. C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura
imbricada, a1x y a1y son sus rangos iniciales en la dirección de menor y mayor variación,
x y y, respectivamente; C2 es la meseta de la segunda estructura imbricada, a2x y a2y son
sus rangos finales en la dirección de menor y mayor variación, x y y, respectivamente. . . . . 59
4.6. Parámetros ajustados para los modelos corregionalización por regiones para los variogramas
cruzados. C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura im-
bricada, a1x y a1y son sus rangos iniciales en la dirección de menor y mayor variación, x y
y, respectivamente; C2 es la meseta de la segunda estructura imbricada, a2x y a2y son sus
rangos finales en la dirección de menor y mayor variación, x y y, respectivamente. . . . . . 59
4.7. Parámetros ajustados para los modelos regionalización para la transformada indicadora en
la región Andina. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbri-
cada, ax y ay son sus rangos iniciales en la dirección de menor y mayor variación, x y y,
respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.8. Parámetros ajustados para los modelos regionalización para la transformada indicadora en
la región Atlántica. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura
imbricada, ax y ay son sus rangos iniciales en la dirección de menor y mayor variación, x y
y, respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
xvii
Índice de Tablas
4.9. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Pacı́fica. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada
y a es el rango. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.10. Parámetros ajustados para los modelos regionalización para la transformada indicadora en
la región Amazonı́a-Orinoquı́a. C0 es el efecto pepita isotrópico, C1 es la meseta de la
estructura imbricada y a es el rango. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.11. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Ecuador. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada
y a es el rango. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.12. Parámetros ajustados para los modelos regionalización para la transformada indicadora en
la región de Venezuela. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura
imbricada y a es el rango. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.13. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la región Andina. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza,
σ: desviación estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a) . . . . . . 77
4.14. Tabla de estadı́sticos principales para los datos de referencia (estaciones) para la región
Atlántica. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación
estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a) . . . . . . . . . . . . . 77
4.15. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la región Pacı́fica. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza,
σ: desviación estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a) . . . . . . 77
4.16. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la Amazonı́a y Orinoquı́a. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var:
varianza, σ: desviación estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a) . 78
4.17. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la Región Ecuador. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza,
σ: desviación estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a) . . . . . . 78
4.18. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para Venezuela. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ:
desviación estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a) . . . . . . . 78
4.19. Tabla de errores absolutos medios (EAM ) y errores cuadráticos medios (ECM ) estimados
para cada método de interpolación espacial y para cada región de estudio . . . . . . . . . . 79
5.1. Parámetros ajustados para los modelos regionalización para el brillo solar en Colombia. C0
es el efecto pepita isotrópico, C1 y a son la meseta y el rango de la estructura imbricada
lineal, respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
xviii
Índice de Figuras
3.1. Esquema de la zona de tolerancia para el cálculo del variograma direccional implementada
en HidroSIG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3. Campo de precipitación media anual para el perı́odo 2000-2005, extraı́do de las bases de
datos PERSIANN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4. Campo de precipitación media anual pata el perı́odo 1997-2002, usado como información
secundaria, extraı́do de los datos de precipitación satelital de las base de datos TRMM . . . 46
4.5. Campo de incertidumbre para la información secundaria extraı́da de los datos de precipita-
ción satelital de las base de datos TRMM . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.6. Diagramas de dispersión calculados a partir de los puntos de calibración del modelo de
corregionalización para las regiones Andina, Pacı́fica y Atlántica. En los gráficos se presenta
la correlación lineal entre las variables principal y secundaria. . . . . . . . . . . . . . . . . 50
4.7. Diagramas de dispersión calculados a partir de los puntos de calibración del modelo de
corregionalización para las regiones Amazonı́a y Orinoquı́a, Ecuador y Venezuela. En los
gráficos se presenta la correlación lineal entre las variables principal y secundaria. . . . . . . 51
4.9. Mapas de variogramas experimentales estimados para las regiones Andina (superior izquier-
do), Pacı́fica (izquierdo central), Atlántica(inferior izquierdo), Amazonı́a-Orinoquı́a (superior
derecho), Ecuador (derecho central) y Venezuela (inferior derecho). El color rojo indica ma-
yores valores del variograma, mientras que el color azul indica valores más bajos de variograma 54
4.10. Variogramas experimentales (lı́nea punteada) y ajustados (lı́nea continua) para la variable
principal en cada una de las regiones de análisis. El tipo de variograma y los parámetros
asociados al ajuste se presentan en la tabla 4.4 . . . . . . . . . . . . . . . . . . . . . . . . 56
4.11. Variogramas experimentales (lı́nea punteada) y ajustados (lı́nea continua) para la variable
secundaria en cada una de las regiones de análisis. El tipo de variograma y los parámetros
asociados al ajuste se presentan en la tabla 4.5 . . . . . . . . . . . . . . . . . . . . . . . . 57
xix
Índice de Figuras
4.12. Variogramas cruzados experimentales (lı́nea punteada) y ajustados (lı́nea continua) en cada
una de las regiones de análisis. El tipo de variograma y los parámetros asociados al ajuste
se presentan en la tabla 4.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.13. Cortes longitudinales al MDE y a los campos de precipitación estimados. Se visualiza clara-
mente la captura de los óptimos pluviométricos en las laderas de la Zona Andina . . . . . . 65
4.14. Campo de precipitación promedio anual para Colombia interpolado mediante KDE . . . . . 68
4.15. Campo de incertidumbre para la precipitación promedio anual estimada mediante KDE . . 69
4.16. Campo de coeficiente de variación para la precipitación promedio anual estimada mediante
KDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.17. Campo de precipitación promedio anual para Colombia interpolado mediante CKE . . . . . 70
4.18. Campo de incertidumbre para la precipitación promedio anual estimada mediante CKE . . 71
4.19. Campo de coeficiente de variación para la precipitación promedio anual estimada mediante
CKE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.20. Campo de precipitación promedio anual para Colombia interpolado mediante CKC . . . . . 72
4.21. Campo de incertidumbre para la precipitación promedio anual estimada mediante CKC . . 73
4.22. Campo de coeficiente de variación para la precipitación promedio estimada mediante CKC . 73
4.23. Campo de precipitación promedio anual para Colombia interpolado mediante CKCM . . . . 74
4.24. Campo de incertidumbre para la precipitación promedio anual estimada mediante CKCM . 75
4.25. Campo de coeficiente de variación para la precipitación promedio anual estimada mediante
CKCM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.26. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante kriging con deriva externa para las seis regiones de estudio . . . . . . . 80
4.27. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante cokrigigng estandarizado para las seis regiones de estudio . . . . . . . . 81
4.28. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante cokriging colocalizado para las seis regiones de estudio . . . . . . . . . 82
4.29. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante cokriging colocalizado con cadenas de Markov para las seis regiones de
estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.30. Diagrama de dispersión para los valores de referencia y los valores estimados mediante kriging
con deriva externa para las seis zonas de estudio . . . . . . . . . . . . . . . . . . . . . . . 84
4.31. Diagrama de dispersión para los valores de referencia y los valores estimados mediante cokri-
ging estandarizado para las seis zonas de estudio . . . . . . . . . . . . . . . . . . . . . . . 85
4.32. Diagrama de dispersión para los valores de referencia y los valores estimados mediante cokri-
ging colocalizado para las seis zonas de estudio . . . . . . . . . . . . . . . . . . . . . . . 86
4.33. Diagrama de dispersión para los valores de referencia y los valores estimados mediante cokri-
ging colocalizado con cadenas markovianas para las seis zonas de estudio . . . . . . . . . . 87
4.34. Campo de precipitación promedio anual para Colombia interpolado mediate el método de
CKCI bajo hipótesis Bayes-Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.35. Campo de desviación estándar para la precipitación promedio anual para colombia, estimada
mediate el método de CKCI bajo hipótesis Bayes-Markov . . . . . . . . . . . . . . . . . . 92
4.36. Campo de coeficiente de variación para la precipitación promedio anual para colombia, esti-
mada mediate el método de CKCI bajo hipótesis Bayes-Markov . . . . . . . . . . . . . . . 92
xx
Índice de Figuras
4.37. Campo de diferencia para los campos de precipitación media anual estimados y el campo de
precipitación media anual presentado por Vélez et al. (2000), empleando la metodologı́a de
KDE y usando como deriva el mapa de precipitación de Oster (1979). En la parte superior
se presenta el campo de precipitación media anual estimado, alrededor del cual se presentan
los campos de diferencias estimadas a una resolución de 300 segundos de arco . . . . . . . . 95
4.38. Campo de diferencia para los campos de precipitación media anual estimados y el campo
de precipitación media anual presentado por Vélez et al. (2000), empleando la metodologı́a
de KDE y usando como deriva el mapa de precipitación del ENA. En la parte superior se
presenta el campo de precipitación media anual estimado, alrededor del cual se presentan
los campos de diferencias estimadas a una resolución de 300 segundos de arco . . . . . . . . 96
5.1. Mapa mundial de las fuentes a partir de las cuales el USGS elaboró la base de datos to-
pográfica del GTOPO30. En internet: http:/lpdaac.usgs.gov/gtopo30/gtopo30.html. . . . . . 99
5.2. Modelo digital de elevaciones (MDE ) para el territorio colombiano . . . . . . . . . . . . . 101
5.3. Mapa de incertidumbre asociada con la altitud para el modelo digital de elevaciones . . . . 101
5.4. Esquemas de la variación de la temperatura media anual (izquierda) y la temperatura de
punto de rocı́o (derecha) con respecto de la altitud . . . . . . . . . . . . . . . . . . . . . . 103
5.5. Ajuste obtenido entre la presión atmosférica y la altitud . . . . . . . . . . . . . . . . . . . 105
5.6. Campo de temperatura media anual del aire en superficie estimado para el territorio colombiano 108
5.7. Campo de incertidumbre asociada a la estimación de la temperatura promedio anual del aire
a superficie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.8. Campo de temperatura de punto de rocı́o estimado para el territorio colombiano . . . . . . 109
5.9. Campo de incertidumbre asociada a la estimación de la temperatura promedio anual a punto
de rocı́o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.10. Campo de presión atmosférica estimado para el territorio colombiano . . . . . . . . . . . . 110
5.11. Campo de incertidumbre asociada con la estimación de la presión atmosférica . . . . . . . . 110
5.12. Campo de brillo solar estimado para el territorio colombiano estimado mediante kriging con
deriva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.13. Campo de incertidumbre asociada con le estimación del brillo solar . . . . . . . . . . . . . 112
5.14. Campo de coeficiente de variación asociado con le estimación del brillo solar . . . . . . . . 112
5.15. Campo de radiación neta estimado mediante el método de Morton . . . . . . . . . . . . . 122
5.16. Campo de incertidumbre asociada con la estimación del campo de radiación neta . . . . . . 123
5.17. Campo de coeficiente de variación asociado con la estimación del campo de radiación neta . 123
5.18. Representación esquemática de la relación complementaria entre evaporación potencial y
real con suministro de energı́a de radiación constante. . . . . . . . . . . . . . . . . . . . . 130
5.19. Campo de evapotranspiración potencial estimado mediante la ecuación de CENICAFÉ . . . 134
5.20. Campo de incertidumbre asociada a la estimación de la evapotranspiración potencial me-
diante la ecuación de CENICAFÉ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.21. Campo de coeficiente de variación asociado con la estimación de la evapotranspiración po-
tencial mediante la ecuación de CENICAFÉ . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.22. Campo de evapotranspiración potencial estimado mediante la ecuación de Thornwaite . . . 136
5.23. Campo de incertidumbre asociada a la estimación de la evapotranspiración potencial me-
diante la ecuación de Thornwaite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
xxi
Índice de Figuras
6.1. Estaciones de caudal empleadas para los balances hı́dricos a largo plazo. . . . . . . . . . . 172
6.2. Esquema de las variables involucradas en el balance hidrológico de una cuenca. . . . . . . . 173
6.3. Comparación del caudal medio anual estimado y observado a partir del campo de precipi-
tación estimado mediante kriging con deriva externa y los campos de evapotranspiración
estimados con los métodos de Turc, Choudhury, Coutagne y Cenicafé. . . . . . . . . . . . . 176
6.4. Comparación del caudal medio anual estimado y observado a partir del campo de precipi-
tación estimado mediante kriging con deriva externa y los campos de evapotranspiración
estimados con los métodos de Turc modificado, Thornwaite, Penman aproximado y Morton. 177
6.5. Estaciones en las cuales el error entre el caudal medio obtenido mediante el balance de largo
plazo y el caudal medio anual estimado con base en los registros es menor al 5 %. . . . . . . 179
xxiii
Índice de Figuras
6.6. Estaciones en las cuales el error entre el caudal medio obtenido mediante el balance de largo
plazo y el caudal medio anual estimado con base en los registros es menor al 15 %. . . . . . 180
6.7. Estaciones en las cuales el error entre el caudal medio obtenido mediante el balance de largo
plazo y el caudal medio anual estimado con base en los registros es menor al 25 %. . . . . . 181
6.8. Campos de escorrentı́a estimados a partir del campo de precipitación estimado mediante
kriging con deriva externa y los campos de la evapotranspiración correspondientes a las
metodologı́as de Turc, Choudhury, Coutagne y Cenicafé. . . . . . . . . . . . . . . . . . . . 184
6.9. Campos de escorrentı́a estimados a partir del campo de precipitación estimado mediante
kriging con deriva externa y los campos de la evapotranspiración correspondientes a las
metodologı́as Turc modificado, Thornwaite, Penman aproximado y Morton. . . . . . . . . . 185
6.10. Campos de incertidumbre para la escorrentı́a estimados a partir de la incertidumbre asociada
con campo de precipitación estimado mediante kriging con deriva externa y los campos
incertidumbre estimados para la evapotranspiración correspondientes a las metodologı́as de
Turc, Choudhury, Coutagne y Cenicafé. . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.11. Campos de incertidumbre para la escorrentı́a estimados a partir de la incertidumbre asociada
con campo de precipitación estimado mediante kriging con deriva externa y los campos
incertidumbre estimados para la evapotranspiración correspondientes a las metodologı́as de
Turc modificado, Thornwaite, Penman aproximado y Morton . . . . . . . . . . . . . . . . 187
6.12. Campos de coeficiente de variación para la escorrentı́a estimada empleando los campos de
evapotranspiración correspondientes a las metodologı́as de Turc, Choudhury, Coutagne y
Cenicafé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.13. Campos de coeficiente de variación para la escorrentı́a estimada empleando los campos de
evapotranspiración correspondientes a las metodologı́as de Turc modificado, Thornwaite,
Penman aproximado y Morton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
6.14. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al
área para 390 cuencas en Colombia. No se ha considerado la incertidumbre adicional inducida
por la medición del área . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6.15. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al
área para 390 cuencas en Colombia. No se ha considerado la incertidumbre adicional inducida
por la medición del área . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
6.16. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de
balance hı́drico de largo plazo, sin considerar la incertidumbre de medición del área, es
menor al 30 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.17. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de
balance hı́drico de largo plazo, sin considerar la incertidumbre de medición del área, es
menor al 40 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
6.18. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de
balance hı́drico de largo plazo, sin considerar la incertidumbre de medición del área, es
menor al 50 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.19. Esquema general para el cálculo del área de una cuenca y la incertidumbre asociada . . . . 198
6.20. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al
área para 390 cuencas en Colombia. Se ha considerado la incertidumbre adicional inducida
por la medición del área . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
6.21. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al
área para 390 cuencas en Colombia. Se ha considerado la incertidumbre adicional inducida
por la medición del área . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
xxiv
Índice de Figuras
6.22. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de
balance hı́drico de largo plazo, considerando la incertidumbre asociada con la medición del
área, es menor al 30 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.23. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de
balance hı́drico de largo plazo, considerando la incertidumbre asociada con la medición del
área, es menor al 40 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
6.24. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de
balance hı́drico de largo plazo, considerando la incertidumbre asociada con la medición del
área, es menor al 50 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
xxv
Índice de Figuras
xxvi
Capı́tulo 1
Introducción general
1.1. Generalidades
Llegar a entender la variabilidad espacial de los fenómenos hidrológicos ha sido uno de los tópi-
cos centrales dentro del estudio de la ciencia hidrológica, puesto que se conoce que la mayorı́a de las
variables que intervienen en las investigaciones relacionadas con la hidrologı́a muestran una gran
variabilidad que se manifiesta a diferentes escalas espaciales y temporales, la cual no se puede des-
cribir de manera exacta. A pesar de lo anterior, si se analiza dicha variabilidad se pueden detectar
ciertos patrones que pueden ayudar en la predicción de un parámetro en zonas que no han sido
muestreadas y, a partir de dichos valores, pueden estimarse campos aleatorios hidrológicos de su
distribución espacial.
Teniendo en cuenta lo antes mencionado, un campo aleatorio es un modelo de datos que per-
mite visualizar información geográfica, la cual se caracteriza por ser inherentemente variable en el
espacio. Entonces, un campo aleatorio puede considerarse como un modelo sencillo para represen-
tar la distribución espacial de las variables espaciales, en especial variables hidrológicas (Borrough
y McDonell, 1998). Hasta el siglo pasado, la distribución espacial de los campos hidrológicos se
visualizaba mediante mapas en papel de isocontornos generados a partir de información puntual,
sobre los cuales se realizaban mediciones de las variables a representar. Sin embargo, a partir de
la década de los sesenta y con el surgimiento de herramientas computacionales más eficaces, se dio
inicio a la posibilidad de realizar un manejo más ágil de la información espacial, lo cual permi-
tió que los investigadores ambientales y especı́ficamente los hidrólogos representaran información
1
Capı́tulo 1. Introducción general
geofı́sica distribuida y continua en el espacio mediante el uso de los Modelos Digitales del Terreno
(MDT ), los cuales pueden considerarse como campos que representan una variable aleatoria que
se distribuye continuamente en el espacio.
Por otro lado, los SIG se han convertido en una de las herramientas más eficaces para la
estimación de campos de variables hidrológicas a partir de la aplicación de diferentes tipos de
procedimientos de manipulación de información espacial, entre los cuales se encuentran la inter-
polación, la superposición algebraica, el remuestreo o resampling, la suavización de texturas y la
reclasificación de imágenes de satélite y mapas en formato ráster. Considerando lo anterior y con
base en el planteamiento de un marco teórico apropiado con respecto a la modelación de la in-
certidumbre, se puede extender el significado de una función SIG, en el sentido de que ésta no
solo representa una operación con información espacial sino también cuantifica la incertidumbre
asociada con dicho procedimiento (Gahegan y Ehlers, 2000). Ası́ pues, los procedimientos de ma-
nipulación de la información espacial previamente comentados, generan mapas que representan un
fenómeno junto con su componente aleatoria asociada, por lo cual son susceptibles de utilizarse en
esquema estocástico de modelación hidrológica.
‘There is nothing uncertain about reality, it is our vision of that reality that is uncertain. Uncer-
tainty not being intrinsic to the phenomenon under study cannot be estimated, rather it is modeled.
All uncertainty measures are models, all based on somewhat subjective decisions about what should
be considered uncertain or soft and what should be considered unquestionable or hard/frozen. Better
a subjective model of uncertainty than an illusion of certainty ’ (André Journel, 1994).
2
Capı́tulo 1. Introducción general
Con base en lo anterior, puede decirse que la incertidumbre no sólo se relaciona con la natu-
raleza del fenómeno que se desea investigar, sino que esta es inherente a la incapacidad humana
para comprender cómo funcionan los procesos naturales. Debe aceptarse, entonces, que la realidad
no es incierta, lo cual implica que la incertidumbre en la modelación de un fenómeno natural pro-
viene principalmente de nuestra pobre visión acerca de ella. Ası́, la incertidumbre es susceptible
de ser cuantificada a partir de un modelo previamente definido. Dentro de la revisión bibliográfica
realizada se ha encontrado que todas las medidas de la incertidumbre son modelos y están basados
en decisiones subjetivas acerca de lo que debe ser considerado como incierto y lo que debe ser
incuestionable, además, como en todo modelo, la cuantificación de la incertidumbre depende de las
caracterı́sticas los datos que se posean para fines de modelación y también de la estructura del mode-
lo de incertidumbre que establece el conocimiento previo acerca de del fenómeno (Goovaerts, 1997).
De igual forma, puede decirse que es mejor tener un modelo subjetivo de la incertidumbre que
una ilusión de certidumbre. En este orden de ideas, Cassiraga en su tesis doctoral, parte de la
hipótesis de que un análisis de incertidumbre estima cuán incierto es el comportamiento de un
determinado sistema a partir de la incertidumbre asociada a uno a más factores que intervienen
con ese sistema. Reconoce además, que pueden presentarse diferentes tipos de incertidumbre al
momento de estimar los valores diferentes variables geofı́sicas; como caso especial, realiza una im-
portante revisión y comparación de métodos aplicados a las variables más preponderantes en el
estudio de la hidrogeologı́a como los son la permeabilidad y la porosidad (Cassiraga, 1999).
Ası́ pues, para modelar la incertidumbre en los parámetros de un modelo numérico puede recu-
rrirse a la utilización de modelos estocásticos. En éste tipo de esquemas de modelación hidrológica,
la variabilidad espacial de los parámetros de entrada, como por ejemplo la conductividad hidráuli-
ca, la temperatura o la precipitación, es modelada como una variable aleatoria espacial, la cual se
encuentra caracterizada por su función de distribución de probabilidad (Isaaks y Srivastava, 1989;
Goovaerts, 1997; Deutsch y Journel, 1998; Cassiraga, 1999; Chilès y Delfiner, 1999). En este orden
de ideas, la mayorı́a de los investigadores afirman que, para cualquier proceso de modelación de la
realidad, la incertidumbre puede surgir a partir de alguna, o algunas, de las siguientes fuentes (Ang
y Tang, 1984; Cassiraga, 1999; Yen, 2002; Maskey et al., 2004):
Incertidumbres asociadas con la aleatoriedad inherente a los procesos naturales. Este tipo
de incertidumbres se relacionan con el hecho de que los seres humanos no comprendemos
con certeza las causas que originan que los estados de la naturaleza se manifiesten de una
manera u otra, por lo cual se considera que estos son aleatorios. Entonces, si lo anterior se
considera como cierto, la descripción de los procesos naturales debe incluir una medida de su
variabilidad y por lo tanto, una medida de su incertidumbre. Para simplicidad la descripción
se limita a los estadı́sticos de tendencia central y de variabilidad (Ang y Tang, 1984).
Incertidumbre del modelo que refleja la inhabilidad este para representar el comportamiento
fı́sico real del sistema. Se refieren a la incertidumbre generada por no poder predecir exacta-
mente la realización del fenómeno. Éste tipo de incertidumbre puede representarse mediante
el cálculo de los errores de estimación. En general, se considera que el error de predicción
puede incluir un componente determinista y un componente aleatorio (Ang y Tang, 1984).
Incertidumbres en los parámetros del modelo, los cuales son la consecuencia de la inhabilidad
para cuantificar con precisión sus parámetros de entrada (Cassiraga, 1999; Yen, 2002).
Incertidumbres en los datos incluyendo (a) errores de medida, (b) inconsistencia y no homoge-
neidad en los datos, (c) errores de manejo y trascripción de los datos y (d) representatividad
inadecuada de la muestra debido a limitaciones espaciales y temporales. En la medida en
3
Capı́tulo 1. Introducción general
que los registros hidrológicos sean más extensos, precisos y completos, las decisiones que se
tomen con base a tal información será más confiable, lo cual se traduce en el decremento de
la incertidumbre generada en la estimación de cierta variable por parte del modelo utilizado
(Poveda y Betancur, 1983).
Finalmente, puede decirse que un análisis de incertidumbre estima cuán incierto es el compor-
tamiento de un determinado sistema a partir de la incertidumbre de uno a más factores asociados
con ese sistema. Entonces, la heterogeneidad espacial y temporal de los sistemas hidrológicos, la
medición de la variable y la estimación del valor de la variable en zonas donde no se tienen datos,
son fuentes de incertidumbre que deben ser cuantificadas e incorporadas dentro de la modelación
hidrológica. En virtud de lo anterior, la presente tesis se concentra en la modelación de la incerti-
dumbre asociada con la heterogeneidad espacial de los variables asociadas con el modelo de balance
hı́drico a largo plazo, representadas por medio de campos aleatorios y la cuantificación de la in-
certidumbre inducida por las operaciones algebraicas llevadas a cabo en un SIG, que permiten la
estimación de los campos de precipitación y evapotranspiración media anual.
Ésta tesis surge como un esfuerzo para mostrar que la cuantificación de la incertidumbre aso-
ciada con los campos de variables hidrológicas y su inclusión dentro de un esquema de modelación
estocástico, puede modificar la percepción de los analistas hidrólogos acerca de los resultados ob-
tenidos. En el caso del modelo de balance hı́drico a largo plazo no se trata de obtener un valor
estimado de caudal medio drenado por una cuenca hidrográfica, sino de crear un modelo de in-
certidumbre para dicha variable que permita tomar decisiones acerca de medidas futuras o alguna
estrategia de planificación del recurso, como por ejemplo la estimación del potencial hidroeléctrico
de un proyecto de expansión.
Una revisión de las bases de datos de libre acceso en internet para obtener información
secundaria para integrarla en las estimaciones de los campos y su incertidumbre asociada.
En los alcances de ésta tesis también se propone emplear los campos estimados junto con
sus incertidumbres de interpolación para aplicar el modelo del balance hı́drico de largo plazo
y evaluar el comportamiento del caudal medio estimado con respecto a la incertidumbre
cuantificada para los campos de precipitación y evapotranspiración.
5
Capı́tulo 2
2.1. Introducción
En éste capı́tulo se presentan una revisión del estado del arte en lo referente a la interpolación
de variables espaciales, estimación estocástica de campos hidrológicos y cuantificación y modelación
de la incertidumbre para diferentes operaciones sobre campos aleatorios representados como mapas
ráster.
Los métodos de interpolación espacial utilizan información puntual de una variable de interés
para obtener superficies continuas. De manera general, puede decirse que los métodos de interpo-
lación se clasifican dentro de dos categorı́as principales, los métodos deterministas y los métodos
estadı́sticos o estocásticos (Meijernik et al., 1994).
Los métodos deterministas ajustan una superficie matemática, de forma previamente deter-
minada, a un conjunto de puntos con valores conocidos para una variable espacial. Ası́ pues, los
modelos tradicionales de interpolación deterministas no proporcionan herramientas para cuantificar
la incertidumbre o para modelar el patrón de variabilidad espacial de una variable. Varios autores
presentan una revisión completa de los diversos métodos deterministas clásicos para generar su-
perficies continuas de variables espaciales a partir de valores medidos puntualmente, tales como el
vecino cercano, el método lineal, el método del inverso de la distancia elevada a un exponente, los
splines, interpolación cúbica y bicúbica, etc.
Ahora bien, la mayorı́a de las fenómenos espaciales que son objeto de análisis por parte de
la hidrologı́a muestran una variabilidad espacio-temporal que no se puede describir de manera
exacta. A pesar de esto, si se analiza dicha variabilidad empleando la geoestadı́stica, se pueden
detectar ciertos patrones que pueden ayudar en la predicción del parámetro en zonas que no han
sido muestreadas y, a partir de dichos valores, pueden elaborase mapas que ayudan a visualizar
la distribución espacial de la variable que se está analizando (Gómez-Hernández, 1996). Bajo la
premisa anterior, diversos investigadores han usado métodos de estimación geoestadı́sticos para
la generación de campos aleatorios continuos para diversas aplicaciones ambientales, mediante el
uso de estimadores como kriging ordinario, kriging simple o universal, kriging universal modificado,
kriging con deriva, cokriging ordinario o simple, etc, de acuerdo con las caracterı́sticas de la variable
que se desea representar. (Henao y Quiroz, 1998; Vélez et al., 2000; Goovaerts, 1999; Szabó et al.,
2004; Szabó, 2005).
Teniendo en cuenta las caracterı́sticas previamente mencionadas, se considera que una de las
mayores contribuciones de la geoestadı́stica en la modelación y la estimación espacial de campos que
representan alguna variable geofı́sica ha sido, precisamente, el direccionamiento del problema de la
8
Capı́tulo 2. Estado del arte
estimación de variables espaciales hacia la integración de distintos tipos de datos, proponiendo para
dicho fin una serie de algoritmos capaces de relacionar de forma sistemática la información obtenida
a partir de distintas fuentes. En general, la información secundaria proviene de mediciones indirectas
que pueden dar indicio de la distribución espacial de la variable principal que se desea modelar
espacialmente y que se correlacionan espacialmente con esta (Cassiraga, 1999). La aproximación
geoestadı́stica para integrar diversas fuentes de información en el proceso de la estimación de
campos de variables continuas espacialmente ha sido empleada para estimar campos de diferentes
variables hidrológicas, como lo son la precipitación, la temperatura, la permeabilidad, entre tantas.
Los diferentes métodos de interpolación has sido empleados en innumerables aplicaciones con
el fin de obtener campos de diferentes variables geofı́sicas. En este apartado se comentan algunas
de las aplicaciones más importantes que se han encontrado en la literatura técnica al respecto,
haciendo énfasis en la estimación de la precipitación y evapotranspiración media anual.
Precipitación
En la literatura se han propuesto muchos esquemas para la estimación de la precipitación que cae
sobre una zona determinada. Los esquemas más simples, tradicionalmente utilizados, se basan en
aproximaciones deterministas. Como ejemplo pueden mencionarse el método del vecino cercano, el
método de los polı́gonos de Thiessen, el método del inverso al cuadrado de la distancia y los splines.
El método más simple para la interpolación de la precipitación es el método del vecino más
cercano, el cual consiste en asignar el valor de la precipitación medida en la estación más cercana
a una localización en la cual no se tengan mediciones. Con base en lo anterior, Thiessen, propuso
un método para estimar la precipitación promedio sobre un área o zona determinada, como por
ejemplo una cuenca hidrográfica. En éste método, la cantidad de precipitación asociada con la
medición en una estación es ponderada por un factor que se relaciona con el área cercana a la
localización de dicha estación, la precipitación media sobre toda la zona se estima como la suma de
las observaciones de precipitación ponderadas para todas las estaciones en consideración (Thiessen,
1911). Éste método, conocido como Polı́gonos de Thiessen, ha sido ampliamente utilizado debido
a que presenta algunas ventajas en lo referente a su sencillez de aplicación y cálculo. A pesar de lo
anterior, también presenta algunas desventajas que se relacionan con su poca flexibilidad e inexac-
titud cuando las estaciones se encuentran muy separadas (Poveda y Betancur, 1983). Éste método
también puede ser utilizado para la estimación puntal de la precipitación en una localización indi-
vidual perteneciente a la zona de estudio (Creutin y Obled, 1982).
En el año de 1972 el US National Weather Service desarrolló el método del inverso del cuadrado
de las distancias, el cual estima el valor de la precipitación en una localización no muestreada como
la media ponderada de las observaciones de precipitación en las estaciones mas cercanas, el factor
de ponderación es el inverso de las distancias entre la localización no muestreada y la localización
de la estación correspondiente (Bendient y Huber, 1992). Éste método ha sido usado para para
estimar campos de precipitación media anual para Norteamérica a partir de información de 6000
estaciones de precipitación distribuidas en todo Estados Unidos y Canadá (Shine y Krause, sin
fecha).
El método de las isoyetas se basa en la construcción de lı́neas que representan la misma cantidad
de precipitación, mediante la interpolación lineal de los registros que se tengan en las estaciones
9
Capı́tulo 2. Estado del arte
dentro del área de análisis (McCuen, 1998). Es un método clásico que permite considerar factores
externos que influyen en el comportamiento de la precipitación, por ejemplo alguna influencia to-
pográfica. La cantidad de precipitación en una localización no muestreada se realiza interpolando
dentro de las isoyetas. A pesar de que el método ha sido ampliamente usado, presenta varias limita-
ciones, dentro de las cuales la principal es que requiere una gran cantidad de estaciones dentro de la
zona de estudio para que se puedan dibujar las isoyetas de manera adecuada (Poveda y Betancur,
1983; Goovaerts, 1997).
Los splines son funciones polinómicas por partes las cuales se ajustan a determinada cantidad
de puntos de manera exacta y pueden ser usados de manera n-dimensional. Al ser funciones por
partes, es posible modificar alguna parte de la curva de ajuste que representa la variación de la
variable cartografiada. En el caso tridimensional, para el cual se pretende interpolar superficies, los
splines reciben el nombre de bicubic splines y emplean funciones polinómicas de tercer grado para
ajustar la superficie a los puntos. La mayorı́a de las aplicaciones prácticas de los splines para inter-
polar superficies emplean B-splines, los cuales se representan matemáticamente como la suma de
bicubic splines que tienen un valor de cero fuera de el intervalo de interés (Pavlidis, 1982; Dubrule,
1983). Un problema que puede surgir con los B-splines es que pueden generar artificios en los pun-
tos de inicio y culminación de los intervalos de ajuste. Para evitar estos artificios o para suavizarlos
se usan Thin Plate Splines, para los cuales se considera que la suma exacta del spline ordinario se
reemplaza por una media local que suaviza el ajuste (Borrough y McDonell, 1998). El método an-
teriormente comentado se han utilizado para interpolar campos de precipitación promedio anual a
partir de funciones spline tri-variadas, empleando latitud, longitud y precipitación promedio anual
(Hutchinson, 1955). Por último, los splines tienen la ventaja de ser livianos computacionalmente,
pero presentan la gran desventaja de se obtienen superficies demasiado suaves, lo cual lo convierte
en una restricción para usarlos para representar fenómenos altamente variables.
Los errores calculados mediante validación cruzada resultan ser mas elevados para las es-
timaciones obtenidas mediante métodos deterministas que mediante métodos estocásticos,
siempre y cuando, para los últimos, se pueda plantear un modelo de variación espacial ade-
cuado (Isaaks y Srivastava, 1989).
Por otra parte, desde los primeros años de la década de los setenta se ha utilizado la geoes-
tadı́stica en diversas investigaciones aplicadas a la estimación de la precipitación. En general, los
investigadores presentan estudios comparativos entre diferentes técnicas de estimación estocásti-
cas y deterministas, para determinar cual de los algoritmos de interpolación considerados arroja
mejores resultados en el sentido de la estimación en localizaciones donde se conoce el valor de la
precipitación, procedimiento conocido como validación cruzada. De dichas investigaciones se ha
concluido que, en general, los métodos estocásticos de interpolación, como por ejemplo kriging
ordinario, kriging simple, el método de la interpolación óptima, el método de las superficies seg-
mentarias y el método de interpolación basado en funciones ortogonales empı́ricas, al ser aplicados
a la interpolación de campos de precipitación arrojan mejores resultados que los métodos determi-
nistas, como lo son los métodos del vecino cercano, inverso cuadrado de la distancia, Splines, etc.
(Creutin y Obled, 1982; Chua y Bras, 1982; Poveda y Betancur, 1983; Tabios y Salas, 1985).
10
Capı́tulo 2. Estado del arte
Ahora bien, es de gran importancia mencionar el hecho de que, recientemente, los métodos geo-
estadı́sticos que integran diferentes fuentes de información han sido ampliamente usados con el fin
de estimar campos de precipitación. Usualmente, se trabaja bajo la hipótesis de que las mediciones
de lámina de precipitación realizadas en los pluviómetros son la información principal, primaria o
dura, y como información secundaria o de apoyo se utilizan de Modelos Digitales de Elevación MDE
o campos de precipitación provenientes de registros de radar o de campos de isoyetas análogos en
papel.
Otro tipo de información secundaria que ha sido integrada dentro de la estimación de campos
de precipitación son, precisamente, otros campos de precipitación obtenidos de forma indirecta
mediante registros de radar o campos de isoyetas digitalizados. Con respecto a los primeros, al-
gunos autores han evaluado y comparado diversos métodos de interpolación estocástica, como por
ejemplo kriging ordinario, cokriging ordinario, cokriging universal y cokriging disyuntivo, para com-
binar información proveniente de estaciones pluométricas, con campos de precipitación estimados
mediante mediciones de radar correspondientes a una tormenta convectiva, con el fin de estimar
campos de precipitación (Seo et al., 1990a; Seo et al., 1990b). Otros autores han empleado informa-
ción proveniente de campos de isoyetas junto con registros de precipitación para obtener campos de
precipitación media anual para el territorio colombiano. En éstas aplicaciones se estimaron campos
de precipitación empleando gran cantidad de métodos, pero hizo énfasis en aquellos que permiten
la inclusión de información secundaria en la estimación, como por ejemplo kriging con deriva ex-
terna y cokriging ordinario. Se encontró que el desempeño de ambos métodos fue similar, con la
salvedad de que cokriging ordinario requiere que la información primaria se encuentre densamente
muestreada con el fin de no sesgar los resultados (Henao y Quiroz, 1998; Vélez et al., 2000; Poveda
et al., 2007 (b)).
11
Capı́tulo 2. Estado del arte
Evapotranspiración
Otra aproximación ampliamente usada para estimar los campos de evapotranspiración se basa
en el uso de de diversas relaciones funcionales que estiman la lámina evaporada a partir de campos
de otras variables relacionadas como lo son la precipitación, la temperatura y la radiación. Algunos
de los métodos comúnmente empleados son la ecuación del balance de energı́a, la ley de Dalton, los
método de Turc y su modificación, la ecuación de Cenicafé, la ecuación de Thornwaite, el método
de Penman, la ecuación de Budyko y el método de Morton. En Colombia y en la Amazonı́a de
sus paı́ses vecinos, este tipo de aproximación ha sido muy usada por los investigadores con el fin
estimar campos que caractericen la variabilidad de la evapotranspiración y su influencia dentro
de la regiones previamente mencionadas (Barco y Cuartas, 1998; Vélez et al., 2000; UPME, 2000;
Salazar, 2004; Poveda et al., 2007 (b)).
La elaboración de campos de temperatura y otras variables como por ejemplo la humedad re-
lativa, la presión atmosférica, etc., para el territorio colombiano se ha basado en la hipótesis de
que éstas varı́an de acuerdo a alguna expresión matemática con respecto a la altitud. En particu-
lar, se calculan regresiones de cierta forma de la variable de interés contra elevación por regiones
geográficas, y posteriormente obtienen un campo para todo Colombia mediante un ensamble de los
campos previamente estimados (Barco y Cuartas, 1998; Henao y Quiroz, 1998; Vélez et al., 2000).
Por otro lado, algunos de los campos de temperatura existentes para Colombia y, en general, a
nivel mundial, se han interpolado usando métodos geoestadı́sticos, ya sea univariados, como por
ejemplo kriging ordinario, o multivariados, como lo son los algoritmos de kriging con deriva externa,
cokriging ordinario y cokriging simple, en los cuales, en general, se integra la información de altitud
dentro del proceso de estimación. Debido a que, como se ha comentado previamente, la correlación
entre la altitud y la temperatura en el territorio colombiano es alta, los campos con menores errores
cuadráticos se han obtenido al estimar mediante las técnicas que integran información secundaria
(Henao y Quiroz, 1998; Shine y Krause, sin fecha).
Puede decirse entonces, que una función acumulada de probabilidad para una variable espa-
cial considerada en un sitio o localización individual se denomina modelo de incertidumbre local,
mientras que una función de distribución de probabilidad acumulada condicional para una variable
espacial, considerada en diferentes localizaciones tomadas al mismo tiempo se conoce como modelo
de incertidumbre espacial. La geoestadı́stica diferencia los algoritmos que pueden modelar los dos
tipos de incertidumbre anteriormente comentados (Cassiraga, 1999).
Como complemento a lo anterior, puede decirse que la elección del modelo de incertidumbre
que se desea utilizar depende de las caracterı́sticas de la información que se dispongan para la
modelación. Por ejemplo, para emplear el modelo multigaussiano se debe comprobar la hipótesis
de que la información disponible de la variable a cartografiar se ajusta a una distribución normal
(Goovaerts, 1997).
En muchos problemas de las geociencias es importante estimar las caracterı́sticas de las distri-
buciones de probabilidad de los valores desconocidos en una localización definida, lo cual constituye
en sı́ un modelo de incertidumbre local completo acerca de la variable que se desea representar.
Como consecuencia de lo anterior, se considera que el objetivo de la estimación de la incertidumbre
13
Capı́tulo 2. Estado del arte
local es la modelación de funciones de probabilidad para las variables espaciales en una localización
determinada, las cuales, para el caso en el cual se desea cartografiar la variable de manera distri-
buida en una zona de estudio, suelen representarse mediante campos de probabilidad de excedencia
con respecto a ciertos valores lı́mites.
Por otra parte, la aproximación indicadora es una herramienta que surge en aplicaciones en las
cuales no puede considerarse que la variable analizada tenga distribución normal. En el caso de di-
cha aproximación se trata de estimar la función de probabilidad acumulada condicional mediante el
uso de la función indicadora para los datos y la estimación de probabilidades de excedencia para las
diferentes localizaciones del dominio de modelación mediante el uso de estimadores no sesgados que
minimicen la varianza en los sitios donde se tenga información. Éstos métodos conforman la familia
del kriging indicador, dentro de la cual se encuentran algunos estimadores que se usan para inferir
lo valores de la función de probabilidad acumulada en un localización individual (Journel, 1983;
Isaaks y Srivastava, 1989; Goovaerts, 1997; Deutsch y Journel, 1998). Con relación a los estimadores
de la familia del kriging indicador, puede decirse que el método mas comúnmente empleado es el
kriging indicador ordinario, pero en algunas aplicaciones se han empleado cokriging indicador, kri-
ging probabilı́stico, cokriging indicador colocalizado y cokriging indicador que emplean el algoritmo
Bayes-Markov, conocido como kriging markoviano. En la literatura especializada en geoestadı́stica
se explica con detalle la aplicación de la aproximación indicadora y sus estimadores asociados, la
cual tienen la gran ventaja de que se puede integrar la información principal con información secun-
daria para estimar el modelo de incertidumbre local de manera mas confiable (Almeida y Journel,
1994; Goovaerts, 1997; Cassiraga, 1999).
15
Capı́tulo 2. Estado del arte
La simulación estocástica puede ser utilizada en muchas aplicaciones, para las cuales se requiere
la cuantificación de la incertidumbre conjunta acerca de la variable modelada en muchas localizacio-
nes tomadas en conjunto, en ese orden de ideas, la incertidumbre espacial se modela generalmente
mediante la elaboración de múltiples realizaciones de la variable en el espacio (Goovaerts, 1997). Se
llama simulación estocástica al proceso de generar múltiples campos de una variable modelada como
una función aleatoria. Los campos obtenidos mediante simulación hacen honor a los datos experi-
mentales, a la distribución de probabilidad empı́rica experimental de los datos y a las caracterı́sticas
experimentales de continuidad espacial. Adicionalmente, el conjunto de múltiples imágenes de la
realidad desconocida generadas por simulación estocástica proporciona una medida visual y cuan-
titativa de la incertidumbre espacial del atributo modelado (Gómez-Hernández, 1996; Goovaerts,
1997; Cassiraga, 1999). Existen gran cantidad de algoritmos de simulación que permiten considerar
la incertidumbre espacial y se presentan en las referencias anteriormente mencionadas, pero el más
ampliamente utilizado es la simulación secuencial, la cual puede ser gaussiana, o paramétrica, o no
paramétrica, o indicadora, de acuerdo al modelo de función de probabilidad espacial que se adopte
(Isaaks y Srivastava, 1989; Goovaerts, 1997; Deutsch y Journel, 1998; Chilès y Delfiner, 1999).
La simulación Montecarlo permite realizar análisis de incertidumbre sin que se requiera plan-
tear asunciones acerca de la estructura del modelo. En primer lugar se establecen cuales son los
parámetros que se consideran como inciertos. Posteriormente, se determina la mejor forma de des-
cribir la incertidumbre de cada parámetro, lo cual se realiza, en general, asumiendo una función de
probabilidad asociada. Entonces, un modelo de error se define como un modelo estocástico capaz
de generar múltiples realizaciones de la misma realidad. Finalmente, a partir del modelo de error
determinado, se generan realizaciones múltiples aleatorias de la variable dependiente y se derivan
las funciones de probabilidad asociadas con la simulación llevada a cabo (Ang y Tang, 1984; Bo-
rrough y McDonell, 1998; Crosseto et al., 2001).
3.1. Introducción
Dada una variable regionalizada z(u), la cual cumple con la hipótesis intrı́nseca, el variograma
se define como:
19
Capı́tulo 3. Estimación e incertidumbre espacial
1
γ(h) = V ar[z(u) − z(u + h)] (3.1)
2
donde Z(u) y Z(u + h) son los valores de la función aleatoria analizada para los vectores de
posición u y u + h, respectivamente. A partir de un conjunto de datos disponibles o realizaciones
de la variable z(u), puede utilizarse un estimador de media para calcular el valor del variograma,
el cual se estima como:
n(h)
1 X
γ(h) = [z(uα ) − z(uα + h)]2 (3.2)
2n(h)
α=1
donde [z(uα )−z(uα + h)] es un incremento del atributo z para un vector de distancia khk y n(h) es
el número de observaciones encontradas para un distancia de khk. Este es el estimador más utilizado
a pesar de que presenta graves inconvenientes por ser un estimador no robusto (Goovaerts, 1997).
Dado un par de variables zi (u) y zj (u), que cumplen con la estacionaridad de segundo orden,
el variograma cruzado se define de la siguiente manera:
1
γij (h) = E{[zi (u + h) − zi (u)][zj (u + h) − zj (u)]} (3.3)
2
donde zi (u), zj (u), zi (u + h) y zj (u + h) son los valores de las funciones aleatorias analizadas
para los vectores de posición u y u + h respectivamente. Análogamente al caso univariado, puede
utilizarse un estimador de media para calcular el valor del variograma cruzado para un conjunto
de realizaciones de las variables zi (u) y zj (u), ası́:
n(h)
1 X
γ(h) = [zi (uα + h) − zi (uα )][zj (uα + h) − zj (uα )] (3.4)
2n(h)
α=1
donde [zi (uα ) − zi (uα + h)] y [zj (uα ) − zj (uα + h)] son incrementos de los atributos zi y zj para
un vector de distancia khk y n(h) es el número de observaciones encontradas para un distancia de
khk.
Figura 3.1. Esquema de la zona de tolerancia para el cálculo del variograma direccional implementada en
HidroSIG
Gran cantidad de investigadores han señalado el hecho de que no es posible emplear el variogra-
ma experimental en el procedimiento de estimación estocástica mediante kriging debido a que, en
general, se obtienen matrices regionales de covarianzas no definidas positivas, lo cual puede condu-
cir al cálculo de varianzas negativas de estimación (Armstrong y Jabin, 1981; Isaaks y Srivastava,
1989; Goovaerts, 1997). Para evitar éste inconveniente se deben utilizar modelos permisibles. El
hecho de probar si una función dada es aceptable o no, está relacionado con el examen de su trans-
formada de Fourier. Christakos obtuvo las condiciones que debe reunir el espectro de la función
para ser un modelo autorizado de variograma (Christakos, 1984). Dentro de la librerı́a desarrollada
para HidroSIG se han incluido algunos de los modelos de variograma más comunes:
21
Capı́tulo 3. Estimación e incertidumbre espacial
Modelo esférico:
1,5b |h| − 0,5b |h| 3
a a Si |h| ≤ a
Esf (h) = (3.6)
1 Si |h| > a
3|h|2
Gau(h) = b 1 − 1 exp − 2 (3.9)
a
Éste método se basa en la minimización de una función objetivo que involucra la diferencia
cuadrática entre los valores del variograma experimental y los correspondientes al variograma ajus-
tado, como se muestra en la siguiente expresión:
k
X
M CO(τ, γ) = [γj (hj ) − γ(hj , τ )]2 (3.10)
j=1
Éste método se basa en la minimización de una función objetivo que involucra la diferencia
cuadrática entre los valores del variograma experimental y los correspondientes al variograma ajus-
tado multiplicados por un factor de ponderación, de la siguiente manera:
k
X [γj (hj ) − γ(hj , τ )]2
M CP (τ, γ) = (3.11)
V ar[γj (hj )]
j=1
22
Capı́tulo 3. Estimación e incertidumbre espacial
[γ(hj )]2
V ar[γj (hj )] = (3.12)
nj
Un fenómeno espacial se denomina como anisotrópico, cuando sus patrones de variabilidad es-
pacial se modifican según la dirección que se considere. De acuerdo con dicha variación espacial
pueden identificarse tres tipos de anisotropı́as: geométrica, zonal y combinada.
De manera práctica, la presencia de algún tipo de anisotropı́a para un fenómeno espacial puede
identificarse a partir de sus variogramas experimentales direccionales. Cuando éstos presentan la
misma forma y meseta, pero diferente rango, se dice que se presenta anisotropı́a geométrica; cuando
manifiestan una variación de la meseta con la dirección, se dice que la anisotropı́a es zonal, mientras
que la presencia de la anisotropı́a combinada se detecta al observar una variación simultánea de
rangos y mesetas con respecto a la dirección (Goovaerts, 1997).
Para considerar efectos anisotrópicos en el modelo espacial se parte del conocimiento de los
variogramas ajustados en las direcciones de mayor y menor continuidad, es decir, las direcciones
en las cuales se presentan el mayor y menor rango en el caso de la anisotropı́a geométrica, y los
valores superior e inferior en la meseta en el caso de la anisotropı́a zonal. Con base en lo anterior
se aplican ciertas ecuaciones de transformación que permiten calcular un modelo isotrópico equiva-
lente y, entonces, evaluar el valor del variograma sin tener en cuenta la dirección considerada. Los
detalles de éstas ecuaciones y su tratamiento matemático se presentan se presentan en detalle en
Isaaks y Srivastava, 1989; Goovaerts, 1997 y Eriksson y Siska, 2000.
Los algoritmos de estimación estocástica univariada se conocen como kriging. La idea básica
del kriging es estimar el valor desconocido de un atributo z en el punto de coordenadas u como
una combinación lineal de n valores conocidos de z, cuyas coordenadas son uα , con α = 1, ..., n.
Para representar el parámetro de interés z(u), donde u es el vector que indica sus coordenadas
23
Capı́tulo 3. Estimación e incertidumbre espacial
espaciales, se adopta un modelo estocástico. Éste modelo estocástico consiste en admitir que los
valores que puede tomar z dentro del área en estudio vienen dados por una función aleatoria Z(u).
La forma general del estimador por kriging viene expresado a través de la siguiente ecuación:
n
X
z ∗ (u) − m(u) = λα (u)[z(uα ) − m(uα )] (3.13)
α=1
donde el sı́mbolo ∗ denota que se trata de un estimador; m(u) y m(uα ) son los valores esperados
de las variables aleatorias Z(u) y Z(uα ) respectivamente, y λ(uα ), α = 1, .., n son los coeficientes
de ponderación asignados a los de la variable que intervienen en la estimación. La representación
estocástica del atributo z(u), permite definir el error en la estimación realizada como:
donde R(u) es el error cometido en la estimación del atributo z en la localización u; además z ∗ (u)
y z(u) son el valor estimado y el valor verdadero respectivamente. El valor estimado por kriging
es, por construcción, aquel que minimiza la varianza del error de la estimación y es además un
estimador insesgado, o sea, para el punto de coordenadas u0 el objetivo del kriging es:
con la restricción:
Todos los estimadores por kriging son una variante de la expresión general (3.13) en la cual los
coeficientes de ponderación se obtienen resolviendo el sistema de ecuaciones lineales que surge de
las condiciones (3.15) y (3.16). A continuación se describe brevemente las principales variantes del
kriging que han sido implementadas en las librerı́a de HidroSIG. Para encontrar una descripción
exhaustiva de cada algoritmo, el lector interesado puede consultar alguno de los textos citados al
iniciar ésta sección.
n
X
∗
zKS (u) −m= λα (u)[z(uα ) − m] (3.17)
α=1
donde m, que es igual al valor esperado de la variable aleatoria Z, se considera conocido y cons-
tante en todo el dominio de la estimación. En la práctica se asimila con el valor promedio de los
datos disponibles. Los coeficientes de ponderación λα (u) se obtienen al exigir que el estimador sea
insesgado y que la varianza de los errores sea mı́nima, lo cual conduce al siguiente sistema lineal
de ecuaciones, denominado sistema de KS :
n
X
λβ (u)C(uα − uβ ) = C(uα − u), con α = 1, 2, ......, n(u) (3.18)
β=1
24
Capı́tulo 3. Estimación e incertidumbre espacial
n
X
2
σKS (u) = σ 2 − λβ (u)C(uβ − u) (3.19)
β=1
donde σ 2 la varianza correspondiente a los datos, o sea C(0). Un mapa de los valores de σ 2 representa
la incertidumbre en el campo estimado.
KO parte de la hipótesis de que existe una media local que es desconocida, pero su valor puede
estimarse a partir de los datos que intervienen en la interpolación. Ası́, el estimador para el éste
método está dado por la siguiente expresión:
n
X
∗
zKO (u) = λα (u)z(uα ) (3.20)
α=1
la sumatoria de los pesos debe ser igual a la unidad para que el estimador obtenido sea insesgado,
que junto a la condición de error mı́nimo resulta en el sistema de ecuaciones lineales KO:
n
X
λβ (u)γ(uα − uβ ) + µ = γ(uα − u), con α = 1, 2, ......, n(u)
β=1
n (3.21)
X
λβ (u) = 1
β=1
n
X
2
σKO (u) = λβ (u)γ(uβ − u) − µ (3.22)
β=1
25
Capı́tulo 3. Estimación e incertidumbre espacial
El algoritmo de KDE considera una función de tendencia f1 (u), definida en cada localización a
partir de una variable secundaria z2 (u), que debe variar continuamente en el espacio. Es necesario
disponer de un valor de la variable secundaria en cada localización a estimar. Si este no fuera el
caso, una solución serı́a estimar primero la variable secundaria en todo el dominio del problema.
En general se considera que la variable secundaria z2 (u) está relacionada de forma lineal con la
media de la variable primaria m1 (u), de forma que:
entonces, bajo las anteriores consideraciones, el estimador por KDE tiene la siguiente expresión:
n1
X
∗
zKDE (u) = λα (u)z1 (uα ) (3.24)
α=1
n
X 1
λβ (u)γ1 (uα − uβ ) + µ0 + µ1 z2 (uα ) = γ1 (uα − u), con α = 1, 2, ......, n(u)
β=1
X n1
λβ (u) = 1 (3.25)
β=1
Xn1
λβ (u)z2 (uβ ) = z2 (u)
β=1
donde γ1 es el modelo de variograma de la variable principal, λβ (u) son los coeficientes que se desea
despejar y, µ0 y µ1 son los multiplicadores de Lagrange integrados dentro de la optimización. En
la ecuación 3.25, las dos últimas expresiones resultan de imponer la condición de no sesgo. Puede
observarse que éste sistema de ecuaciones sólo utiliza el variograma de la variable principal, lo cual
significa que el método no considera la estructura de correlación entre las variables principal y
secundaria. La expresión para la estimación de la varianza de los errores por KDE es la siguiente:
n
X
2
σKO (u) = λβ (u)γ(uα − uβ ) − µ0 − µ1 z2 (u) (3.26)
β=1
Las técnicas de kriging presentadas hasta aquı́ sólo se diferencian en la manera en que incorpo-
ran la superficie media en un problema de interpolación espacial. En cuanto a la incorporación de
26
Capı́tulo 3. Estimación e incertidumbre espacial
información secundaria, tanto el kriging con media variable como el kriging con una deriva externa,
requieren que la información secundaria esté disponible en todas las localizaciones a estimar; sin
embargo, en muchas situaciones prácticas la información secundaria no está disponible de forma
exhaustiva. Para superar dicho obstáculo, se desarrolló la técnica del cokriging, la cual permite
incorporar una o varias variables secundarias en la estimación de un atributo principal.
Cokriging no se diferencia del kriging desde un punto de vista algorı́tmico, su novedad es que
permite que los datos secundarios participen directamente en la estimación de la variable principal,
es decir, que los datos secundarios se traten como información que varı́a junto con la información
principal. Ası́, desde el punto de vista de la incorporación de atributos externos, el cokriging hace
mejor uso de la información en el sentido de que se consideran tanto la magnitud de la variable
secundaria como sus patrones de variación espacial, para la estimación de la variable principal.
La cantidad de correlación es capturada por las covarianzas cruzadas y, a diferencia del KDE, la
variable externa no necesita estar disponible en todos los puntos en los que se desea estimar la
variable primaria. La forma general que toma el estimador por cokriging para una variable z1 en
una localización (u) es la siguiente:
n1
X ni
Nv X
X
z1∗ (u) − m1 (u) = λα1 (u)[z1 (uα1 ) − m1 (uα1 )] + λαi (u)[zi (uαi ) − mi (uαi )] (3.27)
α1 =1 i=2 αi =1
donde z1 (uα1 ), con α1 = 1, ..., n1 , son los n1 datos principales; zi (uαi ), con αi = 1, ..., ni , para
i = 2, ..., Nv , son los datos secundarios correspondientes a (Nv − 1) variables secundarias; m1 es la
media de la variable principal; mi son las medias de las variables secundarias y λα (u) los coeficientes
de ponderación de los datos que intervienen en cada estimación. La localización y el número de los
datos secundarios puede ser diferente de una a otra variable y con respecto a los datos principales.
Por simplicidad en adelante sólo se considera una variable secundaria a menos que se indique lo
contrario. Al igual que para kriging, los coeficientes en la ecuación (3.27), se obtienen resolviendo
el sistema de ecuaciones lineales que surge de minimizar la varianza del error (ver ecuación 3.13)
en cada estimación sujeta a la restricción de estimador insesgado (remitirse a la ecuación 3.15). A
continuación se describen someramente las distintas variantes del cokriging implementadas dentro
de la librerı́a de HidroSIG.
n1
X n2
X
∗
zCKS (u) − m1 = λα1 (u)[z1 (uα1 ) − m1 ] + λα2 (u)[z2 (uα2 ) − m2 ] (3.28)
α1 =1 α2 =1
n1 n2
X X
λβ1 (u)C1 (uα1 − uβ1 ) + λβ2 (u)C12 (uα1 − uβ2 ) = C1 (uα1 − u)
β =1 β =1
1 2
α1 = 1, 2, ......, n1 (u)
n 1 n 2
(3.29)
X X
λβ1 (u)C12 (uα1 − uβ2 ) + λβ2 (u)C2 (uα2 − uβ2 ) = C12 (uα2 − u)
β =1 β =1
1 2
α2 = 1, 2, ......, n2 (u)
donde intervienen tanto la covarianza de la variable primaria C1 (uα1 −uβ1 ) como la de la secundaria
C2 (uα2 − uβ2 ) y la covarianza cruzada C12 (uα1 − uβ2 ). De forma análoga al KS, el algoritmo de
CKS requiere conocer las medias de las variables usadas para la estimación. La expresión para la
varianza de la estimación mediante el algoritmo de CKS es la siguiente:
n1
X n2
X
2
σCKS (u) = σ12 − λα1 (u)C1 (uα1 − u) − λα2 (u)C12 (uα2 − u) (3.30)
α1 =1 α2 =1
En algunas ocasiones los datos primarios y secundarios corresponden a una misma variable que
ha sido medida con diferentes procedimientos; por ejemplo, datos que se miden en laboratorio y
datos que se miden en el campo. En general, las incertidumbres en la medición son usualmente
mayores para los datos obtenidos en campo, por lo cual los variogramas obtenidos con dichos
datos presentan un mayor efecto pepita que los variogramas obtenidos con datos de laboratorio
(Goovaerts, 1997). El algoritmo de CKE puede tener en cuenta ésta caracterı́stica modificando
las restricciones mediante las cuales se obtiene el no sesgamiento de la solución del sistema de
cokriging, como se muestra en la ecuación 3.35:
n1
X n2
X
∗
zCKOE (u) = λα1 (u)z1 (uα1 ) + λα2 (u)z2 (uα2 ) (3.31)
α1 =1 α2 =1
entonces, el sistema a resolver incluye solamente n1 (u) + n2 (u) + 1 ecuaciones para encontrar los
factores de ponderación, ası́:
n1 n2
X X
− λβ2 (u)C12 (uα1 − uβ2 ) + µ = C1 (uα1 − u)
λ β1 (u)C (u
1 α1 u β1 ) +
β1 =1 β2 =1
α1 = 1, 2, ......, n1 (u)
Xn 1 X n2
λβ1 (u)C12 (uα1 − uβ2 ) + λβ2 (u)C2 (uα2 − uβ2 ) + µ = C12 (uα2 − u) (3.32)
β1 =1 β2 =1
α2 = 1, 2, ......, n2 (u)
Xn 1 n
X2
λ β 1 (u) + λβ2 (u) = 1
β1 =1 β2 =1
28
Capı́tulo 3. Estimación e incertidumbre espacial
El estimador para CKO para dos variables aleatorias, z1 y z2 , principal y secundaria respecti-
vamente, está dado por la siguiente ecuación:
n1
X n2
X
∗
zCKO (u) = λα1 (u)z1 (uα1 ) + λα2 (u)z2 (uα2 ) (3.33)
α1 =1 α2 =1
en la cual los coeficientes λα (u), resultan de la solución del siguiente sistema de ecuaciones lineales:
n1 n2
X X
λβ1 (u)C1 (uα1 − uβ1 ) + λβ2 (u)C12 (uα1 − uβ2 ) + µ1 = C1 (uα1 − u)
β =1 β =1
1 2
α1 = 1, 2, ......, n1 (u)
n n
1 2
X X
λ β 1 (u)C12 (uα 1 − uβ 2 ) + λβ2 (u)C2 (uα2 − uβ2 ) + µ2 = C12 (uα2 − u)
β1 =1 β2 =1
(3.34)
α2 = 1, 2, ......, n2 (u)
n1
X
λβ1 (u) = 1
β1 =1
Xn2
λβ2 (u) = 1
β2 =1
donde las dos últimas restricciones son suficientes, aunque no necesarias, para garantizar una es-
timación insesgada. µ1 y µ2 son los parámetros de Lagrange introducidos en el procedimiento de
minimización. La expresión para la varianza de estimación es la siguiente:
n1
X n2
X
2
σCKO (u) = σ12 − µ1 − λα1 (u)C1 (uα1 − u) − λα2 (u)C12 (uα2 − u) (3.35)
α1 =1 α2 =1
Para solucionar un sistema de cokriging completo como los presentados en las ecuaciones 3.29,
3.32 y 3.35, se requiere tener conocimiento de las funciones de covarianza de las variables principal
y secundaria, y la covarianza cruzada entre ellas, si se incorpora una sola variable secundaria. Lo
anterior se traduce en un mayor esfuerzo en términos de modelación espacial y tiempo de ejecu-
ción en el computador con respecto a las técnicas univariadas, las cuales sólo requieren la función
de covarianza de la variable principal. Muchas veces éste mayor esfuerzo de cálculo constituye la
principal razón por la cual el cokriging no es utilizado.
Por otro lado, cuando la información secundaria está exhaustivamente muestreada, como es el
caso de los datos provenientes de MDE o información de precipitación medida por radares, existe
una dificultad adicional a la hora de la implementación de un cokriging completo, que se manifiesta
a través de la inestabilidad de las matrices del sistema. Esto está causado por la extrema proximi-
dad y fuerte correlación que existe en general entre los datos secundarios, y las grandes distancias
y pobre correlación entre los datos principales.
29
Capı́tulo 3. Estimación e incertidumbre espacial
Las razones anteriores, junto con el hecho de que si hay un dato secundario ubicado en la
localización a va a ser estimada, éste tiende a atenuar la influencia de los datos vecinos, lo cual
se ha denominado efecto pantalla, condujo a presentar la alternativa del cokriging colocalizado
(Almeida y Journel, 1994; Goovaerts, 1997). Se trata de un cokriging que como información externa
retiene sólo el dato secundario localizado en cada punto de coordenadas u0 donde se va a estimar
la variable principal.
n1
X
∗
zCKC (u) − m1 = λα1 (u)[z1 (uα1 ) − m1 ] + λ2 [z2 (u) − m2 ] (3.36)
α1 =1
donde m1 y m2 son las medias de las variables principal y secundaria, respectivamente. λα1 (u) y
λ2 son los coeficientes que deben resolverse a partir del siguiente sistema de ecuaciones lineales o
sistema de CKC :
n
X 1
λβ1 (u)C1 (uα1 − uβ1 ) + λ2 C12 (uα1 − u0 ) = C1 (uα1 − u0 )
β
1
=1
Un sistema como el anterior es idéntico al del CKS completo donde el número de datos se-
cundarios n2 es igual a 1. Aún ası́, este algoritmo requiere el cálculo de las covarianzas cruzadas
entre variables. El uso de un modelo de corregionalización markoviano alivia la tarea de plantear
un modelo de variación espacial aceptable.
Este algoritmo recurre a un modelo markoviano de corregionalización tipo efecto pantalla, según
el cual el dato duro o principal z1 (u) oculta la influencia de cualquier otro dato duro z1 (u + h) con
respecto al dato secundario colocalizado z2 (u), es decir que:
en otras palabras, la ecuación 3.38 expresa que la dependencia de la variable secundaria sobre la
primaria está limitada al dato primario colocalizado. A partir de esta asunción se puede demostrar
que las covarianzas cruzadas C12 (h) = C21 (h) del sistema de cokriging pueden escribirse en función
de la covarianza de los datos duros como (Almeida y Journel, 1994):
C12 (0)
C12 (h) = C1 (h), ∀ h (3.39)
C1 (0)
30
Capı́tulo 3. Estimación e incertidumbre espacial
o en términos de correlograma:
donde ρ1 (h) es el correlograma de la variable principal, ρ12 (h) es el correlograma cruzado entre las
variables principal y secundaria y ρ12 (0) es el coeficiente de correlación lineal entre éstas. Puede
decirse que, bajo un modelo de Markov, la covarianza cruzada C12 (h) se calcula escalando la cova-
rianza de la variable principal y el factor de escala es el cociente entre C12 (0) y C1 (0).
∗ n1
zCKCS (u0 ) − m1 X z1 (uα1 ) − m1 z2 (u0 ) − m2
= λα1 (u) + λ2 (3.41)
σ1 σ1 σ2
α1 =1
donde los pesos λα1 (u) y λ2 , son la solución del sistema de ecuaciones lineales CKCM, que es el
siguiente:
n
X 1
λβ1 (u)ρ1 (uα1 − uβ1 ) + λ2 ρ12 (0)ρ1 (uα1 − u) = ρ1 (uα1 − u)
β 1 =1
en este sistema, si ρ12 (0) = 0, entonces λ2 = 0 y se ignora al dato secundario. Si ρ12 (0) = 1, el
sistema se transforma en uno de kriging simple con (n + 1) datos, cuyo resultado es λ2 = 1 y
λβ1 = 0 para todo β, es decir el estimador es igual al valor de la variable secundaria. El algoritmo
de CKCM requiere el mismo esfuerzo de implementación que el KDE, y tiene la importante ventaja
de permitir que el dato secundario participe directamente en la estimación de la variable principal.
Además, y a diferencia del KDE, el modelo de corregionalización para CKCM se construye en base
a un parámetro de calibración como es el coeficiente de correlación, lo que hace que la elección de
tal modelo pueda verificarse a partir de los datos. Sin embargo, el CKCM requiere que la variable
secundaria sea conocida en todos los puntos donde se quiera estimar la variable principal.
n
∗
X
∗
F [u; zk |(n)] = P robZ ≤ zk |(n) = λα (uα ; zk )i(uα ; zk ) (3.44)
α=1
La ecuación 3.44 implica que la solución de un sistema de kriging sobre los valores de la trans-
formada indicadora en las localizaciones donde se conoce la variable principal arroja como resultado
una estimación óptima de su probabilidad de no exceder cierto umbral elegido a priori.
El estimador de KI puede utilizarse para estimar la probabilidad de que cierta variable aleatoria
Z(u) no exceda un valor dado por cierto umbral, ası́:
n
X
∗ ∗
F [u; zk |(n)] = i (u, zk ) = λα (u, zk )i(uα , zk ) (3.45)
α=1
para estimar los factores de ponderación, λα (u, zk ), se debe solucionar el siguiente sistema de
ecuaciones lineales:
n
X
λβ (u, kz )γI (uα − uβ , zk ) + µ = γI (uα − u, zk ), con α = 1, 2, ......, n(u)
β=1
n (3.46)
X
λβ (u, zk ) = 1
β=1
Para cada clase (υl−1 , υl ] se calcula la proporción de datos que no exceden un valor umbral
particular zk , mediante la siguiente expresión:
n 0
∗ 1 X
F (zk |υl ) = Pn0 i(u0α , zk )i(u0α ; υl ) (3.47)
0
α=1 i(uα , υl ) α=1
(
1 Si υ(u0α ) ∈ (υl−1 , υl ]
I(u0α , υl ) = (3.48)
0 Si coc
Cuando se desea considerar los patrones de variación de diferentes fuentes dentro de la estima-
ción de la probabilidad acumulada, puede utilizarse un estimador tipo CKI, ası́:
n1
X n2
X
∗ ∗
i (u, zk ) = F [u, zk |(n)] = λα1 (u, zk )I(uα1 , zk ) + λα2 (u, zk )Y (uα02 , zk ) (3.50)
α1 =1 α2 =1
el sistema a resolver para encontrar los coeficientes λα1 (u, zk ) y λα2 (u, zk ) resulta ser:
n1 n2
X X
λβ1 (u, zk )CI (uα1 − uβ1 , zk ) + λβ2 (u, zk )CIY (uα1 − uβ2 , zk )
β1 =1 β2 =1
+ µ = CI (uα1 − u, zk ), α1 = 1, 2, ......, n1 (u)
Xn 1 n2
X
λβ1 (u, zk )CY I (uα1 − uβ2 , zk ) + λβ2 (u, zk )CY (uα2 − uβ2 , zk ) (3.51)
β1 =1 β2 =1
+ µ = CIY (uα2 − u, zk ), α2 = 1, 2, ......, n2 (u)
Xn 1 n
X2
λ β 1 (u, z k ) + λβ2 (u, zk ) = 1
β1 =1 β2 =1
La solución del sistema de CKI requiere el cálculo de, como mı́nimo, dos autocovarianzas, CI
y CY , y una covarianza cruzada CIY para cada umbral si se considera solamente una variable
secundaria. Puede recurrirse a una corregionalización Markoviana para aliviar el cálculo de las
funciones de covarianza.
33
Capı́tulo 3. Estimación e incertidumbre espacial
n1
X
F [u, zk |(n)]∗ − mI = λα1 [(u, zk )I(uα1 , zk ) − mI (zk )] + λ2 [Y (uα1 , zk ) − mY (zk )] (3.52)
α1 =1
n
X 1
λβ1 (u, zk )CI (uα1 − uβ1 , zk ) + λ2 CIY (uα1 − u, zk ) = CI (uα1 − u, zk )
β
1
=1
Hipótesis de Bayes-Markov
Bajo lo establecido en la ecuación 3.54 se tienen las siguientes relaciones entre las autocovarian-
zas y las covarianzas cruzadas de las variables indicadoras:
con:
algoritmo de Markov-Bayes supone el mismo esfuerzo que el necesario para la técnica de KI, sin
embargo tiene dos ventajas fundamentales sobre éste. Primeramente, distingue las autocovarianzas
de la información principal y secundaria. Adiconalmente, a través del cokriging de los indicadores,
es posible mejorar las distribuciones previas locales calculadas a partir de la información secundaria
local, en función de la información vecina (Cassiraga, 1999).
La estimación de una fpa, para diferentes umbrales, debe cumplir ciertas relaciones de orden,
las cuales son:
Las probabilidades calculadas deben estar contenidas dentro del intervalo [0, 1].
La fpa debe ser estrictamente creciente, es decir, [F (u, zk ]∗ ≤ [F (u), zk0 ]∗ ∀ zk0 < zk .
La primera condición puede no cumplirse debido a que el sistema de kriging proporciona una
solución no convexa, es decir, los pesos encontrado pueden ser negativos. Por otro lado, la segunda
condición puede no cumplirse debido a que las K probabilidades, en general, no se estiman de
manera conjunta.
Donde se presenten violaciones a las relaciones de orden su busca el siguiente valor mayor para
la función de probabilidad acumulada, es decir, se busca F [u, zj |(n)]∗ , tal que F [u, zj |(n)]∗ >
F [u, zk |(n)]∗ para j > i.
Para los umbrales donde se presentaron los errores en las relaciones de orden se interpolan
linealmente los valores de la función de probabilidad acumulada, esto resulta importante
para asegurar el no decrecimiento de la función de probabilidad antes de ser sometida a la
suavización gaussiana.
La selección de una ecuación algebraica para interpolar los valores de la fpa entre los umbrales
depende de diferentes factores, como lo son la selección del número de umbrales, la técnica de
estimación utilizada para cada umbral y por supuesto, el conocimiento fı́sico que el modelador tenga
35
Capı́tulo 3. Estimación e incertidumbre espacial
del fenómeno estudiado (Goovaerts, 1997). Por lo anterior, no se ha implementado una expresión
general, sino que se ha desarrollado un modelo especı́fico para la cuantificación de la incertidumbre
en la elaboración del campo de precipitación para Colombia, como se discutirá en el Capı́tulo 4.
A partir de las fpa obtenidas se pueden calcular diferentes estimadores óptimos como por ejemplo
la media y la varianza.
K+1
X
∗
zE (u) ' z¯k [F (u, zk |(n)) − F (u, zk−1 |(n))] (3.56)
k=1
K+1
X
∗
σ 2 (u) ' [z¯k − zE (u)]2 [F (u, zk |(n)) − F (u, zk−1 |(n))] (3.57)
k=1
donde σ 2 (u) es la varianza estimada, F (u, zk |(n)) y F (u, zk−1 |(n)) son dos valores consecutivos de
la fpa y z¯k es el valor medio de la variable en el k-ésimo intervalo de la fpa.
Para estimar los errores propagados debidos a las funciones de superposición sobre los cam-
pos estimados se implementó la ecuación de propagación de los errores. Si se consideran errores
aleatorios e independientes para una relación de la forma:
u = f (a1 , a2 , a3 , ....., an )
donde Sai es la desviación estándar asociada con cada argumento de u, ai . Si se presenta el caso
de que haya correlación entre las variables independientes, se tendrá:
36
Capı́tulo 3. Estimación e incertidumbre espacial
v
u n n X
n
uX 2
∂u X ∂u ∂u
Su = t Sa2i + Sa Sa rij (3.59)
∂ai ∂ai ∂aj i j
i=1 i=1 j=1
37
Capı́tulo 4
Precipitación
4.1. Introducción
En este Capı́tulo se muestran los campos de precipitación que se han interpolado para todo el
territorio colombiano y algunas zonas de los paı́ses vecinos a partir de la información contenida
en los registros de las estaciones pluviográficas y pluviométricas, junto con información auxiliar
de precipitación extraı́da de bases de datos satelitales. Los campos que se presentan han sido in-
terpolados mediante los métodos geoestadı́sticos de estimación espacial descritos en el Capı́tulo 3,
puesto que, como se comentó previamente en el Capı́tulo 2, dichos métodos permiten cuantificar la
incertidumbre asociada con la estimación. Para cada campo de precipitación presentado, se muestra
su respectivo campo de incertidumbre asociada y se comentan las suposiciones tenidas en cuenta
durante el proceso de estimación.
Por otro lado, es pertinente comentar que la información disponible, tanto proveniente de es-
taciones como secundaria de satélite, se filtró de tal forma que se enmarque dentro de un dominio
espacial comprendido entre 5◦ S hasta 13◦ N de latitud y entre 80◦ W hasta 66.5◦ W de longitud.
En la figura 4.1 se muestran la localización de las estaciones de precipitación disponibles para el
presente estudio. Los criterios de filtrado de la información y su tratamiento preliminar para fines
de estimación se comentan extensamente en la Sección 4.2.
Dentro de las variables hidrológicas, la precipitación, pese a ser la componente del ciclo hi-
drológico de más fácil medición, es tal vez la que encierra mayor complejidad en su análisis y en
el estudio de su comportamiento espacial y temporal. Lo anterior se hace particularmente evidente
en regiones tropicales montañosas de Colombia, pues, como lo confirman estudios anteriores, su
alta variabilidad se manifiesta en un amplio rango de escalas espaciales y temporales (Mejı́a et al.,
1999; Mesa et al., 1997; Poveda et al., 2007 (b)). A diferencia de la evapotranspiración, para la cual
existen muchos métodos de estimación basados tanto en ecuaciones empı́ricas como en principios
fı́sicos; o de la temperatura, que suele estar relacionada directamente con la altitud; la lluvia, a lo
sumo, puede llegar a manifestar algunos patrones espaciales y temporales que solamente se hacen
evidentes a partir de observaciones y mediciones, por lo tanto es una variable cuya estimación es
susceptible de ser mejorada involucrando más información y mejores técnicas de análisis.
pluviográficas en Colombia distan mucho de ser adecuados para el estudio de un fenómeno tan
complejo como la lluvia, la información contenida en sus registros ha sido ampliamente utilizada
por diferentes investigadores con el fin de caracterizar fı́sicamente el comportamiento de la lluvia
promedio anual en el territorio colombiano. En consecuencia, pueden citarse los estudios de Snow
y de Oster, realizados en los años de 1976 y 1979 respectivamente, los cuales presentan campos
de precipitación media anual para nuestro paı́s (Oster, 1979; Snow, 1976). En el trabajo de Oster
se comenta acerca de la existencia de óptimos pluviométricos, es decir, alturas sobre el fondo de
los valles montañosos para las cuales la precipitación media anual es máxima, disminuyendo tanto
por debajo como por encima de ellas. Igualmente, pueden mencionarse otros trabajos previos en
los cuales, además de la caracterización, se presentan resultados importantes con respecto a la im-
plementación computacional de algoritmos que permiten la estimación de campos de precipitación
media anual en Colombia (Vélez et al., 2000; UPME, 2000; Poveda et al., 2007 (a); Poveda et al.,
2007 (b)). A pesar de lo anterior, en la revisión bibliográfica realizada no se ha encontrado ningún
trabajo en el cual se cuantifiquen las incertidumbres relacionadas con las estimaciones realizadas.
En este orden de ideas, a partir de la información disponible se han estimado campos de preci-
pitación media anual que representen correctamente las caracterı́sticas observadas en los estudios
previamente comentados. Las estimaciones se han realizado mediante nuevas técnicas de interpo-
lación que integran información de precipitación estimada a partir de mediciones satelitales; éstos
métodos permiten la cuantificación y modelación de la incertidumbre de los campos estimados.
Además, lo anterior hace posible construir campos de lluvia sobre el Océano Pacı́fico y el Mar
Caribe colombianos, tradicionalmente ignorados en este tipo de estudios y cuya influencia sobre la
climatologı́a del paı́s está suficientemente demostrada (Poveda y Mesa, 1997).
109 estaciones de las bases de datos del proyecto LBA (Large-scale Biosphere Atmosphere
Experiment) en la Amazonı́a, que provee de datos de acceso libre de temperatura, caudal
y precipitación en un amplio sector de Suramérica. Los datos de lluvia obtenidos son re-
gistros mensuales de longitud variable entre 8 y 124 años (disponible en la página WEB
http://www.lba-hydronet.sr.unh.edu).
78 estaciones del trabajo realizado por Rangel y Arellano en el año de 2004, que presentan
promedios mensuales y anuales de largo plazo (Rangel y Arellano, 2004).
Antillas (Curazao): 1 estación de la base de datos de LBA, con 8 años de registros men-
suales.
41
Capı́tulo 4. Precipitación
Costa Rica: 5 estaciones del trabajo de Mesa y otros, con promedios mensuales y anuales
de largo plazo (Mesa et al., 1997).
Ecuador: 246 estaciones de la base de datos de LBA, con registros mensuales de longitud
variable entre 9 y 99 años; 16 estaciones del trabajo de Pourrut, con promedios mensuales y
anuales de largo plazo (Pourrut, 1994).
Nicaragua: 2 estaciones del trabajo de Mesa y otros, con promedios mensuales y anuales de
largo plazo (Mesa et al., 1997).
Panamá: 6 estaciones del trabajo de Mesa y otros, con promedios mensuales y anuales de
largo plazo; 2 estaciones de la base de datos de LBA, con registros mensuales de longitud
variable entre 14 y 80 años (Mesa et al., 1997).
Perú: 190 estaciones de la base de datos de LBA, con registros mensuales de longitud variable
entre 11 y 49 años.
Venezuela: 8 estaciones del trabajo de Mesa y otros, con promedios mensuales y anuales
de largo plazo (Mesa et al., 1997); 33 estaciones de la base de datos de LBA, con registros
mensuales de longitud variable entre 8 y 98 años; 12 estaciones del trabajo de Pulwarty y
otros, con promedios mensuales y anuales de largo plazo (Pulwarty et al., 1998).
En la figura 4.1 se ilustra la disposición de las 1756 estaciones disponibles en tierra que confor-
man la base de datos utilizada para la elaboración y cuantificación de la incertidumbre del campo
de precipitación de Colombia. Dichas estaciones cubren una región comprendida entre 90◦ W y 60◦
W de longitud y 10◦ S y 15◦ N de latitud.
Los valores de precipitación media anual calculados para cada una de las estaciones seleccionadas
de acuerdo con los criterios anteriormente comentados, conforman la información principal que ha
sido utilizada en el proceso de interpolación espacial de los campos de precipitación para Colombia
y la cuantificación de su incertidumbre asociada.
Al considerar el hecho de que los factores que influyen sobre la fı́sica del fenómeno de la preci-
pitación en el territorio colombiano varı́an de acuerdo con la región considerada, la zona de estudio
se ha dividido en 6 regiones, las cuales, junto con sus lı́mites geográficos correspondientes, son (ver
figura 4.2): Andina [0◦ N a 8.5◦ N, 76.5◦ W a 72◦ W], Pacı́fica [0◦ N a 8.5◦ N, 80◦ W a 76◦ W],
Atlántica [7.5◦ N a 13◦ N, 80◦ W a 70◦ W], Orinoquı́a y Amazonı́a [5◦ S a 8◦ N, 75.5◦ W a 66.5◦ W],
Ecuador [5◦ S a 2.5◦ N, 80.0◦ W a 73◦ W] y Venezuela [7.5◦ N a 13◦ N, 73◦ W a 66.5◦ W]. Para cada
región se ha considerado que es válido construir un modelo de corregionalización a partir del cual
se interpola el campo de precipitación y su incertidumbre asociada con la información disponible.
Los dominios geográficos presentados anteriormente se escogieron de tal forma que permitieran la
42
Capı́tulo 4. Precipitación
Figura 4.2. Zona de estudio, subzonas de análisis y estaciones de precipitación empleadas para la interpo-
lación de los campos de precipitación
existencia de zonas comunes de traslape que facilitaran el proceso de unión del campo de precipi-
tación para toda la zona de estudio.
Además, para la estimación de un campo de precipitación que cuente con un fuerte carácter
fı́sico y que resuma de forma adecuada las dinámicas climáticas de nuestro paı́s, se hace necesario
contar con información de alta calidad, con perı́odos de cubrimiento adecuados para capturar el
comportamiento anual e interanual de ésta variable, y con una distribución espacial que permita
caracterizar las diferentes subregiones de la zona de estudio. Sin embargo, en Colombia la red de
pluviógrafos y pluviómetros dista mucho de tener éstas condiciones ideales y presenta algunas fa-
lencias, especialmente en lo concerniente con la distribución espacial de los lugares de muestreo.
En primer lugar, la mayorı́a de las estaciones, no sólo de precipitación, se concentran en la Zona
Andina, dejando grandes porciones del territorio nacional prácticamente sin cobertura alguna. La
ausencia de estaciones es especialmente grave en las regiones Amazónica y la Orinoquı́a, regiones
en las cuales la presencia de estaciones es casi nula, como puede verse en la Figura 4.2. Además, la
calidad misma de los datos registrados en cada estación es bastante cuestionable, situación que no
ha cambiado desde la época del estudio de Oster, quién menciona que la única entidad que procesa
adecuadamente sus registros es Cenicafé (Oster, 1979). A estos problemas se adiciona uno más grave
aún: los datos hidrometeorológicos de la principal entidad estatal, el Instituto de Hidrologı́a, Me-
teorologı́a y Estudios Ambientales IDEAM, no son de acceso público, por lo que cualquier estudio
que se quiera realizar se enfrenta siempre con el problema de información restringida y de alto costo.
43
Capı́tulo 4. Precipitación
Por otro lado, dado que vastas áreas del territorio nacional están desprovistas de información
de precipitación, debe entonces recurrirse a información de paı́ses limı́trofes con Colombia y a las
bases de datos de precipitación satelital, ambas de acceso público, que permiten mejorar el conoci-
miento de la lluvia tanto en regiones sin información como sobre el Océano Pacı́fico y el Mar Caribe.
Para terminar, debe comentarse que la cobertura temporal de los datos es muy variable y, a
menudo, se cuenta sólo con los promedios mensuales y anuales en lugar de la serie completa de la
estación. Sin embargo, se ha procurado usar la mayor cantidad de datos posibles, renunciando a
ellos sólo cuando los perı́odos de cobertura son muy cortos y/o el porcentaje de datos faltantes es
muy alto.
En éste estudio se utilizan las bases de datos disponibles en la internet con el fin de mejorar la
cobertura espacial de la información de precipitación, disminuir la incertidumbre asociada con su
estimación e incorporar los análisis la lluvia sobre el Océano Pacı́fico y el Mar Caribe. Dichas bases
de datos son de acceso público y varı́an tanto en su resolución espacial como temporal, ası́ como
en los algoritmos con los que han sido producidas y en los procedimientos de validación. En efecto,
la información extraı́da de las bases de datos para la zona de estudio, descritas a continuación,
conforma la información de apoyo o secundaria que ha sido utilizada en el proceso de interpolación
espacial de los campos de precipitación para Colombia y la cuantificación de su incertidumbre. Se
enumeran a continuación las bases de datos analizadas, sus principales caracterı́sticas, su fuente
y se menciona el procedimiento utilizado para obtener un campo de derivas para la precipitación
media anual.
Esta base de datos contiene campos de precipitación estimados usando redes neuronales so-
bre imágenes de satélite multicanal, con cobertura global a una resolución espacial 0,25◦ X 0,25◦ ,
los cuales se estiman para intervalos temporales consecutivos con una duración de 6 horas (Hsu
et al., 1999). En este trabajo se utilizó la información disponible en internet comprendida entre
marzo de 2000 y enero de 2005, la cual se puede descargar de forma gratuita en la página web
http://hydis8.eng.uci.edu/persiann/. A partir de dicha información se obtuvo un campo de pre-
cipitación promedio anual que puede observarse en la figura 4.3, el cual se calculó agregando a
resolución anual los valores de precipitación para cada celda del campo. Finalmente, se estimó el
valor promedio de la precipitación para todas los años disponibles de registro correspondiente al
dominio espacial del estudio.
Tropical Rainfall Measurement Mission, TRMM, es una exploración espacial conjunta entre la
NASA y la Agencia Japonesa de Exploración Espacial (JAXA) diseñada para estudiar y analizar
la dinámica del fenómeno de la precipitación en las regiones tropicales y subtropicales. El término
TRMM encierra toda la misión espacial del satélite y la investigación de los datos obtenidos. El
satélite de la misión TRMM contiene diversos dispositivos que permiten la detección de precipita-
ción por estratos de cierto espesor dentro de la atmósfera, junto con la estimación de la precipitación
en superficie (Kummerow et al., 1998). Dado que el satélite TRMM fue lanzado el 27 de noviembre
44
Capı́tulo 4. Precipitación
Figura 4.3. Campo de precipitación media anual para el perı́odo 2000-2005, extraı́do de las bases de datos
PERSIANN
de 1997, se tiene información disponible para el perı́odo comprendido entre esa fecha y el 31 de
diciembre de 2002.
La información proporcionada por la misión TRMM, para cada intervalo de registro, consiste en
una banda de cierto ancho correspondiente a la trayectoria de desplazamiento del satélite, por ello
no se tiene información densamente muestreada para toda la zona de estudio en cada intervalo de
tiempo. A pesar de lo anterior, se consideró valioso incorporar la información de precipitación de la
TRMM dentro del presente análisis debido a que estudios previos muestran que esta puede carac-
terizar adecuadamente el comportamiento de la lluvia en Colombia a diferentes escalas espaciales
y temporales (Zuluaga, 2005). En la figura 4.4 se presenta el campo de información secundaria de
precipitación media anual estimado, el cual tiene un tamaño de pixel de aproximadamente 4 km.
Dicho campo se obtuvo promediando los valores de intensidad de precipitación en mm/h, prove-
niente del sensor PS del satélite TRMM, que están contenidos dentro de cada celda del campo
para toda la serie de imágenes disponibles. Finalmente, el valor de precipitación media se obtiene
multiplicado la intensidad promedio estimada por el número de segundo contenidos dentro de un
año.
Figura 4.4. Campo de precipitación media anual pata el perı́odo 1997-2002, usado como información
secundaria, extraı́do de los datos de precipitación satelital de las base de datos TRMM
Figura 4.5. Campo de incertidumbre para la información secundaria extraı́da de los datos de precipitación
satelital de las base de datos TRMM
46
Capı́tulo 4. Precipitación
incertidumbre asociada con la estimación del promedio estadı́stico tiene la siguiente forma:
σ
ST RM M = √ (4.1)
n
En ésta sección se presentan los modelos de corregionalización utilizados para estimar los campos
de precipitación correspondientes a cada una de las seis regiones de análisis que se han determinado
previamente (ver figura 4.1). En consecuencia, inicialmente se selecciona la variable secundaria más
adecuada para ser incorporada en del análisis y, posteriormente, se modela la estructura espacial
de los variogramas directos de precipitación proveniente de la información en las estaciones y la
información de apoyo junto con los variogramas cruzados, que cuantifican el grado de correlación
espacial que presentan ambas variable tomadas de manera conjunta.
Por otra parte, con el fin de determinar cual de las dos variables secundarias, TRMM o PER-
SIANN, se relaciona mejor con la precipitación observada en las estaciones, se ha calculado la
correlación lineal presente para cada uno de los conjuntos de parejas de calibración, las cuales se
presentan en las figuras 4.6 y 4.7. Adicionalmente, se han calculado los estadı́sticos descriptivos
más relevantes para las muestras correspondientes a los puntos de calibración correspondientes la
variables principal y secundarias, TRMM y PERSIANN, los cuales se presentan en las tablas 4.1,
4.2 y 4.3. Cabe anotar que, de acá en adelante, se trabajará bajo la hipótesis de que la información
secundaria presentada en las figuras 4.3 y 4.4 representan campos de precipitación media anual de
largo plazo, a pesar de que se han estimado con perı́odos de información muy cortos y con diferente
dominio temporal.
47
Capı́tulo 4. Precipitación
A partir de los resultados mostrados en los diagramas de dispersión (ver figuras 4.6 y 4.7) y en
las tablas de estadı́sticos (ver tablas 4.1 a 4.3), pueden extraerse algunas caracterı́sticas interesantes
para las parejas de calibración correspondientes a la información secundaria disponible. En primer
lugar, se observa que, para todas las regiones analizadas, la correlación lineal entre la variables
principal y las variables secundarias son mayores para la información de apoyo correspondiente a la
misión TRMM que para la correspondiente a la base de datos PERSIANN. En segundo lugar, con
excepción a la región Pacı́fica, los estadı́sticos descriptivos calculados para los promedios anuales de
precipitación a partir de los registros de las estaciones en los puntos de calibración, se reproducen
mejor a partir de la precipitación colocalizada extraı́da del campo de derivas del TRMM que la
correspondiente al al campo de apoyo estimado mediante PERSIANN.
A pesar de que se ha encontrado una correlación lineal adecuada entre las variables principal y
secundaria para la región venezolana, el modelo de corregionalización que se ajusta a la informa-
ción disponible presenta un elevado nivel de incertidumbre, en el sentido del error intrı́nseco a la
estimación del variograma experimental principal y el variograma cruzado experimental. Lo ante-
rior se origina en la escasa cantidad de información disponible, al considerar que la incertidumbre
de su estimación depende del número de datos de calibración (Cressie, 1985). Por lo anterior, y
considerando además la baja correlación encontrada para las variables principal y secundaria en la
región venezolana, el variograma cruzado estimado, el cual se presenta en la siguiente sección, no
manifiesta una tendencia definida sino que se presenta errático. En éste caso particular, la mayor
incertidumbre en el ajuste del modelo de corregionalización se debe al elevado error obtenido al rea-
lizar una regresión no lineal sobre una nube de variograma que no presenta una tendencia definida.
A pesar de que se conoce la existencia de las fuentes de incertidumbres anteriormente comentadas,
su cuantificación requiere de consideraciones estadı́sticas fuertes y su tratamiento matemático es
complicado. Dicho desarrollo conceptual se considera que está fuera del alcance del presente traba-
jo. Ahora bien, mediante un análisis visual de los campos de información secundaria estimados, se
encuentran las siguientes caracterı́sticas fı́sicas cualitativas (observar figuras 4.3 y 4.4):
Se conoce la fuerte influencia que tiene la Sierra Nevada de Santa Marta con respecto a la
precipitación sus zonas aledañas, especialmente en las altitudes cercanas a los 2000 msnm
(Mesa et al., 1997). Ésta caracterı́stica se observa claramente en el campo obtenido mediante la
información del satélite TRMM, mientras que en el campo de PERSIANN, dicha caracterı́stica
no es observable.
En la región Andina, para el campo obtenido mediante TRMM, pueden observarse las par-
ticularidades en la precipitación que han sido discutidas previamente en varias referencias
(Snow, 1976; Oster, 1979; Mesa et al., 1997). Se observa la disminución de la precipitación
con la altitud y se logran capturar los óptimos pluviométricos (Oster, 1979), como se muestra
en la figura 4.8. Además, se manifiesta la influencia de la presencia de los valles de los rı́os
48
Capı́tulo 4. Precipitación
Tabla 4.1. Estadı́sticos descriptivos de la variable principal correspondientes a los puntos de calibración
del modelo de corregionalización elegidos para las regiones de análisis (Max: máximo, Min: mı́nimo, m:
media, M: mediana, Var: varianza, σ: desviación estándar, CV: coeficiente de variación, CA: coeficiente de
asimetrı́a).
Andina Atlántica Pacı́fica Ama-Ori Ecuador Venezuela
Max (mm) 7689 5368 13186 7359 8838 3963
Min (mm) 444 318 465 629 335 384
Rango(mm) 7245 5050 13721 6730 8503 3579
M (mm) 1906 1880 1815 2469 1350 1017
m (mm) 2103 2030 2583 2334 1645 1239
Var (mm2 ) 1116280 975079 4401338 1334276 1285290 548792
σ (mm) 1057 988 2098 1155 1134 741
CV 0.5 0.49 0.81 0.5 0.69 0.6
CA 1.61 0.8 2.12 0.69 1.97 1.62
Tabla 4.2. Estadı́sticos descriptivos de la variable secundaria TRMM, correspondientes a los puntos de
calibración del modelo de corregionalización elegidos para las regiones de análisis (Max: máximo, Min:
mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación estándar, CV: coeficiente de variación, CA:
coeficiente de asimetrı́a).
Andina Atlántica Pacı́fica Ama-Ori Ecuador Venezuela
Max (mm) 7915 7530 6139 6314 7255 3678
Min (mm) 190 190 104 159 56 122
Rango(mm) 7725 7340 6034 6154 7198 3556
M (mm) 1811 1698 1678 2298 1646 899
m (mm) 2074 2067 1930 2340 1758 995
Var (mm2 ) 1459845 1650018 1236489 774714 1140907 435757
σ (mm) 1208 1285 1111.98 880 1068 660
CV 0.58 0.62 0.58 0.38 0.61 0.66
CA 1.25 1.1 0.82 0.54 0.89 1.75
Tabla 4.3. Estadı́sticos descriptivos de la variable secundaria PERSIANN, correspondientes a los puntos
de calibración del modelo de corregionalización elegidos para las regiones de análisis (Max: máximo, Min:
mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación estándar, CV: coeficiente de variación, CA:
coeficiente de asimetrı́a).
Andina Atlántica Pacı́fica Ama-Ori Ecuador Venezuela
Max (mm) 6165 6679 6171 3949 3043 3720
Min (mm) 983 660.64 1138 1132 258 424
Rango(mm) 5182 6019 5034 2817 2785 3296
M (mm) 2077 1922 4023 2839 1270 1652
m (mm) 2469 2457 3975 2718 1409 1648
Var (mm2 ) 1311190 2348526 1576592 388380 603650 494015
σ (mm) 1145 1532 1257 623 777 703
CV 0.46 0.62 0.32 0.23 0.55 0.43
CA 1.18 1.08 -0.35 -0.57 0.26 0.76
49
Capı́tulo 4. Precipitación
Figura 4.6. Diagramas de dispersión calculados a partir de los puntos de calibración del modelo de corre-
gionalización para las regiones Andina, Pacı́fica y Atlántica. En los gráficos se presenta la correlación lineal
entre las variables principal y secundaria.
50
Capı́tulo 4. Precipitación
Figura 4.7. Diagramas de dispersión calculados a partir de los puntos de calibración del modelo de corre-
gionalización para las regiones Amazonı́a y Orinoquı́a, Ecuador y Venezuela. En los gráficos se presenta la
correlación lineal entre las variables principal y secundaria.
51
Capı́tulo 4. Precipitación
En la región de la Orinoquı́a, las dos fuentes de información secundaria muestran una dis-
minución en la precipitación media anual en dirección nor-oriental, lo cual concuerda con
investigaciones las previas (Mesa et al., 1997).
El campo de precipitación extraı́do de los datos del satélite TRMM muestra un patrón de
variación espacial muy discontinuo para la Orinoquı́a y la Amazonı́a; esto se origina en la
forma como el satélite barre el espacio para recopilar la información de precipitación. Su
régimen de medición no es continuo en el tiempo, por lo cual el satélite puede capturar
o ignorar eventos extremos que influyen directamente en el valor de intensidad promedio
estimado pixel por pixel.
Por otro lado, ninguno de los dos campos de información secundaria exhaustiva elaborados
puede representar adecuadamente los máximos de precipitación existentes en la Región Pacı́fi-
ca, entonces es de esperarse que el procedimiento de interpolación del campo de precipitación
media anual se subestimen éstos valores (ver figura 4.6 y tabla 4.2).
En conclusión, de las bases de datos revisadas, se seleccionó la base de datos de TRMM para
los análisis definitivos, debido tanto a su buena resolución espacial, como al hecho de presentar
valores de precipitación más consistentes con los de las estaciones en tierra, según lo que se ha
mostrado en las figuras 4.6 y 4.7. Es decir, los datos de calibración que se usaron para estimar los
variogramas por zonas están mejor correlacionados, por lo cual se obtuvieron corregionalizaciones
muy coherentes, como se muestra en la subsección 3.4.2. Además, en el caso particular del territorio
colombiano, fue la única fuente de información secundaria que pudo capturar adecuadamente las
caracterı́stica generales de la precipitación, previamente comentadas en ésta subsección.
Como paso previo al ajuste de un modelo de corregionalización aceptable y con el fin de deter-
minar las dirección de mayor y menor variación de la precipitación, para cada una de las regiones
de análisis se ha calculado su correspondiente campo de variograma a partir de la información
principal, los cuales se muestran en la figura 4.9. Las direcciones de anisotropı́a seleccionadas, pre-
sentadas en forma de azimut, se consignan en las tablas 4.4, 4.5 y 4.6. A partir de los campos de
variograma se observa que para las regiones Andina, Pacı́fica, Atlántica y Ecuador, pueden ajustar-
se modelos anisotrópicos de corregionalización para la información principal y secundaria, puesto
que las direcciones de mayor y menor variación de la precipitación pueden identificarse fácilmente.
Por el contrario, para las regiones más orientales, es decir, la Orinoquı́a, la Amazonı́a y Venezuela
se deben ajustar modelos de corregionalización isotrópicos, puesto que no se observa ningún patrón
definido de variación espacial.
En las figuras 4.10, 4.11 y 4.12 se presentan los variogramas direccionales y/o omnidireccionales
obtenidos a partir de los datos de calibración para la precipitación, la información secundaria
extraı́da de la misión TRMM y el variograma cruzado entre éstas. Como se comentó en el Capı́tulo
3, el variograma es una función vectorial que mide la distancia estructural entre dos puntos en
función de la distancia. En general, para procesos estocásticos espaciales de memoria finita, el
variograma se manifiesta como una función creciente que se estabiliza para un valor de distancia
llamada alcance o rango, para la cual la autocorrelación, o correlación cruzada, según sea el caso,
52
Capı́tulo 4. Precipitación
Figura 4.8. Corte longitudinal de los perfiles topográficos y de precipitación a una latitud de 4◦ N . La
distancia se mide en dirección longitudinal a partir de la lı́nea de costa. Para la información extraı́da de
TRMM pueden verse los óptimos pluvográficos en los valles de los rı́os Cauca y Magdalena y los máximos
locales de precipitación en los bordes oriental y occidental de la cordillera de los Andes
de la(s) variable(s) desaparece(n), varı́a con la dirección. La pendiente del variograma es más suave
en la dirección de máxima continuidad indicando que la correlación se pierde más lentamente,
y es más abrupta en la dirección de mı́nima continuidad donde la correlación desaparece más
rápidamente (Cassiraga, 1999). Para cada una de las regiones analizadas, con excepción de las
regiones Pacı́fica y Ecuatoriana, se ha seleccionado un modelo de corregionalización isotrópico o
anisotrópico geométrico, cuyas expresiones pueden generalizarse de la siguiente manera:
s s
2 2 2 2
hx hy hx hy
γ(h) = γ(hx , hy ) = C0 + C1 · Sph + + C2 · Sph + (4.2)
a1x a1y a2x a2y
Figura 4.9. Mapas de variogramas experimentales estimados para las regiones Andina (superior izquierdo),
Pacı́fica (izquierdo central), Atlántica(inferior izquierdo), Amazonı́a-Orinoquı́a (superior derecho), Ecuador
(derecho central) y Venezuela (inferior derecho). El color rojo indica mayores valores del variograma, mientras
que el color azul indica valores más bajos de variograma
54
Capı́tulo 4. Precipitación
y está integrado por un efecto pepita cuya meseta es C0 y una estructura esférica anisotrópica
con un rango menor ax en la dirección hx y un rango mayor ay en la dirección perpendicular
hy y una meseta C1 . Como se comentó en el análisis de los modelos de corregionalización de las
variables principal y secundaria, la distancia hx corresponde a la dirección de máxima continuidad
y la distancia hy a la de mı́nima continuidad. Los parámetros ajustados de la expresión para la
regionalización de la transformada indicadora (ecuación 4.4), para los umbrales correspondientes a
los deciles de la distribución de probabilidad condicional global, tienen las siguientes caracterı́sticas:
Para la región Andina se ha determinado una dirección de anisotropı́a de N 40◦ E y los paráme-
tros ajustados se muestran en la tabla 4.7,
para las regiones Pacı́fica, Amazonı́a-Orinoquı́a, Ecuador y Venezuela se han ajustado modelo
isotrópicos, para los cuales ax = ay = a en la ecuación 4.4. Los parámetros ajustados se
muestran en las tablas 4.9, 4.10, 4.11 y 4.12, respectivamente.
55
Capı́tulo 4. Precipitación
Figura 4.10. Variogramas experimentales (lı́nea punteada) y ajustados (lı́nea continua) para la variable
principal en cada una de las regiones de análisis. El tipo de variograma y los parámetros asociados al ajuste
se presentan en la tabla 4.4
56
Capı́tulo 4. Precipitación
Figura 4.11. Variogramas experimentales (lı́nea punteada) y ajustados (lı́nea continua) para la variable
secundaria en cada una de las regiones de análisis. El tipo de variograma y los parámetros asociados al ajuste
se presentan en la tabla 4.5
57
Capı́tulo 4. Precipitación
Figura 4.12. Variogramas cruzados experimentales (lı́nea punteada) y ajustados (lı́nea continua) en cada
una de las regiones de análisis. El tipo de variograma y los parámetros asociados al ajuste se presentan en
la tabla 4.6
58
Capı́tulo 4. Precipitación
Tabla 4.4. Parámetros ajustados para los modelos corregionalización por regiones para la variable principal,
precipitación. C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura imbricada, a1x
y a1y son sus rangos iniciales en la dirección de menor y mayor variación, x y y, respectivamente; C2 es
la meseta de la segunda estructura imbricada, a2x y a2y son sus rangos finales en la dirección de menor y
mayor variación, x y y, respectivamente.
Parámetro Andes Pacı́fico Atlántico Ama-Ori Ecuador Venezuela
Azimut (o ) 30 30 40 Omnidir. 30 Omnidir.
C0 (mm2 ) 85000 80000 50000 210000 100000 80000
C1 (mm2 ) 1375000 2350000 1300000 2000000 750000 480000
ax1 (m) 280000 120000 350000 700000 200000 350000
ay1 (m) 80500 120000 150000 700000 200000 350000
C2 (mm2 ) No aplica 13100000 No aplica No aplica 1400000 No aplica
ax2 (m) No aplica No aplica No aplica No aplica No aplica No aplica
ay2 (m) No aplica No aplica No aplica No aplica No aplica No aplica
Tabla 4.5. Parámetros ajustados para los modelos corregionalización por regiones para la variable secun-
daria, TRMM. C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura imbricada, a1x
y a1y son sus rangos iniciales en la dirección de menor y mayor variación, x y y, respectivamente; C2 es
la meseta de la segunda estructura imbricada, a2x y a2y son sus rangos finales en la dirección de menor y
mayor variación, x y y, respectivamente.
Parámetro Andes Pacı́fico Atlántico Ama-Ori Ecuador Venezuela
Azimut (o ) 30 30 40 Omnidir. 30 Omnidir.
C0 (mm2 ) 400000 250000 300000 200000 20000 170000
C1 (mm2 ) 1200000 1700000 1000000 250000 900000 370000
a1x (m) 280000 120000 350000 280000 200000 380000
a1y (m) 80500 120000 150000 280000 200000 380000
C2 (mm2 ) No aplica 3300000 No aplica 4500 1400000 No aplica
a2x (m) No aplica No aplica No aplica 700000 No aplica No aplica
a2y (m) No aplica No aplica No aplica 700000 No aplica No aplica
Tabla 4.6. Parámetros ajustados para los modelos corregionalización por regiones para los variogramas
cruzados. C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura imbricada, a1x y a1y
son sus rangos iniciales en la dirección de menor y mayor variación, x y y, respectivamente; C2 es la meseta
de la segunda estructura imbricada, a2x y a2y son sus rangos finales en la dirección de menor y mayor
variación, x y y, respectivamente.
Parámetro Andes Pacı́fico Atlántico Ama-Ori Ecuador Venezuela
o
Azimut ( ) 30 30 40 Omnidir. 30 Omnidir.
C0 (mm2 ) 70000 50000 30000 30000 20000 60000
C1 (mm2 ) 1100000 1100000 950000 550000 550000 250000
a1x (m) 280000 120000 350000 700000 200000 380000
a1y (m) 80500 120000 150000 700000 200000 380000
C2 (mm2 ) No aplica 6500000 No aplica No aplica 1000000 No aplica
a2x (m) No aplica No aplica No aplica No aplica No aplica No aplica
a2y (m) No aplica No aplica No aplica No aplica No aplica No aplica
59
Capı́tulo 4. Precipitación
Tabla 4.7. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Andina. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada, ax y ay son
sus rangos iniciales en la dirección de menor y mayor variación, x y y, respectivamente.
k 1 2 3 4 5 6 7 8 9
zk (mm) 1035 1225 1475 1695 1910 2105 2360 2710 3570
C0 0.07 0.1 0.12 0.09 0.12 0.09 0.065 0.035 0.01
C1 0.04 0.08 0.11 0.165 0.18 0.19 0.19 0.165 0.12
ax (m) 400000 120000 260000 190000 250000 250000 320000 300000 370000
ay (m) 200000 70000 70000 70000 75000 90000 200000 240000 120000
Tabla 4.8. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Atlántica. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada, ax y ay son
sus rangos iniciales en la dirección de menor y mayor variación, x y y, respectivamente.
k 1 2 3 4 5 6 7 8 9
zk (mm) 950 1175 1380 1510 1880 2085 2450 2800 3540
C0 0.005 0.04 0.03 0.04 0.05 0.05 0.08 0.05 0.015
C1 0.15 0.2 0.28 0.31 0.26 0.25 0.16 0.13 0.095
ax (m) 650000 450000 400000 350000 250000 250000 220000 150000 120000
ay (m) 400000 370000 300000 250000 160000 150000 110000 150000 120000
Tabla 4.9. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Pacı́fica. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada y a es el rango.
k 1 2 3 4 5 6 7 8 9
zk (mm) 1010 1180 1370 1570 1835 2120 2637 3348 6030
C0 0.025 0.05 0.05 0.075 0.13 0.09 0.05 0.01 0.001
C1 0.07 0.122 0.17 0.18 0.15 0.165 0.19 0.2 0.13
a (m) 140000 140000 140000 160000 160000 180000 180000 180000 160000
Tabla 4.10. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Amazonı́a-Orinoquı́a. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada y
a es el rango.
k 1 2 3 4 5 6 7 8 9
zk (mm) 900 1150 1560 1970 2500 2660 2900 3200 3750
C0 0.02 0.025 0.04 0.05 0.05 0.075 0.05 0.025 0.02
C1 0.055 0.14 0.16 0.25 0.27 0.2 0.22 0.19 0.055
a (m) 1000000 1100000 850000 850000 950000 900000 850000 850000 650000
Tabla 4.11. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región Ecuador. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada y a es el rango.
k 1 2 3 4 5 6 7 8 9
zk (mm) 554 760 960 1145 1350 1550 1970 2400 3100
C0 0.03 0.05 0.07 0.074 0.1 0.075 0.068 0.024 0.001
C1 0.06 0.12 0.15 0.175 0.15 0.17 0.15 0.133 0.1
a (m) 150000 150000 200000 160000 190000 200000 220000 170000 180000
60
Capı́tulo 4. Precipitación
Tabla 4.12. Parámetros ajustados para los modelos regionalización para la transformada indicadora en la
región de Venezuela. C0 es el efecto pepita isotrópico, C1 es la meseta de la estructura imbricada y a es el
rango.
k 1 2 3 4 5 6 7 8 9
zk (mm) 520 750 840 900 1020 1110 1330 1450 2530
C0 0.018 0.01 0.02 0.02 0.021 0.02 0.017 0.03 0.01
C1 0.089 0.15 0.2 0.23 0.23 0.22 0.2 0.145 0.1
a (m) 400000 350000 200000 250000 200000 200000 200000 450000 350000
valores de las celdas ubicadas dentro de una ventana de búsqueda de tamaño determinado. En éste
caso en particular, la suavización se realizó utilizando una ventana móvil circular de 20km de radio.
En consecuencia, si se considera que el algoritmo computacional del filtro de kernel se realiza so-
bre valores inciertos, debe aceptarse el hecho de que éste aporta una componente de incertidumbre
que se adiciona a la incertidumbre existente generada por la estimación en el procedimiento de inter-
polación de los campos de precipitación. Ası́, la incertidumbre asociada con el post-procesamiento
de los campos estimados, se asocia con el error estándar del promedio estadı́stico y se ha estimado
ası́:
v
u n
u1 X
Sf k =t Si2 (4.5)
n
i=1
Los campos estimados para las seis regiones de estudio se ensamblaron para obtener un campo
de precipitación para toda la zona de estudio para cada algoritmo de estimación utilizado. El
ensamble consistió en promediar los valores de las celdas comunes de campos adyacentes; ası́ pues,
al unir los campos se genera una incertidumbre adicional en las zonas de traslape, la cual se estimó,
de acuerdo con la ecuación de propagación de los errores, como la raı́z de la suma de los cuadrados
de las incertidumbres de las celdas comunes para campos adyacentes. Finalmente, los campos de
incertidumbre presentados incluyen la cuantificación de la incertidumbre asociada con el ensamble.
Este método es aplicable cuando, de alguna manera, se puede afirmar que la variable secundaria
define la tendencia de la variable principal. En ese orden de ideas, y como se ha discutido en la
Sección 4.3, la información secundaria extraı́da de la misión TRMM puede ser un buen indicador
para la tendencia de la variable principal. KDE requiere conocer la variable secundaria de forma
exhaustiva, por lo que la calidad del campo interpolado se ve afectada si la información blanda es
escasa. El campo de precipitación interpolado a una resolución espacial de 4 km se muestra en la
figura 4.14.
de modelación de variogramas. Además, el tiempo de cómputo puede ser muy elevado si se quiere
incorporar más de una variable secundaria en el procedimiento de estimación de los campos.
Para la aplicación de éste método en la interpolación del campo de precipitación para el territorio
colombiano se extrajeron valores puntuales de información secundaria en localizaciones separadas
por 300 segundos de arco para cada una de las seis regiones de estudio, formado 6 conjuntos de
datos discretos de información secundaria. El anterior procedimiento se incluyó en el análisis puesto
que es imposible incluir en su totalidad la información secundaria por restricciones de tiempo de
ejecución en el cálculo computacional. A partir de los datos principales y la información discreta
secundaria extraı́da, se estimó el campo de precipitación empleando las corregionalizaciones ajus-
tadas para las parejas de datos de calibración, como se comentó en la Sección 4.3.
El método de CKCM es, de forma general, muy similar al método de CKC. El método incorpora
la información secundaria como covariada, pero considera que el modelo de variación espacial de
ésta puede modelarse a partir del modelo de variación espacial de la variable principal a partir de la
correlación lineal entre ambas. Lo anterior es de gran utilidad puesto que ahorra tiempo de calculo
computacional y facilita la estimación del modelo de corregionalización. Análogamente a KDE y
CKC, CKCM requiere que la información secundaria se encuentre exhaustivamente muestreada. El
campo de precipitación resultante, a una resolución espacial de 4 km, se muestra en la figura 4.23.
Mediante un análisis visual de los campos de precipitación obtenidos se pueden extraer fuertes
caracterı́sticas que son acordes con los procesos fı́sicos del fenómeno de la precipitación en el
territorio colombiano, algunas de las cuales han sido heredadas del campo de información secundaria
que se ha construido con la información de la misión TRMM :
Región Atlántica: Los campos de precipitación estimados por todos lo métodos presentan
una Región Atlántica seca, con precipitaciones menores a los 1500 mm anuales, manifestando
tres zonas extremas de precipitación: el extremo seco en el departamento de La Guajira, y
dos extremos húmedos ubicados en la Sierra Nevada de Santa Marta y otro ubicado en el sur
del Departamento de Bolivar.
63
Capı́tulo 4. Precipitación
En primera instancia, con respecto al extremo seco los campos de precipitación muestran
que no se exceden los 1000 mm anuales. En segundo lugar, con respecto al primer extremo
húmedo, los campos de precipitación capturan los mecanismos fı́sicos de la precipitación en
la inmediaciones de la Sierra Nevada de Santa Marta, donde se presenta el extremo húmedo
de la región debido a la influencia orográfica; se ha estimado una precipitación de alrede-
dor de 2200 mm/an̂o para los algoritmos que utilizan la información secundaria densamente
muestreada, mientras que para el cokriging estandarizado se han encontrado zonas cuya preci-
pitación excede los 3000mm/an̂o, para una altitud media de aproximadamente de 2000msnm,
lo cual coincide con valores reportados en investigaciones previas (Mesa et al., 1997). Final-
mente, la presencia de un extremo máximo de precipitación en el sur de Bolivar es consistente
con las investigaciones previas de Oster y el estudio Nacional de Aguas - ENA (Oster, 1979;
Vélez et al., 2000).
Región Andina: Con excepción del campo de precipitación interpolado mediante el algo-
ritmo de cokriging estandarizado, se observa la captura de los óptimos pluviométricos en los
campos estimados (ver figura 4.13). La poca representación fı́sica del fenómeno de precipita-
ción en ésta zona por parte de éste campos puede ser ocasionado por el esquema de muestreo
empleado para integrar la información secundaria dentro del algoritmo de interpolación. En-
tonces, resulta obvio que para éste tipo de algoritmos de estimación es importante desarrollar
un esquema de muestreo previo de la información secundaria, especialmente cuando esta se
encuentre exhaustivamente muestreada, puesto que la discretización de los datos blandos pue-
de omitir caracterı́sticas importantes del fenómeno o variable representada.
Por otro lado, los campos de precipitación obtenidos capturan la influencia topográfica sobre
la precipitación, los extremos húmedos de precipitación se presentan en las laderas de barlo-
vento de las cordilleras, mientras que la precipitación en las laderas de sotavento o interiores
a los valles interandinos es inferior. Además, en general, se ha capturado el hecho de que
la precipitación disminuye con la altura, para altitudes mayores de 3000 msnm se estiman
precipitaciones menores a los 800 mm anuales, lo cual es consistente con las investigaciones
previas (Snow, 1976; Mesa et al., 1997).
Finalmente, en los campos puede visualizarse la influencia que tienen los valles de los rı́os
Cauca y Magdalena como entradas de humedad, en especial en la zona norte del valle del
Magdalena, mientras se nota que el valle del rı́o Cauca es mucho mas seco por ser más estrecho
(Mesa et al., 1997).
Región Pacı́fica: A pesar de que los mayores valores de precipitación media anual dentro del
territorio colombiano se presentan en la región Pacı́fica, ninguno de los campos estimados ha
capturado el máximo pluviométrico que se presenta en las cercanı́as a la ciudad de Quibdó, lo
cual muestra la gran influencia que tiene la información secundaria sobre la estimación. Como
se comentó en la subsección 4.3.1, el campo de información de la TRMM no logra capturar
los máximos de la región, pero ciertamente, puede representar la tendencia de la variación
espacial de ésta variable en la región de acuerdo a lo expresado por Mesa y otros, según
quienes la precipitación aumenta por bandas paralelas a la cordillera en dirección Oeste-Este;
mientras que en dirección norte-sur los valores medios anuales de la precipitación aumentan
desde el Urabá antioqueño hasta las zonas aledañas a Quibdó y vuelve a disminuir hacia el
sur en dirección de los departamentos del Valle y del Cauca (Mesa et al., 1997).
Figura 4.13. Cortes longitudinales al MDE y a los campos de precipitación estimados. Se visualiza clara-
mente la captura de los óptimos pluviométricos en las laderas de la Zona Andina
65
Capı́tulo 4. Precipitación
técnicas e información secundaria diferente (Vélez et al., 2000; Poveda et al., 2007 (b)) y con
las observaciones previas de diferentes investigadores (Snow, 1976; Oster, 1979; Mesa et al.,
1997). Como rasgos generales de la precipitación en los campos estimados puede decirse que
en la Orinoquı́a se manifiesta un precipitación media anual de aproximadamente de 2700mm y
disminuye en dirección Noreste; mientras que en la región Amazónica colombiana se manifiesta
un extremo húmedo de precipitación en la frontera con Brasil por el departamento del Vaupés
(4000mm/an̂o), el cual surge de un valle de precipitación casi constante de aproximadamente
2800 mm/an̂o.
Regiones oceánicas: Aunque, para los campos de precipitación que se presentan, se han
estimado valores de precipitación en las regiones oceánicas, se considera que estos representan
solamente la tendencia espacial de la variable dado que no se tienen registros de precipitación
para ser integrados en la estimación. A pesar de que los estimaciones en éstas zonas resultan
ser un artificio estadı́stico, su patrón de variación espacial está dominado por la representación
de la información secundaria y los parámetros de los modelos de regionalización según la zona
a la cual pertenezca, lo cual les otorga cierto sentido fı́sico (ver Figura 4.2).
Como era de esperarse, para todos los algoritmos de estimación estocástica utilizados en la
investigación los mayores valores de incertidumbre se han estimado en las regiones del paı́s
no se presenta cobertura de medición pluviométrica, especı́ficamente, en las zonas Amazonı́a
y Orinoquı́a colombianas, donde en muchas localizaciones se ha estimado que la desviación
estándar calculada es el 40 % del valor estimado de precipitación, y en las regiones oceánicas,
en las cuales debido a la carencia absoluta de registros pluviométricos, se ha encontrado que
la desviación estándar pueden llegar superar el valor de precipitación estimado.
66
Capı́tulo 4. Precipitación
A pesar de que los valores para las desviaciones estándar de estimación son bajos en las
regiones Andina y Atlántica, en las localizaciones más secas, estas pueden llegar a ser un por-
centaje bastante elevado del valor de precipitación estimado (CV elevado). Por el contrario,
en la región Pacı́fica los valores de desviación estándar de estimación de la precipitación son
bastante elevados, sin embargo son una pequeña fracción de la precipitación estimada (que
se traduce en la estimación de un CV bajo). Ası́, en general, se considera que los valores
estimados en las localizaciones secas son más inciertos bajo el concepto de coeficiente de
variación.
Para terminar, es importante tener claro que la varianza de estimación de los algoritmos de
estimación de la familia del kriging no representan el esquema espacial de variación de la incerti-
dumbre de la precipitación como variable aleatoria, lo cual se refleja en la discontinuidad de los
campos de incertidumbre estimados. En la Sección 4.5 se muestra que la modelación indicadora de
las funciones locales de probabilidad acumulada con base en la información secundaria exhaustiva
disponible, TRMM, hace posible representar, de una manera más fı́sica, el patrón de variación
espacial de la incertidumbre de la precipitación media anual.
En dichas tablas se observa que las medias son muy bien reproducidas por todos los algorit-
mos, siendo KDE el que mejor las representa. La varianza, la desviación estándar y los valores
máximos son subestimados por todos los métodos de estimación y para todas las regiones, lo cual
puede atribuirse a que, como se comento en la Sección 4.3, la información secundaria no reproduce
los extremos de precipitación de los valores de referencia (promedios anuales para las estaciones).
Lo anterior resulta consistente con el hecho de que, como lo comentan algunos investigadores, la
subestimación de la variabilidad de las estimaciones es tı́pica de las técnicas de interpolación que
combinan varios valores para construir un estimador (Cassiraga, 1999). Con respecto a los valores
mı́nimos, puede verse que la técnica de CKE produce valores muy por debajo de los valores de
referencia de precipitación en las estaciones, lo cual resulta ser un problema tı́pico de ésta técnica
cuando la información secundaria está mejor muestreada que la variable principal, puesto que gran
cantidad de los factores de ponderación resultantes de la resolución del sistema de kriging resultan
ser negativos (Goovaerts, 1997). Lo mismo puede afirmarse para todas las técnicas de estimación
empleadas, puesto que éstas tienden a subestimar los valores mı́nimos y en este caso varias estima-
ciones están por debajo de cero.
Figura 4.14. Campo de precipitación promedio anual para Colombia interpolado mediante KDE
68
Capı́tulo 4. Precipitación
Figura 4.15. Campo de incertidumbre para la precipitación promedio anual estimada mediante KDE
Figura 4.16. Campo de coeficiente de variación para la precipitación promedio anual estimada mediante
KDE
69
Capı́tulo 4. Precipitación
Figura 4.17. Campo de precipitación promedio anual para Colombia interpolado mediante CKE
70
Capı́tulo 4. Precipitación
Figura 4.18. Campo de incertidumbre para la precipitación promedio anual estimada mediante CKE
Figura 4.19. Campo de coeficiente de variación para la precipitación promedio anual estimada mediante
CKE
71
Capı́tulo 4. Precipitación
Figura 4.20. Campo de precipitación promedio anual para Colombia interpolado mediante CKC
72
Capı́tulo 4. Precipitación
Figura 4.21. Campo de incertidumbre para la precipitación promedio anual estimada mediante CKC
Figura 4.22. Campo de coeficiente de variación para la precipitación promedio estimada mediante CKC
73
Capı́tulo 4. Precipitación
Figura 4.23. Campo de precipitación promedio anual para Colombia interpolado mediante CKCM
74
Capı́tulo 4. Precipitación
Figura 4.24. Campo de incertidumbre para la precipitación promedio anual estimada mediante CKCM
Figura 4.25. Campo de coeficiente de variación para la precipitación promedio anual estimada mediante
CKCM
75
Capı́tulo 4. Precipitación
Con base en los valores de precipitación media anual estimados (Pest ) y de referencia (Pref ) se
ha realizado un análisis del comportamiento de los errores de estimación o residuales, los cuales
se definen como R = Pref − Pest , para cada región de estudio con respecto a cada método de
estimación espacial implementado. Los histogramas de frecuencia de los residuales se presentan ası́:
Tal como fueron definidos estos residuales, aquellas distribuciones que tienen una media menor
que cero reflejan una tendencia general a la subestimación, por lo que el histograma de los errores
presenta una cola para los valores bajos, ésta particularidad se manifiesta claramente para el algo-
ritmo de CKE, en especial para las estimaciones correspondientes a las regiones Andina, Atlántica
y Venezuela como se puede ver en la figura 4.27. Se encontraron caracterı́sticas similares para los
errores de estimación en la región Amazonı́a-Orinoquı́a empleando kriging con deriva externa (ver
figura 4.26). Por el contrario, cuando el histograma de errores muestra cola en los valores superiores,
se presenta una tendencia a la sobreestimación, ésta es la tendencia general encontrada para todos
los métodos, con excepción del CKE, pero se hace notoria especialmente para CKC y CKCM, para
todas las regiones. Se ha encontrado un comportamiento análogo para la región Andina a partir de
las estimaciones realizadas mediante KDE.
Idealmente, se espera que la la media de los errores sea nula, lo que significarı́a que las sub-
estimaciones y sobrestimaciones están compensadas. Si además de la media, la mediana es apro-
ximadamente cero la distribución serı́a simétrica y las sobrestimaciones y subestimaciones serı́an
simétricas en magnitud. Ésta situación ideal sólo ha sido medianamente capturada a partir de los
métodos de KDE, en especial, para la región Pacı́fica, como puede verse en la figura 4.26, y CKE
para las regiones Amazonı́a-Orinoquı́a y Ecuador (ver figura 4.26).
Desde la figura 4.26 hasta la figura 4.29 se muestran los estadı́sticos de los residuales y se ob-
serva que existen diferencias entre las medias y las medianas para todos los métodos de estimación
aplicados, siendo el KDE el que mejor se comportan desde este punto de vista. Otro aspecto desea-
ble de las distribuciones de los residuos es que la dispersión de éstos valores sea la menor posible.
En ese sentido puede observarse que, de nuevo, KDE y el CKCM presentan menores valores de
desviación estándar para cada región.
Ahora bien, para tener una medida conjunta del sesgo y la dispersión de los residuales para cada
uno de los campos correspondiente a cada método y cada región, se han calculado los siguientes
indicadores:
n
1X
EAM = |R| (4.6)
n
i=1
76
Capı́tulo 4. Precipitación
Tabla 4.13. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la región Andina. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación
estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a)
Estadı́stico Estaciones KDE CKE CKC CKCM
Max (mm) 7688 6132 7465 6933 7063
Min (mm) 444 553 233 499 575
Rango (mm) 7245 5579 80563 6434 6488
M (mm) 1906 1919 1864 1855 1915
m (mm) 2104 2096 2094 2045 2081
Var (mm2 ) 1116279 901757 1337668 818956 789974
σ (mm) 1057 950 1157 905 889
CV 0.50 0.45 0.55 0.44 0.43
CA 1.61 1.26 1.29 1.35 1.46
Tabla 4.14. Tabla de estadı́sticos principales para los datos de referencia (estaciones) para la región Atlánti-
ca. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación estándar, CV: coefi-
ciente de variación, CA: coeficiente de asimetrı́a)
Estadı́stico Estaciones KDE CKE CKC CKCM
Max (mm) 5368 4711 6692 4616 4580
Min (mm) 318 744 112 754 770
Rango (mm) 5050 3966 7587 3861 3810
M (mm) 1895 1902 1835 2099 2035
m (mm) 2036 2044 2053 2168 2130
Var (mm2 ) 980179 803710 1409543 720368 666736
σ (mm) 990 896 1187 849 817
CV 0.49 0.44 0.58 0.39 0.38
CA 0.78 0.80 0.94 0.76 0.84
Tabla 4.15. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la región Pacı́fica. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación
estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a)
Estadı́stico Estaciones KDE CKE CKC CKCM
Max (mm) 13186 12147 13615 10996 10495
Min (mm) 465 533 177 84 325
Rango (mm) 12721 11614 13983 10912 10170
M (mm) 1815 1837 1823 1792 1814
m (mm) 2583 2572 2560 2442 2459
Var (mm2 ) 4401338 3879043 4337132 3288534 3069072
σ (mm) 2098 1970 2083 1813 1752
CV 0.81 0.77 0.81 0.74 0.71
CA 2.12 1.81 1.79 1.83 1.88
77
Capı́tulo 4. Precipitación
Tabla 4.16. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la Amazonı́a y Orinoquı́a. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ:
desviación estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a)
Estadı́stico Estaciones KDE CKE CKC CKCM
Max (mm) 7359 5930 5645 5229 6476.91
Min (mm) 629 5467 139 770 567
Rango (mm) 6730 5384 5505 4458 5910
M (mm) 2469 2470 2527 2455 2395
m (mm) 2331 2340 2329 2286 2230
Var (mm2 ) 1334276 1167026 1095559 1013615 1200813
σ (mm) 1155 1080 1047 1007 1096
CV 0.50 0.46 0.45 0.44 0.49
CA 0.69 0.50 0.40 0.41 0.92
Tabla 4.17. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para la Región Ecuador. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación
estándar, CV: coeficiente de variación, CA: coeficiente de asimetrı́a)
Estadı́stico Estaciones KDE CKE CKC CKCM
Max (mm) 8838 5698 7118 5474 6714
Min (mm) 335 358 9 288 251
Rango (mm) 8503 5340 7109 5186 6463
M (mm) 1350 1368 1309 1419 1343
m (mm) 1645 1627 1629 1586 1482
Var (mm2 ) 1285290 1030436 1238700 786896 820602
σ (mm) 1134 1015 1113 887 906
CV 0.69 0.62 0.68 0.56 0.61
CA 1.97 1.49 1.58 1.45 1.99
Tabla 4.18. Tabla de estadı́sticos principales para los datos de referencia (estaciones) y valores estimados
para Venezuela. (Max: máximo, Min: mı́nimo, m: media, M: mediana, Var: varianza, σ: desviación estándar,
CV: coeficiente de variación, CA: coeficiente de asimetrı́a)
Estadı́stico Estaciones KDE CKE CKC CKCM
Max (mm) 3963 3526 3841 3094 2975
Min (mm) 384 492 375 599 576
Rango (mm) 3579 3034 3466 2495 2399
M (mm) 1017 1043 1053 1052 1053
m (mm) 1239 1258 1262 1270 1263
Var (mm2 ) 548791 427791 519163 347901 332813
σ (mm) 741 654 721 590 577
CV 0.60 0.52 0.57 0.46 0.46
CA 1.62 1.65 1.53 1.28 1.26
78
Capı́tulo 4. Precipitación
Tabla 4.19. Tabla de errores absolutos medios (EAM ) y errores cuadráticos medios (ECM ) estimados
para cada método de interpolación espacial y para cada región de estudio
KDE CKE CKC CKCM
Región EAM ECM EAM ECM EAM ECM EAM ECM
2 2 2
(mm) (mm ) (mm) (mm ) (mm) (mm ) (mm) (mm2 )
Andina 358 308935 529 562237 425 369027 417 361245
Pacifica 489 749274 619 866802 663 1203179 621 1076277
Atlántica 329 235793 889 1508537 424 331050 418 332184
Ama-Ori 400 333132 416 370892 464 445865 434 363223
Ecuador 327 269658 409 334451 587 844017 532 678729
Venezuela 488 480180 522 494003 432 446586 420 423042
n
1X 2
ECM = R (4.7)
n
i=1
Como se aprecia en la tabla 4.19 los errores absolutos medios y los errores cuadráticos medios
son menores para las estimaciones realizadas mediante KDE y CKCM, lo cual implica que, al menos
desde una perspectiva puramente cuantitativa, éstas técnicas proporcionan las mejores estimaciones.
Los diagramas de dispersión de los valores verdaderos y estimados por los diferentes métodos
para las seis regiones de estudio se representan desde la figura 4.30 hasta la figura 4.33. Un diagrama
de dispersión provee información adicional acerca del comportamiento de los algoritmos empleados.
Bajo condiciones ideales, es decir, los valores estimados y de referencia son iguales, se esperarı́a que
los valores estimados y los verdaderos se ajustaran a una lı́nea recta, es decir, 45◦ si la escala de
los ejes es la misma.
En los diagramas obtenidos se observa poca dispersión para todos los métodos con excepción de
cokriging estandarizado. Los métodos con menor dispersión en las estimaciones son, en su orden,
KDE y CKCM.
Figura 4.26. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante kriging con deriva externa para las seis regiones de estudio
80
Capı́tulo 4. Precipitación
Figura 4.27. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante cokrigigng estandarizado para las seis regiones de estudio
81
Capı́tulo 4. Precipitación
Figura 4.28. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante cokriging colocalizado para las seis regiones de estudio
82
Capı́tulo 4. Precipitación
Figura 4.29. Histograma de frecuencias para los residuales entre los valores de referencia y los valores
estimados mediante cokriging colocalizado con cadenas de Markov para las seis regiones de estudio
83
Capı́tulo 4. Precipitación
Figura 4.30. Diagrama de dispersión para los valores de referencia y los valores estimados mediante kriging
con deriva externa para las seis zonas de estudio
84
Capı́tulo 4. Precipitación
Figura 4.31. Diagrama de dispersión para los valores de referencia y los valores estimados mediante cokriging
estandarizado para las seis zonas de estudio
85
Capı́tulo 4. Precipitación
Figura 4.32. Diagrama de dispersión para los valores de referencia y los valores estimados mediante cokriging
colocalizado para las seis zonas de estudio
86
Capı́tulo 4. Precipitación
Figura 4.33. Diagrama de dispersión para los valores de referencia y los valores estimados mediante cokriging
colocalizado con cadenas markovianas para las seis zonas de estudio
87
Capı́tulo 4. Precipitación
umbral empleando las transformadas indicadoras de los datos principales, un campo de transforma-
da indicadora condicionada de la información secundaria y la interpolación empleando el algoritmo
de cokriging colocalizado con hipótesis Bayes-Markov. Con base en las fpa modeladas para cada
celda, se estimaron los campos de precipitación promedio, desviaciones estándar y coeficiente de
variación para cada región y, posteriormente, se ensamblaron y postprocesaron para obtener los
campos de precipitación media anual y su incertidumbre asociada para el territorio colombiano, en
términos de la desviación estándar y el coeficiente de variación de las fpa estimadas.
Para modelar la incertidumbre local de la precipitación media anual en cada zona de análisis se
han interpolado campos de probabilidad para cada umbral. Ası́, la estimación de las probabilidades
celda a celda se ha realizado con base en el análisis estructural indicador mostrado en la Subsección
4.3.3. De forma muy general, las pasos del procedimiento empleado para obtener las fpa para la
precipitación fueron:
Para cada región de análisis se estimó la fpa global de la precipitación con base en los prome-
dios anuales para cada estación. A partir dicha distribución de probabilidad se seleccionaron
los nueve umbrales correspondientes a los lı́mites de precipitación asociados con los deciles
de probabilidad.
Para cada umbral estimado se aplicó la transformación indicadora de los datos principales
originales, empleando la ecuación 3.43.
Para cada umbral se aplicó la transformada indicadora secundaria para obtener un campo de
probabilidades condicionales iniciales, según la ecuación 3.47.
Se realizó el análisis estructural de la variable indicadora principal en cada uno de los umbrales
y para cada región (ver subsección 4.3.3).
Se estimaron los campos de probabilidad por regiones empleando el algoritmo de CKCI bajo
hipótesis Bayes-Markov, como se presentó en la Subsección 3.5.4.
Ahora bien, ya que la estimación de los campos de probabilidad depende de la selección a priori
de los umbrales correspondientes a los lı́mites de los deciles de la función de probabilidad acumula-
da global de la variable principal, los campos de probabilidad no pueden ensamblarse si se realiza
un análisis por regiones de la variable principal, puesto que las distribuciones globales de proba-
bilidad varı́an de acuerdo con las realizaciones ubicadas dentro de cada región; por consiguiente,
los valores de los umbrales también varı́an por región y el campo de probabilidad ensamblado no
serı́a representativo de la función de probabilidad global del dominio espacial que éste representa.
En virtud de lo anterior y dada la gran cantidad de campos de probabilidad estimados, estos no
se presentan dentro del texto de ésta tesis. En su lugar se ha optado por presentar los campos
obtenidos aplicando los estimadores óptimos, los cuales se muestran en la siguiente subsección.
estudio, puede estimarse campos de precipitación media y los campos de la incertidumbre asociada,
como se mostró en la Subsección 3.5.7, con base en los estimadores óptimos tipo media y varianza
condicional. A partir de la fpa de cada región se calcularon los campos correspondientes a los
estimadores óptimos, los cuales se post-procesaron y se ensamblaron de acuerdo de forma análoga
al procedimiento descrito en las subsecciones 4.4.1 y 4.4.2. Ası́ pues, se obtienen los campos de
precipitación media estimada, desviación estándar y coeficiente de variación, los cuales se muestran
en las figuras 4.34, 4.35 y 4.36, respectivamente.
El campo de precipitación media estimada para toda la zona de estudio se obtuvo a partir
de la aplicación del estimador óptimo Tipo E (ecuación 3.56) y se muestra en la figura 4.34.
Éste campo presenta caracterı́sticas generales muy similares a las comentadas en la Subsección
4.4.3, lo cual indica que la integración de la información secundaria dentro del procedimiento de
modelación de la incertidumbre mejora la estimación de las probabilidades locales asociadas a la
fpa para cada celda del campo. A pesar de que, en términos de estimación, el kriging indicador
ha probado no ser tan eficiente como los algoritmos de estimación de la familia del kriging en
el dominio real de la variable regionalizada (Lloyd y Atkinson, 2001), a partir de la integración
de la información secundaria, su transformación en términos de probabilidades condicionales y la
modelación juiciosa de las corregionalizaciones indicadoras se pueden llegar a estimar campos que
representen adecuadamente las caracterı́sticas de las variables estimadas y su distribución espacial,
los cuales son de calidad comparable a los obtenidos a partir de kriging.
Se han obtenido campos de desviación estándar y coeficiente de variación a partir de las fpa
estimadas, para lo cual se ha utilizado los estimadores óptimos Tipo E y de varianza condicional
(ecuación 3.57), los cuales se muestran en las figuras 4.35 y 4.36. El campo de desviación estándar
estimado muestra que la variación espacial de la incertidumbre es bastante continua sobre la zona
de estudio y que las mayores desviaciones estándar se presentan en las zonas en las cuales la precipi-
tación media anual es mayor, es decir en la región Pacı́fica y en la región Amazónica, mientras que
las desviaciones estándar más bajas corresponden a las zonas más secas, en zonas correspondientes
a los lugares más elevados en las cordilleras y el Caribe Colombiano.
En éste estudio se han encontrado grandes diferencias entre los campos de incertidumbre ob-
tenidos a partir de los algoritmos de estimación y el campo de desviaciones estándar estimado a
partir de la modelación de la fpa mediante el algoritmo de CKCI con hipótesis Bayes-Markov, las
cuales se enumeran a continuación:
anual, mientras que los campos de incertidumbre para el kriging en el dominio de la variable
original representan el nivel de certeza de la estimación según el modelo de corregionalización
ajustado.
La diferencia mı́nima para todos los campos estimados, la cual está por debajo de los 2500
mm/an̂o, y se localiza en la zona central del departamento del Chocó, cerca de la ciudad de
Quibdó. La estimación obtenida en el presente trabajo es muy inferior a la obtenida por Vélez et
al (2000) y puede ocasionarse, nuevamente, a las caracterı́sticas presentes en la información secun-
daria extraı́da de la misión TRMM, puesto que esta no alcanza a capturar los valores máximos de
precipitación en la zona anteriormente comentada, la cual es bien representada por la información
secundaria de Oster y el ENA. Los menores valores de diferencia se obtuvieron para el campo es-
timado mediante la modelación de las incertidumbre local a partir de la metodologı́a de cokriging
indicador colocalizado con hipótesis de Bayes-Markov, debido a la libertad que tiene el modelador
para extrapolar las colas superiores de la fpa para las localizaciones cuya precipitación supera el
valor unbral correspondiente al noveno decil de la fpa. En ésta aplicación, para la región Pacı́fica
90
Capı́tulo 4. Precipitación
Figura 4.34. Campo de precipitación promedio anual para Colombia interpolado mediate el método de
CKCI bajo hipótesis Bayes-Markov
91
Capı́tulo 4. Precipitación
Figura 4.35. Campo de desviación estándar para la precipitación promedio anual para colombia, estimada
mediate el método de CKCI bajo hipótesis Bayes-Markov
Figura 4.36. Campo de coeficiente de variación para la precipitación promedio anual para colombia, esti-
mada mediate el método de CKCI bajo hipótesis Bayes-Markov
92
Capı́tulo 4. Precipitación
en los máximos se trabajó con un esquema de extrapolación hiperbólico para tratar de simular la
cola pesada en las localizaciones de los máximos. A pesar de lo anterior se encontró que los valores
extremos no alcanzan a ser reproducidos completamente.
La diferencia máxima para todos los campos estimados, la cual está por encima de los 2500
mm/an̂o, se obtuvo en las zonas cercanas al puerto de Buenaventura. Como se comentó anterior-
mente, se ha detectado la presencia de un máximo de precipitación artificial en dicha localización
y puede explicarse por la captura de ciertos eventos extremos por parte del satélite TRMM, los
cuales ocasionaron que el valor de la intensidad promedio estimada fuera sobrevalorada. A pesar
de lo anterior, es recomendable realizar una revisión posterior de la información principal de pre-
cipitación en tierra, con el fin de detectar la presencia de algún tipo de error de medición en las
series de las estaciones ubicadas en dicha zona.
En general, para todos los campos de precipitación estimados se encontró que la precipitación
estimada en este trabajo es menor que la estimada por Vélez et al. (2000) para la Amazonı́a y el
norte de la Orinoquı́a, mientras que se sobreestima para las regiones orientales de la Orinoquı́a y
La Guajira. Se observa que los valores de las diferencia para la región Andina son bajos debido a la
gran presencia de información primaria, lo cual ocasiona que los valores de precipitación estimados
sean bastante parecidos. Las diferencias máximas y mı́nimas entre los campos comparados para
dicha región, se relacionan con la presencia de óptimos y mı́nimos pluviográficos, los cuales, según
se comentó anteriormente, son bien capturados por la información secundaria extraı́da de TRMM.
Ası́, en el sentido de la captura de los óptimos pluvigráficos, se cree que cualquiera de los campos
estimados en éste trabajo, con excepción del obtenido mediante cokriging estandarizado, supera
los campos estimados por Vélez et al. (2000).
Todos los algoritmos producen campos con una varianza menor para los valores de la variable
modelada, excepto los obtenidos por cokriging estandarizado. Como se ha señalado antes,
éste efecto de suavizado es de esperarse en aquellos algoritmos que construyen el estimador
combinando varios datos.
Desde el punto de vista de la eficiencia computacional se puede decir que si se dispone de in-
formación secundaria exhaustiva el algoritmo de cokriging colocalizado es el más aconsejable.
A pesar de lo anterior, en ésta aplicación los mejores resultados se obtuvieron con el método
de kriging con deriva externa, esto se debe a la fuerte correlación lineal que se presenta entre
las variables principal y secundaria.
94
Capı́tulo 4. Precipitación
Figura 4.37. Campo de diferencia para los campos de precipitación media anual estimados y el campo
de precipitación media anual presentado por Vélez et al. (2000), empleando la metodologı́a de KDE y
usando como deriva el mapa de precipitación de Oster (1979). En la parte superior se presenta el campo de
precipitación media anual estimado, alrededor del cual se presentan los campos de diferencias estimadas a
una resolución de 300 segundos de arco
95
Capı́tulo 4. Precipitación
Figura 4.38. Campo de diferencia para los campos de precipitación media anual estimados y el campo de
precipitación media anual presentado por Vélez et al. (2000), empleando la metodologı́a de KDE y usando
como deriva el mapa de precipitación del ENA. En la parte superior se presenta el campo de precipitación
media anual estimado, alrededor del cual se presentan los campos de diferencias estimadas a una resolución
de 300 segundos de arco
96
Capı́tulo 5
Evapotranspiración
5.1. Introducción
En este Capı́tulo se presentan los campos de evapotranspiración real y potencial estimados para
el territorio colombiano mediante algunos métodos utilizados anteriormente por otros investigadores
(Barco y Cuartas, 1998; Vélez et al., 2000; Poveda et al., 2007 (b)). Inicialmente, se presentan
los campos que representan las variables de entrada para los cálculos de la evapotranspiración
junto con su incertidumbre asociada, la cual se cuantifica siguiendo ciertas consideraciones de
acuerdo con los procedimiento de preprocesamiento utilizados. Posteriormente, a partir de las
ecuaciones matemáticas asociadas a cada metodologı́a, se derivan sus correspondientes ecuaciones
de propagación de la incertidumbre con el fin de obtener los campos de incertidumbre asociados con
la estimación. Tanto para la evapotranspiración potencial como para la real se asumió independencia
entre las variables involucradas para efectos de cuantificación de la incertidumbre. Finalmente, se
muestran los campos de evapotranspiración estimados junto con los campos que representan su
incertidumbre asociada.
La disponibilidad de agua en una zona está determinada por la precipitación. A largo plazo,
ésta es la responsable del flujo base de las corrientes, del suministro de agua a los acuı́feros
por infiltración y en la zona vadosa para suministro de agua a las plantas, las cuales, a su
vez, interceptan gran parte del agua precipitada.
La radiación neta es el remanente del balance energético global, el cual está afectado por
factores astronómicos y por condiciones fı́sicas y climáticas. La disponibilidad de energı́a
97
Capı́tulo 5. Evapotranspiración
para cambio de estado del agua es suministrada por la radiación neta proveniente del sol.
De ésta radiación, una parte es responsable del calentamiento de la superficie en forma de
calor sensible, que es reflejada por la temperatura superficial, mientras que la otra parte es
la responsable de proveer calor latente de vaporización.
Las condiciones aerodinámicas propicias para la evaporación son influenciadas por la velocidad
del viento, la cantidad de vapor de agua en el aire, la resistencia aerodinámica de la superficie
y por el tipo y cantidad de vegetación presente.
Durante las estaciones secas, las plantas extraen más agua de las capas más profundas, donde
la densidad de raı́ces es máxima. A medida que el suelo se seca, más agua es extraı́da de las capas
profundas para mantener los estomas abiertos. Como resultado, los árboles son capaces de man-
tener una tasa de evapotranspiración relativamente constante, aún cuando la humedad del suelo
es la parte superior del suelo es limitada. Bajo estas condiciones, las plantas de raı́ces profundas
tienden a cerrar sus estomas y a tener una tasa de evapotranspiración reducida. La profundidad
y distribución de las raı́ces de las plantas están afectadas por una cantidad de factores como las
barreras fı́sicas, las barreras quı́micas y la distribución de nutrientes. Cuando las propiedades fı́sicas
del suelo como la porosidad, el tamaño de los poros y la longitud de las raı́ces son desfavorables para
el abastecimiento de agua y oxı́geno en la planta, su crecimiento tiende a estar severamente limitado.
Desde un punto de vista cuantitativo, aunque existe una gran variedad de propuestas para la
estimación de la evapotranspiración, no es claro cuál es la más adecuada, más aún si se considera
que el conocimiento que se tiene acerca de esta variable es reducido, además de las claras dificultades
que existen para medirla y para estimarla. De esta variedad de metodologı́as, algunas de las cuales
han sido ampliamente empleadas para la estimación de la evapotranspiración, tanto potencial como
real, muchas son basadas en regresiones obtenidas de registros empı́ricos correspondientes a regiones
con caracterı́sticas climáticas, energéticas y de vegetación particulares, lo que limita la validez de
los resultados obtenidos al aplicarlas en regiones con caracterı́sticas diferentes. Otras de estas
metodologı́as parten de suposiciones y de desarrollos teóricos que no siempre consideran todas las
variables implicadas o que no dan cuenta adecuadamente de los procesos fı́sicos inherentes a este
fenómeno. De hecho, la gran mayorı́a de las metodologı́as clásicas para estimar la evapotranspiración
no incluyen el factor vegetación, totalmente determinante en el comportamiento de esta variable
(Brutsaert, 1982).
98
Capı́tulo 5. Evapotranspiración
Figura 5.1. Mapa mundial de las fuentes a partir de las cuales el USGS elaboró la base de datos topográfica
del GTOPO30. En internet: http:/lpdaac.usgs.gov/gtopo30/gtopo30.html.
5.2.1. Topografı́a
Se ha considerado que la incertidumbre asociada con el MDE utilizado se deriva de dos fuentes
principales:
La incertidumbre promedio asociada con la elaboración del MDE, la cual se encuentra docu-
mentada en la página web del USGS, y se relaciona básicamente con la confiabilidad de la
topografı́a digital disponible empleada para ensamblar el mosaico topográfico. Dicha incerti-
dumbre toma diferentes valores de acuerdo con la fuente de información considerada. Como
puede observarse en la figura 5.1, las fuentes asociadas con la zona de estudio determinada
corresponden básicamente a los datos digitales de terreno del mundo y a la cartilla digital del
99
Capı́tulo 5. Evapotranspiración
mundo, para los cuales los errores, según la USGS, pueden variar entre 18 m y 95 m. Es perti-
nente resaltar el hecho de que en la documentación del GTOPO30 no se comenta nada acerca
de la distribución espacial de la incertidumbre del MDE, por lo cual, para propósitos prácti-
cos, en este análisis se consideró un valor promedio de incertidumbre de SU SGS = 50 m (se
remite al lector interesado a buscar mayor información en la página del proyecto GTOPO30
en la web http://edc.usgs.gov/products/elevation/gtopo30/gtopo30.html ).
σ
Sremuestreo = √
n
donde σ es la desviación estándar para cada celda y n es el número de valores del mapa
original incluidos en cada celda del MDE remuestreado.
Entonces, la incertidumbre final asociada al MDE, para cada una de las celdas, se considera
como la superposición de las dos incertidumbre anteriormente comentadas, de la siguiente forma:
donde Sh es la incertidumbre asociada a cada celda del MDE, SU SGS y Sremuestreo son las incerti-
dumbres cuantificadas para las dos fuentes anteriormente comentadas. El mapa de incertidumbre
obtenido para el MDE se muestra en la figura 5.3.
Varios investigadores han reportado la fuerte relación lineal que se presenta entre la tempera-
tura y la altitud en el territorio colombiano. Con base en lo anterior, se ha optado por construir un
campo de temperatura media anual aplicando una regresión lineal entre la altitud y la temperatura
media anual para todo el territorio colombiano, a partir de los registros de 45 estaciones hidrocli-
matológicas del IDEAM, que fueron empleadas por Barco y Cuartas (1998) para la construcción
de un campo de temperatura promedio del aire a superficie para el territorio colombiano (Barco y
Cuartas, 1998; Vélez, 2001). La figura 5.4 muestra un esquema de la relación lineal, mientras que
la expresión obtenida en el ajuste lineal es:
donde T es la temperatura media anual en o C y h es la altitud en metros sobre el nivel del mar.
En la figura 5.6 se muestra el campo de temperatura resultante al aplicar la ecuación 5.2 con los
valores de altitud de cada una de las celdas del MDE. Por otra parte, la temperatura a la cual se
satura el aire para una humedad especı́fica dada es la temperatura del punto de rocı́o. Ésta variable
no es fácil de obtener debido a que se tiene muy poca información de ella. Sin embargo, para este
trabajo se utilizó una expresión obtenida en el proyecto Balances Hidrológicos de Colombia (Vélez
100
Capı́tulo 5. Evapotranspiración
Figura 5.3. Mapa de incertidumbre asociada con la altitud para el modelo digital de elevaciones
101
Capı́tulo 5. Evapotranspiración
et al., 2000), al considerar una relación lineal entre la temperatura de punto de rocı́o (Td ) y la
altitud (h) empleando 45 estaciones del IDEAM en todo Colombia, la cual tiene la siguiente forma:
Considerando el hecho de que para la temperatura media anual y para la temperatura de punto
de rocı́o se tiene una expresión de la forma T = a + bh, en la cual tanto los parámetros de ajuste, a
y b, como la variable independiente altitud h son inciertos; y que, además, los errores de estimación
para la pendiente, el intercepto y la altitud Sa , Sb y Sh son conocidos, puede derivarse una ecuación
de la propagación del error ası́:
s 2 2 2
∂T ∂T ∂T
ST = Sa2 + Sb2 + Sh2 (5.4)
∂a ∂b ∂h
donde ST es la incertidumbre para la temperatura (T puede ser la temperatura promedio del aire
en superficie o la temperatura promedio en el punto de rocı́o), ∂T∂a = 0 es la derivada parcial de
∂T
la temperatura con respecto al intercepto, ∂b = h es la derivada parcial de la temperatura con
respecto a la pendiente y ∂T
∂h = b es la derivada parcial de la temperatura con respecto a la altitud.
En consecuencia se tendrán las siguientes ecuaciones de propagación de la incertidumbre:
Con respecto a la temperatura promedio del aire a superficie, en virtud de la ecuación 5.4,
dado que se conoce que los errores de estimación para la pendiente y el intercepto son respec-
tivamente Sb = 0,00018127 ◦ C/m y Sa = 0,154766 ◦ C, considerando que el error de la altitud
está dado por el mapa que se muestra en la figura 5.3 y debido a que los parámetros ajustados
a y b están dados en la ecuación 5.2, la ecuación de propagación de la incertidumbre para la
temperatura media está dada como:
q
ST = 3,286 · 10−8 · h2 + 3,194 · 10−5 · Sh2 (5.5)
Análogamente al caso anterior, dado que se sabe que los errores de estimación para la pen-
diente y el intercepto son respectivamente Sb = 0,00015866 ◦ C/m y Sa = 0,200571 ◦ C, que el
error de la altitud está dado por el mapa que se muestra en la figura 5.3 y que los parámetros
102
Capı́tulo 5. Evapotranspiración
Figura 5.4. Esquemas de la variación de la temperatura media anual (izquierda) y la temperatura de punto
de rocı́o (derecha) con respecto de la altitud
q
ST d = 2,517 · 10−8 · h2 + 2,633 · 10−5 Sh2 (5.6)
Finalmente, los campos de incertidumbre para la temperatura media anual del aire y la tem-
peratura de punto de rocı́o se obtuvieron aplicando las expresiones 5.5 y 5.6. Los resultados se
muestran en las figuras 5.7 y 5.9, para le temperatura media anual del aire y para la temperatura
de punto de rocı́o, respectivamente.
Esta variable se obtuvo empleando la información recopilada por Eslava en el año de 1995, quien
realizó un estudio de inventario de las estaciones meteorológicas en las que se tienen registros de
esta variable (Eslava, 1995). En total se recopilaron 68 estaciones de las cuales, luego de un proceso
de homogenización y depuración, se seleccionaron 53 para ser utilizadas en el procedimiento de
ajuste (Barco y Cuartas, 1998). Se realizó una regresión lineal para los logaritmos de los registros
de presión atmosférica versus la altitud para cada una de las estaciones seleccionadas, obteniéndose
la relación (ver figura 5.5):
h
Patm = 1009,28 exp − , r2 = 0,9999 (5.7)
8631
donde Patm está dada en hP a y h es la altura sobre el nivel del mar en m. Se observa que la
expresión 5.7 sigue la forma de la variación hidrostática, con una escala de cerca de 8600 m, lo cual
coincide con expresiones teóricas. El lector interesado en ver la deducción de la expresión teórica de
la ecuación de presión hidrostática puede encontrarla en cualquier libro básico de hidrologı́a (Chow
et al., 1994). Para obtener el campo de presión atmosférica se aplicó la ecuación 5.7 a cada uno de
los valores de altitud extraı́dos del MDE. Finalmente, el campo de presión obtenido se muestra en
la figura 5.10.
103
Capı́tulo 5. Evapotranspiración
∂Patm
= exp (Kh) (5.9)
∂b
∂Patm
= bK exp (Kh) (5.10)
∂h
La humedad relativa se define como la relación entre la presión de vapor real y su valor de
saturación a una temperatura del aire dada, esto es:
e
HR = (5.11)
es
112 − 0,1T + Td
HR = (5.13)
112 + 0,9T
105
Capı́tulo 5. Evapotranspiración
Tabla 5.1. Parámetros ajustados para los modelos regionalización para el brillo solar en Colombia. C0 es el
efecto pepita isotrópico, C1 y a son la meseta y el rango de la estructura imbricada lineal, respectivamente.
2 2
h h
Mes C0 ( dia2) C1 ( dia2) a(m)
Enero 0.6 11 2500000
Febrero 0.5 13 2500000
Marzo 0.3 13.2 2500000
Abril 0.4 7.5 2500000
Mayo 0.3 6 2500000
Junio 0.4 8.5 2500000
Julio 0.85 8 2500000
Agosto 0.5 7.5 2500000
Septiembre 0.4 5.7 2500000
Octubre 0.4 6 2500000
Noviembre 0.4 9 2500000
Diciembre 0.6 11 2500000
Anual 0.45 8 2500000
∂HR 1
= (5.16)
∂Td 112 + 0,9T
En este trabajo no se estimaron campos para representar la incertidumbre asociada con el
cálculo de la humedad relativa, en su lugar se integraron las ecuaciones 5.14 y 5.15 a los algorit-
mos computacionales implementados con el fin de estimar los campos de evapotranspiración y su
incertidumbre asociada.
Para la estimación de los campos de brillo solar se empleó la información media mensual de brillo
solar promedio diario de 263 estaciones del Manual de Radiación Solar en Colombia (Rodriguez y
Gonzalez, 1992). A parir de la anterior información se calcularon los variogramas experimentales
mensuales y se ajustó una regionalización isotrópica a partir de dos estructuras imbricadas, un
efecto pepita con meseta C0 y un modelo de variograma lineal acotado con meseta C1 y rango a
(ver Capı́tulo 3), como se muestra a continuación:
h
γ(h) = C0 + C1 · Lin
a
donde, h es la separación entre dos puntos cualesquiera y Lin(u) representa un modelo de vario-
grama lineal acotado, siendo u el argumento correspondiente. Los parámetros de los modelos de
variograma ajustados se consignan en la tabla 5.1.
Se estimaron los doce campos mensuales y un campo promedio anual mediante la interpolación
de los registros de las diferentes estaciones empleando el método de KDE (ver en Capı́tulo 3),
utilizando como deriva el campo de precipitación seleccionado en el Capı́tulo 4. Lo anterior se
sustenta en el hecho de que dicho campo está correlacionado fuertemente con la nubosidad presente
en la zona de estudio, lo cual se relaciona directamente con la cantidad de horas en las que el sol
proporciona radiación directa que, a su vez, representa la energı́a disponible para ser usada por el
106
Capı́tulo 5. Evapotranspiración
proceso de la evapotranspiración. En las figuras 5.12 y 5.14 se muestran el campo de brillo solar
promedio anual estimado y su incertidumbre de estimación asociada.
La radiación es una variable que generalmente se mide mediante sensores remotos. Desafor-
tunadamente, los registros satelitales disponibles en las bases de datos gratuitas consultadas en
internet presentan una resolución bastante gruesa para la escala que se maneja en este estudio
(como se comentó anteriormente se ha elegido un tamaño de pixel de 4 km). Como consecuencia
de lo anterior, se ha estimado el campo de radiación neta mediante el procedimiento propuesto por
Morton, el cual involucra las variables que se han estimado en los apartados anteriores; estas son,
temperatura, temperatura de punto de rocı́o y presión atmosférica (Morton, 1982). Ası́ pues, dado
que se van a involucrar variables inciertas, debe cuantificarse la propagación de la incertidumbre
dentro del procedimiento de cálculo del valor de la radiación neta para cada una de las celdas que
componen el campo estimado. En éste orden de ideas, se presentan a continuación los pasos nece-
sarios para la estimación de la radiación neta celda por celda junto con el desarrollo matemática
para la cuantificación de la incertidumbre asociada.
Cálculo de la relación del la presión atmosférica con respecto a la presión al nivel del
mar (p/pS )
donde h es la altura sobre el nivel del mar en metros. Para la relación de presión atmosférica con
respecto a la presión al nivel del mar se considera la propagación de la incertidumbre proveniente
del MDE, de la siguiente manera:
Estimación del albedo cenital con cielo despejado sin nieve en la estación seca, azd
Para la estimación del albedo cenital con cielo despejado sin nieve en la estación seca se ha
considerado la siguiente expresión:
0,5 " 2 #
p φ φ
azd = 0,26 − 0,00012Pa 1 + + , 0,11 < azd < 0,17 (5.19)
ps 42 42
Figura 5.6. Campo de temperatura media anual del aire en superficie estimado para el territorio colombiano
Figura 5.7. Campo de incertidumbre asociada a la estimación de la temperatura promedio anual del aire
a superficie
108
Capı́tulo 5. Evapotranspiración
Figura 5.8. Campo de temperatura de punto de rocı́o estimado para el territorio colombiano
Figura 5.9. Campo de incertidumbre asociada a la estimación de la temperatura promedio anual a punto
de rocı́o
109
Capı́tulo 5. Evapotranspiración
110
Capı́tulo 5. Evapotranspiración
Figura 5.12. Campo de brillo solar estimado para el territorio colombiano estimado mediante kriging con
deriva
111
Capı́tulo 5. Evapotranspiración
Figura 5.13. Campo de incertidumbre asociada con le estimación del brillo solar
Figura 5.14. Campo de coeficiente de variación asociado con le estimación del brillo solar
112
Capı́tulo 5. Evapotranspiración
ecuación 5.19 se induce una incertidumbre proveniente de la relación de presiones Sp/ps , por los
cual la incertidumbre para azd , esta dada por:
s 2
∂azd 2
Sazd = Sp/ps (5.20)
∂(p/ps )
donde la derivada parcial de azd con respecto a la relación de presiones viene dada por:
−0,5 " 2 #
∂azd p φ φ
= −0,00006Pa 1 + +
∂(p/ps ) ps 42 42
αT
e = 6,11 exp (5.22)
β+T
de αβe
∆= = (5.23)
dt (T + β)2
donde α y β son 17,27 y 237,3◦ C, respectivamente, cuando T > 0◦ C, ó 21,88 y 265,5◦ C, respectiva-
mente, cuando T < 0◦ C. Las incertidumbres introducidas en el cálculo de las presiones de vapor Se
y Sed , y la pendiente de la curva de presión de vapor de saturación S∆ se desprende de los errores
correspondientes a la temperatura ST y a la temperatura de punto de rocı́o STd , las ecuaciones
correspondientes son:
25039,8 17,27T d
Sed = 2
exp STd (5.24)
(237,3 + Td ) 237,3 + Td
6,11αβ αT d
Se = 2
exp ST (5.25)
(β + T ) β+T
en la cual deben evaluarse dos derivadas parciales para ∆, una con respecto a la presión de vapor
y otra con respecto a la temperatura, las cuales vienen dadas como:
113
Capı́tulo 5. Evapotranspiración
∂∆ αβ ∂∆ 2αβe
= y =−
∂e (T + β)2 ∂T (T + β)3
Cálculos astronómicos
θ = 23,2sen(29,5i − 94)
cos Z = cos(φ − θ), cos Z ≥ 0,001
cos Z
cos ω = 1 − , ω ≥ −1
cos θ cos φ
180 senω
cos z = cos Z + − 1 cos θ cos φ
π ω
1
η =1+ sen(29,5i − 106)
60
Ası́, la radiación global extra-atmosférica es:
1354 ω
GE = cos z (5.27)
η2 180
donde, θ es la declinación del sol en grados, ω es el número de grados de rotación de la tierra entre
la salida del sol y el medio dı́a, Z y z son las distancias desde el sol al medio dı́a y los promedios
en todo el dı́a, η es el radio vector del sol, i es el número de meses comenzando con enero = 1 y
terminando con diciembre = 12.
Ahora, se estiman el albedo cenital a cielo despejado libre de nieve, azz , el valor del albedo
cenital a cielo despejado, az , y el albedo a cielo despejado, a0 . Inicialmente, para el albedo cenital
a cielo despejado libre de nieve, azz se tiene la siguiente expresión:
ed
azz = azd , 0,11 ≤ azz ≤ 0,5 0,91 − (5.28)
e
entonces, la incertidumbre del albedo cenital a cielo despejado libre de nieve es la misma que
la calculada para el albedo cenital con cielo despejado sin nieve en la estación seca, por lo cual
Sazz = Sazd , con azd calculado según la ecuación 5.19 y Sazd calculado mediante la expresión 5.20.
Por otro lado, el valor del parámetro c0 se estima mediante:
c0 = e − ed (5.29)
donde Sc0 es la incertidumbre asociada con el parámetro c0 . Ahora bien, el albedo cenital a cielo
despejado az se calcula como:
donde, Sazz es la incertidumbre asociada con el albedo a cielo despejado y las derivadas parciales
del albedo cenital a cielo despejado libre de nieve az con respecto a c0 y a azz son:
∂az ∂az
= c20 y = −2c0 (0,34 − azz )
∂azz ∂c0
Finalmente, puede calcularse el valor para el albedo a cielo despejado, a0 , aplicando la expresión:
la cual tiene una componente incierta asociada ocasionada al involucrar az en el cálculo, la cual se
estima a través de:
exp(1,08) − 2,16 cos Z + senZ exp(0,012Z)
π
Sa0 = Sa z (5.34)
1,473(1 − senZ)
donde Saz es la incertidumbre para el albedo a cielo despejado correspondiente a la ecuación 5.32.
Para calcular la transmisividad de la radiación neta a cielo despejado deben calcularse pre-
viamente ciertos parámetros. Inicialmente se calcula la cantidad de agua precipitable W en mm,
mediante la siguiente ecuación:
ed
W = T
(5.35)
0,49 + 129
donde ed y T son la presión de vapor a punto de rocı́o y la temperatura media anual, los cuales
induce una componente incierta dentro de la estimación de W , la cual está dada por:
s 2 2
∂W 2 ∂W
SW = Sed + ST2 (5.36)
∂ed ∂T
con respecto a la presión de vapor a punto de rocı́o y la temperatura media anual, respectivamente
se evalúan como:
∂W 1 ∂W ed
= y =−
∂ed 0,49 + T ∂T T 2
129 129 0,49 + 129
c1 = 21 − T, 0 ≤ c1 ≤ 5, S c1 = ST (5.37)
y las derivadas parciales del coeficiente de turbulencia con respecto a sus parámetros se presenta a
continuación y hacen posible cuantificar la incertidumbre asociada a su estimación:
∂j 2
p
= c1 0,5 + 2,5cos z exp c1 − c1
∂(p/ps ) ps
∂j p p
= 0,5 + 2,5cos2 z
− 1 exp c1 − c1
∂c1 ps ps
Por último, la transmisividad de la radiación solar directa a cielo despejado τ se calcula a partir
de una ecuación formulada por Brooks en 1960:
" 0,75 0,9 0,6 #
p/ps j W
τ = exp −0,089 − 0,083 − 0,029 (5.40)
cos z cos z cos z
donde, las incertidumbres sp/ps , Sj y SW han sido comentadas previamente y las derivadas parciales
de la transmisividad de la radiación solar directa a cielo despejado con respecto a la relación de
presiones, el agua precipitable y el coeficiente de turbulencia están dada a partir de las siguientes
expresiones:
" #
p/ps 0,75
0,9
W 0,6
∂τ 0,0747 −0,1 j
=− j exp −0,089 − 0,083 − 0,029
∂j (cos z)0,9 cos z cos z cos z
116
Capı́tulo 5. Evapotranspiración
" #
p/ps 0,75
0,9
W 0,6
∂τ 0,0174 −0,4 j
=− W exp −0,089 − 0,083 − 0,029
∂W (cos z)0,6 cos z cos z cos z
Ahora bien, se tendrá que la incertidumbre asociada con la anterior estimación, producto de la
propagación proveniente del agua precipitable y el coeficiente de turbulencia, es:
s 2 2
∂τa ∂τa
Sτa = Sj2 + 2
SW (5.44)
∂j ∂W
donde las incertidumbres Sj y SW han sido comentadas previamente en éste apartado y las derivadas
parciales de la transmisividad de la radiación solar directa a cielo despejado con respecto al agua
precipitable y el coeficiente de turbulencia están dada a partir de las siguientes expresiones:
" 0,9 #
W 0,3
∂τa 0,00025 −0,7 j
=− W exp −0,0415 − 0,00084
∂W (cos z)0,3 cos z cos z
117
Capı́tulo 5. Evapotranspiración
Para calcular la radiación global incidente debe estimarse previamente la radiación global a
cielo despejado G0 , la cual se ha calculado usando una ecuación formulada por Brooks en 1960, la
cual se presenta ası́:
τ
G0 = GEτ 1 + 1 − (1 + a0 τ ) (5.45)
τa
donde, τ y τa son las transmisividades calculadas en el apartado anterior, las cuales inducen una
componentes incierta sobre G0 , la cual puede cuantificarse mediante la siguiente ecuación de pro-
pagación de los errores:
s 2 2
∂G0 ∂G0
SG0 = Sτ2 + Sτ2a (5.46)
∂τ ∂τa
donde, Sτ y Sτa son las incertidumbres de la transmisividad de la radiación solar directa a cielo
despejado y la parte de ésta que se absorbe por la nubes (ecuaciones 5.41 y 5.44). Las deriva-
das parciales de la radiación global incidente a cielo despejado con respecto a cada una de las
transmisividades pueden expresarse del siguiente modo:
τ2
∂G0
= GE(1 + a0 τ )
∂τa τa2
τ2
∂G0 2τ
= GE 1 + τ − a0 + (1 + a0 τ ) 1 −
∂τ τa τa
En consecuencia, puede estimarse la radiación global incidente (radiación global que es trans-
mitida a través de las nubes), G, empleando la siguiente expresión:
donde, S es la relación entre el brillo solar promedio diario, Sb , y la duración astronómica del
dı́a promedio, Sd a. Ésta última puede ser calculada para cualquier latitud mediante la expresión
(Rodriguez y Gonzalez, 1992):
2
Sda = cos−1 (− tan φ tan δ) (5.48)
15
en la cual δ es la declinación, es decir la posición angular del sol al mediodı́a con respecto al plano
del Ecuador. Es positivo en el hemisferio norte y varia entre −23,45◦ y +23,45◦ .
360(284 + n)
δ = 23,45 sin (5.49)
365
en la anterior ecuación, n es el número del dı́a en el año, con 1 ≤ n ≤ 365. Ahora bien, debido a
que el brillo solar estimado y la radiación global incidente a cielo despejado inducen incertidumbre
en el cálculo de la radiación global incidente, ésta puede expresarse mediante la siguiente ecuación:
118
Capı́tulo 5. Evapotranspiración
s 2 2
∂G 2 ∂G
SG = SG + SS2 (5.50)
∂G0 0 ∂S
donde, SS es la incertidumbre asociada con la interpolación de campo de brillo solar divido entre la
duración promedio del dı́a, Sda , y SG0 es la incertidumbre de la radiación global a cielo despejado
(ver ecuación 5.46), mientras que las derivadas parciales de la radiación global incidente con respecto
al brillo solar estimado y la radiación global incidente a cielo despejado se calculan mediante:
∂G ∂G0
=S y = G0 + GE(0,05 + 0,06S)
∂G0 ∂S
donde S es el brillo solar divido entre la duración promedio del dı́a, Sda , y a0 es el albedo a cielo
despejado, el cual ha sido calculado previamente según la ecuación 5.33. La incertidumbre puede
cuantificarse a partir de:
s 2 2
∂a ∂a
Sa = SS2 + Sa20 (5.52)
∂S ∂a0
en la cual SS es la incertidumbre asociada con la estimación del campo de brillo solar divido entre la
duración promedio del dı́a, Sda , y Sa0 es la incertidumbre asociada con el albedo a cielo despejado
(ecuación 5.34) y las derivadas parciales asociadas pueden evaluarse como sigue:
∂a Z ∂a Z
= S + (1 − S) 1 + y = a0 − a0 1 −
∂a0 330 ∂S 330
Para estimar el incremento de la radiación ocasionado por su interacción con las nubes, debe
estimarse previamente el parámetro c2 , para el cual se tiene la siguiente expresión:
e
c2 = 10 − S − 0,42 , 0 ≤ c1 ≤ 1 (5.53)
ed
donde, e y ed son las presiones de vapor a la temperatura del aire y la temperatura de punto de
rocı́o respectivamente, las cuales se calculan con las ecuaciones 5.21 y 5.22 respectivamente, y S
es el brillo solar divido entre la duración promedio del dı́a, Sda . La incertidumbre inducida por las
anteriores variables sobre c2 se cuantifica ası́:
s 2 2
10 10e
S c2 = 10SS2 + Se2 + − 2 Se2d (5.54)
ed ed
119
Capı́tulo 5. Evapotranspiración
Se y Sed son la incertidumbres asociadas con las presiones de vapor según las ecuaciones 5.24 y
5.25. Entonces puede evaluarse el incremento de la radiación ocasionado por las nubes a partir de
la siguiente expresión:
p
ρ = 0,18 (1 − c2 )(1 − S)2 + c2 (1 − S)0,5
(5.55)
ps
donde, las incertidumbres Sc2 , SS y Sp/ps han sido definidas previamente y las derivadas parciales
asociadas son:
∂ρ p 0,5c2
= −0,18 −2(1 − c2 )(1 − S) + √
∂S ps 1−S
∂ρ p
= 0,18 ((1 + S)0,5 − (1 − S)2 )
∂c2 ps
∂ρ
= 0,18(c2 (1 + S)0,5 + (1 − c2 )(1 − S)2 )
∂p/ps
4 p
B = εσ(T + 273) 1 − 0,71 + 0,007ed (1 + ρ) , B ≥ 0,05εσ(T + 273)4 (5.57)
ps
ST , Sed , Sp/ps y Sρ son las incertidumbres que se han definido previamente (ver ecuaciones 5.5,
5.24, 5.18 y 5.56 respectivamente). Además, las derivadas parciales asociada con la estimación de
la incertidumbre de S se evalúan ası́:
∂B 4 p
= εσ(T + 273) (1 + ρ) 0,007
∂ed ps
120
Capı́tulo 5. Evapotranspiración
∂B
= εσ(T + 273)4 (1 + ρ) (0,007ed )
∂p/ps
∂B 4 p
= εσ(T + 273) 0,71 + 0,007ed
∂ρ ps
∂B p
= 4εσ(T + 273)3 1 − 0,71 + 0,007ed (1 + ρ)
∂T ps
Rn = (1 − α)G − B (5.59)
Las variables asociadas con las ecuaciones 5.59 y 5.60 han sido definidas previamente dentro
de ésta sección. Por último, los campos estimados de radiación y su incertidumbre asociada se
presentan en las figuras 5.15 y 5.17.
Para la estimación de los campos de temperatura, temperatura de punto de rocı́o, presión at-
mosférica y humedad relativa se han utilizado registros de estaciones en tierra, con los cuales se
han desarrollado ajustes estadı́sticos relacionando éstas variables con la altitud. A partir de dichos
ajustes y la información de altitud representada en el MDE se han estimado los campos de di-
chas variables hidrológicas y, como consecuencia de lo anterior, en ellos se manifiestan patrones de
comportamiento espacial idénticos a los manifestados por el MDE. En lo que respecta a la incerti-
dumbres de estimación, puede verse que los campos de desviaciones estándar estimados con base
en la ecuación de propagación de errores y la integración de las incertidumbres de ajuste muestran
una variación espacial bastante similar a la presentada en el campo de incertidumbre asociada con
el MDE. Ası́, el MDE surge como la fuente principal de información y también la fuente principal
de incertidumbre en la elaboración de los campos de información y su aporte en la incertidumbre
de estimación de la evapotranspiración es importante, como se verá en las siguientes secciones.
Ahora bien, se ha estimado un campo de radiación neta con base en la metodologı́a de Morton,
para lo cual se han empleado los campos comentados en el párrafo anterior y un campo de brillo
solar estimado a partir de registros medios proveniente de estaciones de medición. La interpolación
espacial del campo de brillo solar ha involucrado un nivel alto de incertidumbre en de la estimación
del campo de radiación neta, la cual se propaga junto con la incertidumbre proveniente del MDE
121
Capı́tulo 5. Evapotranspiración
122
Capı́tulo 5. Evapotranspiración
Figura 5.16. Campo de incertidumbre asociada con la estimación del campo de radiación neta
Figura 5.17. Campo de coeficiente de variación asociado con la estimación del campo de radiación neta
123
Capı́tulo 5. Evapotranspiración
que se han extendido dentro de la estimación local de las demás variables estimadas e involucradas.
Del campo de radiación neta (figura 5.15), puede verse que el patrón espacial de variación de
dicha variable en la zona de estudio se relaciona fuertemente con el campo de brillo solar y el MDE.
Los mayores valores de radiación neta se presentan en las zonas mas secas: La región Caribe y, los
valles interandinos, mientras que los menores valores se presentan en la región Pacı́fica, es decir,
se ha obtenido un campo que concuerda bastante con el hecho de que la radiación neta en zonas
lluviosas en menor debido a la gran presencia de nubes. Es pertinente comentar que los campos de
radiación neta y brillo solar se presentan para toda la zona de estudio, pero son confiables solamente
para las regiones ubicadas dentro de los lı́mites de Colombia, puesto que la información de brillo
solar de los paı́ses vecinos no se integró dentro del análisis. Lo anterior concuerda con los valores
elevados de incertidumbre estimada para dichas zonas.
Con respecto al patrón de variación espacial para el campo de incertidumbre estimado para la
radiación neta puede decirse que presenta rasgos asociados con el campo de incertidumbre asociada
con el MDE en las regiones elevadas del territorio nacional, ubicadas principalmente en la cordillera
de los Andes y la Sierra Nevada de Santa Marta. Por el contrario, el patrón de variabilidad espacial
del campo de incertidumbre de brillo solar se manifiesta en las regiones bajas del territorio, donde
el gradiente topográfico es bajo. Lo anterior muestra la gran influencia que tiene el procedimiento
de remuestreo del MDE sobre la incertidumbre inherente al campo de radiación neta.
Esta ecuación fue obtenida por el Centro Nacional de Investigaciones del Café, CENICAFÉ,
mediante regresión a los valores obtenidos de aplicar el método de Penman a los datos de sus
estaciones climáticas en Colombia para la obtención de evapotranspiración potencial. Su cálculo es
sencillo, ya que sólo depende de la altitud del sitio, ası́:
∂ET P
= −0,0009316 exp(−0,0002h)
∂h
donde h es la altitud expresada en metros sobre el nivel del mar. La expresión para la propagación
124
Capı́tulo 5. Evapotranspiración
1,514
Tanual
I = 12 (5.64)
5
donde, SI es la incertidumbre asociada con el cálculo del ı́ndice calórico anual y Sa es la incer-
tidumbre del exponente a. Los campos de incertidumbre y coeficiente de variación asociados con
la estimación de la evapotranspiración potencial para Colombia con la ecuación de Thornwaite se
muestran en las figuras 5.23 y 5.24, respectivamente.
Una vez obtenida la ecuación para el cálculo de la evaporación potencial anual de una cuenca
vertiente, Turc encontró una expresión basada en las observaciones de las cajas lisimétricas de
Versailles, Rothamsted, Groningen y otras estaciones situadas en Escocia, África del Norte y las
Indias. La ecuación está dada como:
K T
(Rn + 50) HR > 50 %
ET P = T +15 (5.69)
T 1
70 [50 − HR]
K
T +15 (Rn + 50) 1 + HR < 50 %
∂ET P
=0
∂HR
126
Capı́tulo 5. Evapotranspiración
∆ γ
ET P = Er + (5.71)
∆+γ ∆+γ
Cp Kh P
γ= (5.72)
0,622Lv Kw
cuyas unidades son J/Kg y T es la temperatura del aire en ◦ C, Kh/Kw es la relación entre las
127
Capı́tulo 5. Evapotranspiración
difusividades de calor y el vapor que se toma comúnmente con un valor unitario. ∆ es la pendiente
de la curva de presión de saturación del vapor a la temperatura del aire en P a/◦ C expresada como
se muestra en la ecuación 5.23 y Er , cuyas unidades son m/s, representa la componente radiativa
a la evaporación, dada por:
Rn
Er = (5.74)
Lv ρw
donde, Rn es la radiación neta en W/m2 , Lv es el calor latente de vaporización del agua que se
calcula como se dijo anteriormente y ρw es la densidad del agua tomada como 1000Kg/m3 .
Además del suministro de energı́a calórica, la tasa de evaporación desde una superficie abierta
de agua está controlada también por la habilidad para transportar el vapor lejos de la superficie.
La tasa de transporte se determina por el gradiente de humedad en el aire cercano a la superficie
y la velocidad del viento a través de dicha superficie. Mediante un análisis matemático, aplicando
las ecuaciones de transporte de masa y momentum en el aire, se obtiene la expresión para la
evaporación en su componente aerodinámica (Chow et al., 1994). Sin embargo, Priestley y Taylor
determinaron para muchas regiones, que el segundo término de la ecuación 5.69 podrı́a representar
una fracción del primero, de la siguiente forma:
∆
ET P = 1,3 Er (5.75)
∆+γ
En este apartado se comentan las expresiones que conducen a cuantificar la incertidumbre aso-
ciada a la evapotranspiración potencial para el método de Penman considerando la hipótesis de
Priestley y Taylor, es decir, la ecuación 5.75.
s 2 2
Cp 3,2154Cp
Sγ = SP2 + SL2 v (5.76)
0,622Lv L2v
donde, SP es la incertidumbre asociada al cálculo del campo de presiones. Ahora bien, la incerti-
dumbre para la componente radiativa de la evaporación está dada por:
128
Capı́tulo 5. Evapotranspiración
s 2 2
1 2 Rn
SEr = SR + − SL2 v (5.77)
Lv ρw n
ρ − wL2v
donde, SRn es la incertidumbre asociada al cálculo de la radiación neta (ecuación 5.60). Finalmente,
se presenta la expresión para la cuantificación de la incertidumbre asociada a la evapotranspiración
potencial estimada con la ecuación de Penman bajo la aproximación de Priestley y Taylor, obtenida
aplicando la ecuación de propagación de la incertidumbre:
s 2 2 2
1,3∆ 2 + 1,3Er γ 2 + − 1,3Er ∆
SET PP enmanpt = SE S∆ Sγ2 (5.78)
∆+γ r
(∆ + γ)2 (∆ + γ)2
donde, las incertidumbres asociadas SEr , S∆ y Sγ ya han sido derivadas y explicadas anteriormente
en este apartado. Los campos de incertidumbre y coeficiente de variación asociados con la estimación
de la evapotranspiración potencial mediante el método de Penman para el territorio colombiano se
presentan en las figuras 5.29 y 5.30, respectivamente.
ET R = 2ET W − ET P (5.79)
1 ed Rn
= 0,28 1 + + 0,5
(5.80)
ξ e γp(1/Pe ) b0 fz (e − ed )
129
Capı́tulo 5. Evapotranspiración
Figura 5.18. Representación esquemática de la relación complementaria entre evaporación potencial y real
con suministro de energı́a de radiación constante.
donde, e y ed son las presiones de vapor para la temperatura del aire promedio y la temperatura
de punto de rocı́o respectivamente, Rn es la radiación neta, Pe = p/ps es la relación de presiones
atmosféricas (ver ecuación 5.17) y b0 = 1. La incertidumbre asociada con la estimación del factor
de estabilidad adimensional se relaciona con los errores inducidos por las variables anteriormente
comentadas y puede calcularse ası́:
s 2 2 2
∂(1/ξ) ∂(1/ξ) ∂(1/ξ)
S1/ξ = Se2d + Se2 + SP2 e (5.81)
ed e Pe
donde, las incertidumbres para la presión de vapor a temperatura media Se , presión de vapor para la
temperatura a punto de rocı́o Sed y la relación de presiones atmosféricas SPe se han comentados en
las ecuaciones 5.24, 5.25 y 5.18, respectivamente. Las derivadas parciales del factor de estabilidad
adimensional con respecto a las presiones de vapor para la temperatura del aire promedio y la
temperatura de punto de rocı́o respectivamente, y la relación de presiones atmosféricas son:
∂(1/ξ) 0,28 Rn
= + 1 0,5
∂ed e γp( Pe ) b0 fz (e − ed )2
∂(1/ξ) 0,28ed Rn
=− 2 −
∂e e γp( P1e )0,5 b0 fz (e − ed )2
∂(1/ξ) Rn
= 0,5
∂Pe 2γp(Pe ) b0 fz (e − ed )
Las derivadas parciales del coeficiente de transferencia de vapor con respecto al inverso del
factor de estabilidad adimensional y la relación de presiones atmosféricas pueden evaluarse como:
∂fT ∂fT fz
= fz Pe−0,5 y =− Pe−1,5
∂(1/ξ) ∂Pe 2ξ
4εσ(T + 273)4
λ = γp + (5.84)
fT
en la cual, las incertidumbres involucradas han sido definidas previamente y las derivadas parciales
del coeficiente de transferencia de calor se evalúan a partir de las siguientes expresiones:
∂λ ∂λ 12εσ ∂λ 4εσ
= γ, = (T + 273)2 y = − 2 (T + 273)3
∂p ∂T fT ∂fT fT
2 2 2
∂δTp0 ∂δTp0 ∂δTp0
1 2
SδT 0 = SR n
+ Se2d + ST2p (5.87)
p ∂Rn ∂ed ∂Tp
2 2 2 2
∂δTp0 ∂δTp0 ∂δTp0 ∂δTp0
2
SδT 0 = Sf2T + Se20p + Sλ2 + 2
S∆ 0 (5.88)
p ∂fT ∂fT ∂λ ∂∆0p p
131
Capı́tulo 5. Evapotranspiración
∂δTp0 Rn ∂δTp0 1
=− 2 0 = 0
∂fT fT (∆p + λ) ∂e0p ∆p + λ
Paso 3. Se calcula la presión de vapor para la temperatura de equilibrio, junto con su incer-
tidumbre:
αTp 6,11αβ αT p
ep = 6,11 exp Sep = 2
exp ST (5.91)
Tp + β (β + T ) Tp + β
2 s 2 2
αβep αβ −2αβep
∆p = S∆p = Se2p + ST2p (5.92)
Tp + β (Tp + β)2 (Tp + β)3
donde Rn es la radiación neta, en W/m2 para la superficie del suelo a temperatura del aire, fT es
el coeficiente de transferencia de vapor, Tp es la temperatura en el punto de equilibrio y T es la
temperatura media del aire. La incertidumbre de la evapotranspiración potencial puede calcularse
como:
q
SET PM orton = λ2 fT2 ST2 + λ2 fT2 ST2p + fT2 (Tp − T )2 Sλ2 + λ2 (Tp − T )2 Sf2T + SR
2
n
(5.94)
132
Capı́tulo 5. Evapotranspiración
donde, ST es la incertidumbre asociada con la estimación del campo de temperatura, STp es la incer-
tidumbre de la última iteración para la temperatura de punto de equilibrio, Sλ es la incertidumbre
del coeficiente de transferencia de calor y SRn es la incertidumbre de estimación de la radiación
neta. El campo de evapotranspiración potencial estimado para el territorio colombiano mediante
el método de Morton, junto con sus correspondiente campos de incertidumbre y coeficiente de
variación se muestran en las figuras 5.31, 5.32 y 5.33 respectivamente.
Cenicafé
Thornwaite
Turc Modificado
El método de Turc Modificado aplicado dentro del territorio colombiano depende de dos varia-
bles principalmente, la temperatura media del aire a superficie y la radiación neta, puesto que, como
se ha confirmado en el desarrollo de éste estudio y ha sido comentado en investigaciones anteriores
(Vélez et al., 2000; Barco y Cuartas, 1998), el factor de corrección por humedad relativa no es
importante en la gran mayorı́a del paı́s. Puede verse en la figura 5.25 que el campo de evapotrans-
piración obtenido refleja el comportamiento del espacial del campo de radiación en las zonas menos
elevadas del territorio, mientras que en las zonas mas altas de las cordilleras andinas el patrón de
comportamiento espacial de la evapotranspiración es similar al que se presenta para la temperatura
en su campo correspondiente (5.6). En términos generales, éste método estimó menores valores de
evapotranspiración que los demás métodos aplicados en éste estudio, siendo consistente con estu-
dios previos (Vélez et al., 2000). Ahora bien, para el campo de incertidumbre de estimación que se
133
Capı́tulo 5. Evapotranspiración
134
Capı́tulo 5. Evapotranspiración
Figura 5.21. Campo de coeficiente de variación asociado con la estimación de la evapotranspiración poten-
cial mediante la ecuación de CENICAFÉ
135
Capı́tulo 5. Evapotranspiración
136
Capı́tulo 5. Evapotranspiración
Figura 5.24. Campo de coeficiente de variación asociado con la estimación de la evapotranspiración poten-
cial mediante la ecuación de Thornwaite
137
Capı́tulo 5. Evapotranspiración
Figura 5.25. Campo de evapotranspiración potencial estimado mediante el método de Turc modificado
138
Capı́tulo 5. Evapotranspiración
Figura 5.27. Campo de coeficiente de variación asociado con la estimación de la evapotranspiración poten-
cial mediante el método de Turc modificado
139
Capı́tulo 5. Evapotranspiración
Figura 5.28. Campo de evapotranspiración potencial estimado mediante el método de Penman aproximado
mediante la hipótesis de Priestley y Taylor
140
Capı́tulo 5. Evapotranspiración
Figura 5.30. Campo de coeficiente de variación asociado con la estimación de la evapotranspiración poten-
cial mediante el método de Penman aproximado mediante la hipótesis de Priestley y Taylor
141
Capı́tulo 5. Evapotranspiración
142
Capı́tulo 5. Evapotranspiración
Figura 5.33. Campo de coeficiente de variación asociado con la estimación de la evapotranspiración poten-
cial mediante el método de Morton
143
Capı́tulo 5. Evapotranspiración
muestra en la figura 5.26, puede verse que el patrón de comportamiento espacial está dictado por
el campo de incertidumbre asociada con la radiación neta, esto se evidencia especialmente en las
zonas bajas del paı́s. Ası́, la incertidumbre que se propaga hasta el cálculo de la evapotranspiración
potencial por este método parte principalmente de la generada en el procedimiento de interpolación
del campo de brillo solar.
Penman Aproximado
Morton
q
P P
2 L > 0,316
ET R = 0,9+ p 2 (5.95)
L
P P
L < 0,316
en mm, T es la temperatura media anual en grados centı́grados y L = 300 + 25T + 0,05T 3 . Éste
último parámetro fue hallado por medio de regresiones hechas en las 254 cuencas y corresponde a
la evapotranspiración potencial, ET P , en mm/an̂o El campo de evapotranspiración real calculado
para el territorio colombiano se muestra en la figura 5.35.
Para esta metodologı́a el estimativo de la evaporación real anual se realiza a través de una
ecuación empı́rica de la forma:
P
ET R = α1 (5.98)
P α
1 + ( RN )
et al. (2001) proponen el cálculo del factor α para el departamento de Antioquia de manera que
se minimiza el error medio absoluto entre las evaporaciones estimadas y las obtenidas al realizar
el balance de largo plazo en 52 cuencas con áreas entre 25 y 5300 km2 con condiciones climáticas
diferentes. Los resultados encontrados por estos autores muestran un valor de α = 1,91, con mejores
resultados en el rango de 0,85 < µ < 1,9, pero aplicable a todo el departamento de Antioquia con
0,85 < µ < 6,37 con valores altos de tı́picos de regiones tropicales húmedas. En este caso, para
toda Colombia, el campo de evapotranspiración real se ha estimado con un valor de α de 1.8 y se
presenta en la figura 5.38.
α+1
∂ET R 1 P
=h i1+1/α
∂RN P α RN
1+ RN
−1/α −(1+1/α)
P α P α P α
∂ET R
= 1+ − 1+
∂P RN RN RN
Pα RN α + P α
∂ET R ln P 1 P 1 P
= 2
− α α
ln + 2 ln α 1
∂α α α RN + P RN α RN {1 + (P/RN )α } α
1
λ= (5.101)
0,8 + 0,14T
El campo de evaporación real estimado para Colombia se muestra en la figura 5.41.
Cuando se cumpla que 1/8λ < P < 1/2λ, debe evaluarse la incertidumbre asociada con el
parámetro λ, ası́:
0,14
Sλ = −
2
(5.103)
(0,8 + 0,14T )
Esta ecuación fue obtenida por Budyko (1974) y está basada en un balance de masas, a partir
de estudios realizados por Schreiber en 1904 y por Ule y Penck. Budyko observó que cuando
la precipitación decrece, la escorrentı́a superficial también decrece, pero cuando la precipitación
aumenta, el caudal tiende a algún valor lı́mite. Schreiber propone una ecuación de interpolación
para la escorrentı́a anual en cuencas de Europa central, dada por:
a
R = exp − (5.106)
P
donde a es una constante para una cuenca dada. Ahora, una forma para la evapotranspiración
anual es:
147
Capı́tulo 5. Evapotranspiración
Figura 5.34. Relación adimensional entre la evaporación real y potencial para la ecuación de Turc y Budyko.
h a i
ET R = P 1 − exp − (5.107)
P
En 1911, Dekop propone la ecuación:
P
ET R = ET P tanh (5.108)
ET P
Budyko (1948 y 1974) postula que las siguientes condiciones son validas, en el lı́mite de con-
diciones muy seca, PR −→ 0 o ETP R −→ 1 cuando ETP P −→ ∞, y en el lı́mite de condiciones muy
húmedas, ET R −→ ET P cuando ETP P −→ 0. Adicionalmente, Budyko interpola las ecuaciones
5.107 y 5.108, proponiendo la media geométrica:
s
P ET P ET P
ET R = ET P · P tanh 1 − cosh + senh (5.109)
ET P P P
Priestley y Taylor y Morton. Los campos de evaporación real estimados para Colombia, con base
en los campos de evapotranspiración potencial estimados mediante la metodologı́as anteriormente
comentadas se muestran en las figuras 5.44, 5.47, 5.50, 5.53 y 5.56.
∂g ∂f
∂ET R ET P (f ∂P + g ∂P )
= √ (5.111)
∂P 2 ET P · f · g
∂g ∂f
∂ET R P (f ∂ET + g ∂ET P)
= √P (5.112)
∂ET P 2 P ·f ·g
Las ecuaciones 5.111 y 5.112 se reemplazan en la expresión 5.110 para definir completamente el
cálculo de la incertidumbre asociada con la evapotranspiración real calculada mediante la ecuación
de Budyko. Los campos de incertidumbre asociados con las estimación de la evapotranspiración
real mediante éste método se muestran en las figuras 5.45, 5.48, 5.51, 5.54 y 5.57 para los campos
de evapotranspiración potencial estimados con las metodologı́as de Cenicafé, Thornwaite, Turc
modificado, Penman y Morton, respectivamente. Adicionalmente, los campos de coeficiente de
variación asociados con la estimación se presentan en las figuras 5.46, 5.49, 5.52, 5.55 y 5.58.
Turc
Como se observa en los campos en las figuras 5.36 y 5.37, las zonas en las cuales se presenta
mayor incertidumbre en la estimación corresponden a aquellas en las cuales la precipitación es muy
baja y también existe gran cantidad de energı́a disponible, por lo cual se evapora casi todo lo que
llueve. Es evidente la influencia que tiene el campo de incertidumbre de precipitación sobre el patrón
espacial obtenido para el campo de incertidumbre asociado a la evapotranspiración real empleando
el método de Turc. Lo anterior muestra que, para éste método, la incertidumbre proveniente de
la estimación de la precipitación es preponderante en la propagación del error con respecto a la
incertidumbre inherente al cálculo de la temperatura.
Choudhury
El método de Choudhury estima la evapotranspiración real con base en una ecuación que incluye
la precipitación y la radiación neta. En la figura 5.38 puede observarse que la variabilidad espacial
de la evapotranspiración real estimada está influenciada fuertemente por la radiación neta en las
zonas donde se presenta disponibilidad suficiente de energı́a. Por el contrario, en las zonas donde se
presenta limitación de energı́a disponible es notoria la influencia del campo de precipitación sobre
el patrón espacial del campo de evapotranspiración estimado. Por último, es importante comentar
que la integración del campo de precipitación como información secundaria para la interpolación
del brillo solar ha influido fuertemente en las caracterı́sticas espaciales de variación de la radiación
neta y, por consiguiente, en el campo de evapotranspiración estimado. Lo anterior se hace evidente
150
Capı́tulo 5. Evapotranspiración
151
Capı́tulo 5. Evapotranspiración
152
Capı́tulo 5. Evapotranspiración
153
Capı́tulo 5. Evapotranspiración
154
Capı́tulo 5. Evapotranspiración
155
Capı́tulo 5. Evapotranspiración
156
Capı́tulo 5. Evapotranspiración
especialmente en las zonas lluviosas, donde se espera que la radiación se vea bastante atenuada por
la nubosidad.
Con respecto a la incertidumbre de estimación (ver figuras 5.39 y 5.40) puede decirse que es
notoria la influencia del campo de incertidumbre asociado con la radiación neta en el incremento de
la incertidumbre en ciertas zonas vecinas al territorio colombiano. Esto se origina en la incertidum-
bre asociada con la interpolación del campo de brillo solar puesto que solo se utilizaron estaciones
dentro y cercanas al territorio colombiano. También es evidente el hecho de que la estimación de
la radiación neta mediante el método de Morton incorpora un nivel elevado de incertidumbre en la
estimación, en especial cuando se consideran las zonas más secas del territorio colombiano y aque-
llas zonas en las cuales no se disponen registros de brillo solar. Aún ası́, en las zonas del paı́s donde
no hay limitación de agua para evaporar con respecto a la energı́a disponible, la incertidumbre de
estimación de la evapotranspiración mediante éste método se ve fuertemente influenciada por el
campo de incertidumbre asociado con la precipitación.
Coutagne
Debido a que éste método incluye información acerca de precipitación y temperatura, se obtuvo
un campo de evapotranspiración real cuya variabilidad espacial es bastante similar al obtenido
mediante el método de Turc (ver figuras 5.35 y 5.41). A pesar de lo anterior, los valores de la
evapotranspiración real calculados mediante el método de Coutagne son inferiores a las estimaciones
realizadas con la ecuación de Turc. Con respecto al campo de incertidumbre estimado para éste
método puede decirse que la incertidumbre propagada es baja si se compara con los demás métodos
de estimación. Como puede observarse en las figuras 5.42 y 5.43, las mayores incertidumbres de
estimación se presentan en las zonas más húmedas del paı́s. Lo anterior se dá debido a la forma
polinómica con respecto a la temperatura de la ecuación de estimación cuando se considera que las
condiciones de limitación de energı́a para evaporar están dadas por el término 1/(8λ).
Budyko
Figura 5.44. Campo de evapotranspiración real estimado mediante la ecuación de de Budyko empleando
el campo de evapotranspiración potencial calculado mediante la ecuación de CENICAFÉ
160
Capı́tulo 5. Evapotranspiración
161
Capı́tulo 5. Evapotranspiración
Figura 5.47. Campo de evapotranspiración real estimado mediante la ecuación de de Budyko empleando
el campo de evapotranspiración potencial calculado mediante la ecuación de Thornwaite
162
Capı́tulo 5. Evapotranspiración
163
Capı́tulo 5. Evapotranspiración
Figura 5.50. Campo de evapotranspiración real estimado mediante la ecuación de de Budyko empleando
el campo de evapotranspiración potencial calculado mediante el método de Turc modificado
164
Capı́tulo 5. Evapotranspiración
165
Capı́tulo 5. Evapotranspiración
Figura 5.53. Campo de evapotranspiración real estimado mediante la ecuación de de Budyko empleando
el campo de evapotranspiración potencial calculado mediante el método de Penman mediante aproximación
de Priestley y Taylor
166
Capı́tulo 5. Evapotranspiración
167
Capı́tulo 5. Evapotranspiración
Figura 5.56. Campo de evapotranspiración real estimado mediante la ecuación de de Budyko empleando
el campo de evapotranspiración potencial calculado mediante el método de Morton
168
Capı́tulo 5. Evapotranspiración
169
Capı́tulo 6
6.1. Introducción
Para el balance hidrológico de largo plazo en una cuenca hidrográfica se puede suponer que los
cambios en las cantidades almacenadas de agua en el suelo son despreciables en comparación con
la magnitud de los flujos totales debidos a la precipitación (entrada), la evaporación (salida) y el
caudal superficial o escorrentı́a (salida). Además, para su aplicación se requiere tener disponibles
los campos de precipitación y evapotranspiración media anual para la cuenca de análisis. En este
Capı́tulo se describe la información disponible sobre escorrentı́a en Colombia, y se calculan los
balances hı́dricos de largo plazo para algunas cuencas instrumentadas en el paı́s, empleando el
campo de precipitación estimado en el Capı́tulo 4 y los campos de evaporación real estimados en
el Capı́tulo 5. Finalmente, se propone una metodologı́a para estimar la incertidumbre asociada
con el caudal promedio anual a partir de la propagación de los errores inherentes a los campos de
precipitación y evaporación estimados y a la medición del área de la cuenca empleando un MDE.
La información de caudales fue extraı́da del trabajo de Barco y Cuartas (1998), en el cual se
dispuso de datos de caudales promedios anuales para 390 cuencas de todo el paı́s. La distribución
espacial de las estaciones empleadas se muestran en la figura 6.1.
En esta sección se presenta la base conceptual del modelo de balance hı́drico a largo plazo y
los resultados de aplicar dicho modelo en 390 cuencas distribuidas en el territorio colombiano con
base en los campos de precipitación y evapotranspiración estimados en los Capı́tulos 4 y 5, lo cual
resulta ser una validación indirecta de éstos.
El método de balance hı́drico tiene como principio fı́sico la conservación de la masa de agua
en un determinado lapso de tiempo y en un volumen de control definido. En este caso, el volumen
de control considerado está conformado por las columnas de agua y suelo dentro de la cuenca
hidrográfica; el borde inferior de la columna de suelo es un estrato impermeable y el borde superior
171
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.1. Estaciones de caudal empleadas para los balances hı́dricos a largo plazo.
es el tope de la columna atmosférica. La figura 6.2 muestra un esquema del volumen de control
donde se indican las variables del sistema. Las variables P , E, y R tienen dimensiones de longitud
por unidad de tiempo, o caudal por unidad de área; mientras que S tiene dimensiones de longitud,
proveniente de la lámina de agua almacenada (volumen por unidad de área). La ecuación que
representa el balance de agua dentro de una cuenca hidrográfica es (Poveda et al., 2007 (b); Manabe,
1969; Schaake, 1990):
dS(t)
= P (t) − E(t) − R(t) (6.1)
dt
donde S(t) representa el almacenamiento de agua en la columna de suelo, P (t) y E(t) representan
las tasas de precipitación y la evaporación real respectivamente y R(t) representa la escorrentı́a
total, es decir el caudal por unidad de área de la cuenca, compuesta por el caudal del rı́o a la salida
de la cuenca y la escorrentı́a neta lateral subterránea. Integrando la ecuación 6.1 para escalas
grandes de tiempo, T , resulta:
172
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.2. Esquema de las variables involucradas en el balance hidrológico de una cuenca.
Z t
1 1
[S(T ) − S(0)] = [P (t) − E(t) − R(t)]dt (6.2)
T T 0
o equivalentemente,
1
[S(T ) − S(0)] = P̄ − Ē − R̄ (6.3)
T
donde las barras denotan un valor promedio en el tiempo de acuerdo con el teorema del valor medio.
Ya que S permanece finito cuando T aumenta, la cantidad [S(t) − S(0)]/T tiende a cero. Entonces,
la aproximación de largo plazo para la ecuación del balance hı́drico es,
R̄ = P̄ − Ē (6.4)
Para ilustrar la validez de la ecuación 6.4 como una aproximación adecuada al balance hı́drico
de largo plazo, se debe reconocer que la magnitud del máximo error tiene un lı́mite superior dado
por,
Smax
|P̄ − Ē − R̄| ≤ ≤ 15mm/año (6.5)
n
173
Capı́tulo 6. Balance hı́drico de largo plazo
donde n es el numero de años usados para estimar los valores promedios de largo plazo de P , E, y
R; y max[S(t) − S(0)] = Smax es menor que el valor de la maxima capacidad de almacenamiento
de agua en el suelo, que se puede tomar como 300 mm, un alto valor de acuerdo al Soil Map and
Soil Climate Map (USDA-NRCS, Soil Survey Division, World Soil Resources, Washington D.C,
http://www.nrcs.usda.gov/technical/worldsoils/ ). Usando este valor se obtiene que el error máximo
para la ecuación es 15 mm/año, el cual corresponde a menos del 8 % de la escorrentı́a en zonas
áridas de Colombia (200 mm/año), y menos del 2 % en regiones húmedas, para las cuales la esco-
rrentı́a es del orden de 103 mm/año. La validez del método de estimación se deduce ya que produce
errores menores que los errores asociados con la estimación de R̄, y por lo tanto con la de P̄ y Ē.
Q = A[P − E] (6.6)
se toma como la base metodológica de éste Capı́tulo. Por lo tanto, el caudal promedio de largo
plazo en cualquier punto de la red hidrográfica, se estima mediante la integración de los promedios
de largo plazo P (x, y) y E(x, y) de precipitación y de evapotranspiración real sobre la cuenca, de
manera que,
La aproximación numérica a la ecuación (6.7) se hace sobre campos tipo raster, entonces toma
la siguiente forma:
Q̄ ∼
X
= [Pi,j − Ei,j ]∆ij (6.8)
i,j∈A
en donde ∆ij denota el area del (i, j)-ésimo pixel dentro del MDE.
se han obtenido los mejores resultados en el procedimiento de validación cruzada, ası́ como con el
análisis univariado y bivariado de los residuos de la estimación.
En general, se puede afirmar que los estimativos de los caudales medios de largo plazo obtenidos
mediante el balance de la precipitación y la evaporación real son aceptables para los métodos de
Turc, Cenicafé, Penman aproximado, Thornwaite y Coutagne, puesto que el error relativo entre
los caudales estimados con balance de largo plazo y los datos de los promedios de caudal de las
estaciones se encuentra entre el 20 % y el 25 %. Por el contrario, para los métodos de Turc modificado
y Morton se obtuvieron los mayores errores relativos con respecto del caudal medio aforado en las
estaciones. En particular, el método de Turc modificado ha arrojado un error cercano al 40 %, lo
cual quiere decir que dicho campo de evapotranspiración real no representa adecuadamente dicha
variable en el territorio colombiano (ver figuras 6.3 y 6.4).
Los errores más relevantes en obtenido en la estimación de los balances hidrológicos se observan
en cuencas con caudales pequeños, menores de 100 m3 /s, lo cual puede atribuirse a diferentes
causas:
Algunas de las cuencas utilizadas para la validación del modelo de balance hı́drico a largo
plazo se ubican en zonas donde la precipitación se ha interpolado con poca información de
registros en las estaciones pluviométricas, lo cual ocasiona que las estimaciones de dicha
variable sean más inciertas. La cuantificación de la incertidumbre asociada con la anterior
fuente de error se comentó extensamente en el Capı́tulo 4.
Con base en los resultados presentados en los Capı́tulos 4 y 5, en las figuras 6.8 y 6.9 se mues-
tran los campos de escorrentı́a calculados empleando los diferentes campos de evapotranspiración
real obtenidos mediante los diferentes métodos expuestos en el Capı́tulo 5, y usando el campo de
precipitación interpolado usando el algoritmo de KDE. En la sección 6.3.3 se describe un procedi-
miento para la estimación de la incertidumbre asociada con el cálculo de la lámina de escorrentı́a.
Los diferentes campos de escorrentı́a se han estimado con base en la siguiente ecuación de balance
para cada celda, i:
R i = Pi − E i (6.9)
Es importante comentar que el hecho de tener una resolución espacial más detallada para los
campos de precipitación y evapotranspiración, influye en que los estimativos arrojados por el balan-
ce hı́drico de largo plazo sean más sensible a altos gradientes de precipitación. Ası́, la información
175
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.3. Comparación del caudal medio anual estimado y observado a partir del campo de precipitación
estimado mediante kriging con deriva externa y los campos de evapotranspiración estimados con los métodos
de Turc, Choudhury, Coutagne y Cenicafé.
176
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.4. Comparación del caudal medio anual estimado y observado a partir del campo de precipitación
estimado mediante kriging con deriva externa y los campos de evapotranspiración estimados con los métodos
de Turc modificado, Thornwaite, Penman aproximado y Morton.
177
Capı́tulo 6. Balance hı́drico de largo plazo
secundaria extraı́da de la base de datos de TRMM resulta una herramienta fundamental en dos
sentidos. Primero, permite tener un conocimiento regional de la precipitación y disponibilidad de
agua para la evapotranspiración en Colombia a partir de observación directa y, segundo, a partir de
las estimaciones de campos de precipitación y evapotranspiración real a resolución más fina que los
campos existentes hasta ahora, por ejemplo los estimados por Vélez et al (2000), pueden realizarse
estimaciones más confiables en cuencas de áreas pequeñas, donde generalmente no se tiene registros.
Para terminar, en las figuras 6.5, 6.6 y 6.7 se muestran las estaciones de caudal para las cuales
el error relativo, en valor absoluto, entre el caudal medio simulado con el balance hı́drico de largo
plazo y el caudal medio calculado empleando sus registros, son menores al 5 %, 15 % y 25 %,
respectivamente. En la primera se puede apreciar que la mayor cantidad de estaciones con errores
menores al 5 % se obtienen para los campos de evapotranspiración correspondientes a los métodos
de Turc, Choudhury, Cenicafé y Penman. En la segunda se observa que los campos que arrojan
mayor cantidad de estaciones con errores menores al 15 % son Turc, Cenicafé y Penman. En la
última figura, se observa que, para errores menores al 25 %, todos los métodos con excepción de
Turc modificado y Morton presentan un número similar de estaciones asociadas. Lo anterior deja
claro que las metodologı́as para el cálculo evapotranspiración que producen mayores errores de
estimación del caudal medio son Turc Modificado y Morton, mientras que las que mejor estiman
dicha variable son Turc, Cenicafé y Penman. Finalmente, debe comentarse que las estaciones para
las cuales se obtuvieron los menores errores de estimación en el caudal medio se localizan en zonas
donde hay buena densidad de estaciones de precipitación, lo cual indica la gran sensibilidad del
modelo con respecto a la estimación de la precipitación.
donde SPi y SEi son las incertidumbres estimadas para la precipitación y la evapotranspiración
real para una celda i de los campos correspondientes, y SRi es la incertidumbre estimada para la
lámina de escorrentı́a en la celda i. Los campos de incertidumbre y coeficiente de variación para la
escorrentı́a estimada se muestran en la figuras 6.10, 6.11, 6.12 y 6.13.
Los campos de escorrentı́a que se han estimado en éste estudio se presentan en las figuras 6.8
y 6.9, para los cuales se ha generado la misma convención de colores con el fin de realizar un
análisis comparativo con respecto a la lámina de escorrentı́a estimada y su relación con los campos
de evapotranspiración estimados en el Capı́tulo 5. Pueden comentarse las siguientes caracterı́sticas
generales acerca del comportamiento espacial de la escorrentı́a en el territorio colombiano:
Las mayores láminas de escorrentı́a se presentan en las regiones Pacı́fica y Amazonı́a, puesto
que la cantidad de agua disponible para la evapotranspiración supera por mucho la energı́a
disponible para que se realice el cambio de fase. En especial, las mayores láminas de escorrentı́a
se estiman en la región Pacı́fica. También se presentan elevadas láminas de escorrentı́a en las
178
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.5. Estaciones en las cuales el error entre el caudal medio obtenido mediante el balance de largo
plazo y el caudal medio anual estimado con base en los registros es menor al 5 %.
179
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.6. Estaciones en las cuales el error entre el caudal medio obtenido mediante el balance de largo
plazo y el caudal medio anual estimado con base en los registros es menor al 15 %.
180
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.7. Estaciones en las cuales el error entre el caudal medio obtenido mediante el balance de largo
plazo y el caudal medio anual estimado con base en los registros es menor al 25 %.
181
Capı́tulo 6. Balance hı́drico de largo plazo
Las menores láminas de escorrentı́a se presentan en la región Caribe y las regiones elevadas
en la cordillera de los Andes colombianos, en altitudes superiores a las correspondientes al
óptimo pluviométrico, por encima de los 3000 metros sobre el nivel del mar, donde se presenta
poca disponibilidad de agua proveniente de la precipitación. A pesar de lo anterior, en algunas
zonas de la región Caribe se presentan láminas de escorrentı́a de cierta magnitud, debido a
la presencia de efectos topográficos sobre la fı́sica de la precipitación, como por ejemplo la
sierra nevada de Santa Marta.
Como ha sido comentado en diversos estudios anteriores, el método de Turc modificado pro-
porciona estimaciones de evapotranspiración muy inferiores a los de Turc. En general, lo
anterior se presenta porque el término correspondiente a la humedad relativa no participa en
las estimaciones a causa de que la humedad relativa el Colombia es elevada (Barco y Cuartas,
1998; Vélez et al., 2000).
Los campos de escorrentı́a estimados mediante las metodologı́as de Turc y Thornwaite ma-
nifiestan patrones espaciales bastante similares, lo cual indica que las estimaciones de evapo-
transpiración son similares.
Para los métodos que incluyen el balance de energı́a dentro de la estimación de la evapotrans-
piración, como lo son Penman y Morton, es evidente que la consideración de la presencia de la
nubosidad, la cual es dictada por el campo de brillo solar estimado en el Capı́tulo 5, ocasiona
182
Capı́tulo 6. Balance hı́drico de largo plazo
que las estimaciones de evapotranspiración difieran con respecto de un método que solamente
considera la temperatura y la disponibilidad de agua, dictado por la precipitación. Se ha
encontrado que en las zonas de mayor nubosidad, el método de Turc proporciona mayores
valores de evapotranspiración, lo cual se relaciona con menores valores para la escorrentı́a
estimada.
Con respecto a los campos de incertidumbre en los campos de escorrentı́a, se han encontrado
las siguientes caracterı́sticas generales:
En las figuras 6.10 y 6.11 puede verse que todos los campos de incertidumbre asociados con
la estimación de la escorrentı́a son semejantes entre sı́ y, además, sus patrones de comporta-
miento espacial son similares a los manifestados por el campo de incertidumbre estimado para
la precipitación, el cual se presentó en el Capı́tulo 4. Lo anterior se origina en el hecho de que
la incertidumbre intrı́nseca relacionada con la estimación de la precipitación es mucho mayor
que la incertidumbre relacionada con la estimación de la evapotranspiración. Esto quiere decir
que la principal fuente de incertidumbre en la estimación de la escorrentı́a y, por supuesto,
del caudal medio anual se relaciona con el procedimiento de estimación espacial del campo
de precipitación incluido en el análisis.
En el caso del análisis de la incertidumbre para la escorrentı́a, resulta mucho más útil consi-
derar los campos de coeficiente de variación, los cuales proporcionan una visión del compor-
tamiento de la incertidumbre estimada con respecto al valor medio de escorrentı́a. Se observa
en las figuras 6.12 y 6.13 que los mayores coeficientes de variación se presenta en las regiones
más secas del territorio, es decir, la región Caribe, las zonas más elevadas de las cordilleras y
algunas regiones en la Amazonı́a y Orinoquı́a. Ésta caracterı́stica se presenta básicamente por
que en dichas zonas la diferencia P − E resulta ser pequeña con respecto a la incertidumbre
que se propaga debido a la operación algebraica entre los campos, puesto que mientras las
estimaciones se restan, mientras que las incertidumbre se suman al cuadrado.
En términos del coeficiente de variación los campos de escorrentı́a menos inciertos correspon-
den a los estimados mediante los campos de evapotranspiración de Turc modificado, Thor-
nwaite, Coutagne y Cenicafé. Como mostró en el Capı́tulo 5, estos método involucran un
menor número de variables y operaciones algebraicas entre campos de variables de entrada
a las metodologı́as de estimación. Debido a lo anterior, las incertidumbre estimadas para la
evapotranspiración, mediante dichas metodologı́as, resultaron ser menores que las resultantes
par los métodos de Morton, Penman y Choudhury.
Q = A[P − E],
Figura 6.8. Campos de escorrentı́a estimados a partir del campo de precipitación estimado mediante kriging
con deriva externa y los campos de la evapotranspiración correspondientes a las metodologı́as de Turc,
Choudhury, Coutagne y Cenicafé.
184
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.9. Campos de escorrentı́a estimados a partir del campo de precipitación estimado mediante kri-
ging con deriva externa y los campos de la evapotranspiración correspondientes a las metodologı́as Turc
modificado, Thornwaite, Penman aproximado y Morton.
185
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.10. Campos de incertidumbre para la escorrentı́a estimados a partir de la incertidumbre asocia-
da con campo de precipitación estimado mediante kriging con deriva externa y los campos incertidumbre
estimados para la evapotranspiración correspondientes a las metodologı́as de Turc, Choudhury, Coutagne y
Cenicafé.
186
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.11. Campos de incertidumbre para la escorrentı́a estimados a partir de la incertidumbre asocia-
da con campo de precipitación estimado mediante kriging con deriva externa y los campos incertidumbre
estimados para la evapotranspiración correspondientes a las metodologı́as de Turc modificado, Thornwaite,
Penman aproximado y Morton
187
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.12. Campos de coeficiente de variación para la escorrentı́a estimada empleando los campos de
evapotranspiración correspondientes a las metodologı́as de Turc, Choudhury, Coutagne y Cenicafé
188
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.13. Campos de coeficiente de variación para la escorrentı́a estimada empleando los campos de eva-
potranspiración correspondientes a las metodologı́as de Turc modificado, Thornwaite, Penman aproximado
y Morton
189
Capı́tulo 6. Balance hı́drico de largo plazo
donde SdQ es la incertidumbre asociada con la estimación del caudal medio anual, SA es la in-
certidumbre asociada con la estimación área de la cuenca, SP es la incertidumbre asociada con la
precipitación promedio para la cuenca, SE es la incertidumbre de la evapotranspiración promedio
para la cuenca, entonces, la ecuación 6.11, toma la siguiente forma:
q
SdQ = 2 + A2 S 2 + A2 S 2 .
(P − E)2 SA (6.12)
P E
Si se considera que el área de la cuenca puede determinarse sin ningún tipo de incertidumbre,
la expresión para la cuantificación de la incertidumbre asociada con la estimación del caudal medio
anual será:
q
SdQ = A SP2 + SE
2 (6.13)
190
Capı́tulo 6. Balance hı́drico de largo plazo
Con base en la ecuación 6.13 se estimaron las incertidumbres para las 390 cuencas seleccionadas
sobre el territorio colombiano. Los resultados se presentan en forma de diagramas de dispersión con
respecto al área y sobre ejes en escala logarı́tmica, en las figuras 6.14 y 6.15. Se encontró que, bajo
las hipótesis adoptadas en éste análisis, la incertidumbre estimada para el caudal medio anual, SdQ ,
escala simplemente con el área de la cuenca A, de la forma SdQ = αAβ . Para todas los campos
de evapotranspiración estimados y el campo de precipitación estimado mediante kriging con deriva
externa, se han estimado valores de los prefactores β de aproximadamente 0.025 y exponentes α de
aproximadamente 0.98. Se observa que los valores para los exponentes y prefactores estimados, son
similares a los presentados por Mantilla (1999) para el escalamiento del caudal medio con respecto
al área de la cuenca, de la forma Q = αAβ , con β = 1,00 y α = 0,03.
En las figuras 6.16, 6.17 y 6.18 puede observarse las estaciones de caudal para las cuales el
coeficiente de variación estimado, el cual representa el porcentaje de la incertidumbre con respec-
to al caudal medio simulado, es menor del 30 %, 40 % y 50 %, respectivamente. En la primera se
puede apreciar que la mayor cantidad de estaciones con coeficientes de variación menores al 30 %
se obtienen para los campos de evapotranspiración correspondientes a los métodos de Turc modi-
ficado, Coutagne, Thornwaite y Cenicafé. Análogamente, en la segunda se observa que los campos
que arrojan mayor cantidad de estaciones con coeficiente de variación menores al 40 % son Turc,
Cenicafé y Penman. En la última figura, se observa que, para coeficientes de variación menores al
50 %, todos los métodos presentan un número similar de estaciones asociadas, con excepción de
Turc modificado, el cual posee un número mayor de estaciones asociadas y Morton, para el cual se
obtuvieron muy pocas estaciones con coeficientes de variación menores del 50 %. Finalmente, es
importante mencionar que las estaciones para las cuales se obtuvo un coeficiente de variación bajo,
se localizan en lugares donde gran parte del área de la cuenca se localiza en zonas lluviosas, por lo
cual el caudal estimado medio estimado es elevado.
Para cuantificar la incertidumbre asociada con la estimación del área de la cuenca se utilizó la
aproximación de Frolov y Maling (1969), quienes desarrollaron una expresión matemática para
estimar el error estándar en la estimación del área a partir de la rasterización de un polı́gono. En
éste caso el polı́gono es la divisoria de la cuenca extraı́da automáticamente a partir del MDE con
base en el algoritmo de corrección de MDE y extracción automática de la red de drenaje existente
en HidroSIG (Ramirez, 2002). En la figura 6.19 se muestra un esquema general del problema que
se desea abordar. Se tiene, entonces, que N representa el número de celdas del MDE que se en-
cuentran contenidas dentro de la cuenca, n es la cantidad de celdas pertenecientes al MDE que se
localizan en el perı́metro de la cuenca y b es el tamaño de la celda en el MDE. El área de la cuenca
se estima como N b2 y se debe determinar el error estándar de dicha estimación.
Si una celda es intersectada por la divisoria de la cuenca se cuenta como perteneciente a ésta,
por lo cual cierta porción de área fuera de la cuenca queda incluida dentro de ésta en la estimación.
Igualmente algunas celdas que se dejan por fuera y pertenecen a la cuenca pueden no considerarse
en el procedimiento de cálculo del área de la cuenca (ver figura 6.19). Frolov y Maling (1969),
estiman las porciones de área anteriormente comentadas asumiendo que la lı́nea de frontera puede
191
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.14. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al área
para 390 cuencas en Colombia. No se ha considerado la incertidumbre adicional inducida por la medición
del área
192
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.15. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al área
para 390 cuencas en Colombia. No se ha considerado la incertidumbre adicional inducida por la medición
del área
193
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.16. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de balance
hı́drico de largo plazo, sin considerar la incertidumbre de medición del área, es menor al 30 %
194
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.17. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de balance
hı́drico de largo plazo, sin considerar la incertidumbre de medición del área, es menor al 40 %
195
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.18. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de balance
hı́drico de largo plazo, sin considerar la incertidumbre de medición del área, es menor al 50 %
196
Capı́tulo 6. Balance hı́drico de largo plazo
semejarse a una lı́nea recta que se traza aleatoria e independientemente dentro de la celda. Ellos
encontraron que el área media cuadrática de la porción cortada, esto es, la varianza del error en el
área estaba dada por αb4 , con α = 0,0452. Lloyd (1976) trabajó sobre la hipótesis de considerar el
proceso estocástico a partir de lı́neas rectas y definió una lı́nea aleatoria, de forma que encontró que
α = 0,0609. Goodchild y Moy (1977), bajo una hipótesis similar, encontraron que α = 0,0619, el
cual es el valor que se utiliza en el presente análisis.
La varianza del error en el área estimada depende de la suma de los errores individuales en
cada celda de la divisoria. En el caso de lı́neas poco suavizadas, puede asumirse independencia en
la contribución al error por parte de cada celda, entonces se tendrá que el error de estimación en
el área de la cuenca es nαb4 . Ahora bien, si la frontera del polı́gono es suave, el modelo lineal de
Frolov y Maling (1969) es aproximadamente cierto, y se encontrará elevada correlación entre el área
aportada por celdas adyacentes. El efecto de lo anterior es que se aumenta la varianza del error de
estimación del área, ası́:
XX
σ 2 = ns2 + 2s2 rij (6.14)
i j>i
donde σ 2 es la varianza del error del área estimada, s2 es la varianza del error por celda y rij es
la correlación en las contribuciones de las celdas i y j. El lı́mite superior de rij es 1, entonces, el
máximo valor de σ 2 es ns2 + 2n(n − 1)s2 /2 = n2 s2 , lo cual ocurre cuando la correlación de las
contribuciones es perfecta es perfecta, entonces:
h P P i
log n + 2 i j>i rij
σ 2 = nβ s2 , donde β = (6.15)
log n
A1/2
n = K3 b (6.17)
γ
donde γ es una constante igual a la raı́z de longitud media cuadrática de una lı́nea recta aleatoria a
lo largo de la celda, la cual según Goodchild y Moy (1977) tiene un valor de γ = 0,794. K3 depende
de la forma del polı́gono, de forma que:
nc K3
= √ (6.18)
no 2 π
Figura 6.19. Esquema general para el cálculo del área de una cuenca y la incertidumbre asociada
Po el perı́metro de un cı́rculo con la misma área de la cuenca. Combinando las ecuaciones 6.13 y
6.14 y teniendo en cuenta que el número de celdas dentro de la cuenca la cuenca viene dado como
N = A/b2 , se tiene que el porcentaje de error con respecto al área estimada es (Goodchild, 1980):
β/2
1/2 K3
=α N β/4−1 (6.19)
γ
Finalmente, para las cuencas colombianas se puede deducir una expresión para K3 , a partir de
la ley de Hack (Rigon et al., 1996; Mantilla, 2000; Mantilla et al., 2000; Willemin, 2000), la cual
en una de sus formas relaciona el perı́metro de una cuenca hidrográfica con su área, propuesta por
Mantilla (2000), según la cual, Pc = 3,92A0,53 , la cual se reemplaza en la ecuación 6.20 y se obtiene
que:
3,92A0,03
K3 = √ (6.20)
π
198
Capı́tulo 6. Balance hı́drico de largo plazo
De ésta manera quedan definidos todos los términos de la ecuación 6.16, a partir de la cual se
estima la incertidumbre asociada con el área de la cuenca. Finalmente, se puede emplear la ecua-
ción 6.11, en combinación con las ecuaciones 6.16 y 6.20, para estimar la incertidumbre asociada
con la estimación del caudal medio anual en una cuenca, considerando la incertidumbre asociada
con la medición del área de la cuenca. Análogamente al análisis realizado en el experimento 1, los
resultados obtenidos para este análisis se presentan en diagramas de dispersión de la incertidumbre
estimada con respecto al área de la cuenca, en escala logarı́tmica para ambos ejes, como se muestra
en las figuras 6.14 y 6.15. Nuevamente, se encuentra que al incluir la incertidumbre asociada con
la medición del área, la incertidumbre asociada con la estimación del caudal medio también escala
simplemente con el área de la cuenca, de la forma SdQ = αAβ . Se nota que la inclusión de la
incertidumbre de medición del área aumenta el nivel de incertidumbre del caudal medio simulado,
puesto que el valor del prefactor cambia de α = 0,025 a α = 0,028. Al contrario, el valor del
exponente β ha disminuido de 0.98 a 0.95, lo cual indica que mientras aumenta el área, menor es
la contribución de la incertidumbre de medición del área sobre la incertidumbre del caudal medio
estimado.
Finalmente, en las figuras 6.22, 6.23 y 6.24 pueden observarse las estaciones de caudal para las
cuales el coeficiente de variación estimado es menor del 30 %, 40 % y 50 %, respectivamente. Puede
observarse que, para todos los umbrales adoptados de coeficiente de variación, se disminuyó la can-
tidad de estaciones incluidas. Lo anterior se relaciona con el aumento de la incertidumbre asociada
a la estimación del caudal medio ocasionada por la integración de la incertidumbre asociada con
la medición del área. A pesar de lo anterior, se obtuvieron resultados análogos a los encontrados
en el experimento 1, es decir, las estimaciones menos inciertas de caudal se estimaron mediante el
campo de evapotranspiración de Turc modificado, mientras que las estimaciones más inciertas se
obtuvieron empleando el campo de evapotranspiración estimado con el método de Morton.
Las mejores estimaciones para el caudal medio, con base al criterio de error relativo con
respecto del caudal calculado a partir de los registro en las estaciones, se calcularon empleando
el campo de precipitación estimado mediante kriging con deriva externa y los campos de
evapotranspiración asociados a los métodos de Turc, Choudhury y Cenicafé.
Figura 6.20. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al
área para 390 cuencas en Colombia. Se ha considerado la incertidumbre adicional inducida por la medición
del área
200
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.21. Comportamiento de la incertidumbre estimada para el caudal medio anual con respecto al
área para 390 cuencas en Colombia. Se ha considerado la incertidumbre adicional inducida por la medición
del área
201
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.22. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de balance
hı́drico de largo plazo, considerando la incertidumbre asociada con la medición del área, es menor al 30 %
202
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.23. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de balance
hı́drico de largo plazo, considerando la incertidumbre asociada con la medición del área, es menor al 40 %
203
Capı́tulo 6. Balance hı́drico de largo plazo
Figura 6.24. Estaciones en las cuales la incertidumbre asociada al caudal estimado con el modelo de balance
hı́drico de largo plazo, considerando la incertidumbre asociada con la medición del área, es menor al 50 %
204
Capı́tulo 6. Balance hı́drico de largo plazo
La incertidumbre asociada con la medición del área de la cuenca, para un MDE con un tamaño
de celda de 4 km, es considerable para las cuencas con áreas menores de 100 km2 , mientras
que, para cuencas mayores, es casi despreciable, si se compara su aporte a la incertidumbre del
caudal, con los aportes asociados a la estimación de la precipitación o la evapotranspiración.
Las incertidumbres asociadas con la estimación del caudal medio empleando el modelo de
balance hı́drico de largo plazo, considerando, o sin considerar la incertidumbre de medición del
área de la cuenca, escalan simplemente con el área, y los coeficientes y prefactores asociados a
los escalamiento son similares a los obtenidos para el caudal medio, como lo presenta Mantilla
(1999).
205
Capı́tulo 7
Conclusiones, recomendaciones y
trabajo futuro
7.1. Conclusiones
En esta tesis se tratan diferentes aspectos que se refieren a la estimación de campos hidrológicos,
como por ejemplo la precipitación, la temperatura, la radiación neta, la evapotranspiración, etc., y
la cuantificación de la incertidumbre asociada con dichas estimaciones. Los principales resultados
que se han obtenido son los siguientes:
incertidumbre en menor cantidad resultaron ser aquellas que emplean únicamente los campos
de temperatura y precipitación, como por ejemplo Turc, Cenicafé y Coutagne. Se mostró la
influencia que tienen las operaciones de superposición de campos hidrológicos en la propa-
gación de la incertidumbre asociadas a las estimaciones de la evapotranspiración, lo cual es
relevante puesto que se han considerado las relaciones no lineales entre las diferentes variables
que intervienen en dicha estimación. Para terminar, con base los resultados obtenidos puede
afirmarse que el procedimiento que genera mayor incertidumbre es la interpolación espacial
de los campos de variables hidrológicas a partir de información puntual y dicha incertidumbre
se propaga fuertemente en las operaciones de superposición algebraica.
Alargar el registro de la información disponible de la misión TRMM con el fin de que las
estimaciones de intensidad de precipitación promedio capturen eventos extremos que pueden
afectar el valor promedio estimado.
En la investigación realizada se han dejado sin responder muchas preguntas, muchas de las
cuales las cuales no tienen solución trivial. El trabajo futuro sobre dichas preguntas puede motivar
a los investigadores a realizar tesis de maestrı́a y doctorado en temas como:
212
Bibliografı́a
Almeida, A.S. y Journel, A.G. (1994) Joint Simulation of Multiple Variables with a Markov Type
Corregionalization Model. Mathematical Geology 26(5), p. 565-588.
Ang, A.H. y Tang, W.H. (1984) Probability concepts in engineering planning and design. John
Wiley And Sons. New York, NY.
Barco, O.J. y Cuartas, L.A. (1998) Estimación de la evaporación en Colombia. Trabajo dirigido
de grado. Universidad Nacional de Colombia Sede Medellı́n.
Bendient, P.B. y Huber, W.C. (1992) Hydrology and floodplain analysis. Addison-Wesley,
Reading, MA.
Borrough, P.A. y McDonell, R.A. (1998) Principles of geographical information systems. Oxford
University Press. New York, NY.
Brutsaert, W. (1982) Evaporation into the atmosphere. Theory, history and applications. Klower
Academic Publishers. Boston, MA.
Carr, J.R. (1994) Order relations correction experiments for probability kriging. Mathematical
Geology 26(5), p. 605-613.
Chilès, J.P. y Delfiner, P. (1999) Geostatistics. Modeling spacial uncertainty. Wiley Interscience
Publication. New York, NY.
Christakos, G. (1984) On the problem of permissible covariance and variogram models. Water
Resources Reserach 20(2), p. 251-265.
213
Bibliografı́a
Chow, V.T., Maidment, D.R. y Mays, L.W. (1994) Hidrologı́a Aplicada. Mac Graw Hill. Santa
Fé de Bogotá.
Chua, S.H. y Bras, R.L. (1982) Optimal estimators of mean areal precipitation in regions of
orographic influence. Journal of Hydrology 57, p. 23-48.
Cressie, N. (1985) Fitting varogram models by weighted less squares. Mathematical Geology
17(5), p. 563-586.
Creutin, J.D. y Obled, C., (1982) Objective analyses and mapping techniques for rainfall fields:
an objective comparison. Water Resources Research 18(2), 413-431.
Crosseto, M., Moreno-Ruiz, J.A. y Crippa, B. (2001). Uncertainty propagation in models driven
by remotely sensed data. Remote Sensing of Environment 76, p. 373-385.
De Bruin, S. y De Wit, A.J.W. (2005) Stochastic simulation of large grids using free and public
domain software. Computers and Geosciences 7, p. 828-836.
Deutsch, C.V. y Journel A.G. (1998) GSLIB: Geostatistical software library and user´s guide.
Oxford University Press. Applied Geostatistics Series. New York, NY.
Dubrule, O. (1983) Two methods with different objective: splines and kriging. Mathematical
Geology 15(2), p. 245-257.
Eslava, J.A. (1995) Climatologı́a del Pacı́fico colombiano. Colección Eratóstenes. Academia
Colombiana de Ciencias Exactas, Fı́sicas y Naturales Vol 1.
Frolov, Y.S. y Maling, D.H. (1969) The accuracy of area measurements by point counting
techniqes. Cartograhic Juornal 6, p. 21-35.
Goodchild, M.F. (1980) Fractals and the accuracy of geographicla measures. Mathmatical
Geology 12(2), p. 85-98.
Goodchild, M.F. y Moy, W.S. (1977) Estimation from grid data: the map as a estochastic process.
En: Proceeding of the comission on geographical data sesnsing and processing (Tomlinson,
R.F., editor). Moscú.
214
Bibliografı́a
Goovaerts, P. (1997) Geostatistics for natural resources evaluation. Oxford University Press.
Applied Geostatistics Series. New York, NY.
Goovaerts, P. (1999) Geostatistical approaches for incorporating elevation into the spatial
interpolation of rainfall, Journal of hydrology 118, p. 113-129.
Henao, H.A. y Quiroz, J.E. (1998) Métodos para la interpolación de variables hidrológicas.
Aplicación al balance hidrológico de Colombia. Trabajo Dirigido de Grado. Universidad
Nacional de Colombia Sede Medellı́n.
Hevesi, J.A, Istok, J.D. y Flint, A.L. (1992, a) Precipitation estimation in mountainous terrain
using multivariate geostatistics. Part I: Structural analysis. Journal Of Applied Meteorology
31(7), p. 661-676.
Hevesi, J.A, Istok, J.D. y Flint, A.L. (1992, b) Precipitation estimation in mountainous terrain
using multivariate geostatistics. Part II: Isohyetal Maps. Journal Of Applied Meteorology
31(7), p. 677-688.
Hutchinson, M.F. (1995) Interpoling mean rainfall using thin plates smoothing splines. Interna-
tional Journal of Geographical Information System 9, p. 385-404.
Hsu, K., Gupta, H.V., Gao, X. y Sorooshian, S. (1999) Estimation of physical variables from
multi-channel remotely sensed imagery using a neural network: application to rainfall
estimation. Water Resources Research 35(5), p. 1605-1618.
Isaaks, E.H. y Srivastava, R.M. (1989). Applied geostatistics. Oxford University Press. Applied
Geostatistics Series. New York, NY.
Kummerow, C., Barnes, W., Toshiaki, K., Shiue, J. y Simpson, J. (1998) The tropical rainfall
measuring mission (TRMM) Sensor Package. Journal Of Atmosferic And Oceanic Technology
15, p. 809-817.
215
Bibliografı́a
Linsley, R.K., Kohler, M.A. y Paulhus, J.L. (1986) Hidrologı́a para ingenieros. Buenos Aires.
Lloyd, P.R. (1976) Quantization error in area measurment. Cartographic Journal 10, p. 141-167.
Lloyd, C.D. (2004) Assessing the effect of integrating elevation data into the estimation of
monthly precipitation in Great Britain. Journal Of Hydrology 308, p. 128-150.
Lloyd, C.D. y Atkinson, P.M. (2001). Assesing uncertainty in estimates with ordinary and
indicator Kriging. Computers and geosciences 27, p. 929-937.
Manabe, S. (1969) Climate and the ocean circulation. I. The atmospheric circulation and the
hydrology of the earth’s Surface. Monthly Weather Review 97, p. 739-774.
Mantilla, R.I., Mesa, O.J. y Poveda, G. (2000) Análisis de la ley de Hack en las cuencas
hidrográficas de Colombia. Avances en Recursos Hidráulicos 7, p. 1-18.
Maskey, S., Guinot, V. y Price, R.K. (2004) Treatment of precipitation uncertainty in rainfall-
runoff modeling: a fuzzy set aproach. Advances in Water Resources 27, p. 889-898.
Matheron, G. (1971) The theory of regionalized variables and its applications. Cahiers du Centre
de Morphologie Mathématique, Ecole des Mines, Fontainebleau.
McCuen, R.H. (1998) Hydrologic Analysis and Design. Prentice Hall, Englewood Cliffs, NJ.
Mesa, O., Poveda G., y Carvajal L.F. (1997) Introducción al clima de Colombia. Universidad
Nacional de Colombia Sede Medellı́n.
Montoya, S.A. (2007) Revisión de los distintos métodos de evapotranspiración real y potencial y
su implementación en HidroSIG. Trabajo dirigido de grado. Universidad Nacional de Colombia
216
Bibliografı́a
Sede Medellı́n.
Morton, F.I. (1982) Operational estimates of areal evapotranspiration and their significance to
the science and practice of hydrology. Journal of Hydrology 66, p. 1-76.
Oster, R. (1979) Las precipitaciones de Colombia. Colombia Geográfica, VI(2), p. 147. Instituto
Geográfico Agustı́n Codazi.
Pavlidis, T. (1982). Algorithms for graphics and image processing. Springer-Verlag. Berlin.
Poveda, G. y Mesa, O.J. (1997) Feedbacks between hydrological processes in tropical South
America and large-scale ocean-atmospheric phenomena. Journal of climate 10, p. 2690-2702.
Poveda, G., Mesa, O.J., Vélez, J.I., Mantilla, R.I., Ramı́rez, J.M., Hernández, O.O., Borja, A.F.
y Urzola, J.A. (2007) HidroSIG: an interactive digital atlas of Colombia’s hydro-climatology.
Journal of Hydroinformatics 9(2), pp 145–156.
Poveda, G., Vélez, J.I., Mesa, O.J, Cuartas, A., Barco, J., Mantilla, R.I., Mejı́a, J.F, Hoyos,
C.D., Ramı́rez, J.M., Ceballos, L.I., Zuluaga, M.D., Arias, P.A., Botero, B.A., Montoya,
M.I., Giraldo, J.D y Quevedo, D.I. (2007) Linking long-term water balances and statistical
scaling to estimate river flows along the drainage network of Colombia. Journal of Hydrologic
Engineering 12(1), p. 145-156.
Pulwarty, R. S., Barry, R., Hurst, C.M., Sellinger, K. y Mogollón, H. (1998) Precipitation in the
venezuelan Andes in the context of regional climate. Meteorology and Atmospheric Physics
67, p. 217-237.
Rangel, J.O. y Arellano, P., 2004. Clima del Chocó biogeográfico. En: Colombia diversidad biótica
IV: el Chocó biogeográfico, Costa Pacı́fica (J.O. Rangel, editor). Universidad Nacional de
Colombia, p. 39-82.
217
Bibliografı́a
Rigon, R., Rodriguez-Iturbe, I., Maritan, A., Giamometti, A., Tarboton, D.G. y Rinaldo, A.
(1996) On Hack´s law. Water Resources Research 32(11), p. 3367-3374.
From climate to flow. En : Climate Change and United States Water Resources, Volume 1.
Editado por: P. E. Waggoner, p. 457-466. Wiley. New York, NY.
Seo, D.J., Krajewski, W.F. y Bowles, D.S. (1990, a). Stochastic interpolation of rainfall data
from raingages and radar using cokriging 1. Design of experiments. Water Resources Research
26(3), p. 469-477.
Seo, D.J., Krajewski, W.F., Azimi-Zonooz, A. y Bowles, D.S. (1990, b). Stochastic interpolation
of rainfall data from raingages and radar using cokriging 2. Results. Water Resources Research
26(5), p. 915-924.
Snow, J. W., 1976. The climate of Northern South America. En: Climates of Central and South
America (W. Schwerdtfeger, editor), p. 295-403. Elsevier, Amsterdam.
Szabó, J.A. (2005). Estimation of high resolution meteorogical field based on geostatistics
approaches. Geophysical Research Abstracts vol. 7, 10037.
218
Bibliografı́a
Thiessen, A. H. (1911). Precipitation averages for large areas. Monthly Weather Review 39(7), p.
1082-1084.
Vélez, J.I., Poveda, G. y Mesa, O.J. (2000). Balances hidrológicos de Colombia. Postgrado en
Aprovechamiento de Recursos Hidráulicos. Universidad Nacional de Colombia Sede Medellı́n.
Willemin, J.H. (2000) Hack´s law: Sinuosity, convexity, elongation. Water Resources Research
36(11), p. 3365-3374.
Yen, B. (2002). System and component uncertainties in water resources. En: Risk, Reliability,
Uncertainty, and Robustness of Water Resources Systems. Editado por: Bogardi, J. y
Kundzewicz. Cambridge University Press. International Hydrology Series.
219