Modelos Hidrológicos

10/9/2020 MODELOS HIDROLÓGICOS
Página 1
Universidad de Uppsala
Departamento de Ciencias de la Tierra
Hidrología
LIBRO DE TEXTO
DE
MODELOS HIDROLÓGICOS
(Lärobok i Avrinningsmodeller)
(edición 2002)
Chong-yu Xu
2002-10-20
direccion postal Dirección de visita Teléfono Fax Correo electrónico

Villavägen 16 Centro de Ciencias de la Tierra +46 - 18 471 22 72 (directo) +46 - 18 55 11 24 Chong-yu.Xu@hyd.uu.se
SE-752 36 UPPSALA Villavägen 16 +46-18471 25 28 (secretaria) http://www.hyd.uu.se/chong-yu/
Suecia Upsala
https://translate.googleusercontent.com/translate_f 1/148
Página 2
Página 3
PREFACIO
_____________________________________________________________________________________
Según el documento oficial de la UNESCO (1985) - 'Ayudas didácticas en

Hidrología ': "El propósito principal de utilizar modelos hidrológicos en el proceso de enseñanza es
no duplicar el complicado proceso hidrológico en detalle mediante un modelo sofisticado,
pero para demostrar los elementos principales del proceso, su combinación en un simple
o modelo integral, y la importancia del modelo en la resolución de problemas típicos
de hidrología de ingeniería ".
El curso “Análisis y modelización hidrológica” en el Departamento de Tierra
Ciencias, la Universidad de Uppsala consta de dos partes, la primera parte trata de estadísticas
análisis de datos hidrológicos y la segunda parte trata de la modelización de la escorrentía
Procesos. Esta monografía sirve como libro de conferencias para la segunda parte. En particular,
se ocupa de los modelos hidrológicos del proceso de precipitación-escorrentía en la cuenca
escala (el modelado de aguas subterráneas y el modelado de flujo de tormentas urbanas no están incluidos). Nosotros
discutirá sus usos, formulaciones y metodología para la evaluación de modelos. El tema
la materia se divide en ocho capítulos.
El Capítulo 1 es para dar a los estudiantes un conocimiento básico sobre modelado en hidrología. Ese
incluye: (1) las razones del uso de modelos en la resolución de problemas en hidrología; (2) algunos
definiciones de uso común en la literatura sobre modelos hidrológicos; (3) clasificación
de modelos de escorrentía; y (4) objetivos de los modelos hidrológicos.
El capítulo 2 es dar una introducción a los estudiantes sobre el concepto de tiempo
análisis de series y modelos estocásticos. En este capítulo, los estudiantes aprenderán a analizar
una serie de tiempo dada de una variable hidrológica, cómo se formulan los modelos estocásticos y
cuáles son sus campos de aplicación.
Los capítulos 3 al 5 muestran cómo los principales procesos hidrológicos, tales como,
precipitación (lluvia y nevadas), evapotranspiración, caudal, infiltración, etc.,
generalmente se tratan en diferentes tipos de modelos de escorrentía.
El capítulo 6 es estudiar la metodología de evaluación del modelo, que incluye la
problemas en la selección del modelo, en la calibración del modelo (estimación de parámetros), en el modelo
verificación y estimación de su rango de aplicabilidad. Aunque es importante
reconocer que las cuatro evaluaciones son de igual importancia fundamental, la estimación de
los parámetros y la verificación del rendimiento del modelo recibirán más atención en este
capítulo.
Algunos temas de optimización se tratan en el Capítulo 7. Dado que la
Los procedimientos de optimización han atraído un interés creciente en el campo de la
modelado de cuencas hidrográficas y, hoy en día, se utilizan ampliamente para minimizar las diferencias
entre características seleccionadas de caudales modelados y observados mediante ensayo sistemático
alteraciones en los valores de los parámetros del modelo. Aunque no es necesario que el
El propio usuario escribe programas, ya que un gran número de estos programas se almacenan en
muchas bibliotecas informáticas. No obstante, es útil tener una idea de los principios de
estos algoritmos para juzgar los resultados obtenidos, y además para elegir el
algoritmo de tal forma que se adapte al problema propuesto.
En el capítulo 8, se analizan con más detalle algunos modelos particulares de cuenca para
Ilustre cómo se formulan estos modelos y cuáles son sus usos. Los modelos propuestos
para discusión incluyen, pero no limitado a, el modelo HBV (una simple
0-1
Página 4
modelo determinista), modelo WASMOD (una simple nieve conceptual estocástica y

modelo de balance hídrico), el TOPMODEL (un modelo físico relativamente simple),
y el modelo SHE (un modelo de parámetros distribuidos con base física).
Además, este curso incluye una cierta cantidad de trabajo informático individual,
que no se especifica en este texto: preparación de las entradas, ejecución de diferentes modelos
y análisis de los resultados, etc. Se realizarán varios ejercicios informáticos. Por estos
significa, los estudiantes aprenden a usar modelos hidrológicos y a desarrollarlos en poderosos
herramientas en el proceso de toma de decisiones.
El contenido presentado en los capítulos anteriores puede perfeccionarse durante el tiempo de la conferencia.
de acuerdo con los intereses de los estudiantes, y el orden de aparición de los
los capítulos se pueden cambiar.
Acepto la total responsabilidad por cualquier omisión, deficiencia o error que
permanecer. Me beneficiaría y estaría agradecido si los lectores me transmitieran algún error,
omisiones o críticas.
Esta nota de clase está destinada únicamente para uso interno.
Chong-yu Xu
Docente en Hidrología
2002-08-05
Nueva edición
0-2
Página 5
CONTENIDO
_____________________________________________________________________
PREFACIO 0-1
CAPÍTULO 1 MODELADO EN HIDROLOGÍA 1-1
1.1 Por qué se necesitan modelos hidrológicos 1-1

1.2 Perspectiva histórica 1-1
1.3 Análisis y modelado de sistemas hidrológicos 1-4
1.4 Clasificación de modelos hidrológicos 1-6
1.4.1 Modelos de materiales 1-7
1.4.2 Modelos simbólicos o formales 1-7
1.4.3 La distinción entre modelos teóricos, conceptuales y empíricos 1-8
1.4.4 La distinción entre linealidad y no linealidad en el
sentido de la teoría del sistema y en el sentido de regresión estadística 1-8
1.4.5 La distinción entre modelos invariantes y variantes en el tiempo 1-8
1.4.6 La distinción entre modelos agrupados y distribuidos 1-9
1.4.7 La distinción entre modelos deterministas y estocásticos 1-10
1.5 El uso de modelos hidrológicos 1-10
1.7 Metodología para el uso de modelos hidrológicos 1-10
Referencias 1-11
CAPÍTULO 2 ANÁLISIS DE SERIES DE TIEMPO Y MODELADO ESTOCÁSTICO 2-1
2.1 Introducción 2-1

2.2 Serie temporal 2-1
2.3 Propiedades de las series de tiempo 2-3
2.4 Análisis de series de tiempo hidrológicas 2-4
2.4.1 Componente de tendencia 2-5
2.4.2 Componente periódico 2-7
2.4.3 Componente estocástico 2-10
2.5 Síntesis de series de tiempo 2-12
2.6 Algunos modelos estocásticos 2-13
2.6.1 Modelos estocásticos puramente aleatorios 2-13
2.6.2 Modelos autorregresivos 2-13
2.6.3 Proceso de Markov de primer orden con periodicidad:
Modelo de Thomas-Fiering 2-15
2.6.4 Modelos de media móvil 2-17
2.6.5 Modelos ARMA 2-18
2.6.6 Modelos de generación de datos diarios 2-22
2.6.7 Modelos varios 2-23
2.7 Los usos de los modelos estocásticos 2-23
Referencias 2-25
yo
Página 6
CAPÍTULO 3 PRECIPITACIÓN EN MODELOS DE CAPTURA 3-1

3.2 Separación de las nevadas de las precipitaciones 3-1
3.3 Modelado de deshielo 3-4
3.3.1 Enfoque del balance energético 3-4
3.3.2 Simplificaciones 3-5
3.3.3 Enfoque del índice de temperatura (método grado-día) 3-6
3.4 Deshielo en modelos hidrológicos 3-7
Referencias 3-9
CAPÍTULO 4 EVAPOTRANSPIRACIÓN EN MODELOS HIDROLÓGICOS 4-1
4.1 General 4-1

4.2 Estimación de la evaporación del agua libre y la evapotranspiración potencial 4-1
4.2.1 Métodos climatológicos 4-2
4.2.1.1 Métodos basados en la temperatura del aire 4-2
4.2.1.2 Métodos basados en la radiación solar 4-5
4.2.1.3 El método de combinación de Penman 4-8
4.2.1.4 Método Penman-Monteith 4-10
4.2.2 Modelos micrometeorológicos 4-14
4.2.2.1 Los métodos basados en transferencia de masa 4-14
4.2.2.2 Método aerodinámico 4-16
4.2.2.3 Método de balance de raciones-energía de Bowen 4-16
4.2.3 El método de la sartén 4-17
4.2.4 Relación entre la evaporación del agua libre y el potencial
evapotranspiración 4-17
4.3 Estimación de la evapotranspiración real en modelos hidrológicos 4-18
Referencias 4-21
CAPÍTULO 5 ESCORRIDO EN MODELOS HIDROLÓGICOS 5-1

5.2 Fuentes y componentes de la escorrentía 5-1
5.3 Modelos de infiltración aproximados 5-4
5.4 Simulación de escorrentía con modelos agrupados 5-9
5.4.1 Modelos basados en eventos 5-9
5.4.1.1 Determinación del hietograma de lluvia efectiva (ERH) 5-9
5.4.1.2 Cálculo del hidrograma de escorrentía directa (DRH) 5-10
5.4.1.3 El hidrograma unitario instantáneo 5-10
5.4.1.4. El modelo conceptual lineal de Nash 5-11
5.4.2 Enrutamiento de flujo 5-17
5.4.3 Modelos de simulación de caudal continuo 5-17
5.4.3.1 Comparación con modelos basados en eventos 5-17
5.4.3.2 Simulación de escorrentía subterránea 5-19
5.4.3.3 Construcción de un modelo de simulación de caudal continuo 5-20
5.5 Modelado distribuido de procesos de escorrentía 5-20
5.6 Una revisión de los modelos utilizados en la evaluación de los recursos hídricos 5-23
5.6.1 Modelos de balance hídrico a largo plazo 5-23
5.6.2 Modelos de balance hídrico mensual 5-24
II
Página 7
5.6.3 Modelos conceptuales de parámetros agrupados 5-24

5.6.4 Modelos hidrológicos macroescala 5-25
5.7 ¿Cuándo se pueden utilizar modelos agrupados y cuándo se deben
se utilizarán modelos distribuidos 5-26
5.8 Un llamado a modelos distribuidos de nueva generación 5-27
5.8.1 La situación actual de la modelización hidrológica 5-27
5.8.2 Estado del arte de los modelos de nueva generación 5-28
5.8.3 Enfoques en el desarrollo de modelos distribuidos de nueva generación 5-30
5.8.4 Enfoques de acoplamiento de modelos hidrológicos con atmosféricos
modelos (GCM) 5-30
Referencias 5-33
CAPÍTULO 6 LA METODOLOGÍA DE LA EVALUACIÓN DE MODELOS 6-1
6.1 Fases de la evaluación del modelo 6-1

6.2 Selección de modelo 6-2
6.2.1 Problemas a considerar 6-2
6.2.2 Criterios de selección 6-2
6.3 Problemas en la estimación de parámetros de calibración del modelo 6-3
6.3.1 Introducción a la calibración de modelos 6-3
6.3.1.1 Parámetros del modelo 6-3
6.3.1.2 Métodos de determinación de parámetros 6-3
6.3.2 Calibración manual 6-4
6.3.3 Calibración automática 6-4
6.3.3.1 Introducción 6-4
6.3.3.2a Funciones objetivas 6-6
6.3.3.2b Objetivos múltiples 6-11
6.3.3.3 Algoritmos de optimización (que se discutirán en el capítulo 7) 6-13
6.3.3.4 Criterios de terminación 6-13
6.3.3.4a Convergencia de funciones 6-13
6.3.3.4b Convergencia de parámetros 6-13
6.3.3.4c Máximas iteraciones 6-13
6.3.3.4d Limitaciones 6-14
6.3.3.5 Datos de calibración 6-14
6.3.3.5a Cantidad de datos 6-14
6.3.3.5b Calidad de los datos 6-14
6.4 Verificación del modelo (prueba) 6-15
6.4.1 Introducción 6-15
6.4.2 Métodos de validación del modelo 6-16
6.4.3 Elementos que se probarán en la validación del modelo 6-17
6.4.4 Comparación de series de tiempo de escorrentía modeladas y observadas 6-23
6.5 Parametrización regional de modelos hidrológicos 6-23
6.5.1 Los objetivos y principios de la regionalización 6-23
6.5.2 Los métodos de parametrización regional 6-23
6.5.2.1 Métodos de estimación puntual 6-24
6.5.2.2 Métodos de estimación por intervalos 6-26
Referencias 6-27
III
Página 8
CAPÍTULO 7 ALGUNOS TEMAS DE OPTIMIZACIÓN 7-1
7.1 Generalidades 7-1

7.2 Algoritmos de optimización 7-2
7.2.1 Métodos de búsqueda local 7-2
7.2.1.1 Métodos de búsqueda directa 7-3
7.2.1.1a Algoritmos de búsqueda lineal 7-3
7.2.1.1b Optimización a lo largo de las direcciones de los ejes 7-5
7.2.1.1c Un algoritmo con direcciones "conjugadas" 7-6
7.2.1.1d El método de búsqueda simplex 7-7
7.2.1.2 Métodos de gradiente 7-7
7.2.1.2a Método de descenso o ascenso más pronunciado 7-10
7.2.1.2b Algoritmo de Newton 7-10
7.2.1.3 Elección de métodos de búsqueda local 7-12
7.2.2 Métodos de búsqueda global 7-12
7.2.2.1 Métodos de búsqueda aleatorios 7-13
7.2.2.2 Algoritmos de arranque múltiple 7-14
7.2.2.3 Algoritmos complejos mezclados 7-15
7.3 Dificultades en la optimización 7-17
Referencias 7-20
CAPÍTULO 8 ALGUNOS MODELOS DE CAPTURA PARTICULARES 8-1
Los siguientes modelos hidrológicos se discutirán en detalle durante la conferencia.

Los documentos sobre los modelos enumerados se distribuirán a los estudiantes antes del
comienza el curso. Otros modelos hidrológicos, que no se enumeran a continuación, también pueden ser
discutido.
8.1 WASMOD - Un modelo conceptual-estocástico de balance de agua y nieve.
8.2 Modelo de VHB - Una lluvia conceptual-determinista, agrupada (semidistribuida)

modelo de escorrentía.
8.3 TOPMODEL - Un modelo semidistribuido de base física.
8.4 Modelo SHE: modelo distribuido, determinista y de base física.
IV
Página 9
CAPÍTULO 1
MODELADO EN HIDROLOGÍA
_____________________________________________________________________________________
1.1. ¿POR QUÉ SE NECESITAN MODELOS HIDROLÓGICOS?
Recientemente, los modelos matemáticos se han hecho cargo de las tareas más importantes en
resolución de problemas en hidrología (UNESCO, 1985). Muchas discusiones sobre modelado
han aparecido en la literatura científica, pero la razón fundamental para la construcción de modelos fue
quizás mejor expresado por Rosenblueth y Wiener (1945):
Ninguna parte sustancial del universo es tan simple que pueda ser
captado y controlado sin abstracción. La abstracción consiste
en la sustitución de las partes del universo en consideración por un
modelo de estructura similar pero más simple. Modelos, formales o
intelectual por un lado, o material por el otro, son,
necesidad central del procedimiento científico.
La mayoría de los sistemas hidrológicos son extremadamente complejos y no podemos esperar comprender
ellos con todo detalle. Por lo tanto, la abstracción es necesaria si queremos comprender o controlar
algunos aspectos de su comportamiento. De hecho, el hombre ha descubierto por experiencia que
comprender y predecir el comportamiento de cualquier parte significativa de su entorno
requiere abstracción.
Los modelos hidrológicos de cuencas se han desarrollado por muchas razones diferentes.
y por lo tanto tienen muchas formas diferentes. Sin embargo, en general están diseñados para cumplir
uno de los dos objetivos principales. Un objetivo de la modelización de cuencas hidrográficas es obtener una
mejor comprensión de los fenómenos hidrológicos que operan en una cuenca y de cómo
los cambios en la cuenca pueden afectar estos fenómenos. Otro objetivo de captación
El modelado es la generación de secuencias sintéticas de datos hidrológicos para el diseño de instalaciones.
o para uso en pronósticos. También son valiosos para estudiar el potencial
impactos de cambios en el uso de la tierra o el clima. La variedad de usos y el rápido aumento tanto
en la comprensión científica y en el apoyo técnico, de los sistemas de recopilación de datos y
tecnología informática, han producido una enorme variedad de niveles de sofisticación.
1.2. PERSPECTIVA HISTORICA
El desarrollo y la aplicación de modelos hidrológicos han pasado por un largo

período de tiempo, las fechas notables en la historia del desarrollo de la hidrología
los modelos son:
• En el 19 º siglo : Los orígenes de modelado de lluvia-escorrentía en el sentido amplio
se pueden encontrar en el medio de la 19 ª siglo que surge en respuesta a tres tipos
de problemas de ingeniería: (1) diseño de alcantarillado urbano, (2) drenaje de recuperación de tierras
diseño de sistemas, y (3) diseño de aliviadero del depósito. En los tres problemas el
La descarga de diseño fue el principal parámetro de interés. El concepto de lo racional
método para determinar la descarga máxima de inundaciones a partir de mediciones de lluvia
profundidades debe sus orígenes a Mulvaney (1850), un ingeniero irlandés que fue
1-1
Página 10
Ch1. Modelado en hidrología
relacionado con el drenaje de la tierra. Algunos estadounidenses atribuyen la primera mención al

fórmula a uno de sus ingenieros dedicado al diseño de alcantarillado (Kuichiling, 1889).
El método para obtener el flujo máximo Q p es:
Q p = CiA (1,1)
Donde C es el coeficiente de escorrentía (depende de las características de la cuenca) i es

la intensidad de la lluvia en el tiempo T c y A es el área de captación. T c es el momento
de concentración , el tiempo necesario para que la lluvia caiga en el punto más alejado del
captación para fluir hasta el punto de medición del río. El conocido racional
fórmula puede verse como la primera generación de modelos hidrológicos, donde Q p es
la variable de salida, i y A son variables de entrada y C es el parámetro del modelo. Por
su principal supuesto, es decir, la intensidad de la lluvia y las características de la cuenca son
distribuidos uniformemente en el espacio y el tiempo, el uso de la fórmula racional se limita a
pequeñas captaciones urbanas.
• En la década de 1920 : durante la década de 1920, cuando la necesidad de una fórmula correspondiente para
se percibieron grandes cuencas hidrográficas, se introdujeron muchas modificaciones en la
método racional para hacer frente a la distribución no uniforme, en el espacio y
tiempo, de las precipitaciones y características de la cuenca. El método racional modificado,
basado en el concepto de isócronas o líneas de igual tiempo de viaje, puede verse como
el primer modelo básico de lluvia-escorrentía basado en una función de transferencia cuya forma
y el parámetro se derivaron mediante mapas topográficos y el uso de
Fórmula de Manning para evaluar los diferentes tiempos de viaje.
• En la década de 1930 : Un gran paso adelante en el análisis hidrológico fue el concepto de
el hidrograma unitario introducido por el ingeniero estadounidense Sherman en 1932 en
la base del principio de superposición. Aunque aún no se conoce en ese momento, el
El principio de superposición implicaba muchos supuestos, es decir, la cuenca se comporta
como un sistema invariante en el tiempo lineal y causal con respecto a la lluvia / superficie
transformación de escorrentía. El uso del hidrograma unitario hizo posible calcular
no sólo la descarga máxima de la inundación (como lo hace el método racional) sino también la
hidrograma completo (el volumen de escorrentía superficial producido por el evento de lluvia).
A finales de la década de 1930 y durante la de 1940 se propusieron diversas técnicas
para mejorar la objetividad del método y los resultados, y las técnicas
del análisis estadístico. Una discusión sobre los diferentes enfoques
y la bibliografía pertinente se puede encontrar en un informe de Dooge (1973).
• En la década de 1950 : el verdadero avance se produjo en la década de 1950 (Todini, 1988) cuando
Los hidrólogos se dieron cuenta de los enfoques de ingeniería de sistemas utilizados para
análisis de sistemas dinámicos complejos. Finalmente se dieron cuenta de que la unidad
hidrograma era la solución de un sistema invariante en el tiempo lineal, causativo y que
el uso de técnicas matemáticas como las transformadas de Laplace, Fourier y Z
podría conducir a las derivaciones de la función de respuesta a partir del análisis de entrada
y datos de salida. Este fue el período en el que se originaron los modelos conceptuales.
La derivación del hidrograma unitario en forma discretizada (el gráfico unitario) de
Los datos muestreados (conocido como el problema inverso) seguían siendo un gran problema por
ese momento, debido al comportamiento no particularmente lineal del sistema y al
generalmente grandes errores en los datos de entrada y salida. Para superar este problema,
Los hidrólogos encontraron que las formas del hidrograma unitario podrían proporcionarse en el
base de la solución de ecuaciones diferenciales más o menos simplificadas, como para
ejemplo, los que describen el comportamiento temporal del almacenamiento en un depósito o en un
cascada de embalses (Nash, 1958, 1960). El hidrograma unitario podría entonces ser
1-2
Página 11
Modelos hidrológicos
expresado en términos de pocos parámetros a estimar a partir de la cuenca
características o mediante procedimientos estadísticos: momentos, regresión,
máxima probabilidad, etc., un florecimiento de estos modelos dio lugar a una increíble
variedad de soluciones: una cascada de depósitos lineales, canales lineales, lineal
canales y embalses, embalses no lineales (Prasad, 1967). Sin embargo, en
derivando la forma del gráfico unitario a partir de datos reales, se hicieron muy pocos avances
antes de la obra de Tikhonov (1963a, b) y la introducción de la continuidad y
restricciones de regularización en la fase de estimación (Eagleson et al, 1965; Natale
y Todini, 1977) estimaciones más realistas y fiables del hidrograma unitario
se obtuvieron.
• Desde la década de 1960 : muchos otros enfoques para el modelado de lluvia-escorrentía fueron
considerado en la década de 1960. En busca de una interpretación más física de la
proceso uno podría representar el comportamiento de componentes individuales del
ciclo hidrológico, a escala de captación, mediante el uso de una serie de
elementos conceptuales, cada uno de los cuales representaba el propsito de un
subsistema. Una gran cantidad de modelos conceptuales agrupados de lluvia-escorrentía
que aparecieron a partir de entonces incluyen: Dawdy y O'Donnell (1965), Stanford Model IV
(Crawford y Linsley, 1966), Modelo de Sacramento (Burnash et al., 1973), el
El modelo HBV (Bergström y Forsman, 1973), el modelo Tank (OMM, 1975)
que representaban de manera diferente los subsistemas interconectados y eran
considerados los modelos líderes de los años sesenta y setenta.
• En la década de 1970 :
o Box y Jenkins (1970) proporcionaron a los hidrólogos un modelo alternativo
tipo, es decir, el modelo de media móvil autorregresiva (ARMA) y otros
formas de modelos estocásticos de series de tiempo.
o Los modelos de pronóstico en tiempo real como respuesta a la necesidad de alerta en
áreas propensas a inundaciones y como herramienta para embalses o estructura hidráulica
se desarrollaron la gestión. Generalmente basado en actualizaciones recientes y
técnicas de recalibración como los filtros de Kalman (Kalman, 1960; Kalman
y Bucy, 1961; Todini, 1978; Todini y Wallis, 1978; O'Connell,
1980; Wood, 1980; Wood y O'Connell, 1985).
o Uno de los modelos de observación desarrollados a finales de la década de 1970 es el TOPMODEL
(Beven y Kirkby, 1979) que se basa en la idea de que la topografía
ejerce un control dominante sobre la ruta del flujo a través de las cuencas de captación
llamado. TOPMODEL calcula no solo el hidrograma de caudal sino también
información que es útil para vincular los cálculos hidrológicos a
modelos hidroquímicos.
• En la década de 1980: para satisfacer la necesidad de pronosticar (1) los efectos del uso de la tierra
cambios, (2) los efectos de entradas y salidas espacialmente variables, (3) la
movimientos de contaminantes y sedimentos, y (4) la respuesta hidrológica de
cuencas no calibradas donde no hay datos disponibles para la calibración de una concentración
modelo, se desarrollaron los modelos de parámetros distribuidos basados físicamente. los
los modelos más sofisticados tienen una visión tridimensional del intercambio de agua,
con mallas superpuestas verticalmente. Estas técnicas han abierto el camino para
avances importantes en el modelado vinculándolos con modelos de elevación
(DTM / DEM) derivados de mapas o con otros datos derivados de
Imágenes de satélite, que pueden indicar cobertura vegetal, patrones de humedad del suelo.
y líneas de drenaje subterráneo. El Systéme Hydrologique Européen (SHE)
modelo desarrollado durante la década de 1980 en un programa multinacional estimulado por
1-3
Pagina 12
la Comunidad Europea es un buen ejemplo de tales modelos (Abbott et al.,

1986).
• Desde finales de la década de 1980: la evolución de la hidrología a escala continental ha colocado
nuevas demandas a los modelistas hidrológicos. Los modelos hidrológicos a macroescala
se desarrollaron sobre la base de las siguientes motivaciones. Primero, para una variedad de
fines operativos y de planificación, los administradores de recursos hídricos responsables de
Las grandes regiones necesitan estimar la variabilidad espacial de los recursos en grandes
áreas, con una resolución espacial más fina que la que pueden proporcionar los datos observados únicamente.
yEnvariabilidad
segundo lugar, los hidrólogos
y cambio climáticoyenadministradores del agua
un amplio dominio están interesados
geográfico. en los efectos del uso de la tierra.
Tercero, hay
Existe una necesidad creciente de utilizar modelos hidrológicos como base para estimar puntos y
fuentes difusas de contaminación que se cargan en los arroyos. Cuarto, hidrólogos y
Los modeladores atmosféricos han percibido debilidades en la representación de
Procesos hidrológicos en modelos atmosféricos regionales y globales. Ejemplos de
Los modelos hidrológicos a macroescala respaldados por SIG incluyen los desarrollados por
Vörösmarty y col. (1989), el modelo VIC (Wood et al., 1992) y el Macro-
PDM (Arnell, 1999). Estos modelos son herramientas de vanguardia para evaluar
recursos hídricos a escala regional y continental.
• Hoy en día, los modelos matemáticos se han hecho cargo de las tareas más importantes en
resolución de problemas en hidrología.
1.3. ANÁLISIS Y MODELADO DEL SISTEMA HIDROLÓGICO
Comenzamos por definir algunos términos que se utilizarán a lo largo de este curso.
- un sistema hidrológico : Dooge (1973) da una definición más general. en un
De manera simplificada, se puede decir como un conjunto de procesos físicos, químicos y / o biológicos.
actuando sobre una variable de entrada o variables, para convertirlas en una variable de salida
(o variables).
- una variable : se entiende como una característica de un sistema que puede ser
medido, que asume diferentes valores cuando se mide en diferentes momentos. Diario
lluvia, escorrentía, evaporación, temperatura, infiltración, humedad del suelo, etc.son algunos de los
ejemplos.
- un parámetro : es una cantidad que caracteriza a un sistema. Puede o no permanecer
constante en el tiempo (en la mayoría de los casos de modelado lo consideramos como constante de tiempo).
- un modelo: es una representación simplificada de un sistema complejo. En consecuencia, un
modelo siempre describe los componentes básicos y más importantes de un sistema complejo,
o como señala Dooge (1977), un modelo implica semejanza sin identidad y
simula algunas, pero no todas las características del sistema prototipo.
La cuenca se puede considerar como un sistema hidrológico. El límite del sistema es
dibujada alrededor de la cuenca al proyectar la división de la cuenca verticalmente hacia arriba y
hacia abajo a los planos horizontales en la parte superior e inferior (Fig1.1). La lluvia es la entrada,
distribuido en el espacio sobre el plano superior; el caudal es la salida, concentrada en
espacio en la salida de la cuenca. La evaporación y el flujo subterráneo también son salidas. Por
utilizando el concepto de sistema, el esfuerzo se dirige a la construcción de un modelo que relacione las entradas
y salidas en lugar de la tarea extremadamente difícil de la representación exacta de la
detalles del sistema, que pueden no ser significativos desde un punto de vista práctico o no
ser conocida. Sin embargo, el conocimiento del sistema físico ayuda a desarrollar un buen
modelo y verificando su exactitud.
El objetivo del análisis del sistema hidrológico es estudiar el funcionamiento del sistema y
predecir su salida. Un modelo de sistema hidrológico es una aproximación del sistema real;
1-4
Página 13
sus entradas y salidas son variables hidrológicas medibles y su estructura es la

concepto de transformación del sistema.
Figura 1.1 La cuenca como sistema hidrológico (de Chow et al, 1988)
Un modelo general del sistema hidrológico se puede derivar de la siguiente manera. Deja la entrada
y la salida se expresará como funciones del tiempo, I (t) y Q (t) respectivamente, para t pertenecientes
al intervalo de tiempo T considerado. El sistema realiza una transformación del
entrada en la salida representada por
Q (t) = Ω I (t) (1,2)
que se llama ecuación de transformación del sistema. El sistema Ω es una transferencia

función entre la entrada y la salida. Si esta relación puede expresarse mediante un
ecuación algebraica, entonces Ω es un operador algebraico. Por ejemplo, si
Q (t) = CI (t) (1,3)
donde C es una constante, entonces la función de transferencia es el operador
tQ) (
=Ω =C (1,4)
tI) (
Si la transformación se describe mediante una ecuación diferencial, entonces la transferencia

La función sirve como operador diferencial. Por ejemplo, un depósito lineal tiene su almacenamiento
S relacionado con su salida Q por
S = kQ (1,5)
donde k es una constante que tiene las dimensiones del tiempo. Por continuidad, la tasa de tiempo de
cambio de almacenamiento dS / dt es igual a la diferencia entre la entrada y la salida
1-5
Página 14
dS
= tQtI
)( - )( (1,6)
dt
Eliminando S entre las dos ecuaciones y reordenando,
dQ
k + tItQ
) () =( (1,7)
dt
entonces
tQ) ( 1
=Ω = (1,8)
tI) ( 1 + kD
donde D es el operador diferencial d / dt . Si la ecuación de transformación ha sido

determinado y se puede resolver, produce la salida en función de la entrada. Ecuación
(1.8) describe un sistema lineal si k es una constante. Si k es una función de la entrada I o la
La salida Q entonces (1.8) describe un sistema no lineal que es mucho más difícil de resolver.
1.4. CLASIFICACIÓN DE MODELOS HIDROLÓGICOS
Los modelos hidrológicos se pueden clasificar de diversas formas. Uno de los métodos de clasificación
utilizado por Singh (1988) se utiliza aquí que distingue los modelos hidrológicos como (1)
material y (2) simbólico o formal. (Figura 1.2)
Figura 1.2. Una clasificación de modelos hidrológicos
1-6
Página 15
1.4.1 Modelos de materiales
Un modelo material (también llamado modelo físico en la literatura, por ejemplo, Chow et al,
1988) es la representación del sistema real por otro sistema, que tiene similar
propiedades, pero es mucho más fácil trabajar con él. Los modelos materiales (físicos) se pueden clasificar
como modelos icónicos, a escala o "similares" y modelos analógicos. Un modelo a escala representa el
sistema en una escala reducida y tiene un parecido físico con el sistema prototipo.
Los ejemplos en esta clase pueden incluir cuencas hidrográficas de laboratorio, lisímetros y sistemas hidráulicos.
modelo de aliviadero de una presa. Los modelos analógicos miden sustancias físicas diferentes a las
prototipo (es decir, utilizar otro sistema físico que tenga propiedades similares a las del
prototipo), como el flujo de corriente eléctrica que representa el flujo de agua. Un
El modelo analógico no se parece físicamente al prototipo, pero depende de la
correspondencia entre los modelos simbólicos que describen el prototipo y el análogo
sistema.
Los modelos de materiales son útiles en los siguientes casos:
1). Pueden ayudar al investigador a reemplazar un fenómeno en un entorno desconocido.
campo.
2). Un modelo material puede permitir que los experimentos se realicen bajo más
condiciones favorables que estarían normalmente disponibles con el sistema prototipo.
Un modelo material que no implique un cambio de escala puede ser valioso
porque los experimentos se pueden realizar de manera más conveniente o se pueden repetir a voluntad.
Algunos sistemas experimentales de cuencas hidrográficas instalados en el área del proyecto NOPEX pueden
considerado de escala prototipo.
1.4.2 Modelos simbólicos o formales
Un modelo formal (también llamado modelo abstracto en la literatura, por ejemplo, Chow et al.,
1988) es una expresión simbólica en términos lógicos de un idealizado, relativamente simple
situación que comparte las propiedades estructurales del sistema original. Los modelos simbólicos pueden
expresarse de diversas maneras, en este curso nos ocupamos de modelos simbólicos de
naturaleza matemática.
Un modelo matemático expresa el comportamiento del sistema mediante un conjunto de ecuaciones,
tal vez junto con enunciados lógicos que expresan relaciones entre variables y
parámetros. La ecuación (1.9) es un ejemplo de un modelo matemático,
* (,
y t = fxx ⋅⋅⋅ +clubε británico
tt - 1 , Xt - 2 ,;⋅⋅⋅ y t - 1 , y t - 2 ,;⋅⋅⋅,,) Automóvil
12 t (1,9)
donde x t es la variable de entrada, f * () ⋅ es una función de forma especificada y a i , i = 1,2, ..., son
parámetros medidos o estimados, y ε t es un residuo que expresa falta de ajuste entre
salida observada y t y salida ajustada f * () ⋅ . Para clasificar modelos es necesario
considere qué características tienen en común y en qué se diferencian. los
característica que todos los modelos matemáticos tienen en común es que la salida observada
variable y t (a menudo descarga de una cuenca) derivada de sus valores ajustados f * () ⋅ por un
cantidad residual ε t ; los aspectos en los que difieren son las suposiciones hechas sobre
f * () ⋅ y suposiciones sobre ε t . Los términos más importantes, que a menudo se ven
en la literatura hidrológica, se explican en los siguientes párrafos.
1-7
Página 16
1.4.3 La distinción entre modelos teóricos, conceptuales y empíricos
Modelos teóricos (a veces llamados modelos de caja blanca o modelos basados

modelos) presumiblemente son las consecuencias de las leyes más importantes que gobiernan el
fenómenos. Un modelo teórico tiene una estructura lógica similar al sistema del mundo real
y puede ser útil en circunstancias cambiantes. Los ejemplos de modelos teóricos pueden
incluyen modelos de escorrentía de cuencas hidrográficas basados en ecuaciones de St. Venant, modelos de infiltración
basado en la teoría de flujo de dos fases de medios porosos (Morel-Seytoux, 1978), evaporación
modelos basados en teorías de turbulencia y difusión (Brutsaert y Mawdsley, 1976),
y modelos de aguas subterráneas basados en ecuaciones fundamentales de transporte (Freeze, 1971). Un
Un ejemplo de modelos basados en la física es el modelo SHE (Abbott et al., 1986).
Los modelos empíricos (a veces llamados modelos de caja negra o modelos de entrada y salida)
no ayuda en la comprensión física. Contienen parámetros que pueden tener poca
importancia fsica y se puede estimar slo mediante el uso de mediciones concurrentes de
entrada y salida. Algunos ejemplos son los modelos estocásticos de series de tiempo. En muchas situaciones
Los modelos empíricos pueden producir respuestas precisas y, por lo tanto, pueden ser una herramienta útil en
Toma de decisiones. El ARMA (modelo de media móvil autorregresiva) y otros tiempos
Los modelos de serie son ejemplos de esta clase.
Los modelos conceptuales (a veces llamados modelos de caja gris) son intermedios entre
modelos teóricos y empíricos. Los modelos hidrológicos se consideran aquí como conceptuales
si la forma de la función de la ecuación (1.9) es, sugerida por la consideración de
Procesos físicos que actúan sobre la (s) variable (s) de entrada para producir la (s) variable (s) de salida.
Generalmente, los modelos conceptuales consideran leyes físicas pero de forma muy simplificada.
Son muchísimos los modelos que pertenecen a esta clase; un ejemplo que nos es familiar es
el modelo HBV.
Los tres tipos de modelos matemáticos son útiles pero en algo diferente
circunstancias. Cada uno tiene su propia efectividad, dependiendo del objetivo del estudio,
el grado de complejidad del problema y el grado de precisión deseado. Ahi esta
ningún conflicto entre estos modelos; representan diferentes niveles de aproximación de
realidad.
1.4.4 La distinción entre linealidad y no linealidad en el sentido de la teoría de sistemas

y en el sentido de regresión estadística.
Los modelos, ya sean teóricos, conceptuales o empíricos, pueden ser lineales o no lineales.
El uso del término linealidad tiene al menos dos significados. Un modelo es lineal en el sistema
sentido teórico (LST) si el principio de superposición se cumple: es decir, dado que y1 (t), y2 (t)
son las salidas correspondientes a las entradas x1 (t), x2 (t), un modelo es LST si la salida
correspondiente a la entrada x1 (t) + x2 (t) es y1 (t) + y2 (t). Este es el sentido en el que la linealidad es
más utilizado en la literatura. Sin embargo, la linealidad tiene un significado alternativo; el
modelo es lineal en el sentido de regresión estadística (LSR) si es lineal en los parámetros a
ser estimado, y es en este sentido que es utilizado por los modelistas matemáticos en campos
que no sea hidrología. Por tanto, si la entrada x (t) y la salida y (t) estuvieran relacionadas mediante la ecuación y =
a + bx + cx 2 , este modelo es lineal en el sentido de regresión estadística, pero no lineal en el
sentido de la teoría del sistema; lo contrario es cierto para y = a + x / b.
1.4.5 La distinción entre modelos invariantes y variantes en el tiempo
Un modelo es invariante en el tiempo si su relación entrada-salida no cambia con el tiempo.

La forma de la salida depende solo de la forma de la entrada y no del tiempo en
1-8
Página 17
que se aplica la entrada. Los modelos que no tienen esta propiedad se denominan variantes en el tiempo.
La mayoría de los sistemas hidrológicos varían en el tiempo debido a variaciones en la actividad solar durante el
variaciones diurnas y estacionales durante el año. Por simplicidad, se supone que son
invariante.
1.4.6 La distinción entre modelos agrupados y distribuidos
En términos de discretización espacial o resolución, podemos identificar una escala ascendente de

sofisticación comenzando con modelos agrupados que tratan el lavabo completo como un
conjunto homogéneo, mediante modelos semidistribuidos, que intentan calcular el caudal
contribuciones de áreas separadas o subcuencas que se tratan como homogéneas dentro
en sí mismos, a modelos totalmente distribuidos, en los que toda la cuenca se divide en
áreas de unidades elementales como una red de cuadrícula y los flujos se pasan de un punto de cuadrícula (nodo) a
otro cuando el agua se escurre a través del recipiente (Fig. 1.3). Becker y Serban (1990) además
distinguió la variabilidad espacial de los modelos en modelos distribuidos geométricamente,
que expresan variabilidad espacial en términos de la orientación de los puntos de red uno a
otro y su distancia (figura 1.3), y los modelos de probabilidad distribuida describen
la variabilidad espacial sin referencia a la configuración geométrica de los puntos en
la red en la que se mide una variable de entrada como la lluvia, o para la que
el parámetro del modelo debe medirse o estimarse. Por ejemplo, la cuenca de Stanford
El modelo (Crawford y Linsley, 1966) es de este tipo. Se supone que la infiltración
la capacidad en cualquier momento varía según el segmento. A falta de mejor información este
se supone que la variación es lineal.
Fig.1.3 Representación gráfica de modelos agrupados y distribuidos geométricamente.

(de Jones, 1997). I es entrada y O es salida.
1-9
Página 18
1.4.7 La distinción entre modelos deterministas y estocásticos
Si alguna de las variables xytt ,, T ε en la ecuación (1.8) se consideran como variables aleatorias
teniendo distribuciones en probabilidad, entonces el modelo es un modelo estocástico: estocástico,
en lugar de estadístico (probabilístico), para enfatizar la dependencia del tiempo de la
variables hidrológicas relacionadas por el modelo. Si todas las variables de la ecuación (1.8) son
considerado libre de variación aleatoria, de modo que no se piensa que ninguno tenga un
distribución en probabilidad, entonces el modelo se considera aquí determinista.
1.4.8 Resumen de clasificación
Los dos métodos de clasificación más utilizados son los que según la descripción
de los procesos físicos, los modelos hidrológicos pueden clasificarse como conceptuales y
físicamente, y de acuerdo con la descripción espacial de los procesos de captación como
agrupado y distribuido. A este respecto, se agrupan dos tipos de modelos típicos conceptuales
y los distribuidos basados físicamente. Ejemplos típicos de conceptos conceptuales agrupados
Los códigos modelo son el modelo de cuencas hidrográficas de Stanford (Crawford y Linsley, 1966), el HBV
modelo (Bergström, 1976) y Sacramento (Burnash, 1995). Modelos típicos de
distribuidos físicamente son el SHE (Abbott et al., 1986a, b), el IHDM (Beven et al., 1986a, b)
al., 1987) y Thales (Grayson et al., 1992a, b). Un código como TOPMODEL
(Beven y Kirkby, 1979) pueden caracterizarse como distribuidos conceptualmente.
1.5 EL USO DE MODELOS HIDROLÓGICOS
Los modelos teóricos o de base física se utilizan a menudo con fines de investigación para obtener un
mejor comprensión de los fenómenos hidrológicos que operan en una cuenca y de cómo
los cambios en la cuenca pueden afectar estos fenómenos. Los fenómenos hidrológicos que
calcular se definen generalmente por las leyes de continuidad, energía y momento. Como
Estos modelos rara vez se utilizan para generar datos sintéticos.
Todos los demás tipos de modelos, varían de forma determinista, utilizando mucha información
sobre los procesos físicos involucrados, a formas de "caja negra", donde los procesos físicos
no están involucrados, se utilizan con fines operativos para generar secuencias sintéticas de
datos hidrológicos para el diseño de instalaciones o para su uso en pronósticos.
1.6 METODOLOGÍA PARA EL USO DE MODELOS HIDROLÓGICOS
Dooge (1972) esbozó una metodología racional para el uso de modelos hidrológicos.
Esta metodología consta de varios pasos. Estos, con ligeras modificaciones, son como
sigue (véase también Singh, 1988):
1. Defina el problema.
2. Especifique el objetivo.
3. Estudie los datos disponibles.
4. Determine las instalaciones informáticas disponibles.
5. Especifique las limitaciones económicas y sociales.
6. Elija una clase particular de modelos hidrológicos.
7. Seleccione un tipo particular de modelo de la clase dada.
8. Calibre el modelo (es decir, optimice los parámetros).
9. Evalúe el desempeño del modelo.
10. Utilice el modelo con fines de predicción.
11. Incruste el modelo en un modelo más general.
1-10
Página 19
En una aplicación sistemática de la metodología, los pasos 6 a 9 podrían repetirse hasta que
Se obtuvo un modelo satisfactorio. Sin embargo, el paso 9 es crucial en toda esta operación.
Solo cuando un modelo ha sido calibrado y evaluado objetivamente se puede aplicar a una
problema específico con la garantía de que se está haciendo el mejor uso de los datos y que
se sabe algo sobre el orden de magnitud de la precisión de la predicción. Ahí
Existe una multitud de modelos hidrológicos. Sin embargo, una metodología racional para su
La elección aún no se ha desarrollado.
1-11
Página 20
REFERENCIAS DEL CHPATER 1
Abbott, MB, Bathurst, JC, Cunge, JA, O'Connell, PE y Rasmussen, J .: 1986. An

introducción al Sistema Hidrológico Europeo - Systeme Hydrologique
Europeen, "SHE", 1: Historia y filosofía de una distribución física
sistema de modelado, y 2: Estructura de un modelado distribuido basado físicamente
sistema. J. Hydrol . 87, 45-59 y 61-77.
Arnell, NW, 1992. Factores que controlan los efectos del cambio climático en los regímenes de caudal de los ríos en un
ambiente templado húmedo, J. Hydrol ., 132: 321-342.
Becker, A. y P Serban, 1990. Modelos hidrológicos para el diseño de sistemas de recursos hídricos
y funcionamiento. Ginebra, Informe de hidrología operativa de la OMM No 34: 80pp.
Bergström, S., 1976. Desarrollo y aplicación de un modelo conceptual de escorrentía para
Cuencas escandinavas. Informe SMHI, Nr. RHO 7.
Beven, KJ y MJ Kirkby, 1979. Un área de contribución variable con base física
modelo de hidrología de cuenca, Hydrological Sciences Bulletin 24: 43-69.
Beven, KJ, Calver, A. Y Morris, EM, 1987. El Instituto de Hidrología distribuyó
modelo. Informe 98 del Instituto de Hidrología, Wallingford, Reino Unido.
Brutsaert, W. y JA Mawdsley, 1976. La aplicabilidad de la capa límite planetaria
teoría para calcular la evapotranspiración regional. Recurso de agua. Res. 12: 852-858.
Burnash, RJC, Ferral, RL y McGuire, RA, 1973. A generalized streamflow
sistema de simulación: modelado conceptual para computadoras digitales, Departamento de
Comercio, Servicio Meteorológico Nacional y Estado de California, Departamento de Agua
recursos.
Chow, VT, et al., 1988. Applied Hydrology. Serie McGraw-Hill en Recursos hídricos.
Crawford, NH y RK Linsley, 1966. Simulación digital en hidrología. Stanford
Modelo de Cuenca IV. Stanford, Departamento de Ingeniería Civil, Universidad de California,
Informe técnico no 39.
Dawdy, DR y O'Donnell, T., 1965. Modelos matemáticos de comportamiento de cuencas.
Actas de la Sociedad Estadounidense de Ingenieros Civiles: Journal of the Hydraulics
Divisiones de la ASCE 91 (HY4): 123-137.
Dooge, JC, 1972. Modelos matemáticos de sistemas hidrológicos. Actas del
Simposio internacional sobre técnicas de modelización en sistemas de recursos hídricos,
Ottawa, Canadá, vol. 1, 171-189.
Dooge, JC, 1977. Problemas y métodos de modelización de lluvia-escorrentía. En: TA Ciriani,
V. Malone y JR Wallis (Eds). Modelos matemáticos para hidrología de aguas superficiales.
John Wiley and Sons Ltd. Londres, Inglaterra.
Dooge, JCI, 1973. Teoría lineal del sistema hidrológico. Boletín Técnico No 1468.
Servicio de Investigación Agrícola, USDA. Washington DC
Eagleson, PS, Mejia, R. y March, F., 1965. El cálculo del óptimo realizable
hidrogramas unitarios de datos de lluvia y escorrentía. Informe de laboratorio hidrodinámico No
84, MIT. 1970 Hidrología dinámica, Nueva York, McGraw-Hill.
Freeze, RA, 1971. Flujo tridimensional, transitorio, saturado-insaturado en un
cuenca de agua subterránea. Recurso de agua. Res. 7 (2): 347-366.
Grayson, RB, Moore, ID y McHahon, TA, 1992a, b. Hidrológico de base física
modelado. Investigación de recursos hídricos 28 (10), 2639-2658.
Jones, JAA, 1997. Hidrología global , Pearson Education Limited, Edinburgh Gate,
Harlow, Inglaterra.
Kalman, RE y Bucy, R., 1961. Nuevos resultados en filtrado lineal y predicción. J. Básico
Ing. (ASME), 83D, 95-108.
1-12
Página 21
Kalman, RE, 1960. Un nuevo enfoque para problemas de predicción y filtrado lineal. J.
Ing. Básico (ASME), 82D, 35-45.
Kuichling, E. 1889. La relación entre la lluvia y la descarga de alcantarillas en
distritos populosos. ASCE Trans., 20: 1.56.
Morel-Seytoux, HJ, 1978. Derivación de ecuaciones para infiltración de lluvia variable.
Recurso de agua. Res. 14 (4): 561-568.
Mulvaney, TJ, 1850. Sobre el uso de medidores de lluvia e inundaciones con registro automático. Trans. Inst.
Civ. Ing. Irlanda, 4 (2): 1-8.
Nash, JE, 1958. La forma del hidrograma unitario instantáneo. IUGG Gen. Assem.
Toronto, Vol III Publ No 45, IAHS, Gentbrugge, p114-121.
Nash, JE, 1960. Un estudio de hidrograma unitario con especial referencia a los
captaciones. Proc Inst Civ Eng.
Natale, L. y Todini, E., 1977. Una técnica de estimación de parámetros restringidos para
modelos lineales en hidrología. Modelos matemáticos para hidrología de aguas superficiales,
Ciridni, PE,
O'Connell, TA y1980.
col. (Eds), Wiley,
Previsión Nuevahidrológico
y control York. en tiempo real, Rep. Inst.
Hydrol., Wallingford.
Prasad, R., 1967. Un modelo de respuesta del sistema hidrológico no lineal. J. Hydraul. Div.,
ASCE HY4.
Rosenblueth, A. y N. Wiener, 1945. Papel de los modelos en la ciencia. Filosofía de
Ciencias. 7 (4): 316-321.
Sherman, LK, 1932. Caudal procedente de la lluvia mediante el método de gráfico unitario. Ingenieria
News Record, 108: 501-505.
Singh, VP, 1988. Hydrologic Systems. Volumen 1: Modelado de lluvia-escorrentía. Aprendiz
Hall, Nueva Jersey.
Tikhonov, AN, 1963a. Solución de problemas formulados incorrectamente y
método de regularización. Sov. Matemáticas. 4, 1035-1038.
Tikhonov, AN, 1963b. Regularización de problemas planteados incorrectamente. Sov. Matemáticas. 4,
1624-1627.
Todini, E. y Wallis, JR, 1978. Un modelo de lluvia-escorrentía en tiempo real para una inundación en línea
sistema de alarma. Proc. AGU Chapman Conf. Apl. Tecnología de filtrado de Kalman. Hidrol.,
Hydraul., Water Resour., Departamento de Ingeniería Civil de la Universidad de Pittsburgh, Pensilvania.
Todini, E., 1978. Estimación de parámetros de estado mutuamente interactivos (MISP). Proc. AGU
Chapman Conf. Apl. Tecnología de filtrado de Kalman. Hydrol., Hydraul., Water Resour.,
Departamento de Ingeniería Civil de la Universidad de Pittsburgh, Pensilvania.
Todini, E., 1988. Modelado de lluvia-escorrentía: pasado, presente y futuro. Diario de
Hydrology 100: 341-352.
UNESCO, 1985. Materiales didácticos en hidrología, Universitaires de France, Vendome.
Vörösmarty, CJ, Moore, B., Grace, AL, et al., 1989. Modelos de agua a escala continental
equilibrio y transporte fluvial: una aplicación a América del Sur. Biogeochem global. Ciclos
3, 241-265.
OMM, 1975. Intercomparación de modelos conceptuales utilizados en operaciones hidrológicas
previsión. Oper. Hydrol. Informe 7, OMM No 429, Ginebra.
Wood, EF y O'Connell, PE, 1985. Pronóstico en tiempo real. Hidrológico
Pronóstico, Anderson, MG y Burt, TP (Eds).
Wood, EF, 1980. Desarrollos recientes en la predicción / control del agua en tiempo real
sistemas de recursos (Vansteenkiste, GE ed), Amsterdam: North Holland Publishing.
Wood, EF, Lettenmaier, DP, Zartarian, VG, 1992. Una hidrología de la superficie terrestre
parametrización con variabilidad de subcuadrícula para modelos de circulación general. J. Geophys. Res. 97,
D3, 2717-2728.
1-13
Página 22
CAPITULO 2
ANÁLISIS DE SERIES DE TIEMPO Y MODELADO ESTOCÁSTICO
_____________________________________________________________________________________
2.1 INTRODUCCION
Los métodos y procedimientos de análisis de series de tiempo y modelado estocástico serán

discutido en el capítulo, mientras que los capítulos restantes de esta monografía tratan
problemas y enfoques utilizados en el modelado de sistemas y componentes hidrológicos. En
En general, describen los procesos físicos involucrados en el movimiento del agua hacia,
sobre ya través de la superficie del suelo. Muy a menudo, los problemas hidrológicos que enfrentamos no
requieren una discusión detallada del proceso físico, pero solo una serie de tiempo
representación de estos procesos. Los modelos estocásticos se pueden utilizar para representar, en
forma simplificada, estas series hidrológicas de tiempo.
A diferencia de los modelos que se discutirán en los capítulos restantes, el estocástico
la modelización pone énfasis en las características estadísticas de los procesos hidrológicos.
Se necesitan algunos antecedentes en probabilidad y estadística para comprender completamente esto
capítulo. Sin embargo, las referencias y ejemplos a lo largo del capítulo deben brindar a los lectores
con un fondo más limitado una apreciación del papel de los modelos estocásticos en
hidrología.
El material presentado en este capítulo se puede dividir en cuatro partes principales. El primero
parte es una discusión de las propiedades estadísticas y los componentes de una serie de tiempo. los
La siguiente parte del capítulo es una discusión de los métodos para identificar y modelar
diferentes componentes de una serie de tiempo hidrológico. La tercera parte del capítulo es un
discusión de los diferentes tipos de modelos estocásticos disponibles. La última parte del
capítulos es una presentación de los campos de aplicación de los modelos estocásticos.
Dado que este capítulo se concentra en los conceptos básicos de procesos estocásticos y
no en modelos de procesos específicos, es posible que no se describan los detalles de dichos modelos. Muchos
dichos modelos se describen en las referencias enumeradas.
2.2 SERIES DE TIEMPO
Las medidas o valores numéricos de cualquier variable que cambie con el tiempo.
constituyen una serie de tiempo. En muchos casos, el patrón de cambios puede atribuirse a una
causa obvia y se comprende y explica fácilmente, pero si hay varias causas
para la variación en los valores de las series de tiempo, se vuelve difícil identificar los diversos
efectos individuales. En la figura 2.1, el gráfico superior muestra una serie de observaciones que cambian
con el tiempo a lo largo de la abscisa; el eje de ordenadas representa los valores cambiantes de y con
tiempo, t. A partir de la inspección visual de la serie, hay tres características discernibles en el
patrón de las observaciones. En primer lugar, hay un aumento general gradual regular en el tamaño
de valores; esta tendencia, graficada como un componente separado y 1 (t), indica un aumento lineal en
el tamaño medio de y con el tiempo. El segundo patrón regular obvio en el compuesto
la serie es una variación cíclica, representada por separado por y 2 (t), el componente periódico.
La tercera característica destacable de la serie puede considerarse la más destacada, la
pico alto único a la mitad de la serie. Esto suele ser el resultado de una rara catástrofe.
evento que no forma parte de un patrón reconocible. La definición de la función
y 3 (t) necesita una consideración muy cuidadosa y puede que no sea posible. El restante escondido
2-1
Página 23
Ch2. Análisis de series de tiempo y modelos estocásticos
característica de la serie es el componente estocástico aleatorio, y 4 (t), que representa un

variación irregular pero continua dentro de los valores medidos y puede tener alguna
persistencia. Puede deberse a errores instrumentales de muestreo de observación o puede
provienen de fluctuaciones inexplicables aleatorias en un proceso físico natural. Un momento
Se dice que la serie es un proceso aleatorio o estocástico si contiene un componente estocástico.
Por lo tanto, la mayoría de las series de tiempo hidrológicas se pueden considerar como procesos estocásticos, ya que
contienen componentes tanto deterministas como estocásticos. Si una serie temporal contiene solo
Se dice que el componente aleatorio / estocástico es un proceso puramente aleatorio o estocástico.
Por tanto, la serie observada completa, y (t), se puede expresar mediante:
yt() = yt1 () + yt2 () + yt3 () + yt4 () (2,1)
Los dos primeros términos son deterministas en forma y pueden identificarse y cuantificarse de manera razonable.
fácilmente; los dos últimos son estocásticos con elementos aleatorios principales, y algunos
efectos de persistencia, menos fáciles de identificar y cuantificar.
Fig.2.1 Los componentes de la serie temporal.
2-2
Página 24
2.3 PROPIEDADES DE LAS SERIES DE TIEMPO
El propósito de un modelo estocástico es representar propiedades estadísticas importantes de

una o más series de tiempo. De hecho, a menudo se estudian diferentes tipos de modelos estocásticos en
términos de las propiedades estadísticas de las series de tiempo que generan. Ejemplos de estos
las propiedades incluyen: tendencia, correlación serial, covarianza, correlación cruzada, etc. Por lo tanto,
antes de revisar los diferentes tipos de modelos estocásticos utilizados en hidrología, algunos
Se discutirán las propiedades de distribución de los procesos estocásticos. El siguiente básico
Las estadísticas se utilizan generalmente para expresar las propiedades / características de una serie de tiempo.
Nombre Estimación de la muestra Notación

para la población
1 norte
Media XE) ( t ==X ∑ Xt µ ( 2,2 )
norte
t =1
1 norte
Diferencia S2 = ∑ ( X t - X )2 σ2 (2,3)
- 1 t =1
norte
1 Ln-
Covarianza cov XXt , + ) =
Teniente ∑ ( X t - XX) ( + -
Teniente X) λL (2,4)
Ln- t =1
Donde L es el lapso de tiempo.
Serie de tiempo estacionaria

Si las estadísticas de la muestra (media, varianza, covarianza, etc.) calculadas por
ecuaciones (2.2) - (2.4) no son funciones del tiempo o la longitud de la muestra, entonces la
Se dice que la serie de tiempo es estacionaria hasta el momento de segundo orden, estacionaria semanalmente o
estacionario en el sentido amplio. Matemáticamente se puede escribir como:
XE) ( t = µ
2
( σt =
Var ) X
Cov , (XXt + ) =
Teniente λL
En hidrología, los momentos de tercer orden y superiores rara vez se consideran porque
de la falta de fiabilidad de sus estimaciones. Estacionariedad de segundo orden, también llamada covarianza
estacionariedad, suele ser suficiente en hidrología. Un proceso es estrictamente estacionario cuando el
distribución de X t no depende del tiempo y cuando todas las distribuciones simultáneas de
las variables aleatorias del proceso solo dependen de su desfase mutuo. En
En otras palabras, se dice que un proceso es estrictamente estacionario si su n-ésimo (n para cualquier número entero)
los momentos de pedido no dependen del tiempo y dependen únicamente de su desfase temporal.
Series de tiempo no estacionarias

Si los valores de las estadísticas de la muestra (media, varianza, covarianza, etc.) como
calculados por las ecuaciones (2.2) - (2.4) dependen del tiempo o la longitud de la
muestra, es decir, si una tendencia definida es discernible en la serie, entonces es un no estacionario
serie. De manera similar, la periodicidad en una serie significa que no es estacionaria. Matemáticamente
uno puede escribir como:
XE) ( t = µt
2-3
Página 25
( t = σ t2
Var ) X
Cov , (XXt + ) =
Teniente λ tL,
Serie temporal de ruido blanco

Para una serie de lazos estacionarios, si el proceso es puramente aleatorio y estocásticamente
independiente, la serie temporal se denomina serie de ruido blanco. Matemáticamente se puede escribir
como:
XE) ( t = µ
2
( σt =
Var ) X
Cov , XX
( t + Lt 0)= para todo L ≠ 0
Serie de tiempo gaussiana

Un proceso aleatorio gaussiano es un proceso (no necesariamente estacionario) del cual todos
las variables aleatorias se distribuyen normalmente, y de las cuales todas las distribuciones simultáneas
de las variables aleatorias del proceso son normales. Cuando un proceso aleatorio gaussiano es
semanal estacionario, también es estrictamente estacionario, ya que la distribución normal es
completamente caracterizado por sus momentos de primer y segundo orden.
2.4 ANÁLISIS DE SERIES HIDROLÓGICAS
Los registros de las precipitaciones y el caudal de los ríos forman secuencias de datos adecuadas que pueden estudiarse
por los métodos de análisis de series de tiempo . Las herramientas de este tema especializado en
Las estadísticas matemáticas proporcionan una valiosa ayuda a los ingenieros para resolver problemas.
que involucran la frecuencia de ocurrencia de eventos hidrológicos importantes. En particular,
cuando sólo se dispone de un registro de datos relativamente corto, la formulación de una serie de tiempo
modelo de esos datos puede permitir que se generen largas secuencias de datos comparables para
proporcionan la base para mejores estimaciones del comportamiento hidrológico. Además, el tiempo
análisis de series de lluvia, evaporación, escorrentía y otros registros secuenciales de
Las variables hidrológicas pueden ayudar en la evaluación de cualquier irregularidad en esos registros.
La correlación cruzada de diferentes series de tiempo hidrológicas puede ayudar en la comprensión de
Procesos hidrológicos.
Las tareas del análisis de series de tiempo incluyen:
(1) identificación de los diversos componentes de una serie temporal,

(2) descripción matemática (modelado) diferentes componentes identificados.
Si una serie de tiempo hidrológica está representada por X 1 , X 2 , X 3 , ..., X t , ..., entonces
simbólicamente, se puede representar la estructura de la X t por:
X t ⇔ TPE
tt
,t
donde T t es el componente de tendencia, P t es el componente periódico y E t es el estocástico

componente. Los dos primeros componentes son características deterministas específicas y no contienen
elemento de aleatoriedad. El tercer componente, estocástico, contiene tanto aleatorio
2-4
Página 26
fluctuaciones y la persistencia auto-correlacionada dentro de la serie de datos. Estos tres

Los componentes forman un modelo básico para el análisis de series de tiempo.
Los objetivos del análisis de series de tiempo incluyen pero no se limitan a:
(1) descripción y comprensión del mecanismo,

(2) simulación de Montecarlo,
(3) pronosticar la evolución futura,
Básico al análisis estocástico es el supuesto de que el proceso es estacionario. los

el modelado de una serie de tiempo es mucho más fácil si es estacionaria, por lo que la identificación,
la cuantificación y eliminación de cualquier componente no estacionario en una serie de datos se
tomado, dejando una serie estacionaria para ser modelada.
2.4.1 Componente de tendencia
Esto puede ser causado por un cambio climático a largo plazo o, en el flujo del río, por
cambios en la respuesta de una cuenca a la lluvia debido a cambios en el uso de la tierra. A veces el
la presencia de una tendencia no se puede identificar fácilmente.
Métodos de identificación de tendencias:

Diferentes métodos estadísticos, tanto pruebas no paramétricas como paramétricas, para
la identificación de tendencias en series de tiempo está disponible en la literatura. Dos de uso común
Los métodos para identificar la tendencia se analizan brevemente en esta sección.
(1) Prueba de Mann-Kendall

La prueba utiliza los datos hidrológicos sin procesar (sin suavizar) para detectar posibles tendencias. los
La estadística de Kendall fue ideada originalmente por Mann (1945) como una prueba no paramétrica para
tendencia. Más tarde, Kendall (1975) derivó la distribución exacta de la estadística de prueba.
La prueba de Mann-Kendall se basa en la estadística de prueba S definida de la siguiente manera:
- 1 norte
norte
S = ∑∑ sgn xxj - yo) (2,5)
yo= 1+ ij= 1
donde son los

X jvalores de datos secuenciales, n es la longitud del conjunto de datos, y
0 si 1 θ >
sgn θ ) = 0 si 0 θ = (2,6)
0 si 1- θ <
Mann (1945) y Kendall (1975) han documentado que cuando norte

≥ 8 , la estadística S es
aproximadamente distribuida normalmente con la media y la varianza de la siguiente manera:
SE0) ( = (2,7)
q
- (1 ( norte
nn) 52) -+ ∑ ttpáginas
( - 2) (1t pags
+)5
=1
pags
SV) ( = (2,8)
18
2-5
Página 27
donde n = número de datos

= el número de empates para el pth valor (número de datos en el p th grupo)
t pags
q = el número de valores empatados (número de grupos con valores / empates iguales)
El estadístico Z MK estandarizado de la prueba de Mann-Kendall se calcula mediante
S -1
0S >
Var ) s(
Z MK = 0 0S = (2,9)
S +1
0S <
Var ) s(
El estadístico Z de MK estandarizado sigue la distribución normal estándar con una media de

cero y varianza de uno.
La hipótesis de que no hay tendencia será rechazada si
Z MK > Z (2,10)
1 -α 2
dónde Z es el valor leído de una tabla de distribución normal estándar con α siendo
1 -α 2
el nivel de significancia de la prueba.
(2) Método de regresión lineal

El método de regresión lineal se puede utilizar para identificar si existe una tendencia lineal en un
series de tiempo hidrológicas. El procedimiento consta de dos pasos, ajustando una regresión lineal
ecuación con el tiempo T como variable independiente y los datos hidrológicos, Y como
variable dependiente, es decir
Y ⋅ +βα
= T (2,11)
y probar la significancia estadística del coeficiente de regresión β .
La prueba de hipótesis sobre β se puede hacer observando que ( ββ- S β tiene t

o /)
distribución con n-2 grados de libertad. Así, la hipótesis H o : ββ= o versus
ββ:
H una ≠ o es probado por computación
ββ- o
t= (2,12)
Sβ
donde esS la
β desviación estándar del coeficiente β con
Sβ = S (2,13)
norte
∑( - 2)
yo TT
yo=1
2-6
Página 28
norte
S = 1 ∑( - ) ˆ2 (2,14)
-2
norte yo YYyo
=1
yo
donde S es el error estándar de la regresión, Y ˆy Yyo son observados y estimados

yo
variable hidrológica de la ecuación de regresión, respectivamente.
La hipótesis, es decir,
H o sin tendencia, se rechaza si tt > 1 - α 2, 2 norte
/-
Modelos de tendencia:
La forma de la tendencia depende de los antecedentes del fenómeno estudiado. Alguna
La tendencia suave que es discernible se puede cuantificar y luego restar de la muestra.
serie. Los modelos comunes de tendencia pueden adoptar las siguientes formas:
T t = a + bt (una tendencia lineal, como en la figura 2.1) (2,15)

o
T t = a + bt + ct 2 + dt 3 + ... (una tendencia no lineal) (2,16)
Los coeficientes a, b, c, d, ... generalmente se evalúan mediante ajuste por mínimos cuadrados. El número
de los términos requeridos en una tendencia polinomial impuesta principalmente por la interpretación de
el fenómeno estudiado. El número de términos generalmente se basa en análisis estadístico,
que determina los términos que contribuyen significativamente a la descripción y la
interpretación de la serie temporal. Se hace una restricción a los términos significativos debido a
el principio de parsimonia sobre el número de parámetros desconocidos (constantes)
utilizado en el modelo. Se desea utilizar el menor número posible de parámetros,
porque en la mayoría de los casos la adición de un parámetro complementario disminuye la
precisión de los demás parámetros. También los procedimientos de predicción y control son
influenciado por un número exagerado de parámetros. Este principio de parsimonia no es
sólo importante con respecto a la selección de la función de tendencia, pero también con respecto a
otras partes del modelo.
2.4.2 Componente periódico
En la mayoría de las series anuales de datos, no hay variación cíclica en el

observaciones, pero en las secuencias de datos mensuales distintos efectos estacionales periódicos son
a la vez aparente. Se puede investigar la existencia de componentes periódicos
cuantitativamente por (1) análisis de Fourier, (2) análisis espectral y (3) autocorrelación
análisis. De los cuales, el método de análisis de autocorrelación es ampliamente utilizado por los hidrólogos.
y se discutirá brevemente en esta sección.
Identificación de componente periódico mediante análisis de autocorrelación:

El procedimiento consta de dos pasos, calcular los coeficientes de autocorrelación y
probando su significación estadística. Para una serie de datos, X t , la autocorrelación
El coeficiente r L entre X t y X t + L se calculan y se representan frente a los valores de L
(conocido como lag), para todos los pares de datos L unidades de tiempo aparte en la serie:
2-7
Página 29
1 n -L 1 norte
rL = ∑ ( X t - X ) ( X t L+ - X )/ ∑ ( X t - X )2 (2,17)
-
nL t =1 norte
t =1
donde X es la media de la muestra de n valores de X t y L generalmente se toma como valores

desde cero hasta n / 4. Una gráfica de r L versus L forma el correlograma. Las caracteristicas de
se puede ver una serie de tiempo en el correlograma. Se dan ejemplos de correlogramas en
Figura 2.2. El cálculo de la ecuación (2.17) para diferentes L da los siguientes casos:
• Si L = 0, = 1 . Es decir, la correlación de una observación consigo misma es una.

Lr
• Si ≈ 0 para todo L ≠ 0, se dice que el proceso es un proceso puramente aleatorio. Esta
L r que
indica las observaciones son linealmente independientes entre sí. los
El correlograma para una serie de tiempo aleatoria tan completa se muestra en la figura 2.2 (a).
• Si ≠ 0 para algunos L ≠ 0, pero después de L> τ , entonces

rτ ≈ 0 , la serie temporal sigue siendo
Lr
referido como simplemente aleatorio (no puramente aleatorio) ya que tiene una 'memoria'
hasta L = τ . Cuando rτ ≈ 0 , se dice que el proceso no tiene memoria de lo que
ocurrió antes del tiempo t- τ . El correlograma para tal no independiente
El proceso estocástico se muestra en la figura 2.2 (b). Esto es representativo de un auto.
proceso regresivo. Típicamente, tal correlograma podría producirse a partir de un
serie descrita por el modelo autorregresivo:
X t = Xa
1 t -1 + Xa
2 t-2 + Xa
3 t-3 ++L εt (2,18)
donde a i están relacionados con los coeficientes de autocorrelación r i y ε t es un valor aleatorio

elemento independiente.
• En el caso de datos que contienen un componente cíclico (determinista), entonces ≠0

Lr
para todo L ≠ 0, el correlograma aparecería como en la figura 2.2 (c). Donde T es el
período del ciclo.
2-8
Página 30
Fig.2.2 Ejemplos de correlogramas.
Modelado de componente periódico:

Una función periódica P t es una función tal que
PAGS=
Tt+ PAGS
t para todo t
El valor más pequeño de T se llama período. La dimensión de T es el tiempo, por lo que T es un

número de unidades de tiempo (años, meses, días u horas, etc.) y también tenemos
PAGS
+
nTt = PAGS
t para todo t y para todo entero n.
La frecuencia se define como el número de períodos por unidad de tiempo:
1
frecuencia =
período
Las funciones trigonométricas son funciones periódicas simples. Por ejemplo,
α sin ( ω t + β )
tiene un período de 2 π / ω , porque
2-9
Página 31
α sin [ ω (t + 2π / ω ) + β ] = α sin ( ω t + 2π + β ) = α sin ( ω t + β )
La pulsación o frecuencia angular se define como
2π
ω = = 2π ⋅ frecuencia
período
la constante α se denomina amplitud y β la fase (con respecto al origen) del

función sinusoidal.
Un modelo simple para el componente periódico puede definirse como (para más
las discusiones se refieren a la literatura sobre análisis de series temporales):
CmP
t
+= π Tt (
) / 2pecado (2,19)
donde C es la amplitud de la onda sinusoidal alrededor de un nivel my de longitud de onda T.

Los coeficientes de correlación en serie (auto) para tal P t están dados por:
r L = ) / 2cosπ (TL (2,20)
La curva del coseno se repite cada T unidades de tiempo en todo el correlograma con r L = 1 para
L = 0, T, 2T, 3T,…. Así, las periodicidades en una serie de tiempo están expuestas por ciclos regulares en
los correlogramas correspondientes.
Una vez identificadas las periodicidades significativas, P t , y cuantificadas por µ t (la
medias) y σ t (las desviaciones estándar) se pueden eliminar de los tiempos originales
serie junto con cualquier tendencia, T t , de modo que se forma una nueva serie de datos, E t :
mTX
t −− t
mit = t
(2,21)
s t
En la literatura se pueden ver modelos simples de componente periódico en hidrología.

Por ejemplo, en muchas regiones, la variación típica de la evapotranspiración potencial mensual
durante el año se puede modelar más o menos mediante una función sinusoidal, con un par de
parámetros para sintonizar la media anual y la amplitud (Xu y Vandewiele, 1995).
Este comportamiento lleva a la idea de modelarepmediante
t una serie de Fourier truncada.
{licenciado
ep t + = [ enπ(sin
) (12/2 ct - ) ]
Letras }
+
donde de nuevo t es el tiempo en el mes. El signo más al final es necesario para evitar
valores negativos de ep que
t de lo contrario pueden ocurrir en casos raros. Nuevamente los parámetros a, b
yc son características de la cuenca.
2.4.3 Componente estocástico
E t representa el componente estocástico restante de la serie de tiempo libre de

tendencia estacionaria y periodicidad y generalmente se considera lo suficientemente estacionaria para
siguiente etapa en el análisis simple de series de tiempo. Este componente E t se analiza para explicar y
2-10
Página 32
cuantificar cualquier persistencia (correlación en serie (automática)) en los datos y cualquier residuo
aleatoriedad independiente. Primero está estandarizado por:
mit - mi
Zt = (2,22)
s mi
donde E y s son lamidesviación estándar y media de la serie E t . La serie, Z t ,

entonces tiene media cero y desviación estándar unitaria. Los coeficientes de autocorrelación de Z t
se calculan y el correlograma resultante se examina en busca de evidencia y reconocimiento de
una correlación y / o estructura aleatoria.
Por ejemplo, en la figura 2.3a para un flujo mensual, el correlograma de la Z t estacionaria
La serie (con las periodicidades eliminadas) tiene características distintivas que pueden reconocerse.
Comparándolo con la figura 2.2, el correlograma Z t se asemeja al de un autoregresivo
(Markov) proceso. Para un modelo de Markov de primer orden
Z t = r1Z t -1
+ mit (2,23)
donde r 1 es el coeficiente de autocorrelación del rezago 1 de la serie Z t y e t es un valor aleatorio

residual independiente. Entonces se puede formar una serie de residuos e t a partir de la serie Z t
y su conocido coeficiente de autocorrelación de retardo 1, r 1 :
-= (2,24)
t ZrZet 1-t 1
Finalmente, se calcula y dibuja el correlograma de residuos (figura 2.3b). Para esto

datos esto se asemeja al correlograma de 'ruido blanco', es decir, distribuidos independientemente
valores aleatorios. Si todavía hay signos de autorregresión en el correlograma e t , una segunda
orden se prueba el modelo de Markov, y el orden se incrementa hasta que se obtiene un correlograma e t aleatorio
adquirido. El diagrama de distribución de frecuencias de los valores e t de primer orden (figura 2.3c)
demuestra un enfoque aproximado de la distribución normal (Gussiana).
En esta etapa, la definición final de los componentes reconocibles de la serie temporal
se ha logrado incluyendo la distribución de los residuos aleatorios. Como parte de la
análisis, los modelos ajustados deben probarse mediante los métodos estadísticos aceptados aplicados
a series de tiempo. Una vez que los modelos han sido formulados y cuantificados de manera satisfactoria
límites de confianza, se puede utilizar la representación matemática total de la serie temporal
para resolver problemas hidrológicos mediante la síntesis de series de datos no históricos que tienen el
mismas propiedades estadísticas que la serie de datos original.
2-11
Página 33
Figura 2.3 Río Támesis en Teddingtom Weis (82 años de caudales mensuales, de Shaw, 1988)
2.5 SÍNTESIS DE SERIES DE TIEMPO
La producción de una serie de datos sintéticos simplemente invierte el procedimiento del tiempo.
análisis de series. Primero, para tantos elementos de datos como se requieran, una secuencia comparable de
Los números aleatorios, extraídos de la distribución e t , se generan utilizando una computadora estándar.
paquete. En segundo lugar, los valores de Z t sintéticos correspondientes se calculan de forma recursiva utilizando
ecuación 2.23 (comenzando la serie con el último valor de la serie histórica Z t como Z t-1
valor). En tercer lugar, la serie E t se deriva de la ecuación 2.22 a la inversa:
t
=
EsZE Et
+ (2,25)
El componente periódico P t representado por m t y s t para el período de tiempo t se suma luego al

E t valores para dar:
Xt msET
+=t tt
+ t (de la ecuación 2.21) (2,26)
La incorporación del componente tendencial T t produce entonces una serie sintética de X t
tener propiedades estadísticas similares a las de la serie de datos históricos.
2-12
Página 34
2.6 ALGUNOS MODELOS ESTOCÁSTICOS
En última instancia, las decisiones de diseño deben basarse en un modelo estocástico o una combinación
de modelos estocásticos y deterministas. Esto se debe a que cualquier sistema debe diseñarse para
operar en el futuro. Los modelos deterministas no están disponibles para generar futuros
aportes de cuencas hidrográficas en forma de precipitación, radiación solar, etc., ni es probable que
Los modelos deterministas para estas entradas estarán disponibles en un futuro próximo. Estocástico
Se deben utilizar modelos para estas entradas.
2.6.1 Modelos estocásticos puramente aleatorios
Posiblemente el proceso estocástico más simple de modelar es donde los eventos pueden ser
se supone que ocurren en momentos discretos con el tiempo entre eventos constantes, los eventos en
cualquier momento son independientes de los eventos en cualquier otro momento, y la distribución de probabilidad
del evento es conocido. La generación estocástica de un modelo de este tipo simplemente asciende
para generar una muestra de observaciones aleatorias a partir de una probabilidad univariante
distribución. Por ejemplo, las observaciones aleatorias para cualquier distribución normal pueden ser
generado a partir de la relación,
y = Rσ N µ+ (2,27)
donde R N es una desviación normal aleatoria estándar (es decir, una observación aleatoria de un
distribución normal estándar) y µ y σ son los parámetros de la normal deseada
distribución de Y.Las rutinas de computadora están disponibles para generar estándares aleatorios
distribución normal.
2.6.2 Modelos autorregresivos
Donde la persistencia está presente, las secuencias sintéticas no se pueden construir tomando un
sucesión de valores muestrales de una distribución de probabilidad, ya que esto no
cuenta de la relación entre cada número de sucesiones y las que le preceden.
Considere una serie de tiempo estacionaria de segundo orden, como una serie de tiempo anual, compuesta
de una parte determinista y una parte aleatoria. La parte determinista se selecciona para
reflejan el efecto de persistencia, mientras que se supone que la parte aleatoria tiene una media cero
y una varianza constante. Uno de los modelos para simular tal serie es el
Modelo autorregresivo. La forma general de un modelo autorregresivo es
( y t - βµ
)= 1
( y t - 1 + -βµ
) 2
( y t - 2 ++µ-...) β k ( ykt- + -εµ) t
(2,28)
donde µ es el valor medio de la serie, β es el coeficiente de regresión, {y 1 , y 2 ,…,

y t ,…} es la secuencia observada y normalmente se supone que las variables aleatorias ε t son
Distribuido normal e independientemente con media y varianza cero. A fin de queσ ε
2
determinar el orden k de autorregresión requerido para describir la persistencia

adecuadamente, es necesario estimar k + 2 parámetros: β 1 , β 2 ,… β k , µ y la varianza
2
de residuos. Seσhan
ε descrito métodos eficientes para estimar estos parámetros.
por Kendall y Stuart (1968), Jenkins y Watts (1968), e ilustrado en el
contexto hidrológico por Carlson et al, (1970), ver también Clarke (1973, página 44).
2-13
Página 35
La autorregresión de primer orden
y t = -βµ 1
( y1 t - + -εµ) t
(2,29)
ha encontrado una aplicación particular en hidrología. Cuando se usa la ecuación (2.29) para modelar
serie de descarga anual, el modelo establece que el valor de y en un período de tiempo es
dependiente sólo del valor de y en el período de tiempo anterior más un valor aleatorio
componente. También se supone que ε t es independiente de y t .
La ecuación (2.29) es el modelo de Markov de primer orden bien conocido en la literatura. Tiene
tres parámetros a estimar: µ , β 1 y. σ ε2
Para el método de momento de estimación de parámetros, el parámetro µ se puede calcular
de la serie de tiempo como la media aritmética de los datos observados.
En cuanto a β 1, la ecuación de Yule-Walker (Delleur, 1991) muestra que
PAGS
ρ k = ∑ ρβjkj - , k> 0 (2,30)
j =1
la ecuación anterior, escrita para k = 1, 2,…, produce un conjunto de ecuaciones. Donde ρ k es el

coeficiente de autocorrelación para el desfase de tiempo k. Como los coeficientes de autocorrelación ρ 1 , ρ 2, …,
pueden estimarse a partir de los datos usando la ecuación (2.17), estas ecuaciones pueden resolverse para
los parámetros autorregresivos β 1 , β 2, …, β p. Esta es la estimación de parámetros por el
método de momentos. Por ejemplo, para el modelo autorregresivo de primer orden, AR (1), el
Rendimiento de las ecuaciones de Yule-Walker
1 =⋅ =
ρβρ 1 o β 1 ya queρ o = 1 (2,31)
de manera similar, podemos derivar las ecuaciones para calcular β 1 y β 2 para el AR (2)
modelo como
2
ρ 1 1 (- ρ 2 ) ρρ2 - 1
β1 = β2 = (2,32)
1- ρ 12 1-
ρ 1
2
2
Se puede demostrar queσestá σ y (la varianza de la y
2
ε relacionado con serie t ) por:
σ ε2 = yσ 2 1 (- β 12 ) (2,33)
σy
Si la distribución de y es N ( µ y ,) entonces la distribución de ε es N (0,). σValores
2
ε
2
aleatorios y t
σ ε N (0,). Si z es
ahora se puede generar seleccionando ε t aleatoriamente de una distribución
2
z σ ε zor σ
N (0,1) entonces año 1
- β12 es N (0,).σPor
ε
2
lo tanto, un modelo para generar Y que son
2
N ( µy ,)σy ysiguen el modelo de Markov de primer orden es
y t = µ y + β 1 ( yt - 1 - µy ) + z ytσ 1 (- β12 ) (2,34)
2-14
Página 36
El procedimiento para generar un valor para y t es:
(1) estime µ y , σ y y β 1 por syy,x r 1 (ecuación 2.17) respectivamente,

(2) seleccione az t al azar de una distribución N (0, 1), y
(3) calcule y t mediante la ecuación. (2,34) basado
syy, βX en 1 , y t-1 .
El primer valor de y t , es decir, y 1 , podría seleccionarse al azar de un N ( µ y ,). A σ 2y

eliminar el efecto de y 1 en la secuencia generada, los primeros 50 o 100 valores generados
podría descartarse.
La ecuación (2.34) se ha utilizado ampliamente para generar escorrentías anuales de las cuencas hidrográficas.
(Fiering y Jackon, 1971, véase también Haan, 1976).
2.6.3 Proceso de Markov de primer orden con periodicidad: modelo de Thomas-Fiering
El modelo de Markov de primer orden de la sección anterior supone que el proceso es

estacionario en sus primeros tres momentos. Es posible generalizar el modelo para que el
La periodicidad de los datos hidrológicos se explica hasta cierto punto. La principal aplicación de
esta generalización ha sido en la generación de caudal mensual donde se pronuncia
Existe estacionalidad en los flujos mensuales. En su forma más simple, el método consiste en
uso de doce ecuaciones de regresión lineal. Si, digamos, doce años de registro están disponibles,
los flujos de doce de enero y los flujos de doce de diciembre se extraen y
el flujo retrocede con el flujo de diciembre; de manera similar, el flujo de febrero se revierte
Flujo de enero, y así sucesivamente para cada mes del año.
q ene = q ene + siene ( q dic - q dic ) +

ε ene
q feb = q feb + sifeb ( q ene - q ene ) ε +feb
……
La figura 2.4 muestra un análisis de regresión de q j + 1 sobre q j , pares de flujos mensuales sucesivos para
los meses (j + 1) yj durante los años de registro donde j = 1, 2, 3, ..., 12 (enero, febrero, ...
Dec) y cuando j = 12, j + 1 = 1 = Jan (habría 12 de tales regresiones). Si el
coeficiente de regresión del mes j + 1 en j es b j , entonces los valores de la línea de regresión de a
flujo mensual, qˆ + 1j , se puede determinar a partir del flujo q j del mes anterior , por el
ecuación:
qˆ j +1 = +q j 1 + qbjj( - q j) (2,35)
Para tener en cuenta la variabilidad en los puntos graficados sobre la línea de regresión
reflejando la varianza de los datos medidos sobre la línea de regresión, otra
se agrega el componente:
Z s⋅ j+ 1 ( r j2 )
1-
dónde s j + 1 es la desviación estándar de los flujos en el mes j + 1, r j es la correlación

coeficiente entre los flujos en los meses j + 1 yj a lo largo del registro, y Z = N (0, 1), a
2-15
Página 37
desviación aleatoria distribuida normalmente con media cero y desviación estándar unitaria. los
la forma general puede escribirse como
qˆ ij+ , 1 = q j + 1 + qbijj( 1,-

- q j) + Z ij+ , 1
⋅ s j + 1 1 (- r j2 ) (2,36)
Donde b j = ×rs+j 1 / s jj , hay 36 parámetros para el modelo mensual

( q, r y s para cada mes). El subíndice j se refiere al mes. Para síntesis mensual j
varía de 1 a 12 durante todo el año. El subíndice i es una designación de serie del año
1 al año n . Otros símbolos son los mismos que los mencionados anteriormente.
Figura 2.4 Modelo de Thomas-Fiering
El procedimiento para usar el modelo es el siguiente:
(1) Para cada mes, j = 1, 2,… 12, calcule
1
(a) el flujo medio q j = ∑ q ij, ; ( Ji= 12, + j 24, + j ),L
norte
yo
∑ ( q ij, - q j ) 2
(b) la desviación estándar Sj = yo
-1
norte
(c) el coeficiente de correlación con el caudal del mes anterior,
∑ ( q ij, - qqj ) ( ij+ , 1 - q j +1 )

r j= yo=1
∑ ( q ij, - q j ()2 ∑ q ij+ , 1 - q j + 1 ) 2

yo yo
(d) la pendiente de la ecuación de regresión que relaciona el flujo del mes con el flujo en el
mes anterior:
S j +1
sij = r j
S j
(2) El modelo se establece entonces con doce ecuaciones de regresión
2-16
Página 38
qˆ ij+ , 1 = q j + 1 + qbijj( 1,-

- qj)+ Z ij+ , 1
⋅ s j + 1 1 (- r j2 )
donde Z es un desvío normal aleatorio N (0, 1).
(3) Para generar una secuencia de flujo sintética, calcule (genere) un número aleatorio
secuencia {Z 1 , Z 2 ,…} y sustituir en el modelo.
2.6.4 Modelos de media móvil
La forma modelo:
La media móvil se ha utilizado con frecuencia para suavizar varios tipos de
series de tiempo hidrológico como la temperatura del aire diaria o semanal, tasas de evaporación, viento
velocidad, etc. El proceso de media móvil utilizado en la generación estocástica hidrológica
los datos son algo diferentes. En este uso, el proceso de media móvil describe la
desviaciones de una secuencia de eventos de su valor medio.
} t x como
Un proceso { definido
x t = e t + φ 1 e t-1 + φ 2 e t-2 + ... + φ q e t-q (2,37)
dónde {} t ees un proceso estacionario no correlacionado, se llama un proceso de promedio móvil de

orden q, denotado MA (q) -proceso.
También se puede escribir como
x t = e t - θ 1 e t-1 - θ 2 e t-2 - ...- θ q e t-q (2,38)
con φ 1 = - θ 1 , φ 2 = - θ 2 , ..., φ q = - θ q.
Las propiedades del proceso de media móvil:

La autocovarianza del proceso se obtiene formando el producto xxkti⋅ - y
tomando la expectativa:
[
γ k = eE( t - θ 1mi ... θ qtqmi-
t - 1 −− )mikt(- - θ 1 mi
kt−− 1 −−... θ qktq
mi−− )] (2,39)
Para k = 0 obtenemos la varianza del proceso
q
2 2 2 2
σ = σγo = mi1 (+ θθ1 + 2 ++... θ q2 ) = σ mi
2
∑θ 2
j (2,40)
j=0
con la convención θ o = -1
kq-
σγk = 2
mi( + θθθ
-k 1 k +1 + θθ2 k+2 ++... θθqkq- 2
) = σ mi ∑ θθj kj+
para k ≤ q (2,41)
j =0
γk = 0 para k> q (2,42)
La función de autocorrelación es entonces
2-17
Página 39
kq-
∑ θθj kj+
γk j=0
ρk = = q
, qk ≤
γo (2,43)
∑ θ 2j
j=0
=0 qk >
Las ecuaciones (2.40) y (2.41) se pueden utilizar para la estimación de los parámetros por método
de momentos. Para ello se reescriben de la siguiente manera:
2 γo
σ mi = (2,44)
1 + θθ12 + 2
2 ++... θ q2
γj
θ j - =( - θθ1 j +1 + θθ2 j+ 2 ++... θθqjq- ) (2,45)
σ mi
Equ. (2.44) y (2.45) se utilizan de forma recursiva. Por ejemplo para el modelo MA (1)
x t = e t - θ 1 e t-1 (2,46)
tenemos
2 γˆ o ˆ γˆ1
σˆ mi = ˆ1+ θ 12 θ = σˆ mi
1 2 (2,47)
dónde γyoγ 1 son estimaciones de la covarianza automática y se calculan a partir de los datos.
2.6.5 Modelos ARMA
Forma modelo:
En hidrología estocástica, los modelos ARMA se conocen como movimiento auto-regresivo
Modelos promedio (ARMA). Combinan cualquier propiedad de autocorrelación directa de un dato.
serie con los efectos suavizantes de una media de ejecución actualizada a través de la serie. los
Se describen dos componentes del modelo para una serie de datos x t , por ejemplo, caudales fluviales anuales.
por:
Autoregresión (AR (p))
Xt = β1 Xt - 1 + β 2 Xt - 2 ++L β ptpX - + mi
t (2,48)
Media móvil (MA (q))
x t = e t - θ 1 e t-1 - θ 2 e t-2 - ...- θ q e t-q (2,49)
2
donde e t son números aleatorios con media y varianza cero. σ mi
El modelo de media móvil autorregresiva (ARMA (p, q)) se define como:
2-18
Página 40
Xt = β1 Xt - 1 + β 2 Xt - 2 ++L β ptpX - - +mi

t θ 1mi
t - 1 - θ 2 mi ... θ qtqmi-
t - 2 −− (2,50)
Uno de los méritos del proceso ARMA es que, en general, es posible ajustar un modelo
con un pequeño número de parámetros, es decir, p + q . Este número es generalmente menor que el
número de parámetros que serían necesarios utilizando un modelo AR o un MA
modelo. Este principio se llama parsimonia de parámetros.
El modelo de primer orden ARMA (1, 1) es:
Xt = β 1 Xt mi θ 1 mi <(- 1 β 1 1) << (- 1 y 1) <θ 1 (2,51)

- 1++ t t -1
Propiedades del modelo ARMA:

Considere en el modelo ARMA (1, 1) que se ha utilizado ampliamente en hidrología:
Xt = β1 Xt mi θ 1mi (2,52)
- 1++ t t -1
Multiplicar ambos lados de (2.52) por kt X -
xxtkt- = β1 xxtkt- -1 + extkt- + θ 1 extkt- -1
y tomando la expectativa de ambos lados obtenemos la autocovarianza
γ k = γβ1 k -1 + exe
( tkt- ) - θ 1 exe
( -
tkt ) -1 (2,53)
Para k = 0, equ (2.53) se convierte en
γ o = γβ11 + exe
) (tt - θ 1 exe
) (tt -1
pero
exe
) (tt = eexE
β1 [ t -1 t ++ t2 θ 1eet - 1 t ]= σ2 mi
y
exe
( tt - 1 ) = exeβ1 [ t -1 t -1 + eett -1 + θ 1 mi2
t -1 ]
β1[
= exe t -1 t -1
]- σθ1 2
mi (2,54)
2
= ( σθβ
1 - 1) mi
Así
2 2
γ o = σγβ
11 + mi - σθβθ
11( - 1) mi (2,55)
Para k = 1 equ (2.53) se convierte en
2
1 =- +01
γβγ 0 σθ1 mi
2-19
Página 41
Combinando con la ecuación anterior
2 2 2 2
γ o = σθβγβ
1 o - 11 mi + σ mi - σθβθ
11( - 1) mi
2
1 + θ 1 - 2 θβ11
γo = (2,56)
1 - β12
( θβ - 1) (- θβ ) 2
γ1 = 1 1 11
σ mi (2,57)
1 - β 12
Para k ≥ 2
γ k = γβ1 - k 1 k≥2 (2,58)
la función de autocorrelación (ACF) se obtiene dividiendo (2.56), (2.57) y (2.58) por γ

para obtener
ρ k= 1 k=0 (2.59a)
( θβ1 - 1 1) (- θβ11 )
= k=1 (2.59b)
1 - θ+1 2 θβ11
= γβ1 - k 1 k≥2 (2.59c)
Observe que el parámetro MA θ 1 entra solo en la expresión para ρ 1 . Para ρ 2 y

más allá del comportamiento de la autocorrelación es idéntico al del modelo AR (1).
Estimaciones de los parámetros 1 θ y β 1 se pueden obtener de las ecuaciones (2.59b) y

(2.59c), ya que los coeficientes de correlación en serie (auto) ρ 1 y ρ 2 se pueden calcular a partir de
datos. Se pueden encontrar métodos más eficientes para estimar los parámetros ARMA en
textos avanzados (por ejemplo, Box y Jenkins, 1970).
En general para un modelo ARMA (p, q), la autocovarianza es
γ k = γβ1 k -1 ++... γβpkp - []tkt-[

+ exe - θ 1 exe tkt- -1 ] -...
[ ] k <q + 1 (2.60a)
-θ q exE qtkt
- -
γ k = γβ1 k -1++ ... γβpkp - k≥q+1 (2.60b)
y el ACF es
ρ k = ρβ1 k -1++ ... ρβpkp - k≥q+1 (2,61)
2-20
Página 42
después del retardo q + 1, el ACF se reduce como para un proceso AR (p). Para los primeros q rezagos, el ACF
depende de los parámetros AR y MA.
Justificación hidrológica de modelos ARMA

Una justificación física de los modelos ARMA para la simulación de caudal anual es como
sigue. Considere una cuenca con precipitación anual X t , infiltración aX t y
evapotranspiración bX t . La escorrentía superficial es (1-ab) X t = dX t . (Vea la figura 2.5).
Fig.2.5 Representación conceptual del proceso precipitación-caudal según Salas y Smith

(1980)
Sea cS t-1 la contribución del agua subterránea al arroyo .

Así,
Z t = CSt - 1 + dX t (2,62)
La conservación de la masa para el almacenamiento de agua subterránea es
SSt = t -1 + hacha
t - CSt - 1 (2,63)
S t - =) 1 ( Carolina
t - 1 + hacha
del tSur (2,64)
Reescritura (2,62)
Z t -1 = CSt - 2 + dX t - 1
1 re
St - 2 = Z t -1 + X t -1 (2,65)
C C
2-21
Página 43
y reescribir (2.64) como
S t - 1 - =) 1 ( Carolina
t - 2 + del
hacha
Sur
t -1 (2,66)
Combinando (2.62), (2.66) y (2.65) obtenemos
cZt = ) 1-( Carolina

t - 2 + del t - 1 + dX t
acXSur
Z t - =) 1 ( Zc t -1 - re) 1-( Xc t -1 + acX t - 1 + dX t
Z t - =) 1 ( Zc t -1 + dX t - [re) 1−−
(C Xac] t -1 (2,67)
que tiene la forma de un ARMA (1, 1), es decir, el modelo de la ecuación (2.52) cuando el
precipitación, X t es una serie independiente y cuando (1-c) = β 1 , d = 1 y [d (1-c) -ac)] =
θ 1 ..
2.6.6 Modelos de generación de datos diarios
La generación sintética de series de eventos diarios es un problema extremadamente complicado

para ciertos tipos de datos. Datos que pueden considerarse casi independientes de uno
día a día no son particularmente difíciles y pueden ser manejados por cualquiera de los
procesos descritos. Sin embargo, los procesos diarios como la temperatura, la energía solar y
los caudales tienen características que son mucho más difíciles de modelar. Corriente, para
ejemplo, es extremadamente difícil.
El alto grado de persistencia, debido al drenaje del agua de la inundación del canal.
sistema en el que se ha almacenado, hace que el flujo de corriente sea difícil de modelar a diario
base. Durante la recesión, la correlación entre el flujo por período y que
precedente o siguiente es muy alto. La magnitud de la autocorrelación (pendiente de la
recesión) es una función de muchas cosas, como la irregularidad (aspereza) de la
canal, pendiente del canal, tamaño del canal, temperatura del agua, sedimento
contenido, y la cantidad y condición de la vegetación en las orillas del canal. Cambios en estos
Los factores pueden hacer que los coeficientes de autocorrelación varíen de un evento a otro, de una estación a otra.
temporada e incluso año tras año. Además, el caudal se compone de dos componentes de
carácter completamente diferente. Uno de los componentes es la escorrentía superficial que no es lineal.
respuesta debido al alto grado de control que la energía solar, el crecimiento de la vegetación,
Ejercicio de evapotranspiración y humedad del suelo sobre las características del flujo. El otro
componente es el flujo de agua subterránea que es mucho más lineal en respuesta porque actúa
principalmente como drenaje de uno o más reservorios. La magnitud de lo diferente
Los componentes varían considerablemente de un sitio a otro. Puede ser completamente superficial
escorrentía, por ejemplo, donde los arroyos tienen pequeñas cabeceras de captación y están en suelos de
muy baja permeabilidad, hasta la escorrentía completamente subterránea, como la que se experimenta en algunas arenas
suelo o áreas de suelo de llanura costera.
Estas características del caudal hacen que la generación sintética de datos diarios
extremadamente difícil. Pocos estudios (Weiss, 1973, 1977, O'Connell, 1977; ver también Haan et
al., 1982), sin embargo, se ha hecho utilizar el modelo de ruido de disparo para representar el flujo diario
registros como un proceso estocástico. El ajuste de tal modelo a los datos hidrológicos diarios es bastante
complejo y puede ser una tarea laboriosa. No se darán detalles aquí. En muchos aspectos,
el mejor modelo de datos diarios puede obtenerse de los modelos de escorrentía
discutido en otros capítulos de este libro.
2-22
Página 44
2.6.7 Modelos varios
Los modelos de algunos procesos hidrológicos son tales que no se pueden clasificar
en cualquiera de las categorías anteriores. Varios modelos de lluvia entran en este grupo. Ya que
estos son bastante importantes desde el punto de vista de los modelos estocásticos, se mencionan
aquí. Sin embargo, dado que fueron desarrollados para modelar un proceso específico y no
modelos generales del proceso de escorrentía, no se describirán extensamente. Lectores que
están interesados en este tipo de modelo específico, puede encontrar fácilmente muchos ejemplos en el
literatura con la palabra clave "modelos de lluvia".
2.7 LOS USOS DE LOS MODELOS ESTOCÁSTICOS
(1) Para hacer predicciones de frecuencias de eventos extremos.

Los modelos estocásticos se han utilizado para hacer predicciones sobre la frecuencia de
ocurrencia de ciertos eventos extremos de interés para el hidrólogo. Modelos como ese
dados por la ecuación (2.29), y el residuo ε t se toma como una variable aleatoria
con distribución de probabilidad cuyos parámetros se especifican. Los parámetros son
estimado a partir de datos; Entonces se puede construir la llamada secuencia "sintética" {y t }, y
la frecuencia con la que ocurre el evento extremo en ellos puede tomarse como una estimación
de la frecuencia "verdadera" con la que ocurriría a largo plazo.
(2) Para la investigación de las reglas de funcionamiento del sistema.

Un uso adicional de las secuencias sintéticas generadas por modelos estocásticos está en depósito
operación, como la investigación de la idoneidad de las reglas de operación propuestas para el
Liberación de agua de sistemas complejos de reservorios interconectados. Usando el
secuencia generada como entradas al sistema de embalse operado de acuerdo con la propuesta
reglas, se puede estimar la frecuencia con la que las demandas no se satisfacen. Esto puede llevar
a la revisión de las reglas de liberación propuestas; las reglas modificadas pueden ser probadas por un
procedimiento.
(3) Proporcionar previsiones a corto plazo.

Se han utilizado modelos estocásticos para realizar pronósticos. Dados los valores x t , x t-1 , x t-2 ,
...; y t , y t-1 , y t-2 , ... asumido por las variables de entrada y salida hasta el tiempo t, estocástico
Se han construido modelos a partir de estos datos para pronosticar la salida del sistema.
en tiempos futuros, t + 1, t + 2, ..., t + k, .... En terminología estadística, k es el tiempo de espera del
pronóstico. Muchos modelos estocásticos tienen una ventaja particular para fines de pronóstico.
porque proporcionan, como subproducto del procedimiento para estimar los parámetros del modelo,
límites de confianza para los pronósticos (es decir, un par de valores, uno menos que el pronóstico y otro
mayor, de modo que existe una probabilidad dada P de que estos valores
valor observado de la variable en el tiempo t + k). Por tanto, los límites de la confianza expresan
incertidumbre en los pronósticos; Cuanto más separados sean los límites de confianza, menos confiable será la
pronóstico. Además, cuanto mayor sea el plazo de entrega k para el que se requieren pronósticos,
mayor será el ancho del intervalo de confianza, ya que el futuro lejano en más
incierto que el inmediato.
(4) Para "extender" registros de corta duración, por correlación

Los modelos estocásticos se han utilizado para "ampliar" los registros de descarga de la cuenca donde esta
el registro es corto. Por ejemplo, suponga que se requiere estimar el instantáneo
2-23
Página 45
descarga máxima con un período de retorno de T años (es decir, tal que se repita con
frecuencia una vez cada T años, a largo plazo). Un enfoque a este problema es examinar
el registro de descarga en el sitio para el que se requiere la estimación, para resumir la
descarga instantánea máxima para cada año de registro, y para representar la
distribución de la descarga instantánea máxima anual por una probabilidad adecuada
función de densidad. La abscisa, yo , digamos, que se excede en una proporción 1 / T de la
luego, la distribución estima la inundación del año T.
Sin embargo, sucede con frecuencia que la longitud del registro de alta disponible es
corto, digamos diez años o menos. Por otro lado, un registro mucho más largo de alta puede
estar disponible para otro sitio de medición, de modo que las descargas máximas en los dos sitios sean
correlacionado. En determinadas circunstancias, entonces se permite representar la relación
entre las descargas máximas anuales en los dos sitios mediante una ecuación de regresión y
utilizar esta ecuación ajustada para estimar las descargas instantáneas máximas anuales para
el sitio con breve historial.
(5) Para proporcionar secuencias sintéticas de entrada de cuencas

Suponga que el modelo ha sido desarrollado para un sistema que consta de una cuenca con
lluvia como variable de entrada, caudal como variable de salida. Si un modelo estocástico fuera
desarrollado a partir del cual se podría generar una secuencia sintética de lluvia teniendo
propiedades estadísticas que se asemejan a las de la secuencia histórica de lluvias, la
La secuencia de lluvia podría usarse como entrada al modelo principal para la transformación al
secuencia de descarga sintética. La descarga así derivada podría examinarse para
frecuencia de eventos extremos.
Este enfoque para el estudio de la frecuencia de eventos de descargas extremas es
esencialmente una alternativa a la descrita en el párrafo (1) anterior. En este último, un
la secuencia sintética se deriva únicamente de un modelo estocástico de la descarga; en el
Primero, una secuencia de descarga sintética se deriva utilizando un modelo para convertir un
secuencia sintética de lluvia en descarga.
2-24
Página 46
REFERENCIAS DEL CAPÍTULO 2
Box, GEP y Jenkins, GM, 1970. Análisis de series de tiempo, pronóstico y control.
Halden-day, San Francisco. 543p.
Clarke, RT, 1973. Una revisión de algunos modelos matemáticos utilizados en hidrología, con
observaciones sobre su calibración y uso. J. Hydrol. 19: 1-20.
Clarke, RT, 1994. Modelado estadístico en hidrología, John Wiley & Sons Ltd.
Delleur, JW, 1991. Análisis de series de tiempo aplicado a hidrología. VUB-Hydrologie
(19), Universidad Libre de Bruselas.
Fiering, MB y Jackson, BB, 1971. Synthetic Streamflows. Recursos hídricos
Monografía 1, Amer. Geophys. Union, Washington, DC, 1-98.
Haan, CT, 1976. Métodos estadísticos en hidrología. The Iowa University Press, Ames,
p378.
Haan, CT, Johnson, HP y Brakenslek, DL, 1982. Modelado hidrológico de pequeños
Cuencas hidrográficas. Una monografía número 5 de ASAE en una serie publicada por American
Sociedad de Ingenieros Agrónomos.
Jenkins, GM y Watts, DG, 1968. Análisis espectral y sus aplicaciones, Holden
Día, 525pp.
Kendall, MG y Stuart, A., 1968. La teoría avanzada de estadística. Vol3: diseño y
Análisis y series de tiempo, Hafner, 557pp.
Kendall, MG, 1975. Métodos de correlación de rango. Griffin, Londres.
Mann, HB, 1945. Pruebas no paramétricas contra tendencia. Econometrica 13, 245-259.
O'Connell, PE, modelos de ruido de disparo en hidrología sintética. En: Modelos matemáticos para
hidrología de aguas superficiales por Ciriani, Maione y Wallis. John Wiley e hijos. Pp19-
26.
Salas, JD y Smith, RA, 1980. Base física de modelos estocásticos de flujos anuales.
Investigación de recursos hídricos.
Shaw, EM, 1988. Hydrology in Practice 2ª edición . Van Nostrand Reinhold (Reino Unido) Co.
Limitado.
Weiss, G., 1973. Modelos de ruido de disparo para generación sintética de multisitio diario
datos de caudal. Simposio Organización Meteorológica Mundial de la UNESCO, Intr.
Assoc. de Hydrol. Sci., Madrid.
Weiss, G., 1977. Modelos de ruido de disparo para la generación de datos sintéticos de caudal.
Investigación sobre recursos hídricos 13 (1).
Xu, CY y Vandewiele, GL, 1995. Parsimonious mensuales modelos de lluvia-escorrentía para
cuencas húmedas con diferentes requerimientos de insumos, Advance in Water Resources 18: 39-
48.
2-25
Página 47
CAPÍTULO 3
PRECIPITACIÓN EN MODELOS DE CAPTURA
_____________________________________________________________________________________
3.1 INTRODUCCION
En general, la precipitación es la mayor cantidad en el ciclo hidrológico y en un

ecuación del balance hídrico. La precipitación es el principal insumo de la mayoría de los modelos hidrológicos. los
precisión de la medición y el cálculo de la precipitación de una red de estaciones
determina en gran medida la fiabilidad de los cálculos del balance hídrico. No
Es posible realizar un cálculo fiable del balance hídrico con un conocimiento insuficiente de las
patrones de lluvia. La principal razón de los errores en la media del área de precipitación es la alta
variabilidad espacio-temporal de la precipitación y la complicada resultante estadística
estructura de los datos de precipitación.
El uso propuesto de un modelo hidrológico dicta el detalle y la complejidad necesarios
de entrada de precipitación. Las consideraciones económicas suelen determinar si el
el detalle de muestreo se logra realmente. Por ejemplo, los datos de un solo pluviómetro estándar
puede ser suficiente para determinar la precipitación media anual o estacional en una pequeña cuenca.
Un solo pluviómetro de registro puede proporcionar suficiente información para predecir el promedio anual
erosión y producción de agua superficial. Se necesita una red de medidores de registro para describir el
variación de la precipitación en el tiempo y el espacio. Datos de una red de medidores de registro
puede ser necesario para estimar picos de inundación, erosión y sedimentación de individuos
eventos o variabilidad espacial de la producción de escorrentía. Otras medidas hidrológicas, como
temperatura, humedad, radiación solar, evapotranspiración y antecedentes de humedad del suelo,
puede ser necesario, así como la precipitación para cálculos precisos del balance hídrico o
estimaciones precisas del rendimiento de los cultivos.
Para obtener detalles sobre la medición de la precipitación puntual, el cálculo de la superficie
precipitaciones, etc., consulte el curso " Hidrología de cuencas ".
3.2 SEPARACIÓN DE NIEVE DE PRECIPITACIÓN
Las precipitaciones incluyen lluvias, nevadas y otros procesos por los cuales el agua cae
la superficie de la tierra, como granizo y aguanieve. Las dos primeras formas constituyen la mayor parte de
precipitación y son de importancia en los modelos hidrológicos.
La nieve y las nevadas juegan un papel importante en el régimen hidrológico en muchas partes de
el mundo. La nieve ha recibido atención como recurso hídrico, principalmente en el norte
parte de América del Norte, Europa y Asia. Toda Suecia recibe nieve en
Cantidades hidrológicamente significativas. Para fines hidrológicos, el contenido de agua es más
importante que la profundidad, a menos que uno esté interesado en las propiedades aislantes de la nieve como
en estudios de congelación de suelos. El equivalente de agua de nieve y la densidad de la nieve son más útiles para
modelado hidrológico.
Si la precipitación cae en forma de lluvia o nieve puede tener una influencia muy significativa en
la estimación de la escorrentía, especialmente para los flujos de primavera. Por tanto, el rendimiento del modelo es
sensible a las decisiones tomadas sobre la forma de precipitación. El problema con
La determinación de la forma de precipitación generalmente se resuelve de una manera bastante simple en
la mayoría de los procesos de modelado. La temperatura del aire se acepta como factor determinante
3-1
Página 48
Ch3. Precipitación en modelos de captación
lo que significa que la acumulación de nieve comienza tan pronto como la temperatura es inferior a un cierto
valor umbral. Cabe señalar que algunos modelos utilizan un valor fijo del umbral
temperatura, mientras que otros la tratan como un parámetro de calibración. Este método ha sido
utilizado por el Cuerpo de Ingenieros de EE. UU. (1956), Anderson (1973) y el modelo HBV entre
otros. Según una investigación realizada por el Cuerpo de Ingenieros de EE. UU.,
El valor umbral puede variar entre -1,7 o C y +4,4 o C cuando se estudian valores horarios. Un
La investigación de los valores diarios realizada en la estación climática de Lilla Tivsjön en Suecia es
mostrado en la figura 3.1 (Bergström, 1975). Esta investigación muestra que el valor umbral
puede variar entre -2,5 o C y +4,0 o C cuando se estudian los valores diarios.
Figura 3.1. La nota del observador sobre la forma de precipitación relacionada con la media diaria
temperatura. Cada punto representa un día con precipitación.
Métodos utilizados en modelos hidrológicos conceptuales para distinguir la precipitación y

las nevadas son bastante simples. Algunos ejemplos de tales métodos se analizan a continuación:
(1) En el modelo HBV y muchos otros,
P s = 0, P r = P t cuando T a ≥ T o (3,1)
P r = 0, P s = P t cuando T a <T o
Dónde
P r = cantidad de precipitación en forma de lluvia (mm)
P s = cantidad de precipitación en forma de nieve (mm)
P t = precipitación total (mm)
T a = temperatura media diaria del aire ( o C)
T o = Temperatura umbral ( o C)
(2) En el modelo de Hydrocomp (1969) la división se basa en la expresión mostrada en

ecuación (3.2).
P s = 0, P r = P t cuando T o ≥ (33o F ≈ 0.6 o C) (3,2)

P r = 0, P s = P t cuando T o <(33 o F ≈ 0.6 o C)
Y T o se calcula por
To - =Tuna (TT
una- +
re 008.012.0) ( Tuna
) (3,3)
3-2
Página 49
dónde
T d = temperatura del punto de rocío, y otras notaciones tienen el mismo significado que en
ecuación 3.1.
(3) Willen (1971) y Moussavi (1988) utilizaron la siguiente ecuación para estimar la
forma de precipitación en sus modelos de escorrentía:
P s = 0, P r = P t cuando T min ≥ T o
P r = 0, P s = P t cuando T max <T o (3.4)
porcentaje de lluvia = [(t max - t o ) / (t max - t min )] × 100 cuando T min ≤ T o ≤ T max
donde: t max es la temperatura máxima diaria del aire, t min es el aire mínimo diario
temperatura y otras notaciones tienen el mismo significado que antes.
(4) Shih et al (1972) especifican la división por las funciones que se muestran en la ecuación (3.5)
P s = 0, P r = P t cuando T a ≥ T r
P r = 0, P s = P t cuando T a ≤ T s (3,5)
⌈T - T ⌉
una s
r = PAGS
PAGS t│ │ cuando T s ≤ T a ≤ T r
⌊ Tr - Ts ⌋
dónde
T r = temperatura límite por encima de la cual la precipitación será lluvia, por ejemplo, 38 o F (3.3 o C)
T s = temperatura límite por debajo de la cual la precipitación será nieve, por ejemplo, 30 o F (-
1,1 o C). Otras notaciones tienen el mismo significado que antes.
(5) Xu y col. (1996) utilizaron la siguiente ecuación en el balance mensual de nieve y agua
modelo.
s = pags
PAGS { ]}
t 1 - Exp [- (T una- T r )/ (T r - T s )
2
+
Tr≥Ts (3,6)
Pr=Pt-Ps
dónde
T r = temperatura umbral por encima de la cual la precipitación será lluvia (2 o C).
T s = temperatura umbral por encima de la cual comienza el proceso de deshielo (-2 o C).
Otras notaciones tienen el mismo significado que antes.
3-3
Página 50
3.3 MODELADO DE NIEVE
Problemas de la modelización de la escorrentía de deshielo asociados con el clima y

Las condiciones fisiográficas de estas regiones son funciones de la disponibilidad de datos, regionales
características, enfoque de modelado y aplicación del modelo. Muchos de estos problemas son
común a todos los modelos y regiones, mientras que otros son exclusivos de modelos específicos o
regiones. Los problemas más universales generalmente se asocian con restricciones de datos,
mientras que los problemas más singulares están asociados con la formulación del modelo y la
condiciones climáticas y fisiográficas de una región.
La mayoría de los modelos de deshielo utilizan variaciones del método de balance de energía en el que fueron pioneros
por Wilson (1941) en el que describía las fuentes de energía que provocan el deshielo. En
Esta sección, el uso del método de balance de energía y sus simplificaciones son primero
y, en segundo lugar, la aplicación de diversas técnicas de cálculo de deshielo
como se incorpora en los modelos utilizados actualmente.
3.3.1 Enfoque del balance energético:
El enfoque del balance de energía utiliza una forma de la ecuación del balance de energía para un
manto de nieve que se puede escribir como (Ejército de los EE. UU., 1956):
H = H sn + H en + H C + H mi+ H gramo
+ H pags
+ Hq (3,7)
dónde
H = energía disponible para el deshielo (transferencia neta de calor a la capa de nieve desde su
ambiente).
H sn = radiación neta de onda corta
H ln = radiación neta de onda larga
H c = flujo de calor convectivo
H e = flujo de calor latente
H g = conducción de calor desde el suelo
H p = contenido de calor de las gotas de lluvia
H q = cambio en el contenido energético de la capa de nieve.
Si H es el cambio neto total de energía, la masa fundida M se calcula como (Haan et al., 1982):
M=H/Lf (3,8)
donde L f es el calor latente de fusión del hielo.
El uso de la técnica del balance de energía da como resultado un modelo que puede estar muy cerca de
ser correcto, pero que puede ser difícil de manejar, excepto en casos muy especializados, altamente
situaciones instrumentadas (Kuzmin, 1973; Haan et al., 1982). Entre las variables
necesario para un cálculo completo del balance de calor de acuerdo con la ecuación (3.7),
mencionado:
-radiación solar total,

-albedo,
-balance de radiación de onda larga (radiación efectiva)
-temperatura del aire,
3-4
Página 51
-humedad del aire,

-velocidad del viento,
- gradientes de temperatura en el suelo y en la nieve,
-precipitación.
Además de estas variables, algunos parámetros físicos que gobiernan el intercambio de calor
con la atmósfera, transferencia de calor dentro de la capa de nieve, contenido de agua líquida en el
la nieve y el drenaje del manto de nieve, tendrían que estimarse. Límites en el
disponibilidad de algunos de estos datos y técnicas para extrapolar mediciones puntuales
a valores medios reales han restringido la mayoría de las aplicaciones de la ecuación (3.7) al deshielo
estudios en un punto o en pequeñas parcelas (Leavesley, 1989). Algunos modelos a escala de cuenca que utilizan
la ecuación (3.7) se está desarrollando y probando actualmente; estos modelos incluyen el
Institute of Hydrology Model, IHDM (Morris, 1980) y el modelo SHE (Jonch-
Clausen, 1979).
Para trabajar con los límites impuestos por la disponibilidad de datos en el enfoque de balance energético,
muchos investigadores han estudiado la importancia relativa de los diversos equilibrios energéticos
componentes, esto ayuda en gran medida a simplificar los cálculos cuando la situación
lo justifica o no se dispone de datos más detallados. Varias versiones modificadas de
se han utilizado la ecuación (3.7). En la mayoría de estos modelos, H sn , H ln , H p y son H q
calculado utilizando datos medidos y los componentes restantes se parametrizan y
ajustados, o se supone que son insignificantes. Los ejemplos incluyen la precipitación y la escorrentía
Modeling System, PRMS (Leavesley et al., 1983) y el modelo Snowmelt,
MELTMOD (Leaf & Brink, 1973).
3.3.2 Simplificaciones
Zuzel y Cox (1975) midieron valores diarios de viento, temperatura del aire, vapor
presión, radiación neta y fusión en un punto. Descubrieron que para un área con continua
La capa de nieve, la presión de vapor, la radiación neta y la carrera del viento explicaron el 78% de la
variaciones en la masa fundida, mientras que la temperatura del aire y la radiación neta explicaron el 60%.
La temperatura sola tuvo un coeficiente de determinación de 0,51 y la radiación neta fue de 0,40.
Raffelson (1974) investigó el balance energético de ventisqueros aislados en
Wyoming durante el derretimiento. Encontró que los componentes de calor latente y sensible estaban
mismo tamaño, y ambos sustancialmente más grandes que el componente de radiación. O'Neill (1972)
y Gray y O'Neill (1974) encontraron que la radiación neta era la energía predominante
fuente de deshielo para las praderas canadienses cuando la capa de nieve era continua,
suministrando el 93% de la energía de fusión. Para cobertura no continua, advección de calor de
suelo desnudo a derivas aisladas causaron que el 44% de la energía de fusión fuera suministrada por calor sensible
transferencia y 56% por radiación neta. Para una deriva aislada, Cox y Zuzel (1976) encontraron que
El 69% de la energía disponible para la fusión y la evaporación provino del aporte de calor sensible.
Los cultivos de ingenieros (1960) asignaron un valor constante a la radiación de onda corta durante
períodos de lluvia. King y Molnau (1976) observaron que los métodos de índice de temperatura parecen
funcionan bien para calcular el deshielo durante los períodos nublados, lo que indica que la radiación
fue relativamente poco importante durante esos períodos. Kuzmin (1973) exploró cinco
simplificaciones del método básico de balance energético. Descubrió que el uso de
la temperatura era posible para las llanuras cuando la temperatura media diaria era superior a 2 ° C.
En modelos hidrológicos conceptuales, se ha puesto énfasis en determinar el deshielo
mediante el uso de la temperatura del aire o un índice de temperatura debido a la facilidad de obtener aire
temperaturas y porque la temperatura es el método meteorológico más fácil de extrapolar
variable.
3-5
Página 52
3.3.3 Enfoque del índice de temperatura (método grado-día):
Por lo general, un enfoque de índice de temperatura del aire tiene la forma de:
M = C m (T a -T b ) (3,9)
dónde
M = nieve derretida (mm / día);
C m = coeficiente de grado día (mm / día / o C);
T a = temperatura del aire ( o C); y
T b = una temperatura base ( o C).
En la mayoría de los casos, se supone que T b es constante. Puede ser determinado por
experiencia, por ejemplo, Granger y Male (1977) utilizaron T b = 0, o se estimaron por modelo
calibración.
C m y T un se supone que integrar los efectos de varios de los energía individuo
componentes presupuestarios en la ecuación (3.7). Esta es una suposición muy amplia y es una fuente de
error para una variedad de condiciones. Para minimizar este error, la mayoría de los modelos de índice de temperatura
aplique una serie de ajustes a C my T a. C m se ajusta para incorporar conocimientos
de las relaciones entre ella y variaciones espaciales y temporales mensurables en la cuenca y
características climáticas. Anderson (1973) permite que C m varíe desde un mínimo en
21 de diciembre hasta un máximo el 21 de junio, utilizando una curva sinusoidal. Para una cuenca de Iowa con
sin cobertura forestal, la C m osciló entre 7,3 y 3,6 mm / ° C / día. McKay (1968) presenta
curvas de factores de grado día para una capa de nieve de pradera poco profunda. Gartska (1944) señaló una
Fuerte correspondencia entre la escorrentía acumulada y los grados-hora acumulados por encima de 0
° C. Esta relación parecía consistente dentro de una tormenta, pero variaba entre tormentas. Rey
(1976) utilizaron el método de grados-día en pequeñas cuencas hidrográficas en Palouse Prairie. El usó
C m en función de grados-horas acumulados con buen éxito. Sin embargo, descubrió que
diferentes funciones pueden ser necesarias para cuencas con diferentes aspectos debido a la
topografía ondulada.
Bengtsson (1976) desarrolló la idea de una temperatura de equilibrio para usar en el lugar
de la temperatura base. Esta es la temperatura a la que no hay transferencia neta de calor entre
se produce el aire y la nieve. Al equiparar el enfoque del balance energético con el grado-día
factor, encontró que C m podría determinarse como una función de la velocidad del viento para un bosque
cuenca hidrográfica y una función de la radiación solar para áreas no forestadas
Modelo HBV (Bergström, 1976, 1995) y el modelo de escorrentía de fusión de nieve, SRM
(Martinec et al., 1983) utilizan un valor diferente de C m en cada zona de cuenca dependiendo de la
características de la vegetación de la zona. El modelo HBV mantiene constante cada valor de C m
durante toda la temporada de deshielo, mientras que el SRM varía C m en función de la densidad del manto de nieve. En
modelos distribuidos, se utilizan diferentes valores de C m para cada zona de cuenca o celda de cuadrícula,
también varían la magnitud de C m durante la temporada de deshielo para tener en cuenta los efectos de
variación estacional en la duración del día en C m . La síntesis y el embalse del caudal
Modelo de regulación, SSARR (US Army, 1975) utiliza un índice de temperatura antecedente para
ajustar C m estacionalmente.
3-6
Página 53
En la literatura, hay muchas versiones diferentes de la ecuación (3.9) en las que T a es

reemplazado por, por ejemplo, temperatura diaria máxima, temperatura diaria mínima y
combinaciones de estas variables. Ejemplos son:
1) M = C m (T máx - T b ) (Martinec y Range, 1986)
2) M = C m T máx. (Poder, 1986)
3) M = C m (T máx. ) 2 (Woo, 1972)
4) M = C m (T máx - T b ) + b (Lang, 1984)
5) M = C m (T máx - T mín ) + b (Moussavi, 1988)
donde b es un parámetro de modelo.
Xu et al. Utilizaron una ecuación de índice de temperatura diferente. (1996) en la nieve y

modelo de balance hídrico, donde la nieve se derrite, M t se considera una función de la temperatura
y el almacenamiento de nieve, sp t .
METRO {
t = sp t 1 - Exp [(T una- T s )/ (TT
r - s )2
+
]} (3,10)
donde T r y T s tienen el mismo significado que en equ (3.6).
3.4 NIEVE EN MODELOS HIDROLÓGICOS
Muchos modelos hidrológicos incluyen rutinas que calcularán la cantidad de

deshielo por cualquiera de los métodos mencionados en las secciones anteriores o una combinación de ellos. Muy
pocos modelos se han diseñado principalmente como modelos de fusión de nieve; normalmente, la nieve se derrite
La rutina se agrega a la sección de precipitación donde la entrada de agua a la parte principal de la
Se determina el modelo hidrológico. Se discuten pocos ejemplos de tal rutina de deshielo.
en esta sección.
Modelo de laboratorio de investigación del agua de Utah

El diagrama de flujo de este modelo híbrido (Riley et al., 1969) se muestra en la figura 3.2. Esto es
una rutina en un modelo de computadora híbrida e ilustra algunos de los pasos necesarios en una masa
presupuesto de nieve en el suelo. Este modelo se ha utilizado con éxito en montaña
situaciones de nieve acumulada, pero no hay nada en su desarrollo que sugiera que no
Trabajar en cuencas agrícolas.
Modelo de la Universidad Estatal de Ohio

El Modelo de la Universidad Estatal de Ohio (OSUM) (Fig.3.3) se deriva del Kentucky
Modelo de Cuenca (KWM) (Ricca, 1972). El OSUM incluye una rutina de deshielo
desarrollado especialmente para cuencas hidrográficas agrícolas y fue probado en el Coshocton
Cuencas hidrográficas. El modelo incluye versiones simplificadas de cada uno de los términos del balance energético.
y requiere punto de rocío promedio diario, viento, radiación solar, máximo y mínimo
temperatura.
3-7
Página 54
Figura 3.2 Acumulación y ablación de nieve (de Riley et al., 1969)
Fig.3.3 Diagrama de bloques de deshielo para el modelo de la Universidad Estatal de Ohio (de Ricca,
1972)
3-8
Página 55
Anderson, EA, 1973. Sistema de pronóstico de ríos del servicio meteorológico nacional - Snow
modelo de acumulación y ablación. Memorando Técnico de NOAA NWS HYDRO-
17, Silver Spring, MD.
Bengtsson, L., 1976. Snowmelt estimado a partir de estudios de balance energético. nórdico
Hidrología 7: 3-18.
Bergström, S., 1975. El desarrollo de una rutina de nieve para el modelo HBV-2. nórdico
Hidrología, 6 (2).
Bergström, S., 1976. Desarrollo y aplicación de un modelo conceptual de escorrentía para
Cuencas escandinavas. Informe SMHI, Nr. RHO 7.
Bergström, S., 1995. El modelo HBV. En: Singh, VP (Ed.) Modelos informáticos de
Hidrología de cuencas. Publicación de recursos hídricos, Highlands, Ranch, CO, EE. UU.,
págs. 443-476.
Cox, LM y JF Zuzel, 1976. Un método para determinar la transferencia de calor sensible a
ventisqueros tendidos. Conf. De nieve occidental Proc. 44: 23-28.
Crops of Engineers, 1960. Escorrentía del deshielo. Cultivos de ingenieros del ejército estadounidense.
Gartska, WU, 1944. Hidrología de pequeñas cuencas hidrográficas en condiciones invernales de nieve
cubierta y suelo congelado. Geophys. Union Trans., Parte 6: 838-871.
Granger, RJDH Male, 1977. Derretimiento de una capa de nieve de pradera. americano
Sociedad Meteorológica, Proc. 2 nd Conf. Sobre hidrometeorol. págs. 261-268.
Gray, DM y ADJ O'Neill, 1974. Aplicación del presupuesto de energía para predecir
escorrentía de deshielo. En: Henry S. Stanford y James L. Smith (ed.), Advanced
Conceptos y técnicas en el estudio de los recursos de nieve y hielo, Nacional
Academia de Ciencias.
Haan, CT, et al., 1982. Modelado hidrológico de pequeñas cuencas hidrográficas, Sociedad Americam
de Ingenieros Agrónomos.
Hydrocomp, Inc. 1969. Manual de operación de programación de simulación de Hydrocomp (segundo
edición). Hydrocomp, Inc., Palo Alto, CA.
Jonch-Clausen, T., 1979. Systeme Hydrologique Europeen: una breve descripción. ELLA
Informe 1, Instituto Danés de Hidráulica, Horsholm, Dinamarca.
King, DL, 1976. Simulación de la hidrología de la nieve de Paluse Prairie. Universidad de
Idaho, Tesis de Maestría en Ciencias.
Kuzmin, PP 1973. Derretimiento de la capa de nieve. Programa de Traducción Científica de Israel,
publicado para la National Science Foundation, Translation TT 71-50095.
Lang, H., 1984. Pronóstico de la escorrentía de agua de deshielo de áreas cubiertas de nieve y de glaciares
lavabos. En: JR Moll (Ed), Pronóstico del caudal de los ríos en tiempo real. Escuela Landbhouwhoge,
Wageningen, Países Bajos, Informe 6: 113-146.
Leaf, CF y Brink, GF, 1973. Simulación por computadora del deshielo dentro de un Colorado
cuenca subalpina. Departamento de Agricultura de EE. UU., Servicio Forestal, Documento de investigación RM-99.
Leavesley, 1989
Leavesley, et al., 1983
Martinec, et al., 1983
Martinec, J. y A. Rango, 1986. Valores de los parámetros para el modelado de la escorrentía de deshielo. J.
Hydrol., 84: 197-219.
Mckay, GA, 1968. Problemas de medición y evaluación de la capa de nieve. En la nieve
Hidrología, Proc. Of Workshop Seminar, Canadian Nat. Comm. Para el Int. Hydrol.
Década, págs. 49-65.
3-9
Página 56
Molnau, M., 1971. Comparación de la escorrentía de una almohada de nieve de captación y una pequeña
cuenca boscosa, Western Snow Conf. Proc. 39: 39-43.
Morris, EM, 1980. Modelando el flujo de masa y energía dentro de una capa de nieve para
previsión hidrológica. Ana. Glaciol., 4: 198-203.
Moussavi, M., 1988. Modelización de sistemas hidrológicos de cuencas hidrográficas montañosas en
Regiones semiáridas. Tesis doctoral, Katholieke Universiteit Leuven, Bélgica.
O'neill, ADJ, 1972. La energía de las bolsas de nieve de pradera poco profundas. Universidad de
Saskatchewan, tesis doctoral.
Power, JM, 1986. Estudio de caso de Canadá: suministro de agua. En: G. Young (Ed). Técnicas para
predicción de la escorrentía de áreas glaciarizadas. Publ de la IAHS. No. 149. Instituto de
Hidrología, Wallingford, Oxfordshire, Reino Unido.
Raffelson, CN, 1974. Evaporación de ventisqueros en condiciones de oasis. Universidad
de Wyoming, Tesis de Maestría en Ciencias.
Ricca, VT, 1972. La versión de la Universidad Estatal de Ohio del flujo de corriente de Stanford
modelo de simulación: Parte 1 - Aspectos técnicos. Universidad Estatal de Ohio, Agua
Centro de recursos.
Riley, JP et al., 1969. Snowmelt simulation. Conf. De nieve occidental Proc. 37: 49-56.
Shih, GB, et al., 1972. Modelado informático de una cuenca hidrográfica de un bosque de coníferas. En edad
de Prioridades cambiantes para la tierra y el agua, ASCE.
Ejército de Estados Unidos, 1975
Cultivos de ingenieros de Estados Unidos, 1956. Snow Hydrology. Ejército de EE. UU., Cultivos de ingenieros, Norte
División del Pacífico, Portland.
Vandewiele, GL y Ni-Lar-Win, 1993. Modelos mensuales de balance de agua y nieve en
escala de cuenca, En: Modelado de rendimiento de sedimentos y escorrentía, K. Banasik y A. zbikowski
(eds), Varsovia, 83-88.
Willen, DW, et al., 1971. Simulación del equivalente y el derretimiento diario de agua de nieve. occidental
Actas de la conferencia de nieve, Billings, Mont .: 1-8.
Wilson, WT, 1941. Un esbozo de la termodinámica del deshielo. A.m. Geophys.
Union Trans., Parte 1: 182-195.
OMM,MK,
Woo, 1986.
1972. Un modelo de simulación numérica para el almacenamiento de nieve en pequeñas costas
cuencas, sur de la Columbia Británica. IAHS Publ. No. 107, 2: 992-1014.
Xu, CY, S. Halldin y J. Seibert, 1996. Modelización del balance hídrico regional en el
Área NOPEX: desarrollo y aplicación de modelos de balance hídrico mensual. J.
Hydrol. 180: 211-236.
Zuzel, JF y LM Cox, 1975. Importancia relativa de las variables meteorológicas en
deshielo. Recurso de agua. Res. 11 (1): 174-176.
3-10
Página 57
CAPÍTULO 4
EVAPOTRANSPIRACIÓN EN MODELOS HIDROLÓGICOS
_____________________________________________________________________________________
4.1 GENERALIDADES
En este curso se utilizan tres términos. (1) El término evaporación, ET 0 se utiliza para
Evaporación de agua abierta / libre, es decir, el proceso físico que implica un cambio de fase de
de líquido a vapor por el cual el agua se devuelve a la atmósfera desde lagos y embalses
y, en algunos casos, de canales fluviales en una cuenca hidrográfica. (2) El término actual
evapotranspiración, AET describe todos los procesos por los cuales el agua líquida en o cerca del
La superficie terrestre se convierte en vapor de agua atmosférico. Mirando un promedio global, dos tercios
de la precipitación que cae sobre los continentes es evapotranspirada. De esta cantidad, el 97%
proviene de superficies terrestres y el 3% es evaporación en aguas abiertas. (3) El término potencial
evapotranspiración, ET es la tasa máxima de evapotranspiración de un vegetado
captación en condiciones de suministro de humedad ilimitado. De los tres términos, el
La evapotranspiración potencial o la evaporación del agua libre se suele utilizar como entrada.
junto con la precipitación a muchos modelos hidrológicos. El término actual
la evapotranspiración es un resultado importante para la mayoría de los modelos hidrológicos.
Se requieren estimaciones espaciales y temporales precisas de la evapotranspiración para
modelos hidrológicos. Muchos métodos para estimar la evapotranspiración, ya sea para
Se han desarrollado modelos hidrológicos o programación de riego. En general, el
El procedimiento es estimar primero una evapotranspiración potencial basada en datos meteorológicos.
factores, luego calcule la cantidad de ese potencial que es utilizada por el
procesos de evapotranspiración, dado el estado actual de la planta y la humedad del suelo
características relacionadas.
4.2 ESTIMACIÓN DEL POTENCIAL Y LA EVAPORACIÓN DE AGUA LIBRE

EVAPOTRANSPIRACIÓN
El potencial de evapotranspiración generalmente se define como una atmósfera

cantidad determinada. Existe una multitud de métodos de medición y
estimación de ET. Algunos de estos métodos son precisos y fiables; otros proporcionan
sólo una aproximación aproximada. La mayoría de los métodos se desarrollaron para su uso en
estudios y son más apropiados para su uso en climas similares a donde fueron
desarrollado. No es raro usar una ecuación para determinar la evaporación de
aguas abiertas que se desarrolló realmente para la determinación del potencial
evapotranspiración de tierras con vegetación y viceversa (ver también Winter et al. 1995)
aunque no son los mismos que los definidos en el apartado anterior.
En general, las técnicas para estimar ET potencial o ET 0 se basan en uno o más
variables atmosféricas, como radiación solar o neta y temperatura y humedad del aire, o
algunas medidas relacionadas con estas variables, como la evaporación de la bandeja. Porque climática
Las variables normalmente no varían significativamente en áreas pequeñas, las estimaciones de ET a menudo pueden ser
transferido a cierta distancia con un error mínimo. Para la mayoría de aplicaciones hidrológicas, esto es
necesario porque los datos rara vez están disponibles en el área donde se necesitan.
En las secciones que siguen muchas de las técnicas más utilizadas para
Se describen la estimación de la evaporación y la evapotranspiración potencial.
4-1
Página 58
Ch4. Evapotranspiración en modelos hidrológicos
4.2.1 Métodos climatológicos
4.2.1.1 Métodos basados en la temperatura del aire
En ciertas regiones del mundo, los datos meteorológicos y climatológicos pueden ser bastante
limitado. Los modelos basados casi exclusivamente en la temperatura del aire se pueden utilizar en tales casos para
proporcionar estimaciones de ET. Los métodos de temperatura son algunos de los primeros métodos para
estimación de ET (Jensen et al., 1990). Si las estimaciones se realizan por períodos de varias semanas
o un mes, son posibles aproximaciones razonables. Algunos de los mas comunes
los modelos basados en temperatura se describen a continuación. La mayoría de las ecuaciones basadas en la temperatura toman
la forma:
ΕΤ = cT una (4,1)
ΕΤ = do 1 d l T (do 2 -c 3 h) (4,2)
donde ET es la evapotranspiración potencial, T es la temperatura del aire, h es un término de humedad,

c 1 , c 2 , c 3 son constantes, d l es la duración del día. Muchas ecuaciones basadas en temperatura se han
desarrollado y utilizado. Las siguientes siete ecuaciones basadas en la temperatura cada una
que representan una forma especial de las ecuaciones (4.1) o (4.2) se discuten, a saber:
Thornthwaite (1948), Linacre (1977), Blaney-Criddle (1950), Hargreaves (1985),
Métodos de Kharrufa (1985), Hamon (1961) y Remanenko (1961).
(1) Método Thornthwaite:

Un método ampliamente utilizado para estimar la evapotranspiración potencial fue derivado por
Thornthwaite (1948) quien correlacionó la temperatura media mensual con la evapotranspiración
según se determina a partir del balance hídrico de los valles donde se disponía de suficiente humedad
disponible para mantener la transpiración activa. Para aclarar el método existente, el
Los pasos computacionales de la ecuación de Thornthwaite se analizan a continuación:
Paso 1 : El valor anual del índice de calor I se calcula sumando índices mensuales
durante un período de 12 meses. Los índices mensuales se obtienen de la ecuación
T 51,1
yo =( un ) (4.3a)
5
12
yo= ∑ j yo
(4.3b)
j=1
en el que I = índice de calor anual; i = índice de calor mensual para el mes j, (que es cero
cuando la temperatura media mensual es de 0 ° C o menos); T a = temperatura media mensual del aire
(grado Celsius); yj = número de meses (1 - 12).
4-2
Página 59
Paso 2 : La ecuación general de Thornthwaite, Eq. 4a, calcula mensualmente sin ajustar
valores de evapotranspiración potencial, ET '(en mm), basados en un mes estándar de 30
días, 12 horas de luz solar / día.
10 TAutomóvil club británico

ET ('= C ) (4.4a)
yo
en el que C = 16 (una constante); y una = 105,67× - 38

yo - 101,77
× - 26
yo + 0179. yo+ 492. .
El valor del exponente a en la ecuación anterior varía de cero a 4.25
(por ejemplo, Jain y Sinai, 1985), el índice de calor anual varía de cero a 160, y ET 'es
cero para temperatura por debajo de cero grados Celsius.
Paso 3 : Los valores de evapotranspiración mensual ET 'no ajustados se ajustan

en el número de días N en un mes ( 1 ≤ N ≤ ) 31 y la duración del promedio mensual
o luz diurna diaria d (en h) que es función de la estación y la latitud.
Dakota del Norte

ET = ET (' )( ) (4.4b)
12 30
en el que ET = evapotranspiración potencial mensual ajustada (mm); d = duración de

luz diurna mensual promedio (h); y N = número de días en un mes dado, 1 - 31 (días).
La ecuación de Thornthwaite ha sido ampliamente criticada por su naturaleza empírica, pero es
ampliamente utilizado. Debido a que el método de Thornthwaite para estimar la ET se puede calcular usando
sólo temperatura, ha sido una de las ecuaciones empíricas más mal utilizadas en áreas áridas y
Áreas de riego semiáridas donde no se ha cumplido el requisito (Thornthwaite
y Mather, 1955).
(2) Método Linacre

Para el caso de vegetación bien regada con un albedo de alrededor de 0,25, Linacre
(1977) simplificó la fórmula de Penman para dar la siguiente expresión para la evaporación
Velocidad:
500 Tmetro100 / (+ -UNA

(15) una-
TT )
ET = re
(4,5)
80 ( - Tuna)
donde ET = evapotranspiración potencial de Linacre en mm / d, T m = T + 0.006h , h es la

elevación (metros). A es la latitud (grados) y T d es la temperatura media del punto de rocío.
T a , T m y T d están en ° C. Esta fórmula requiere solo datos geográficos (A y h),
media y la temperatura del punto de rocío.
(3) Método Blaney-Criddle

El procedimiento de Blaney-Criddle (1950) para estimar la ET es bien conocido en el
el oeste de los Estados Unidos y también se ha utilizado ampliamente en otros lugares (Singh, 1989). Lo normal
La forma de la ecuación de Blaney-Criddle convertida a unidades métricas se escribe como:
ET = kp (0.46T a + 8.13) (4,6)
donde ET es la evapotranspiración del cultivo de referencia, en mm, para el período en el que p es

expresado. T a es la temperatura media en ° C, p es el porcentaje del total de horas diurnas para el
4-3
Página 60
período utilizado (diario o mensual) del total de horas diurnas del año (365 × 12), y k es
coeficiente de uso consuntivo mensual, dependiendo del tipo de vegetación, ubicación y
temporada. Según Blaney-Criddle, para la temporada de crecimiento (mayo a octubre) k varía
de 0,5 para naranjo a 1,2 para vegetación natural densa.
(4) Método Kharrufa

Kharrufa (1985) derivó una ecuación mediante la correlación de ET / py T en la forma
de:
1.3
ET = 0.34 p T a (4,7)
donde ET = evapotranspiración potencial de Kharrufa en mm / mes, T a y p tienen la

mismas definiciones que se dan en la ecuación (4.6).
(5) Método de Hargreaves

Hargreaves y Samani (1982, 1985) propusieron varias mejoras para el
Ecuación de Hargreaves (1975) para estimar la ET de referencia relacionada con la hierba. Porque solar
Los datos de radiación con frecuencia no están disponibles, Hargreaves y Samani (1982, 1985)
recomendó estimar R s de radiación extraterrestre, R A , y la diferencia
entre las temperaturas máximas y mínimas medias mensuales, TD en ° C.El resultado
la forma de la ecuación es:
ET = 0,0023 R A TD 1/2 (T a +17,8) (4,8)
La radiación extraterrestre, R A, se expresa en unidades de evaporación equivalentes. Para

la latitud y el día dados R A se obtiene de tablas o se puede calcular utilizando un conjunto de
ecuaciones (ver Jensen et al., 1990, página 179). La única variable para una ubicación determinada y
el período de tiempo es la temperatura del aire. Por lo tanto, el método de Hargreaves se ha convertido en un
método basado en la temperatura.
(6) Método Hamon

Hamon (1961) derivó un método de evapotranspiración potencial basado en la media del aire
temperatura y se expresa como
ET = 0,55 D 2 Pt (4,9)
donde ET es la evapotranspiración potencial en pulgadas / día, D son las horas de luz del día para un
dado el día en unidades de 12 horas, y Pt es un término de densidad de vapor de agua saturado calculado
por:
062.0 ( aT )
95,4 mi
Pt = (4.10)
100
donde T a es la temperatura media diaria del aire en ° C.
(7) Método Remanenko

Remanenko (1961) derivó una ecuación de evaporación basada en la relación utilizando
temperatura media y humedad relativa:
ET = 0,0018 (25 + T a ) 2 (100-Rh) (4,11)
4-4
Página 61
donde T a es la temperatura media del aire en ° C, Rh es la humedad relativa mensual media,

que se calcula por:
Teo ) (re
rh. = (4.12)
Teo ) (una
en donde e ° (T) es la presión de vapor saturada calculada por (ver Bosen, 1960):
= (
Teo 8679,33) [(. 00738 T + 8072. .) 8
- 000019 8.1 T + 48 + .001316 ] (4,13)
Un estudio comparativo de los métodos basados en la temperatura discutidos anteriormente fue realizado por
Xu y Singh (2001).
4.2.1.2 Métodos basados en la radiación solar
El enfoque basado en la radiación ha tenido una amplia aplicación en la estimación del potencial
evapotranspiración (ET) de áreas terrestres. Se han derivado muchas fórmulas empíricas
basado en este enfoque (Jensen et al., 1990; Xu y Singh, 1999). Ciertos métodos
basado en la radiación solar también implica un término de temperatura.
Ecuaciones empíricas basadas en radiación para estimar la evaporación potencial en general
se basan en el balance energético (Jensen et al., 1990). La mayoría de las ecuaciones basadas en radiación
coje la forma:
λ ET = C r (wR s ) o λ ET = C r (wR n ) (4,14)
donde λ es el calor latente de vaporización (en calorías por gramo), ET es el potencial

evapotranspiración (en mm por día), R s es la radiación solar total (en calorías por cm 2
por día), R n es la radiación neta (en calorías por cm 2 por día), w es la temperatura y
factor de ponderación dependiente de la altitud, y C r es un coeficiente que depende de la
humedad y velocidad del viento. Se evaluaron ocho ecuaciones populares basadas en radiación y
comparados en este estudio: Turc (1961), Makkink (1957), Jensen y Haise (1963),
Hargreaves (1975), Doorenbos y Pruitt (1977), McGuinness y Bordne (1972),
Abtew (1996) y Priestley y Taylor (1972). En aras de la exhaustividad,
estas ecuaciones se resumen brevemente a continuación. Para una discusión más completa,
se remite al lector a la literatura citada.
(1) Método Turc
En condiciones climáticas generales de Europa occidental, Turc (1961) calculó la ET en

milímetros por día durante períodos de 10 días como
T
mit = 013.0 ( R s + ) 50 para RH ≥ 50 (4,15)
T + 15
T 50 - RH
mit = 013.0 ( R s + 1) (50+ ) para RH <50 (4,16)
T + 15 70
4-5
Página 62
donde T es la temperatura del aire en ºC, R s es la radiación solar total en cal / cm 2 / día, y
RH es la humedad relativa en porcentaje.
(2) Método Makkink
Makkink (1957) estimó la ET en milímetros por día durante períodos de 10 días para
Tierras con césped bajo condiciones climáticas frescas de los Países Bajos como:
∆ Rs
ET = 61,0 - 012.0 (4,17)
+ ∆ γ 5.58
donde ∆ es la pendiente de la curva de presión de vapor de saturación (en mb / ºC), γ (en mb / ºC) es el
constante psicromática. Estas cantidades se calculan como (véase también Singh, 1989):
∆ = 33,8639 [0,05904 (0,00738T + 0,8072) 7 -0,0000342] (4,18)
Ordenador
pags personal
/ ( =C°
γ ) megabyte (4,19)
622.0 λ
λ (cal / g) = 595-0,51T (4,20)
P = 1013-0,1055 EL (4,21)
donde EL es la elevación (en metros), λ (en calorías por gramo) es el calor latente y P (en
milibares) es la presión atmosférica. El calor específico del aire c p (en cal / g / ºC) varía ligeramente
con presión atmosférica y humedad, que van desde 0,2397 a 0,260. Un promedio
el valor de 0,242 es razonable.
Sobre la base de una investigación posterior en los Países Bajos y en Tåstrup, Hansen (1984)
propuso la siguiente forma de la ecuación de Makkink
∆ Rs
ET = 7.0 (22)
+ ∆ λγ
donde todas las notaciones tienen el mismo significado y unidades que en (4.17).
(3) Método Jensen-Haise
Jensen y Haise (1963) evaluaron 3000 observaciones de ET según lo determinado por el suelo
procedimientos de muestreo durante un período de 35 años, y desarrolló la siguiente relación:
λ ET = RTTC
t( - sx) (4,23)
donde λ y R s tienen el mismo significado y unidades que antes, ET está en mm / día, C T

(constante de temperatura) = 0.025, y T x = -3 cuando T está en grados Celsius. Estas
Se consideró que los coeficientes eran constantes para un área determinada.
(4) Método de Hargreaves
4-6
Página 63
Hargreaves (1975) y Hargreaves y Samani (1982, 1985) propusieron varios

ecuaciones para el cálculo de la evapotranspiración potencial, ET (en mm / día). Uno de los
ecuaciones se escribe como
λ ET = 0135.0 +(T ) 8.17 Rs (4,24)
Todas las variables tienen el mismo significado y unidades que antes. El método de Hargreaves fue
derivado de ocho años de datos del lisímetro de hierba de festuca Alta de Davis,
California.
(5) Método Doorenbos y Pruitt
Doorenbos y Pruitt (1977) presentaron un método de radiación para estimar la ET utilizando

radiación solar. El método es una adaptación del método de Makkink (1957) y fue
recomendado sobre el método Penman cuando los datos de viento y humedad medidos fueron
no disponible o no se pudo estimar con una confianza razonable.
ET = una+ ∆ γ R s + si (4,25)
donde R s es la radiación solar en mm / día, b = -0,3 mm / día y a es un factor de ajuste

que varía con la humedad relativa media y la velocidad del viento durante el día. El factor de ajuste
a se presentó en forma gráfica y tabular, y también se puede calcular a partir de
-2 -3
= 066.1 - 13,0 × 10
una RH + 045.0 U re - 20,0 × 10 RH × U re
-4 2 -2 2
(4,26)
- 315.0 × 10 RH - 11,0 × 10 U re
donde RH es la humedad relativa media en porcentaje y U d es el viento diurno medio

velocidad en m / s.
(6) Método de McGuinness y Bordne
McGuinness y Bordne (1972) propusieron un método para calcular el potencial

evapotranspiración basada en un análisis de datos de un lisímetro en Florida.
ET = 0082.0 {( T - 1500 /)R(19,0

s 54.2)} (4,27)
donde ET está en cm / día durante un período mensual, T está en grados Fahrenheit y R s está en
cal / cm 2 / día.
(7) Método Abtew
Abtew (1996) utilizó un modelo simple que estima la ET de la radiación solar de la siguiente manera
Rs
ET = K (4,28)
λ
4-7
Página 64
donde ET está en mm / día, R s está en MJm -2 d -1 , λ está en MJ kg -1 y K es un adimensional

coeficiente.
(8) Método de Priestley y Taylor
Priestley y Taylor (1972) propusieron una versión simplificada de la combinación

ecuación (Penman, 1948) para usar cuando las áreas de la superficie generalmente estaban húmedas, que es una
condición requerida para la evaporación potencial, ET. El componente aerodinámico fue
eliminado y el componente de energía se multiplicó por un coeficiente, α = 1.26, cuando el
las áreas circundantes generales estaban mojadas o en condiciones húmedas.
∆ Rnorte
ET = α (4,29)
+ ∆ λγ
donde R n es la radiación neta (cal cm -2 d -1 ), y otras notaciones tienen la misma

significado y unidades como en la ecuación (4.17).
Xu y Singh (2000) realizaron un estudio comparativo de los métodos basados en radiación.
4.2.1.3 El método de combinación de Penman
Penman (1948) fue uno de los primeros en desarrollar un método considerando los factores de
tanto el suministro de energía como el transporte turbulento de vapor de agua lejos de una evaporación
superficie. Los principios físicos combinan los dos enfoques, es decir, la transferencia de masa y
el balance energético. Las ecuaciones básicas se modifican y reorganizan posteriormente para usarlas
constantes meteorológicas y mediciones de variables realizadas regularmente en
estacionesdeclimatológicas.
derivado Siguiendo a Shaw (1989), la ecuación de Penman (4.34) puede ser
la siguiente manera:
En una ecuación de balance de energía simplificada:
EH=o + Q (4,30)
donde H es la energía térmica disponible, E o es la energía para la evaporación (flujo de calor latente) y
Q es energía para calentar el aire (flujo de calor sensible).
Los valores de E o y Q pueden definirse mediante las ecuaciones aerodinámicas:
mio = eeuf
) (( s - re ) (4,31)
Q = γ TTuf
1 ) (( s - )
una (4,32)
γ es la constante higrométrica (0,27 mm de mercurio / ºF) para mantener la consistencia de las unidades. Es
generalmente asumido que uf) =( ) ( . Si la ecuación aerodinámica (4.31) se basa en la
1 uf
humedad del aire usando la temperatura del aire T
a , entonces:
miuna= eeuf
) (( una- re ) (4,33)
4-8
Página 65
donde e a es la presión de vapor saturada a la temperatura del aire T a , y por lo tanto (e a - e d ) es el

déficit de saturación (e d , la presión de vapor del aire, es la presión de vapor saturada en el
punto de rocío T d ). La temperatura, T a , se mide fácilmente, de donde se obtiene fácilmente e a ,
mientras que e s en la ecuación (4.31) es difícil de evaluar.
Si ∆ representa la pendiente de la curva de presión de vapor saturado graficada contra
temperatura, entonces:
ee -
Delaware eeuna-
=∆ ≈ s re
≈ re
(si los gradientes son pequeños)
dT TTs - re una-
TT re
luego de la ecuación (4.32):
() ( [
Q = γ TTuf s - re ()- una-
TT re ) ]
( ees - re () eeuna- re )
= γuf) ( -
∆ ∆
γmio γmiuna
= -
∆ ∆
sustituyendo Q en la ecuación del balance energético (ecuación 4.30):
γmio γmiuna
E o - =H +
∆ ∆
+ mi
∆o +o ∆ = H
γmi γmiuna
∆ γ
E o = ET = H + miuna (4,34)
+∆ γ +∆ γ
Esta ecuación final es la fórmula básica de Penman para la evaporación en aguas abiertas. Requiere
valores de H y E a así como ∆ para su aplicación.
Si se dispone de medidas de radiación neta, entonces H, el calor disponible puede ser
obtenido directamente. Con mayor frecuencia, H se calcula a partir de la entrada (R I ) y la salida (R O )
radiación determinada a partir de registros de insolación, temperatura y humedad, utilizando:
RH=−−
) 1yo( Rr O (4,35)
donde r es el albedo y es igual a 0.05 para el agua. R I es una función de R a , el teórico

radiación (fijada por latitud y estación) modulada por una función de la relación, n / N, de
medido a la máxima duración posible de la insolación. Usando r = 0.05 dados:
= -r 1 (
R yo95,0) + ( Nn
Runa) /55.018.0 (4,36)
el término R O en la ecuación (4.35) viene dado por:
4
R O = σ T una
(0,56 - 0,09 de ) (0,10 + 0,90 n / N) (4,37)
4-9
Página 66
4
Donde σ T es la radiación teórica del cuerpo negro en T
una a que luego es modificado por
funciones de la humedad del aire (e d ) y la nubosidad (n / N).

Por tanto, H en la ecuación (4.34) se obtiene a partir de los valores encontrados mediante las ecuaciones (4.36) y
(4.37) insertado en la ecuación (4.35).
A continuación, E a en la ecuación (4.34) se encuentra utilizando los coeficientes derivados por experimento para
Agua abierta:
miuna= 5,0 (35,0 + tu2 ) (100 /eeuna- re ) (4,38)
Finalmente, se encuentra un valor de ∆ a partir de la curva de presión de vapor saturado contra

temperatura correspondiente a la temperatura del aire, T a .
Las ecuaciones dadas son las publicadas originalmente por Penman. El cuatro
Las medidas necesarias para calcular la evaporación en aguas abiertas son las siguientes:
T una temperatura media del aire durante una semana, 10 días o un mes, ºF o ºC
e d presión de vapor media para el mismo período, mm de mercurio
n sol brillante durante el mismo período, h día -1
u 2 velocidad media del viento a 2 m sobre la superficie, millas día -1
Con observaciones meteorológicas realizadas en varias unidades y la tendencia a trabajar

ahora en unidades SI, se necesita cuidado al convertir las medidas en las unidades apropiadas
para la fórmula. La ET de evaporación está finalmente en mm / día.
4.2.1.4 Método Penman-Monteith
El método de combinación de Penman (equ (4.34)) fue desarrollado por muchos

investigadores, Monteith (1963, 1964) realizó un excelente trabajo
términos de resistencia y llegó a la siguiente ecuación para ET a partir de superficies con
suministro de agua óptimo o limitado:
ρ CEE
sp( - )
una
+ ∆−
( R norte GRAMO
)
runa
ET = (4,39)
rs
λ + ∆ γ 1+
runa
donde: ET = evapotranspiración; R n = radiación neta; ∆ = tasa de aumento con

temperatura de la presión de vapor de saturación del agua a la temperatura del aire; ρ = densidad de
aire; cpags
= calor específico del aire a presión constante; (mi s -e a ) = déficit de presión de vapor del aire;
r a = resistencia aerodinámica al transporte de vapor de agua; λ = calor latente de vaporización de
rs al agua de la superficie a granel (dosel)
agua; γ = constante psicométrica; = resistencia
transporte. G = flujo de calor del suelo.
El enfoque de Penman-Monteith, como se formuló anteriormente, incluye todos los parámetros que
gobiernan el intercambio de energía y el correspondiente flujo de calor latente (evapotranspiración) de
extensiones uniformes de vegetación. Este modelo requiere datos sobre r a y r ques no son
fácilmente disponibles. La FAO (Allen et al. 1998) recomendó ecuaciones para calcular
r a y y los sustituyó en la ecuación (4.39). Del original Penman-Monteith
sr
4-10
Página 67
ecuación (ecuación 4.39) y las ecuaciones de la resistencia aerodinámica y superficial,

el método FAO Penman-Monteith para calcular la referencia (potencial)
La evapotranspiración ET se puede expresar como (Allen et al. 1998):
900
- GRAMO
408,0 ∆ ( R norte ) +γ eeu
2( s - )
una
T una+ 273
ET = (4.39a)
+ ∆ γ 34,01
+ ( tu2 )
donde: ET = evapotranspiración de referencia [mm día -1 ], R n = radiación neta en el cultivo

superficie [MJ m -2 día -1 ], G = densidad de flujo de calor del suelo [MJ m -2 día -1 ], T = aire medio diario
temperatura a 2 m de altura [° C], u 2 = velocidad del viento a 2 m de altura [ms -1 ], e s = saturación
presión de vapor [kPa], e a = presión de vapor real [kPa], e s - e a = vapor de saturación
déficit de presión [kPa], ∆ = curva de presión de vapor de pendiente [kPa ° C -1 ], γ = psicrométrico
constante [kPa ° C -1 ].
Aparte de la ubicación del sitio, la ecuación FAO Penman-Monteith requiere aire
datos de temperatura, humedad, radiación y velocidad del viento para diario, semanal, diez días o
cálculos mensuales.
El procedimiento para usar equ (4.39a) para calcular la evapotranspiración de referencia tiene
dado en el Capítulo 3 del documento 56 de la FAO (Allen et al., 1998), que es
resumido en lo que sigue. Es importante verificar las unidades en las que los datos meteorológicos
Están reportados.
Calor latente de vaporización ( λ )
λ = 2,501 - (2,361 x 10 -3 ) T una
donde: λ = calor latente de vaporización [MJ kg -1 ], T a = temperatura del aire [° C].
Presión atmosférica (P)
26,5
293 - 0065.0 z
= 3.101
PAGS
293
donde: P = presión atmosférica [kPa] a la elevación z [m].
Presión de vapor de saturación (e s )
27.17 T una
611,0)=(
Tecomo Exp
T una+ 3.237
donde: e s (T a ) = función de presión de vapor de saturación [kPa] y T a = temperatura del aire [° C].
Presión de vapor real (e a )
27.17 T re
re =(
Teuna611,0) Exp
T re + 3.237
4-11
Página 68
donde: e a (T d ) = función de presión de vapor real [kPa] y T d = temperatura del punto de rocío
[° C].
Pendiente Curva de presión de vapor ( ∆ )
27.17 T una
2504 Exp
4098 Tecomo
)( T una+ 3.237
=∆ =
2 2
( Tuna+ ) 3.237 (T una+ ) 3.237
donde: ∆ = curva de presión de vapor en pendiente [kPa C -1 ] y T a = temperatura del aire [° C].
Constante psicrométrica ( γ )
ordenador
pags personal
- PAGS
γ = × 10 3 = .0 00163
ελ λ
donde: γ = constante psicrométrica [kPa C -1 ], c p = calor específico del aire húmedo = 1.013 [kJ
kg -1 ° C -1 ], P = presión atmosférica [kPa], ε = relación peso molecular del agua
vapor / aire seco = 0,622 y λ = calor latente de vaporización [MJ kg -1 ].
Radiación de onda corta en un día de cielo despejado (R so )
El cálculo de R so es necesario para calcular la radiación neta de onda larga. Un bien

aproximación para R así según la FAO (Allen et al., 1998) para diario y horario
períodos es:
R así = (0,75 + 2 × 10 -5 z) R una
donde: R so = radiación de onda corta en un día de cielo despejado [MJ m -2 d -1 ], z = elevación de la estación
[m], R un = radiación extraterrestre [MJ m -2 d -1 ].
Radiación extraterrestre por períodos diarios (R a )
La radiación extraterrestre, R una , para cada día del año y para diferentes latitudes es
estimada a partir de la constante solar, la declinación solar y la época del año mediante:
) 60 (24
R una= dGrsc [ω s pecado( δ ) + porque
ϕ pecado() ωs ] )
ϕ cos () δ pecado()
π
donde: R a = radiación extraterrestre [MJ m -2 día -1 ], G sc = constante solar = 0.0820 MJ

m -2 min -1 , d r = distancia relativa inversa Tierra-Sol, ω s = ángulo de la hora del atardecer, ϕ = latitud
[rad] y δ = diezma solar.
Las ecuaciones para calcular d r , ω s , ϕ y δ se dan en el capítulo 3 del documento 56 de la FAO.

(Allen et al., 1998).
4-12
Página 69
Radiación solar neta o de onda corta neta (R ns )
La radiación neta de onda corta resultante del equilibrio entre la entrada y la reflejada
la radiación solar viene dada por:
R ns = (1- α ) R s
Donde: R ns = radiación solar neta o de onda corta [MJ m -2 día -1 ], α = albedo o dosel
coeficiente de reflexión, que es 0,23 para el cultivo hipotético de referencia de hierba
[adimensional] y R s = la radiación solar entrante [MJ m -2 día -1 ].
Radiación neta de onda larga (R nl )
La radiación de onda larga saliente neta se calcula mediante
4 4
(34,0 - 14.0 )
T max, K
+ T min, K Rs
R nl = σ miuna 35,1 - 35,0
2 R entonces
donde: R nl = radiación de onda larga saliente neta [MJ m -2 día -1 ], σ = Stefan-Boltzmann

constante [4,903 10 -9 MJ K -4 m -2 días -1 ], T max, K = temperatura máxima absoluta durante
el período de 24 horas [K = ° C + 273.16], T min, K = temperatura mínima absoluta durante
el período de 24 horas [K = ° C + 273.16], e a = presión de vapor real [kPa], R s / R so =
Radiación relativa de onda corta (limitada a ≤ 1,0), R s = radiación solar medida [MJ m -2
día -1 ] y R so = radiación de cielo despejado calculada [MJ m -2 día -1 ].
Radiación neta (R n )
La radiación neta (R n ) es la diferencia entre la radiación neta de onda corta entrante

(R ns ) y la radiación de onda larga neta saliente (R nl ):
R n = R ns - R nl
Flujo de calor del suelo (G)
Para la superficie cubierta de vegetación y los pasos de tiempo de cálculo son 24 horas o más, un
procedimiento de cálculo propuesto por la FAO (Allen et al., 1998), basado en la idea de que el
la temperatura del suelo sigue a la temperatura del aire es la siguiente,
TT
yo
- -1
yo
cG = s
∆z
∆t
donde: G = flujo de calor del suelo [MJ m -2 día -1 ], c s = capacidad calorífica del suelo [MJ m -3 ° C -1 ], T i = aire
temperatura en el tiempo i [° C], T i-1 = temperatura del aire en el tiempo i-1 [° C],
t ∆ = período de tiempo
intervalo [día], = profundidad
z∆ efectiva del suelo [m], que para un intervalo de tiempo de uno o varios días
mide aproximadamente 0,10 - 0,20 m. Allen et al. Proponen diferentes ecuaciones. (1998) en
calculando G dependiendo de los períodos de tiempo de cálculo.
4-13
Página 70
4.2.2 Métodos micrometeorológicos
4.2.2.1 Los métodos basados en transferencia de masa
El método de transferencia de masa es uno de los métodos más antiguos (Dalton, 1802; Meyer, 1915;
Penman, 1948) y sigue siendo un método atractivo para estimar la superficie de agua libre.
evaporación, ET 0 , debido a su simplicidad y precisión razonable. La transferencia de masa
Los métodos se basan en la ecuación de Dalton que para la superficie del agua libre se puede escribir
como:
ET 0 = C (e s -e a ) (4,40)
donde ET 0 es la evaporación de la superficie del agua libre, e s es la presión de vapor de saturación en el

temperatura de la superficie del agua, e a es la presión de vapor real en el aire, y C es un
constante determinada empíricamente que implica alguna función de viento.
Por tanto, la ecuación (1) se expresa como:
ET 0 = f (u) (e s -e a ) (4,41)
donde f (u) es la función del viento. Esta función depende, entre otros factores, de la
Alturas de observación de las mediciones de la velocidad del viento y la presión de vapor. Aunque el
dos alturas no tienen por qué ser iguales, se debe utilizar el mismo diseño experimental para un
valor particular de la función. El método de transferencia de masa ha tenido una amplia aplicación en
la estimación de la evaporación del lago y se han derivado muchas fórmulas empíricas
basado en este enfoque (Singh, 1989). Ejemplos de ecuaciones empíricas de este tipo son
incluido en la Tabla 4.1.
Una inspección de las ecuaciones basadas en la transferencia de masa anteriores revela que tres importantes
Los factores meteorológicos que se considera que afectan la evaporación son (1) gradiente de presión de vapor,
(2) velocidad del viento y (3) temperatura. La presión del aire, la densidad del fluido y la superficie del agua.
La elevación de un lugar determinado puede no afectar mucho la tasa de evaporación. Tabla 1 también
muestra que las fórmulas específicas han resultado del análisis de limitaciones y sitios específicos
datos meteorológicos. Los procedimientos de recopilación de datos no solo son variados, sino
frecuentemente inconsistente. Por lo general, tales inconsistencias son una fuente importante de problemas específicos del sitio.
modificaciones y adaptaciones de este tipo de ecuaciones. Específicamente, las elevaciones en
qué temperatura y presión de vapor se miden varían ampliamente. Como resultado, estimaciones
del gradiente de humedad y la velocidad del viento se ven afectados.
Singh realizó una evaluación y comparación de los métodos de transferencia de masa.

Xu (1997a). Más recientemente, una comparación cruzada de transferencia de masa, radiación y
Xu y Singh (2002) realizaron modelos de evaporación basados en la temperatura.
4-14
Página 71
Tabla 4.1 Algunas ecuaciones de evaporación basadas en transferencia de masa para la estimación de
evaporación.
______________________________________________________________________
No. Autor Ecuación comentarios

-------------------------------------------------- -------------------------------------------------- ----------------
1) Dalton (1802) ET 0 (pulg./mo)=a(e s -e a ) a = 15 para pequeño, poco profundo
agua, y a = 11 para
gran agua profunda
2) Fitzgerald (1886) ET 0 (pulg./mo)=(.4+.199u)(e s -e a )
3) Meyer (1915) ET 0 (pulg./mo)=11(1+.1u)(e s -e a ) e a se mide a 30 pies
sobre la superficie
4) Horton (1917) ET 0 (in./mo)=.4[(2-exp(-2u))(e s -e a )]
5) Rohwer (1931) ET 0 (in./da)=.77(1.465-.0186p b ) . p b = presión barométrica
(.44 + .118u) (e s -e a ) pulg. de Hg.
6) Penman (1948) ET 0 (in./da)=.35(1+.24u 2 ) (e s -e a )
7) Harbeck et al (1954) ET 0 (in./da)=.0578u 8 (e s -e a )
ET 0 (in./da)=.0728u 4 (e s -e a )
8) Kuzmin (1957) ET 0 (pulg./mo)=6.0(1+.21u 8 ) (e s -e a )

9) Harbeck et al (1958) ET 0 (in./da)=.001813u(e s -e a ) T a = aire promedio
(1-.03 (T a -T w )) temperatura o C +1.9 o C;
T w = agua promedio
temperatura superficial o C.
10) Konstantinov (1968) ET 0 (in./da)=.024(t w -t 2 ) / u 1 + .166u 1 ) (e s -e a )
11) Remanenko (1961) ET 0 (cm / mes) =. 0018 ( T a +25) 2 (100-hn) hn = humedad relativa
2
623. ρ Reino - eeu
( 8Unido )( - )
12) Sverdrup (1946) ET 0 ) hin
/. ( = o 2 2 8
K o = constante de von Karman
2
pags
[ln ()] 200/800
ρ = densidad del aire
p = presión atmosférica
2
623. ρ Reino - eeu
o ( 8Unido
2)( 2
- 8 )
13) Thornthwaite y ET 0 ) hin
/. ( =
2
pags
[ln ()] 200/800
Holzman (1939)
______________________________________________________________________
La velocidad del viento (media mensual) u se mide en millas por hora y la presión de vapor e,
en pulgadas de Hg. Los subíndices adjuntos a u se refieren a la altura en metros a la que
se toman medidas; ningún subíndice se refiere a mediciones cerca del suelo o del agua
superficie.
4-15
Página 72
4.2.2.2 Método aerodinámico
Las teorías, principios y procedimientos involucrados en los métodos aerodinámicos son

discutido en el curso “Hidrología de procesos”. Un ejemplo de tales métodos es brevemente
se muestra aquí. Thornthwaite y Holzman (1942) estuvieron entre los primeros
micrometeorólogos para aplicar el enfoque aerodinámico a la medición de ET. Ellos
propuso una relación que involucra los gradientes de humedad específica q y la
perfil de viento logarítmico. Su expresión, dada aquí sin derivación, es
( q 2 - Uq
1) ( -U1)
k2
ET = ρ una 2
(4,42)
2
en zz2 ) / 1
donde ρ a = densidad del aire húmedo, k = constante de von Karman. Sobre un áspero recortado
superficie z - d se sustituye por z. Thompson ofrece un análisis de errores de este método.
y Pinker (1981).
Siguiendo el trabajo de Thornthwaite y Holzman, muchos otros (p. Ej., Pasquil, 1950;
Pruitt, 1963; Dyer, 1974) han propuesto métodos aerodinámicos con corrección de estabilidad para
estimando el flujo de vapor. Los métodos aerodinámicos requieren rigurosamente
observaciones de la velocidad del viento y la humedad específica o la presión de vapor en una serie de
alturas sobre la superficie, así como medición de temperatura para permitir la estabilidad
correcciones a realizar. Debido a sus orígenes en la teoría clásica de dinámica de fluidos,
Los métodos aerodinámicos han sido populares entre los científicos. Sin embargo, los métodos tienen
no han alcanzado un grado de desarrollo que los haga aplicables para uso rutinario, para
ejemplo, en modelización hidrológica.
4.2.2.3 Método de balance de raciones-energía de Bowen
Bowen (1926) introdujo una relación entre el flujo de calor latente, λ E y sensible
flujo de calor, H conocido como la ración de Bowen β . Esto está definido por
ordenador personal ∂T ∂T
H pags METRO Kh ∂z = γ K h ∂z
β = = una
(4,43)
λ mi λ METRO K ∂ mi K ∂ mi
w w w
∂z ∂z
donde M w y M a son los pesos moleculares del vapor de agua y el aire, K h y K w son los
Coeficientes de intercambio turbulento para calor sensible y vapor de agua. Otras notaciones son
previamente definido.
Esta relación generalmente se simplifica asumiendo que el intercambio turbulento
coeficiente para el transporte de calor K h = el coeficiente de intercambio para el transporte de vapor de agua K w
y eso ) ∂∂
//zT() ∆∆≈∂∂
/( ze eT/ donde ∆ T = T
2 - T 1 , y ∆ e = e 2 - e 1 . Ecuación
(4.43) luego se convierte en
∆T
γβ ≈ (4,44)
∆ mi
una forma simplificada de ecuación de balance de energía en la superficie de la tierra se puede escribir como:
R n ++SHEλ =+ 0 (4,45)
4-16
Página 73
De (4.43), H = βλ E. La sustitución en (4.45) y la solución para λ E produce
+S
R norte +S
R norte
λ mi- = -= (4,46)
1+ β ∆ +
1 γ T
∆ mi
La ecuación (4.46) es el método denominado “balance de energía-relación de Bowen” (BREB) de

estimando λ E.
4.2.3 El método pan
La evaporación medida de una olla de agua poco profunda es una de las más antiguas y comunes
métodos para estimar ET 0 . Es una integración indirecta de la principal atmósfera
variables relacionadas con ET 0 . Las cacerolas son económicas, relativamente fáciles de mantener y sencillas de
funcionar. En regiones húmedas, los recipientes también pueden dar estimaciones realistas del potencial
evapotranspiración, ET. Sin embargo, se debe tener cuidado al relacionar la evaporación de las bandejas
a ET en climas áridos (Rosenberg et al., 1983, página 262). Dada cierta estandarización
de la forma de la sartén, el entorno ambiental y el funcionamiento, se han obtenido buenas correlaciones
desarrollado entre la evaporación de la bandeja, E p , y la evaporación potencial, ET, por un simple
relación
ET = C ET E pags (4,47)
donde C ET es un coeficiente.
Los coeficientes pan-a-ET (C ET ) son necesarios porque la evaporación para un recipiente es
generalmente más que para una superficie con vegetación bien mojada, o incluso un estanque, debido a la
Exposición excesiva de la sartén y menor reflectancia de la radiación solar. Los valores de C ET
varían normalmente de 0,5 a 1,0. El valor real depende, entre otros factores, de la
tipo de recipiente, la ubicación de la medición y la temporada. Aunque específico
Los valores de coeficiente para la aplicación a cualquier situación o plato dado pueden tener que ser encontrados por
calibración, los valores medios mensuales generalmente se muestran en una tabla o se muestran gráficamente en un
mapa de algunas de las principales estaciones o regiones meteorológicas.
4.2.4 Relación entre ET o y ET
La mayoría de los refinamientos posteriores de la fórmula de Penman para ET 0 se han referido

con adaptarlo para calcular la evapotranspiración potencial, ET. El propio Penman comenzó
con un enfoque puramente empírico, comparando ET 0 calculado con pérdidas ET de pozo-
parcelas regadas cubiertas con tierra base y césped de cultivo corto en Rothamsted Research
Estación, cerca de Londres. Recopilar datos de parcelas similares en una amplia variedad de climas
desde Europa hasta los trópicos húmedos, Penman produjo la fórmula empírica
ET = f ET 0
Donde f es un factor de corrección estacional que cubre los efectos de diferentes insolaciones.
intensidad, duración del día, respuesta estomática y geometría. Concluyó de la
experimentar que:
4-17
Página 74
(1) La tasa de evaporación (medida por f en la ecuación) para el

El suelo es 0,9 veces mayor que una superficie de agua abierta expuesta al mismo clima.
condiciones en todas las estaciones.
(2) La tasa de evaporación relativa correspondiente del césped con abundante agua
la oferta varía según la estación del año. Valor provisional de f para el sur de Inglaterra
son:
Invierno (noviembre - febrero) 0,6
Primavera y otoño (marzo, abril, septiembre, octubre)0,7
Solsticio de verano (mayo - agosto) 0,8
Año completo 0,75
Seguía recomendando la confirmación empírica local siempre que fuera posible, debido a
la gran variación que pueden causar factores como la edad y la especie.
4.3 ESTIMACIÓN DE ET REAL EN MODELOS HIDROLÓGICOS
En los últimos años se han desarrollado una gran cantidad de métodos para la ET real
Cada predicción tiene sus propios requisitos y énfasis. El rango de métodos disponibles
de bastante simple a muy complejo. El método realista más complejo y físico
utilizado para el cálculo de la evapotranspiración real utilizado en los modelos físicos es el
Ecuación de Penman-Monteith (Ecuación 4.39a) como se discutió en la sección anterior. Es
visto que este método requiere muchas variables que pueden no estar disponibles. Para la mayoría
modelos hidrológicos conceptuales, este método es demasiado sensible a los requisitos de datos.
En los modelos conceptuales de captación, la mayoría de los investigadores han considerado necesario
derivar la evapotranspiración "real" en función de la evapotranspiración potencial y la
sequedad del suelo (Palmer, 1965; Saxton y McGuinness, 1982; Dyck, 1983). Como el
La relación de almacenamiento del modelo (el almacenamiento real de humedad del suelo dividido por el almacenamiento máximo) es
representativo de la 'humedad' del suelo, sería conceptualmente aceptable extraer
humedad a la tasa potencial cuando el almacenamiento estaba lleno, es decir, a la capacidad de campo, y
Reducir la extracción a cero cuando el almacenamiento estaba vacío (cuando el déficit de humedad del suelo
había alcanzado su máximo). Sin embargo, la naturaleza de la función que estima la
Se desconoce la evapotranspiración para condiciones entre estos límites. Un numero de
Las funciones que operan entre los límites de la tasa potencial y cero han sido probadas por un
número de modelistas. Una forma general de tales ecuaciones se puede mostrar como
AET = ET ⋅ f (SMT / SMC) (4,48)
donde SMT es el almacenamiento de humedad del suelo real, y SMC es el almacenamiento de humedad del suelo en
capacidad de campo.
Algunos ejemplos de f (SMT / SMC) y otras funciones se dan en la Tabla 4.2. los
La relación entre la evapotranspiración real (AET) y la evapotranspiración potencial (ET) varía con
secado del suelo y que la forma de esta curva difiere, cantidad de otros factores, con la
tipo de suelo, como se ilustra en la Figura 4.1.
4-18
Página 75
Tabla 4.2 Algunos ejemplos de funcionamiento

f (SMT / SMC) .
_____________________________________________________________________
Referencia f (SMT / SMC) =
-------------------------------------------------- -------------------------------------------------- ------
VALORES DIARIOS
1 - Exp( -γSMT )
Minhas y col. (1974) (4,49)
21- Exp( -γSMC ) + Exp( -γSMT )
Norero (1969) [(1+ SMT / SMC )

−⋅
kb
]1
(4,50)
-
k = 2 .69
Exp( . - 0 09 ) . 0 62
MASCOTA (4,51)
norte
Baier y Robertson (1966) ∑ k j ( SMT ij1,- / SMC j ) Z j (4,52)
j=1
1 SMT yo-1
Koitzsch y golf (1983) (4,53)
-
533.01 METRO
yo SMC
SMT
VHB y muchos otros (4,54
LP
(en las siguientes ecuaciones RAT = SMT / SMC )
Roberts (1978) (Rata) 0.5 (4,55)

2 2 2
RATA / ((RATA 1 -()+ RATA)) (4,56)
2 RATA
2 × RATA × 1 / (1 +( RATA) ) (4,57)
RATA
2 × RATA × 1 / (1+( RATA) ) (4,58)
2/1 2/1
RATA + ( RATA - RATA) (4,59)
2
RATA (4,60)
RATA (4,61)
VALORES DE 5 DÍAS
Renger y col. (1974) +
0.22.0 × RATA - 2.1 × RATA2 (4,62)
VALORES MENSUALES
Budyko y Zubenok (1961) RATA (4,63)
(( SMT + PAGS
) /)ET
Xu y col. (1996) 1 - una
1
yo- 1 yo
(4,64)
_____________________________________________________________________
Donde: SMT = humedad real del suelo; SMC = humedad del suelo a capacidad de campo; SMTj, i-1 =
humedad real del suelo en la zona j-ésima al final del día anterior (i-1); Zj = fracción de
humedad del suelo disponible a la cual AET <ET y el estrés de la planta se establece; Kj = fracción de suelo
extracción de humedad en esa zona; γ = parámetro libre; b = constante específica del suelo; M =
densidad del dosel de la vegetación.
4-19
Página 76
Fig.4.1 El gráfico compara las tasas de reducción de la evapotranspiración a medida que el suelo se seca.
(de derecha a izquierda) para arena, marga y arcilla, cuantificado como una proporción de la retención total de agua
capacidad de la zona de la raíz, la parte del suelo que contiene agua disponible para las plantas ("la
capacidad de agua disponible ”). En la arena, las plantas pueden extraer agua a todo su potencial hasta cerca de su
punto de marchitamiento, pero en la arcilla el suministro está restringido por poros más pequeños del suelo de modo que la absorción y
las tasas de transpiración pueden caer rápidamente por debajo del potencial mucho antes. Basado en Dunne y Leopold
(1978), ver también Jones (1997).
4-20
Página 77
Abtew, W., 1996. Medición y modelización de la evapotranspiración para tres humedales

sistemas en el sur de Florida. Boletín de recursos hídricos , 32, 465-473.
Allen, RG, Pereira, LS, Raes, D. y Smith, M., 1998. Evapotranspiración de cultivos -
directrices para calcular las necesidades de agua de los cultivos - Documento de riego y drenaje de la FAO
56. FAO, 1998. ISBN 92-5-104219-5.
Baier, W. y Robertson, GW, 1966. Un nuevo balance de humedad del suelo veraltile. Poder. J.
Plant Sci ., 46.
Blaney, HF y Criddle, WD, 1950. Determinación de las necesidades de agua en áreas irrigadas
a partir de datos climatológicos de riego. Departamento de Agricultura de EE. UU., Conservación de suelos
Servicio técnico. Papilla. No. 96, 48pp.
Bosen, JF, 1960. Una fórmula para la aproximación de la presión de vapor de saturación sobre el agua.
Informe meteorológico mensual 88 (8): 275-76.
Bowen, IS, 1926. La relación de pérdidas de calor por conducción y por evaporación de cualquier
superficie del agua. Phys. Rev. 27: 779-787.
Brutsaert, WH, 1982. Evaporación en la atmósfera: teoría, historia y
aplicaciones. Boston: D. Reidel Publishing Company, Massachusetts.
Budyko, M. y Zubenok, LI, 1961. Opredelenie isparenija poverchnosti sushi. UN
SSSR Ser. Geogr ., 6.
Dalton, J., 1802. Ensayos experimentales sobre la constitución de gases mezclados: sobre la fuerza de
vapor o vapor de agua u otros líquidos a diferentes temperaturas, tanto en un
Torricelli al vacío y al aire; por evaporación; y sobre la expansión de gases por calor.
Sociedad Filosófica Literaria de Manchester Mem. Proceedings 5 : 536-602.
Doorenbos, J. y Pruitt, WO, 1977. Requisitos de agua para cultivos. FAO, Riego y
Papel de drenaje 24, 144pp.
Dyck, S., 1983. 'Panorama general sobre el estado actual de los conceptos de equilibrio hídrico
modelos '. Nuevos enfoques en los cálculos del balance hídrico (Actas de la
Hamburg Workshop) , Van der Beken, A. y Herrmann, A. (Eds), IAHS Publ.
No 148: p3-19.
Dyer, AJ, 1874. Una revisión de la relación flujo-perfil. Meteorol de capa límite. 7:
363-372.
Fitzgerald, D., 1886. Evaporación. Transacciones de la American Society of Civil
Ingenieros 98 (HY12) : 2073-85.
Gurney, RJ y Camillo, PJ, 1984. Modelado de la evapotranspiración diaria utilizando
datos de detección remota. J. hydrol. , 69: 305-324.
Hamon, WR, 1961. Estimación de la evapotranspiración potencial. J. Hydraul. Div., Proc.
A.m. Soc. Civil Eng ., 87: 107-120.
Harbeck, GE, 1962. Una técnica práctica de campo para medir la evaporación del yacimiento
utilizando la teoría de la transferencia de masa. Documento Profesional de Servicio Geológico 272-E , 101-5,
Washington, DC: Imprenta del Gobierno de EE. UU.
Harbeck, GE y col. 1954. Investigaciones de pérdida de agua, Vol. 1, Estudios del lago Hefner. NOS
Documento de estudio geológico 269, Washington, DC
Harbeck, GE y col. 1958. Investigaciones de pérdidas de agua, estudios del lago Mead. NOS
Documento profesional del Servicio Geológico 298, Washington, DC
Hargreaves, GH y Samni, ZA, 1982. Evapotranspiración del cultivo de referencia de
temperatura. TRANSACCIÓN de la ASAE.
4-21
Página 78
Hargreaves, GH y Samni, ZA, 1985. Evapotranspiración del cultivo de referencia de

temperatura. TRANSACCIÓN de la ASAE
Hargreaves, GH, 1975. Disponibilidad de humedad y producción de cultivos. TRANSACCIÓN de
la ASAE 18, 980-984.
Haude, W., 1955. Zur Bestimmung der Verdunstung auf möglichst einfacher Weise.
Mitteilungen des Deutschen Wetterdienstes, nº 11, Band 2, Bad Kissingen.
Helfrich, KR, Adams, EE, Godbey, GE y Harleman, DRF, 1982. Evaluación de
los modelos para predecir la pérdida de agua por evaporación en los embalses de refrigeración. Palo
Alto, Calif .: Electric Power Res. Inst. (Informe provisional nº CS-2325).
Horton, RE, 1917. Intercepción de lluvia. Revisión meteorológica mensual 47 (9) : 603-23.
Hounam, CE, 1971. Problemas de evaluación de la evaporación en el balance hídrico. Reporte
No 3 sobre proyectos OMM / DHI, Ginebra.
Jain, PK y Sinai, G., 1985. Modelo de evapotranspiración para regiones semiáridas. diario
de Ingeniería de Riego y Drenaje 111 (4): 369-379.
Jensen, ME y Haise, HR, 1963. Estimación de la evapotranspiración solar
radiación. Revista de la División de Riego y Drenaje, Proceedings of the American
Sociedad de Ingenieros Civiles 89 , 15-41.
Jensen, ME, 1973. Uso consuntivo de agua y requisitos de riego. ASAE, nuevo
York.
Jensen, ME, Burman, RD y Allen, RG, 1990. Evapotranspiración e irrigación
Requerimientos de agua . Sociedad Estadounidense de Ingenieros Civiles, Nueva York, 1990.
Jones, DMA, 1966. Variabilidad de la evapotranspiración en Illinois. Circular 89, Illinois
Encuesta estatal de agua, Urbana, Ill.
Jones, JAA, 1997. Hidrología global: procesos, recursos y medio ambiente
administración. Pearson Education Limited, Harlow, Inglaterra, 399pp.
Kharrufa, NS, 1985. Ecuación simplificada para la evapotranspiración en regiones áridas .
Beiträge zur Hydrologie , Sonderheft 5.1, 39-47.
Klemes, V., 1986. Pruebas operativas de modelos de simulación hidrológica, Hydrol. Sci.,
J., 31 (1): 13-24.
Kohler, MA, 1957. Aspectos meteorológicos de los fenómenos de evaporación, 421-436. IUGG
Reunión celebrada en septiembre en Toronto, Canadá.
Kohler, MA, Nordenson, TJ y Fox, WE, 1955. Evaporación de bandejas y lagos.
Documento de investigación de la Oficina Meteorológica 38, Departamento de Comercio de EE. UU., Washington,
corriente continua
Koitzsch, R. y Golf, W., 1983. Algorithmus zur Berechnung der realen verdunstung.
Konstantinov, AR, 1968. Evaporación en la naturaleza, Leningrado.
Kuzmin, PO, 1957. Investigaciones hidrofísicas de aguas terrestres. Internacional
Publicación 3 de la Asociación de Hidrología Científica : 468-78.
Linacre, ET, 1977. Una fórmula simple para estimar las tasas de evaporación en varios
climas, utilizando únicamente datos de temperatura. Meteorología agrícola, 18, 409-424.
Linsley, RK, Jr., MA Kohler y JLH Paulhus, Hidrología para ingenieros , McGraw-
Hill, Nueva York, 1982.
Makkink, GF, 1957. Prueba de la fórmula de Penman mediante lisímetros . Diario de
la Institución de Ingenieros del Agua , 11, 277-288.
McCulloch, JSG, 1965. Tablas para el cálculo rápido de la estimación de Penman de
evaporación. Revista Agrícola y Forestal de África Oriental XXX (3): 286-95.
McGuinness, JL y Bordne, EF, 1972. Una comparación del potencial derivado del lisímetro
evapotranspiración con valores calculados. Tech. Toro. 1452, 71pp. Agric. Res. Serv.,
Departamento de Agricultura de los Estados Unidos, Washington, DC, 1972.
4-22
Página 79
Meyer, AF, 1915. Cálculo de la escorrentía de la lluvia y otros datos físicos.

Transacciones, Sociedad Estadounidense de Ingenieros Civiles 79 : 1055-155.
Meyer, AF, 1944. Evaporación de lagos y embalses. Recursos de Minnesota
Comisión, St. Paul, Minn.
Minhas, BS, et al., 1974. Hacia la estructura de una función de producción de trigo
rendimientos con aporte anticuado de agua de riego. Wat. Resour. Res. 10 (3): 383-393.
Monteith, JL, 1963. Intercambio de gases en comunidades vegetales. Control ambiental de
Plant Growth (LT Evans, ed.) Academic Press, New Rork.
Monteith, JL, 1964. Evaporación y medio ambiente. El estado y movimiento del agua en
organismos vivos. 19 th Symp. Soc. Exp. Biol., Academic Press, New Rork.
Monteith, JL, 1965. Evaporación y medio ambiente, Proc. Symp. Exptl. Biol ., 19: 205-
234.
Morton, FI, 1968. Evaporación y clima: un estudio de causa y efecto. Científico
Serie no Canadá.
Ottawa, 4 , Subdivisión de Aguas Interiores, Departamento de Energía, Minas y Recursos,
Morton, FI, 1990. Estudios en evaporación y sus lecciones para el medio ambiente.
Ciencias Revista Canadiense de Recursos Hídricos 15 (3): 261-285.
Morton, FI, 1994. Investigación sobre evaporación: una revisión crítica y sus lecciones para la
Ciencias Ambientales. Revisiones críticas en ciencias ambientales y
Tecnología , 24 (3): 237-280.
Nash, JE y Sutcliffe, J., 1970. Pronóstico del caudal de los ríos mediante modelos conceptuales
Parte I. Una discusión de principios. J. Hydrol. , 10: 282-290.
Norero, AL, 1969. Una fórmula para expresar la evapotranspiración en función del suelo.
demandas de humedad y evaporación de la atmósfera. Tesis de la Universidad del Estado de Utah.
Palmer, WC, 1965. Sequía meteorológica. Res. Papilla. US Weather Bur., 45, p58.
Pasquill, F., 1950. Algunas consideraciones adicionales de las mediciones y
evaluación de la evaporación natural. QJRoy. Meteorol. Soc. 76: 287-301.
Penman, HL, 1948. Evaporación natural de aguas abiertas, suelo desnudo y pasto.
Proceedings, Royal Society, Londres 193: 120-45.
Priestley, CHB y Taylor, RJ, 1972. Sobre la evaluación del flujo de calor superficial y
evaporación utilizando parámetros a gran escala. Monthly Weather Review , 100, 81-92.
Pruitt, WO, 1963. Aplicación de varios balance de energía y evaporación aerodinámica
ecuaciones bajo un amplio rango de estabilidad. Informe final para USAEPG, Univ. de
California-Davis. pp107-124.
Renger, M. y col. 1974. Beurteilung bodenkundlicher, kulturtechnischer und
hidrologista Fragen mit Hilfe von klimatischer Wasserbilanz und
bodenphysikalischen Kennwerten. Z. Kulturtechnik u. Flurbereinigung 15, 148-160.
Roberts, PJT, 1978. Una comparación del desempeño de modelos conceptuales seleccionados
del proceso de lluvia-escorrentía en cuencas de captación semiáridas cerca de Grahamstown , Informe
1/78, Unidad de Investigación Hidrológica, Universidad de Rhodes, Grahamstown.
Rohwer, C., 1931. Evaporación de superficies de agua libre. Departamento de Estados Unidos de
Agricultura, Boletín técnico 271, Washington, DC
Remanenko, VA, 1961. Cálculo de la humedad del suelo en otoño utilizando un
relación para un área grande. Proc. de la Investigación Hidrometeorológica de Ucrania
Instituto, No 3, Kiev.
Rosenberg, NJ, et al., 1983. Microclimate: The Biological Environmental . Wiley, nuevo
York, 495p.
Saxton, KE y McGuinness, JL, 1982. 'Evapotranspiración'. En: hidrológico
Modelado de pequeñas cuencas hidrográficas , Haan, CT, Johnson, HP y Brakensiek, DL,
4-23
Página 80
Saxton, KE, HP Johnson y RH Shaw, 1974. Modelado de evapotranspiración y suelo

humedad. TRANSACCIONES de la ASAE 17 (4): 668-672.
Schulz, EF, 1962. Un procedimiento gráfico para estimar la evapotranspiración potencial por
el método Penman. Informe CER 62EFS49, Departamento de Ingeniería Civil,
Universidad Estatal de Colorado, Fort Collins, Colo.
Sill, BL, 1981. Efectos de convección libre y forzada sobre la evaporación. Diario de
Ingeniería hidráulica 109 (9): 1216-31 .
Singh, VP y Xu, CY, 1997a. Evaluación y generalización de 13 ecuaciones para
determinación de la evaporación del agua libre. Procesos hidrológicos, 11, 311-323.
Singh, VP y Xu, CY, 1997b. Sensibilidad de la evaporación basada en transferencia de masa
ecuaciones a errores en los datos de entrada diarios y mensuales. Procesos hidrológicos, 11,
1465-1473.
Singh, VP, 1989. Hydrologic Systems Vol.II Modelado de cuencas hidrográficas, Prentice-Hall, Inc.
Sledgley, RA, 1977. Un modelo de evapotranspiración simple para usar en la evaluación
cambios hidrológicos en las cuencas hidrográficas en respuesta al cambio de uso de la tierra. Actas,
Simposio sobre hidrología y recursos hídricos, Institución de ingenieros (Australia) ,
Perth, Australia, 123-7.
Sutton, OG, 1949. La aplicación a la micrometeorología de la teoría de turbulencias
fluir sobre superficies rugosas. Real Sociedad Meteorológica , Quart. J., 75, no 236.
Sverdrup, HU, 1946. El gradiente de humedad sobre la superficie del mar. Diario de
Meteorología 3: 1-8.
Tanner, CB, 1966. Comparación de balance de energía y métodos de transporte de masa para
medir la evaporación. Actas, Conferencia de ASAE sobre Evapotranspiración y
Su papel en la gestión de los recursos hídricos, 45-48, celebrada del 5 al 6 de diciembre en Chicago,
Enfermo.
Thompson, OE y RT Pinker, 1981. Un análisis de errores de Thornthwaite-Holzman
ecuaciones para estimar los flujos de calor sensible y latente sobre las copas de los cultivos y los bosques.
J. Appl. Meteorol. 20: 250-254.
Thornthwaite, CW y Holzman, B., 1939. La determinación de la tierra y el agua
superficies. Repaso mensual del clima 67 : 4-11.
Thornthwaite, CW y Holzman, B., 1942. Medición de la evaporación de la tierra y
superficie del agua. USDA Tech. Toro. 817: 1-75.
Thornthwaite, CW y Mather, JR, 1955. The water balance. Publ. Climatol. Laboratorio.
Climatol. Dresel Inst. Technol. , 8 (1): 1-104.
Thornthwaite, CW, 1944. Una contribución al informe del Cttee. sobre la inspiración y
evaporación, Trans. AGU , 25: 686-693.
Thornthwaite, CW, 1948. Un enfoque hacia una clasificación racional del clima.
Geogr. Rev., 38 (1): 55-94.
Turc, L., 1961. Estimación de las necesidades de agua de riego, potencial
evapotranspiración: una fórmula climática sencilla evolucionada hasta la fecha. Anales de
Agronomía , 12: 13-49.
Van Bavel, CHM, 1968. Discusión sobre "Clima y evaporación de cultivos".
Revista de la División de Riego y Drenaje, Proceedings of the American
Sociedad de Ingenieros Civiles 68: 533-5.
Visentini, M., 1936. Association international d'hydrologie scientifique. Boletín No 22:
119-137.
Weisman, RN, 1975. Comparación de ecuaciones de evaporación de agua caliente. Diario de
División de Hidráulica, Actas de la Sociedad Estadounidense de Ingenieros Civiles
101 (HY10) : 1303-13.
4-24
Página 81
Winter, TC, Rosenberry, DO y Sturrock, AM, 1995. Evaluación de 11 ecuaciones

para determinar la evaporación de un pequeño lago en el centro norte de los Estados Unidos. Wat.
Resour. Res. 31 (4): 983-993.
Xu, CY y Singh, VP, 1998. Dependencia de la evaporación en variables meteorológicas
en diferentes escalas de tiempo e intercomparación de métodos de estimación. Hidrológico
Procesos , 12, 429-442.
Xu, CY y Singh, VP, 2000. Evaluación y generalización de radiación basada en
métodos para calcular la evaporación. Procesos hidrológicos 14, 339-349.
Xu, CY y Singh, VP, 2001. Evaluación y generalización de temperatura basada en
métodos para calcular la evaporación. Procesos hidrológicos 15, 305-319.
Xu, CY y Singh, VP, 2002. Comparación cruzada de transferencia de masa, radiación y
modelos de evaporación basados en temperatura. Gestión de recursos hídricos 16, 197-219.
Xu, CY, J. Seibert y S. Halldin, 1996. Modelización del balance hídrico regional en el
Área NOPEX: desarrollo y aplicación de modelos de balance hídrico mensual, J.
Hydrol. 180: 211-236.
Young, AA, 1947. Evaporación de la superficie del agua en California: Resumen de la bandeja
registros y coeficientes, 1881-1946. Boletín 54, Departamento de Obras Públicas,
Sacramento, California.
4-25
Página 82
CAPÍTULO 5
ESCORRIDO EN MODELOS HIDROLÓGICOS
_____________________________________________________________________________________
5.1 INTRODUCCION
Escorrentía, que se puede denominar de diversas formas como flujo de corriente , descarga de corriente o río , o
captación o rendimiento de la cuenca , normalmente se expresa como un volumen por unidad de tiempo. los
m 3 / s , es decir, un metro cúbico por segundo. La escorrentía también se puede expresar como profundidad
equivalente en una cuenca, es decir, milímetros por día, mes o año. Esto es un
unidad particularmente útil para comparar tasas de precipitación y escorrentía y totales desde
la precipitación se expresa casi invariablemente de esta manera.
La escorrentía o flujo de corriente comprende el movimiento por gravedad del agua en canales que
puede variar en tamaño desde el que contiene el goteo más pequeño mal definido hasta los
que contiene el gran río. En un sentido general, esta agua que representa el exceso de
lluvia sobre la evapotranspiración, cuando se tiene en cuenta el almacenamiento en y debajo de la
superficie del suelo.
Se han desarrollado modelos de procesos de escorrentía para una amplia variedad de propósitos,
desde el diseño 'único' de estructuras de ingeniería y sistemas de suministro de agua hasta modernos
modelos en tiempo real utilizados continuamente en los esquemas de regulación fluvial, también están proporcionando
valioso para estudiar los impactos potenciales de los cambios en el uso de la tierra o el clima. Modelo
Los resultados varían desde predicciones de descargas máximas o volúmenes totales de flujo de inundación hasta
especificación completa de la distribución del flujo a lo largo del tiempo, ya sea para tormenta individual
eventos en modelos de eventos o para secuencias continuas de flujos en continuo o secuencial
modelos. En este capítulo, modelos basados en eventos y modelos continuos de procesos de escorrentía
se discuten por separado y se dan más detalles sobre el primero. Este énfasis tiene
elegido porque los modelos orientados a eventos proporcionan un medio directo de
simulación. Se pueden obtener simulaciones continuas especificando un
entrada de precipitación.
5.2. FUENTES Y COMPONENTES DE LA ESCORRENCIA
Para seleccionar un método de modelado, es esencial reconocer las diferentes

componentes de escorrentía y su régimen. Las diferentes terminologías de escorrentía utilizadas en
La literatura ha resultado en mucha confusión y ambigüedad acerca de las fuentes y
componentes. Ward (1972) proporcionó una terminología coherente e inequívoca que
ha sido adoptado en este capítulo. La escorrentía total de una zona típicamente heterogénea
El área de captación se puede dividir convenientemente en cuatro partes componentes: canal
precipitación, flujo superficial, interflujo y flujo de agua subterránea (ver figura 5.1).
Precipitación del canal

La precipitación directa sobre las superficies de agua de arroyos, lagos y embalses hace
Contribución inmediata al caudal. En relación con otros componentes, sin embargo, este
la cantidad es normalmente pequeña en vista del pequeño porcentaje de área de captación que normalmente
cubierto por superficies de agua. En cuencas que contienen una gran superficie de lagos o pantanos
La precipitación del canal puede hacer una contribución sustancial al caudal.
5-1
Página 83
Ch5. Escorrentía en modelos hidrológicos
Figura 5.1 Representación esquemática del proceso de escorrentía (Ward, 1972)
flujo superficial
El flujo terrestre comprende el agua que, al caer para infiltrarse en la superficie, viaja
la superficie del suelo hacia un canal de corriente ya sea como flujo laminar cuasi-laminar o, más
generalmente, como flujo anastomosante en pequeños goteos y riachuelos menores. La principal causa de
El flujo terrestre es la incapacidad del agua para infiltrarse en la superficie y en vista de la alta
valor de la característica de infiltración de la mayoría de las superficies cubiertas de vegetación no es
Sorprende que el flujo terrestre sea un fenómeno raramente observado (excepto en laboratorio
modelos!). Las condiciones en las que asume una importancia considerable incluyen la
saturación de la superficie del suelo, la naturaleza hidrófoba de algunos suelos muy secos, la
efectos nocivos de muchas prácticas agrícolas sobre la capacidad de infiltración y la congelación de
la superficie del suelo. La escorrentía superficial puede definirse entonces como la parte de la escorrentía total
que viaja sobre la superficie del suelo para llegar a un canal de corriente y de allí a través del
canal para llegar a la salida de la cuenca de drenaje.
Interflujo
Agua que se infiltra en la superficie del suelo y luego se mueve lateralmente a través del suelo superior
horizontes hacia los canales de la corriente, ya sea como flujo insaturado o, más generalmente, como
El flujo saturado posado poco profundo por encima del nivel principal del agua subterránea se conoce como
interflujo. Los términos alternativos que se encuentran en la literatura incluyen flujo de tormentasubterráneo,
infiltración de tormentas y flujo base secundario. La condición general que favorece la
5-2
Página 84
generación de interflujo es aquella en la que la conductividad hidráulica lateral en la superficie

Los horizontes del suelo son sustancialmente mayores que el nivel hidráulico vertical general.
conductividad a través del perfil del suelo. Luego, durante lluvias intensas o prolongadas, el agua
entrar en la parte superior del perfil más rápidamente de lo que puede pasar verticalmente a través del
parte inferior, formando así una capa saturada encaramada de la que 'escapará' el agua
lateralmente, es decir, en la dirección de mayor conductividad hidráulica. Pueden ser varios
niveles de interflujo debajo de la superficie correspondientes a cambios de textura entre
horizontes y a la unión entre el manto erosionado y el lecho rocoso. Además, algunos
Los hidrólogos argumentan que el agua puede viajar cuesta abajo a través de viejos agujeros de raíces y animales
madrigueras y otras tuberías subterráneas. En vista de la variedad de posibles rutas de interflujo,
Es de esperar que algunos resulten en un movimiento más rápido de agua hacia el arroyo.
canales que otros, de modo que a veces es útil distinguir entre
e interflujo retardado (véase la figura 5.1). La evidencia experimental ha indicado durante mucho tiempo que
el interflujo puede representar hasta el 85 por ciento de la escorrentía total (Ward, 1972).
Flujo de agua subterránea

La mayor parte de la lluvia que se filtra a través de la capa del suelo hacia el
El agua subterránea llegará eventualmente a los canales de la corriente principal como flujo de agua subterránea.
a través de la zona de saturación. Dado que el agua puede moverse muy lentamente a través del
suelo, la salida de agua subterránea a los canales de la corriente puede retrasarse con respecto a la
ocurrencia de precipitación por varios días, semanas o, a menudo, años. Flujo de agua subterránea
también tiende a ser muy regular, representando como lo hace, el desbordamiento de la lenta
reservorio cambiante de humedad en el suelo y las capas de roca. En general, el flujo de agua subterránea
representa el principal componente a largo plazo de la escorrentía total y es particularmente importante
durante períodos secos cuando no hay escorrentía superficial.
Deshielo
En algunas áreas, particularmente en altitudes elevadas o en latitudes altas, una gran proporción de
El flujo de la corriente puede derivarse del derretimiento de la nieve y los glaciares. Aunque, en términos
de la relación de fase entre precipitación y escorrentía, acumulación de nieve y deshielo
plantean problemas particulares, en términos de la presente discusión, el deshielo no representa
un caso especial o que merece ser considerado como un quinto componente de la escorrentía. Nieve cayendo
directamente sobre la superficie del arroyo ya se ha discutido bajo el título de
Canal de precipitación, mientras que el agua generada por el proceso de deshielo fluirá
sobre la superficie del suelo como flujo superficial o se infiltrará para convertirse en interflujo y
flujo de agua subterránea dependiendo de si la superficie del manto de nieve está saturada y / o
congelado.
Escorrentía superficial y subterránea

La discusión anterior debería haber aclarado la definición y el papel de otros cuatro
términos de escorrentía, ilustrados en la figura 5.1, que se utilizan de forma algo indiscriminada en la
literatura, es decir, escorrentía superficial y subterránea y flujo rápido y flujo base. Superficie
La escorrentía, como se ha demostrado, es la parte de la escorrentía total que llega a la cuenca de drenaje.
salida a través del flujo terrestre y los canales de arroyos, aunque en algunos
Las circunstancias también incluyen el interflujo que se ha descargado en la superficie del suelo en
a cierta distancia del canal del arroyo. La escorrentía subsuperficial es la suma del interflujo y
flujo de agua subterránea y normalmente es igual al flujo total de agua que llega al arroyo
como flujo saturado en el lecho del arroyo mismo, y como percolación de las caras de filtración en
la orilla del arroyo.
5-3
Página 85
Flujo rápido y flujo base

El flujo rápido, o escorrentía directa, es la suma de la precipitación del canal, la escorrentía superficial y
interflujo rápido y representará claramente la principal contribución de la escorrentía durante la tormenta
períodos y también es el principal contribuyente a la mayoría de las inundaciones. Se observará que
flujo rápido y escorrentía superficial como se definen anteriormente no se pueden utilizar como sinónimos. Flujo base
o la escorrentía base se puede definir como la escorrentía sostenida o en tiempo bueno y es la suma de
escorrentía subterránea e interflujo retardado, aunque algunos hidrólogos prefieren incluir
el interflujo total como se ilustra con la línea discontinua en la figura 5.1. De nuevo se observará
que el flujo base y el flujo de agua subterránea, tal como se definieron anteriormente, no pueden usarse como sinónimos;
De hecho, Hewlett (1961, 1963) demostró que el flujo base del drenaje de montañas empinadas
las cuencas pueden consistir casi en su totalidad en flujo lateral insaturado del perfil del suelo.
Hewlett y Nutter (1969) sugirieron que en las cuencas de captación boscosas de las tierras altas alrededor de 85 por ciento
ciento de la escorrentía total podría consistir en flujo base.
Las separaciones de los componentes de la escorrentía se pueden realizar mediante el análisis de hidrograma, para
este punto se refiere al curso de " Hidrología de cuencas ".
5.3 MODELOS APROXIMADOS DE INFILTRACIÓN
Antes de discutir el modelado de varios componentes de escorrentía, el modelado de

Se describe el proceso de infiltración. La infiltración es el proceso de entrada de agua en un suelo.
a través de la superficie del suelo. Por ejemplo, es la capacidad de infiltración del suelo lo que
determina para una tormenta dada, la cantidad y distribución temporal del exceso de lluvia que es
disponible para escorrentía y almacenamiento en superficie. Por lo tanto, una comprensión de la infiltración y
factores que lo afectan es importante para la determinación de la escorrentía superficial, así como la
movimiento subsuperficial y almacenamiento de agua dentro de la cuenca. Philip (1969) y
Morel-Seytoux (1973) han presentado excelentes reseñas de los procesos de infiltración.
La infiltración se puede caracterizar para la mayoría de las condiciones iniciales y de frontera de interés por
Resolver las ecuaciones diferenciales que gobiernan usando métodos numéricos. Aunque estos
Las soluciones proporcionan un medio físicamente consistente de cuantificar la infiltración en términos de
propiedades del suelo que gobiernan el movimiento del agua y el aire, tales procedimientos elaborados son
rara vez se utiliza en la práctica. Una razón es que las soluciones numéricas suelen ser caras debido a
a los requisitos computacionales. Una limitación más severa es la dificultad de obtener
datos necesarios sobre las propiedades del suelo. Intentos de caracterizar la infiltración para aplicaciones de campo
Habitualmente han involucrado conceptos simplificados que permiten la tasa de infiltración o
El volumen de infiltración acumulativo debe expresarse algebraicamente en términos de tiempo y ciertos
parámetros del suelo. Algunos de los modelos aproximados se han desarrollado aplicando
principios que rigen el movimiento del agua del suelo para simplificar los límites y
condiciones. Los parámetros en tales modelos se pueden determinar a partir del agua del suelo.
propiedades, cuando estén disponibles. Otros modelos son estrictamente empíricos y el
Los parámetros deben obtenerse a partir de datos de infiltración medidos o estimarse utilizando más
procedimientos aproximados. Las características más obvias del proceso de infiltración son
que para las superficies estancadas la tasa disminuye rápidamente con el tiempo durante la primera parte de un
evento de infiltración. Aunque atribuido a diferentes fenómenos físicos, este
La característica se refleja en todas las ecuaciones de infiltración aproximadas.
Existe mucha literatura sobre modelos de infiltración aproximados. Esta sección
presenta, como ejemplo, un modelo de infiltración empírico y otro conceptual.
Los modelos de base física que emplean la ecuación de Richards se discutirán por separado
en el Capítulo 8 junto con el modelo SHE.
Definimos una serie de términos que se utilizarán en esta sección y damos su
anotaciones y dimensiones aquí.
5-4
Página 86
• La tasa de infiltración , f es la tasa a la que el agua ingresa a la superficie del suelo. Es

expresado como volumen por unidad de área por unidad de tiempo y tiene las dimensiones de longitud
por unidad de tiempo.
• Infiltración acumulada , F denota el volumen de infiltración desde el principio
del tiempo t, o el evento de lluvia. También se llama volumen de infiltración o
infiltración acumulada y se mide en centímetros.
• Capacidad de infiltración, f p es la tasa máxima a la que el suelo puede absorber agua
a través de su superficie y tiene las dimensiones de longitud por unidad de tiempo. UNA
debe hacerse una distinción entre f y f p ; 0 ≤≤ ff .
pags
Modelo Horton
El modelo de Horton (Horton, 1939, 1940) es uno de los modelos de infiltración más conocidos en
hidrología. Horton reconoció que la capacidad de infiltración disminuyó con el tiempo hasta que
se acercó a una tasa más o menos constante. Expresó la opinión de que la disminución de
La capacidad de infiltración fue controlada probablemente más por los factores que operan en el suelo.
superficie que por el proceso de flujo en el cuerpo del suelo.
Horton (1940) planteó la hipótesis de que la infiltración es similar al proceso de agotamiento
según el cual la tasa de trabajo realizado es proporcional a la cantidad de trabajo
Queda por realizar. En caso de infiltración, el trabajo restante por realizar
en cualquier momento t es igual al de cambiar la tasa de infiltración f a su constante última
valor f c . La tasa de trabajo realizado es df / dt . La cantidad de trabajo que queda por hacer
realizado es ( f - f c ). Dado que f disminuye con t,
df
- = ffk( - C) (5,1)
dt
donde k es un factor de proporcionalidad que depende del tipo de suelo y el contenido de humedad inicial.
La condición inicial es:
Cuando t = 0, f = f 0 ,
La ecuación (5.1) se puede integrar para producir
ff = C + ( Fo - efC) - kt (5,2)
dF - kt
= FC + ( efo - C) donde f = dF / dt (5,3)
dt
La condición inicial es: Cuando t = 0, F = 0. Entonces

1 - kt
tfF= C + ( ffo - C1) (- mi )
k
1 1 1 1
= tfC + Fo - FC - efo - kt+ efC - kt
k k k k
1 1 - kt
= tfC + ( ffo - C ) - ( efo - C ) (5,4)
k k
5-5
Página 87
Este modelo es simple y se adapta bien a los datos experimentales. La principal debilidad de este
El modelo radica en la determinación de sus parámetros f o , f c y k . Estos tienen que ser determinados
por ajuste de datos. Los parámetros f o , f c y k pueden estimarse de dos formas (ver Singh,
1989).
• Primero tomando el logaritmo de la ecuación (5.2)
en ff - C) = en Fo - FC ) - kt (5,5)
La ecuación (5.5) representa una línea recta en una gráfica semilogarítmica cuya pendiente, -k e intersección,
en de -ff C ) , se puede determinar fácilmente (Toebes, 1963). Para datos de infiltración dados, fc es
tomado como el valor más bajo de f donde tiende a volverse constante. El valor de (f - f c )
en t = 0 es ( f o - FC . )
• En segundo lugar, se puede utilizar un método de mínimos cuadrados (Blake, et al., 1968) directamente para estimar
parámetros de la ecuación (5.3), que tiene la forma
- kt 1
= 0+ 1 - 0
eataaF , 0 =
una ( Fo - FC), 1 = FC
una
k
Esta ecuación se puede ajustar a los datos experimentales. Durante los últimos 5 minutos más o menos
(asumiendo que el experimento se continúa hasta que la escorrentía se vuelve constante), la
término exponencial se vuelve pequeño. Por lo tanto,
+ =10
taaF
los valores de a o y a 1 se pueden estimar utilizando los datos para este intervalo de tiempo.
Para determinar k, podemos escribir
aF- - ejército de reserva

= -kt en o 1
- una
o
Al aplicar el análisis de regresión lineal al resto de los datos, excluyendo aquellos

para cual
F < ( taa
0 + 1 )
se puede obtener el parámetro k.
El método Green-Ampt:
Green y Ampt propusieron un modelo conceptual simple, basado en la ley de Darcy.
(1911). Para obtener detalles sobre los supuestos, el procedimiento de derivación, etc., consulte el curso
“ Hidrología de procesos ”. La sección presenta solo el procedimiento de cálculo del método
(ver también Chow et al., 1988):
Siguiendo el diagrama de flujo (Fig.5.2):
Paso 1 : Calcule la tasa de infiltración potencial actual, f t a partir del valor conocido de
infiltración acumulada F t . Para el método Green-Ampt, se usa
5-6
Página 88
⎛Ψ∆ θ ⎞
│ + 1│
t =
Kf │ │ (5,6)
⎝ Ft ⎠
dónde:
θ es el contenido de humedad, es decir, la relación entre el volumen de agua y el volumen total,
- θ= ∆ 1 ( s eeθ) es el cambio de contenido de humedad,
s e es la saturación efectiva,
θ e es la porosidad efectiva
Ψ es cabezal de succión,
K es conductividad hidráulica
Paso 2 : Cálculo de la infiltración acumulada, F t

Caso 1: Si f t ≤ i t entonces (se produce estancamiento a lo largo del intervalo), y
⌈F Ψ∆ + θ ⌉
Ftt∆ + = F t Ψ∆ + θ en │ tt∆ + │ ∆ =tK (5,7)
⌊ F t Ψ∆ + θ ⌋
Caso 2: si f t > i t y no hay estancamiento al comienzo del intervalo. Asume que esto
permanece así durante todo el intervalo, entonces la tasa de infiltración es i t y un valor tentativo para
La infiltración acumulada al final del intervalo de tiempo es
F 'tt∆∆++ = tiF
t t (5,8)
Paso 3 : Calcule la tasa de infiltración correspondiente Ftt'∆ + de Ftt'∆ + .

' '
Si Ftt∆ + es mayor que yo t , entonces
Ftt∆ + = Ftt∆ + , sin estancamiento durante todo el intervalo.
Si Ftt'∆ + es menor o igual que i t , el encharcamiento ocurre durante el intervalo. El acumulativo
La infiltración F p en el momento del encharcamiento se calcula estableciendo f t = i t y F t = F p en la ecuación (5.6) y

despejando F p para dar, para la ecuación de Green-Ampt,
K Ψ∆ θ
=
F pags (5,9)
t -
Ki
+ ' ,t dónde
El tiempo de estancamiento es ∆entonces t
- Ft
F pags
= t∆ ' (5,10)
yo
t
y la infiltración acumulativa Ftt∆ + se encuentra sustituyendo F

t = Fpy t ∆ − ∆t = ∆ ' t
en la ecuación (5.7).
Los valores de exceso de lluvia se calculan restando la infiltración acumulada y

otras pérdidas por lluvia acumulada y luego tomando las sucesivas diferencias de
valores resultantes. La escorrentía directa se puede calcular a partir del exceso de lluvia.
5-7
Página 89
Fig.5.2 Diagrama de flujo para determinar el tiempo de infiltración y estancamiento bajo lluvia variable
intensidad (según Chow et al., 1988).
5-8
Página 90
5.4 SIMULACIÓN DE ESCORRIENTES CON MODELOS LUMPED
El número de componentes de la escorrentía a analizar depende de las características de

la cuenca y el objetivo de la separación, incluida la base de tiempo a considerar
(Figura 5.1). En la mayoría de los modelos conceptuales de captación agrupada, los siguientes cuatro
componentes (izquierda) o incluso los dos componentes de la derecha se pueden identificar y modelar
explícitamente:
flujo superficial⎫
⎬ componentes rápidos
interflujo rápido⎭
interflujo lento ⎫
⎬ componentes lentos
flujo base ⎭
Un enfoque agrupado para el modelado de la escorrentía considera la cuenca como un

entidad espacialmente singular que transforma el exceso de lluvia en un hidrograma de salida.
El enfoque va desde el uso de una función de transferencia matemática o "caja negra"
enfoque, a un modelo de la interrelación detallada de procesos para hidrológicamente
Fenómenos significativos.
5.4.1 Modelos basados en eventos
Se necesita la simulación de flujo de corriente para tormentas individuales para resolver una amplia variedad de agua
problemas de recursos, incluido el diseño de estructuras hidráulicas como presas, alcantarillas,
puentes, aliviaderos; drenaje urbano y vial; planificación de obras de control de inundaciones;
fuente de contaminación; eliminación de material de desecho; evaluación de impactos ambientales de
prácticas de manejo y uso de la tierra; y planificación de obras de conservación de suelos.
Se han desarrollado muchos modelos de simulación de caudal basados en eventos (Renard et
al., 1982; Singh, 1988). Algunos de los modelos se resumen en la Tabla 5.1. El objetivo
de esta sección es para presentar los conceptos generales de simulación de flujo de corriente basada en eventos
y luego hacer algunos comentarios sobre los modelos. No se intenta describir todos los
modelos. Los detalles completos de los modelos se pueden encontrar en las referencias citadas.
5.4.1.1 Determinación del hietograma de lluvia efectiva / en exceso (ERH)
El exceso de lluvia, o lluvia efectiva, es aquella lluvia que no se retiene en la tierra

superficie ni infiltrado en el suelo. El gráfico de exceso de lluvia frente al tiempo o exceso
el hietograma de precipitaciones (ERH), es un componente clave del estudio de la escorrentía pluvial
relaciones. El hietograma de exceso de lluvia (ERH) se puede determinar a partir de la lluvia
(hietografía) de una de dos formas, dependiendo de si los datos de caudal
disponible para la tormenta o no.
En caso de que el área de datos de lluvia y flujo de arroyos esté disponible, se puede determinar el ERH
mediante el método de índice Φ que consta de los siguientes pasos:
• Estime el flujo base aplicando un método de separación de flujo base.
• Calcule la escorrentía directa que equivale al caudal observado menos
flujo base.
• Calcule el volumen y la profundidad de la escorrentía directa, V d y r d . Y
5-9
Página 91
1
V re
Vre = ∑ Qcarné
, ∆ de
t identidad r (5,11)
d= captación zona
yo= 1
donde Q d es la ordenada de la escorrentía directa.

• Estime la tasa de pérdida de lluvia Φ , y M, el número de pulsos de exceso distintos de cero
lluvia, resolviendo la siguiente ecuación con un método de prueba y error (un
Un ejemplo puede ser sólido en la página 138 de Chow et al, 1988).
METRO
rre = ∑ ( Rmetro
Φ∆− t ) (5,12)
=1
metro
donde R m es la profundidad de lluvia en pulso m.

• Calcular el hietograma de exceso de lluvia (ERH). Las ordenadas de ERH se encuentran
restando Φ∆ t de las ordenadas del hietograma de lluvia observado.
En caso de que los datos del caudal no estén disponibles, el ERH se puede calcular a partir de
ya sea el método de número de curva SCS o el método de abstracción de infiltración (Chow et al.,
1988).
5.4.1.2 Cálculo del hidrograma de escorrentía directa (DRH)
En esta etapa, se debe tomar una decisión sobre el tipo de modelo que se utilizará en
a la luz de los datos disponibles. Este enfoque abarca desde el uso de una transferencia matemática
función, o enfoque de "caja de bloques", como el método de área de tiempo y el hidrograma unitario
método (Para más detalles consultar el curso de “Hidrología de procesos”), al método conceptual,
como el canal lineal y el depósito lineal (Nash, 1957).
Supongamos que se elige un modelo conceptual lineal para este propósito. Entonces el IUH
(hidrograma unitario instantáneo) para este modelo debe derivarse así como un método para
estimación de los parámetros de la IUH. A partir de entonces, el IUH se complica con el ERH
estimado ya para obtener el DRH. En resumen, se realizan tres tareas para este
elección: (a) cálculo del IUH, (b) determinación de los parámetros del IUH, y (C)
convolución de la IUH con la ERH.
5.4.1.3 El hidrograma unitario instantáneo
Si el exceso de lluvia es de cantidad unitaria y su duración es infinitesimalmente pequeña, la

El hidrograma resultante es una función de respuesta al impulso llamada unidad instantánea
hidrograma (IUH). Para un IUH, el exceso de lluvia se aplica al área de drenaje en cero
hora. Por supuesto, esto es sólo un concepto teórico y no puede realizarse en la realidad.
captaciones, pero es útil porque la IUH caracteriza la respuesta de la captación a
lluvia sin hacer referencia a la duración de la lluvia. Por tanto, la IUH puede estar relacionada con
geomorfología de cuencas hidrográficas.
La integral de convolución es
tQ) ( = t∫0 tu( - τττ

) dI
() (5,13)
Si las cantidades I ( τ ) y Q (t) tienen las mismas dimensiones, la ordenada de IUH

debe tener dimensiones [T -1 ]. Las propiedades de IUH son las siguientes, con l = t - τ .
5-10
Página 92
0 ≤ u (l) ≤ algún valor pico positivo para l> 0

u (l) = 0 para l ≤ 0
u (l) → 0 como l → ∞
∞ ∞
∫0 dllu
)( =1 y ∫0 ldllu
)( =
Lt
La cantidad t L es el tiempo de retraso del IUH. Se puede demostrar que t L da el tiempo

intervalo entre el centroide de un hietograma de exceso de lluvia y el del
correspondiente hidrograma de escorrentía directa.
El IUH se puede determinar mediante varios métodos de inversión matemática, utilizando,
por ejemplo, funciones ortogonales como la serie de Fourier (O'Donnell, 1960) o Laguerre
funciones (Dooge, 1973); transformadas integrales como la transformada de Laplace (Chow,
1964), la transformada de Fourier (Blank et al., 1971) y la transformada Z (Bree, 1978). los
La complejidad de los métodos ha disuadido a los ingenieros en ejercicio de aplicarlos en el día a día.
problemas de hoy. Las técnicas que incorporan parámetros de captación han tenido su
atracciones. Estos métodos, basados en la teoría del hidrograma unitario, son más parecidos a
modelos matemáticos, y se discutirán más adelante.
5.4.1.4 El modelo conceptual lineal de Nash
En vista de la dificultad de derivar directamente hidrogramas unitarios instantáneos (IUH),

Se analizó la influencia de una cuenca en la transferencia del exceso de lluvia a la escorrentía directa.
conceptualmente como equivalente a la transferencia a través de una serie de reservorios conectados por
canales (Nash, 1957).
• Un reservorio lineal es un reservorio conceptual en el que el almacenamiento, S, es directamente

proporcional al flujo de salida, Q, o
S = KQ (5,14)
La constante de proporcionalidad K, se conoce como coeficiente de almacenamiento. La diferencia

entre la entrada (I) y la salida (Q), es la tasa de cambio de tiempo en el almacenamiento, es decir, por
continuidad,
Yo - Q = dS / dt (5,15)
Sustituyendo la ecuación (5.14) en la ecuación (5.15),
I -Q = KdQ / dt (5,16)
dQ / dt + Q / K = I / K (5,17)
la solución para la cual es:
Q = yo (1-e -t / K ) (5,18)
5-11
Página 93
Si la entrada se detiene en el tiempo t = t 0, momento en el que la salida Q = Q 0 , entonces de

ecuación (5.16) con I = 0 y τ = - tt 0 ,
dQ / d +τ Q / K = 0 (5,19)
para lo cual la solución es:
-τ/K
QQ=e o (5,20)
Para una entrada instantánea que llena un depósito de almacenamiento S 0 en el tiempo t 0 = 0,
Q0=S0/K (5,21)
combinando las ecuaciones (5.20) y (5.21), y como τ = t
-t K
Q = (/)SK
/o e (5,22)
El IUH para un reservorio lineal, en el que S 0 = 1 y el flujo de entrada es instantáneo, es
() (/)=/ 1
Utah K e t K- para t ≥ 0 (5,23)
u (t) = 0 fot t <0
como se muestra en la figura 5.3 (izquierda). Si la entrada fuera un pulso unitario de duración D, UH u (D, t),
como se muestra en la figura 5.3 (derecha), y la escorrentía directa Q (t) (ignorando las dimensiones de u (D, t)
y Q (t)) sería
) ( = ); (
ItDutQ = [ 1 - mikt/ ], t≤D (5,24)
−−( kDt /)
); ()=(
eQtDutQ = pags t> D (5,25)
donde Q p representa el pico del hidrograma y viene dado por
[ 1 - mi
Q pags= yo
- kD/
] (5,26)
Aquí I = 1 / D. el pico del hidrograma ocurrirá al final de la duración del pulso unitario.
Cuando t → ∞, Q (t) = I (t). Esto implica condiciones de equilibrio: la salida se convierte
igual a la entrada. Cuando t → 0, Q = 0. Cuando I (t) termina en t = D, comienza la recesión.
inmediatamente. Para una entrada instantánea, que llena el depósito de almacenamiento S en t = 0,
Q p = S / k. La ecuación de salida es simplemente
S -
tQ) ( = mi kt/ (5,27)
k
Para una entrada unitaria, S = 1 e I (t) = δ (t). En consecuencia, Q (t) → u (t), la IUH es la misma
como lo da la ecuación 5.23.
5-12
Página 94
Utah)
Fig.5.3 Un reservorio lineal: hidrograma debido a un pulso de entrada instantánea (izquierda);

hidrograma debido a un pulso de duración D horas de duración (derecha).
• Un canal lineal es un canal ficticio en el que el área de flujo de la sección transversal en un

sección es proporcional a la descarga, o
A = CQ (5,28)
La constante de proporcionalidad, C, se conoce como coeficiente de traslación. La velocidad en

Por lo tanto, una sección del canal permanece constante, pero puede variar de una sección a otra.
sección. Un hidrograma de afluencia o un hietograma de exceso de lluvia dirigido a través de un
el canal permanece sin cambios en su forma y simplemente se traduce en el tiempo, es decir, y (t) = x (tT)
y esto se muestra en la figura 5.4.
Figura 5.4. Un canal lineal que es solo una traducción

sin cambiar el hidrograma.
• Embalses en cascada : un modelo conceptual de una cuenca que tiene el mismo

respuesta hidrológica como una serie de n reservorios lineales, cada uno con el mismo almacenamiento
El coeficiente, K, fue formulado por Nash (1957). Este modelo ha demostrado ser un
método simple pero efectivo para derivar IUH de cuencas.
Como se muestra esquemáticamente en la figura 5.5, una curva de flujo de salida en forma de hidrograma es
desarrollado y modificado encaminando sucesivamente el flujo de salida de un depósito como
entrada al siguiente depósito inferior.
5-13
Página 95
Fig.5.5 Reservorios en cascada del modelo de Nash. Captaciones con considerable impermeabilidad
áreas, como pequeñas cuencas urbanas, comúnmente exhiben IUH de la forma de uno o dos reservorios
debido a la rápida respuesta. Por el contrario, las grandes cuencas agrícolas planas que tienen poco canal
La formación exhibe el retraso considerable de un gran número de rutas de embalse.
Suponiendo una entrada unitaria instantánea en el depósito inicial, la salida de este

yacimiento (previamente desarrollado como ecuación (5.23) puede a su vez considerarse como entrada para
el segundo depósito. Usando τ como la variable en la integral de convolución, el flujo de salida
del segundo depósito se puede obtener como
t - τ/K - (-t τ ) /
Q 2 = ∫0 Yo
()τ (ut - τ )τre = ∫ (/)
1 Ke (/)
1 Ke K τre
(5,29)
2 - t /K
= (/)
tKe
Para n repeticiones de la convolución anterior, la fórmula generalizada para la IUH de

la cuenca de drenaje conceptualizada puede derivarse como
1 −−
norte
1
= tu) ( =
Qnorte ) Kt
/( miKt/ (5.30)
nK)! 1-(
en el que el valor n no es necesariamente un número entero. Cuando n no es un número entero, (n-1)! es

reemplazado por Γ (n) en la ecuación (5.30). Γ (n) se puede interpolar a partir de tablas de gamma
función. Esta ecuación expresa el hidrograma unitario instantáneo de la propuesta
modelo; matemáticamente, es una función de distribución de probabilidad gamma. La integral de
el lado derecho de la ecuación sobre t desde cero hasta infinito es igual a 1.
Los dos parámetros, K , la constante de almacenamiento para cada uno de los reservorios yn , la
número de yacimientos, puede evaluarse simplemente tomando momentos incrementales de la
5-14
Página 96
el hietograma de exceso de lluvia (ERH) y el hidrograma de escorrentía directa (DRH), y

sustituyendo en las fórmulas
re 1 - mi1 = K
METROMETROnorte (5,31)
y
METRO
re 2
- METRO
mi2
= nn( + 1) K 2 + 2 nKM mi1 (5,32)
en el cual:
M D1 = primer momento del DRH sobre el origen del tiempo dividido por la escorrentía directa total
M D2 = segundo momento del DRH sobre el origen del tiempo dividido por el total directo
escapada
M E1 = primer momento del ERH sobre el origen del tiempo dividido por el total efectivo
lluvia
M E2 = segundo momento del ERH sobre el origen del tiempo dividido por el total efectivo
lluvia
El valor nK, como lo indica la ecuación (5.31), representa el lapso de tiempo entre
centroides de las curvas de precipitación y escorrentía.
Un ejemplo : Dados el ERH y el DRH que se muestran en la figura 5.6, determine ny K para el
IUH.
Solución: Determine los momentos del hietograma de exceso de lluvia y la escorrentía directa
hidrograma. Cada bloque en ERH y DRH tiene una duración de 6 h = 6 × 3600 s = 21600 s.
La precipitación se ha convertido a unidades de m 3 / s multiplicando por el área de la cuenca para
ser dimensionalmente consistente con la escorrentía. La suma de las ordenadas en el ERH y en
el DRH es 700 m 3 / s, por lo que el área debajo de cada gráfico = 700 × 6 = 4200 (m 3 / s) h.
⌈ incrementa área l × momento brazo⌉

mi1 = ∑ │
METRO │
⌊ área total ⌋
6
= [100 + 3× 300 + 9× 200 + 15
× 100 × ] 21
4200
= 57.11 h
El segundo momento del área se calcula utilizando el teorema del eje paralelo.
M E 2 = {∑ [área incremental × (brazo de momento) 2 ]
+ ∑ [segundo momento sobre el centroide de cada incremento]} / área total

6
= { [ 100 + ×3 2 300 + 9× 2 200 × 15 2 + 100 × 21 2 ]
4200
1 3
+ 6 [100 + 300 + 200 + 100]}
12
= 166,3 h 2
5-15
Página 97
Mediante un cálculo similar para el hidrograma de escorrentía directa
M D 1 = 28,25 horas
M D 2 = 882,8 h 2
Resuelva para nK usando (5.31):
nK = MD1 - ME1
= 28,25 - 11,57
= 16,68
Resuelva para n y K usando (5.32):
M D2 - M E2 = n (n + 1) K 2 - 2nKM E1
= n 2 K 2 + nK × K + 2nKM E1
Por lo tanto
882,8 - 166,3 = (16,68) 2 + 16,68 K + 2 × 16,68 × 11,57
y la resolución produce K = 3,14 h
Así
n = 16,68 / K
= 16,68 / 3,14
= 5.31
Estos valores de ny K
se puede sustituir en
Eq. (5.30) para determinar
la IUH de esto
cuenca. Usando el
métodos descritos en
Hidrología de procesos
Por supuesto, el
unidad correspondiente
el hidrograma puede ser
determinado para un
lluvia específica
duración. Superficie
escorrentía (directa)
hidrograma de cualquier Fig.5.6 Hetógrafo de exceso de lluvia (ERH) y escorrentía directa
el evento de lluvia puede entonces hidrograma (DRH) para el cálculo de n y K en un lineal
modelo de yacimiento (de Chow et al., 1988).
ser calculado.
5-16
Página 98
5.4.2 Enrutamiento de flujo
Dependiendo del patrón de drenaje y la existencia de presas o embalses, puentes,

y similares, dentro de la cuenca, el hidrograma de escorrentía directa calculado, DRH de cada
La subcuenca debe ser encaminada durante su viaje hasta la salida de la cuenca. Aquí de nuevo, un
se debe tomar una decisión sobre el método de enrutamiento. Supongamos que el método Muskingum
se elige para el enrutamiento de flujo a través de canales, y el método de grupo de niveles se utiliza para enrutamiento
a través de embalses. Luego, los parámetros del método Muskingum (factor de ponderación,
X y el tiempo de retraso, K) se estiman primero para cada alcance de canal. Porque este modelo es
lineal, será suficiente obtener su IUH y luego convolucionarlo con el alcance de entrada
hidrograma, que suele ser el DRH, para calcular el hidrograma de flujo de salida. por
El enrutamiento del flujo del yacimiento, las relaciones de almacenamiento-elevación y salida-elevación deben ser
establecido para cada embalse. Estas relaciones luego se combinan para formar un almacenamiento
gráfico de flujo de salida, que luego se utiliza para realizar el enrutamiento del flujo a través del depósito. Estas
y otros métodos de enrutamiento del flujo del yacimiento y del flujo del canal se analizan en el
curso de “ Hidrología de cuencas hidrográficas ”.
5.4.3 Modelos de simulación de caudal continuo
La simulación de flujo continuo (CSS) tiene muchas aplicaciones, como (1) extender
registros de caudal, (2) pronóstico de caudal, (3) evaluación del efecto de las prácticas de uso de la tierra
sobre la respuesta de la cuenca, (4) diseño de drenaje urbano, alcantarillas de carreteras, embalses y
como, modelado de la calidad del agua, (5) planificación y gestión del riego. Una extensa
James et al (1982) ofrecen una lista de aplicaciones de los modelos CSS.
5.4.3.1 Comparación con modelos basados en eventos
Como sugiere su nombre, los modelos CSS permiten la simulación del caudal durante períodos prolongados
de tiempo y, por lo tanto, utilizar más plenamente la capacidad de la computadora digital. Estos modelos
Mantener una contabilidad más o menos continua del agua almacenada en la cuenca.
Debido a largos períodos de tiempo, procesos hidrológicos como la evaporación y
transpiración, infiltración, intercepción, almacenamiento de depresión, flujo subterráneo y
el flujo base asume un significado adicional. Estos procesos se calculan por separado en la mayoría
modelos conceptuales. En la simulación de caudal basada en eventos, algunos de estos procesos son
descuidados, algunos se agrupan y otros se consideran con una aproximación considerable,
para el período de simulación suele ser tan largo como la duración del DRH. El énfasis
en CSS se basa en la simulación de toda la fase terrestre del ciclo hidrológico, mientras que
El énfasis en EBSS está en modelar el DRH o sus características máximas. Por lo tanto, CSS
Los modelos son modelos del ciclo hidrológico, mientras que los modelos EBSS son modelos de
ciclo de lluvia-escorrentía. Es lógico decir que los modelos CSS son más generales y
abarcan los modelos EBSS como sus casos especiales.
Entonces, naturalmente, la discusión de los modelos CSS involucra lo que ya se ha presentado
acerca de los modelos EBSS más una discusión de los componentes no incluidos en los modelos EBSS, como
como, evapotranspiración (capítulo 4), deshielo (capítulo 3), escorrentía subsuperficial
(escorrentía de agua subterránea más interflujo retardado, que se discutirá en la sección), suelo
almacenamiento de humedad (que se discutirá en esta sección).
5-17
Página 99
5-18
Página 100
5.4.3.2 Simulación de escorrentía subterránea
En general, la simulación cuantitativa de interflujo y flujo base es mucho menos avanzada

que la simulación de infiltración o movimiento de agua subterránea dentro de su
propio dominio. Además, excepto en unos pocos modelos basados en la física, casi nadie ha intentado
incluir la simulación basada en la física del flujo subterráneo en modelos generales de cuencas hidrográficas.
Fleming (1975) discutió brevemente los procesos del subsuelo y cómo hidrológicos
los modelos comúnmente los manejan. El método habitual es considerar el agua subterránea como
residente en uno o más almacenes o depósitos. Los siguientes conceptos de almacenamiento pueden ser
aplicado:
depósito lineal único = '

QKS → ⋅=
SKQ
S
depósito logarítmico único = en
QKS → ⋅=
eKQ
metro / 1 metro
depósito no lineal único = '
QKS → ⋅=
SKQ
donde S = almacenamiento; Q = salida del reservorio (descarga); K y K '= constantes de almacenamiento; y

m = exponente.
El almacenamiento generalmente se actualiza mediante una ecuación de equilibrio, que suele ser una
contabilidad de entradas y salidas,
SSt =t - 1 ∆− ∆+
tOtI (5,33)
dónde
= agua total almacenada en el tiempo t
tS
I = una suma de las tasas de entrada como infiltración o filtración de entrada.
O = una suma de flujo de salida como evapotranspiración, filtración de flujo de salida
(flujo base, interflujo, etc.)
Las tasas de salida del subsuelo generalmente se expresan como funciones de la cantidad de
agua subterránea que queda almacenada.
Por ejemplo, en el modelo HBV, el flujo intermedio y el flujo de agua subterránea se calculan
por las siguientes ecuaciones, respectivamente:
Q 1 = K 1 S uz (5,34)
Q 2 = K 2 S lz (5,35)
donde Q 1 , Q 2 = componentes de la escorrentía, K 1 y K 2 = coeficientes de recesión (parámetros),

S uz y S uz son los almacenes en la zona superior y la zona inferior, respectivamente.
dónde
El modelo de la cuenca de Stanford calcula el interflujo en un intervalo de tiempo de 15 minutos
según la ecuación:
{ }
q yo= (0,1- IRC )96/1 ⋅ SRGX (5,36)
dónde
q i = volumen entre flujos que ingresa al canal durante un intervalo de tiempo de 15 minutos
IRC = tasas de recesión diarias de interflujo (1/96 se convierte en un intervalo de 15 minutos)
SRGX = volumen de almacenamiento entre flujos.
5-19
Página 101
La descarga de agua subterránea para cada intervalo de tiempo de 15 minutos se calcula mediante:
1 /96
GRAMO((1 KK 24 ) ( 1 + KU S⋅ ) S gw (5,37)
g= -
dónde
KK24 = constante de recesión de agua subterránea diaria mínima observada
KU = parámetro variable de recesión del agua subterránea
S = pendiente del agua subterránea
S gw = almacenamiento de agua subterránea
Más ecuaciones usadas en otros modelos serán discutidas en el Capítulo 8 mientras

discutiendo los modelos particulares.
5.4.3.3 Construcción de un modelo de simulación de caudal continuo
De la discusión anterior, está claro que la construcción de un modelo de cuenca implica

modelando los diversos componentes del ciclo hidrológico y manteniendo un
Balance hídrico que involucra estos componentes. Algunos de estos componentes son interactivos
e implican cálculos iterativos. Larson y col. (1982) presentó una buena discusión sobre
ensamblar estos componentes en un modelo de captación. La figura 5.7 muestra una
marco conceptual para la construcción de un modelo de captación. Muchos de los modelos, como
resumidos en la Tabla 5.2, poseen arreglos similares de componentes.
5.5 MODELADO DISTRIBUIDO DE LOS PROCESOS DE ESCAPE
Un modelo hidrológico verdaderamente distribuido requeriría el desarrollo y la solución

de un conjunto completo de flujo de medios porosos y hidrodinámicos diferenciales parciales
ecuaciones. La solución de tales ecuaciones depende en gran medida del valor límite. UNA
descripción detallada de la infinita variedad de condiciones de contorno presentes en un
La cuenca hidrográfica no es factible actualmente. Por tanto, aquellos modelos que actualmente están clasificados
ya que los modelos de parámetros distribuidos solo se aproximan a este enfoque.
Los modelos pueden clasificarse como distribuidos cuando utilizan datos relacionados con el espacio
distribución de las variaciones de los parámetros de control junto con el cálculo
algoritmos para evaluar la influencia de esta distribución en el comportamiento simulado. Tal
Los modelos intentan aumentar la precisión de la simulación conservando y utilizando
información relativa a la distribución por áreas de todos los procesos espaciales no uniformes
caracterizado por el modelo. Esta mayor precisión generalmente se produce a expensas de
Mayor esfuerzo computacional y de preparación de datos. La disponibilidad inmediata en Internet
y CD-ROM de datos que describen la superficie terrestre, especialmente datos digitales de elevación para
terreno de la superficie terrestre, ha hecho que sea práctico por primera vez delimitar cuencas
unos minutos de forma automatizada, y para calcular las propiedades hidrológicas de los
captaciones.
Más detalles sobre los modelos distribuidos se discutirán en el capítulo 8 usando SHE
modelo como ejemplo.
5-20
Página 102
Figura 5.7 Componentes de un modelo de cuenca continua (de Singh, 1988)
5-21
Página 103
5-22
Página 104
5.6 REVISIÓN DE LOS MODELOS UTILIZADOS EN LA EVALUACIÓN DE RECURSOS HÍDRICOS
5.6.1 Modelos de balance hídrico a largo plazo
Una forma tradicional de evaluación de los recursos hídricos se basó en el promedio a largo plazo
ecuación de balance hídrico sobre una cuenca en forma de
= AE + Q
PAGS (5,38)
donde P, AE y Q son la precipitación anual promedio a largo plazo, la evapotranspiración

y caudal, respectivamente. Resolver la ecuación (5.38) y obtener agua disponible
recursos, Q, dos términos, P y AE, deben ser conocidos. La precipitación superficial P suele ser
calculado a partir de la medición de puntos. El elemento clave en el equilibrio hídrico a largo plazo de un
una gran cuenca de captación o una región es el valor de la evapotranspiración real a largo plazo (EA).
Los primeros intentos de vincular la evapotranspiración real con la precipitación y el potencial
La evapotranspiración se realizaron en los primeros años del siglo pasado sobre la base de
mediciones de la precipitación y la escorrentía de la cuenca. El supuesto fundamental en el
fórmulas comúnmente sugeridas para el balance hídrico a largo plazo de las cuencas es que la
La relación entre la evapotranspiración real y la potencial puede expresarse en función de la relación
de la precipitación a la evapotranspiración potencial. Fórmulas conocidas de este tipo
incluyen a Schreiber (1904); ver también Dooge (1992),
AE ⌈
PAGS ⎞⌉
⎛ EDUCACIÓN FÍSICA
= │1 - Exp│- ││ (5,39)
EDUCACIÓN
EDUCACIÓN
⌊ FÍSICA⎝FÍSICA
PAGS
⎠⌋
Fue formulado sobre la base de la precipitación y la escorrentía medidas en una serie de

cuencas hidrográficas en Europa. Unos años más tarde, Ol'dekop (1911) sugirió
AE ⎛ PAGS
⎞
= tanh │ │ (5,40)
EDUCACIÓN ⎝EDUCACIÓN
FÍSICA
⎠ FÍSICA
basado en mediciones en Rusia.
Budyko y Zubenok (1961) examinaron los datos del balance hídrico a largo plazo para 1200
regiones de la URSS y encontró que estos datos se encontraban dentro de los límites del
fórmulas propuestas por Schreiber y Ol'dekop. Turc (1954) propuso una fórmula más simple
basado en mediciones de cuencas africanas, que luego se modificó algo
por Pike (1964) sobre la base de otras mediciones:
PAGS
AE EDUCACIÓN FÍSICA
= (5,41)
EDUCACIÓNPAGS
1+ 2()
FÍSICA
EDUCACIÓN FÍSICA
El método de balance hídrico a largo plazo para estimar los recursos hídricos renovables de
Los datos meteorológicos, aunque son muy simples, tienen una serie de desventajas esenciales.
Primero, en las regiones áridas y semiáridas, la escorrentía fluvial es muy pequeña en valor absoluto y
cercano al error de determinación de la evaporación y precipitación. Segundo, es
imposible estimar los recursos hídricos por estaciones y meses. Estos datos son cruciales
5-23
Página 105
para la planificación moderna de la gestión del agua. En tercer lugar, esta técnica es inaplicable a
estimar los recursos hídricos de los países y regiones ubicados en las cuencas de
ríos internacionales. En este caso, un mayor volumen de escorrentía fluvial proviene del exterior.
en lugar de formarse en el territorio en cuestión.
5.6.2 Modelos de balance hídrico mensual
Modelos simples de balance hídrico que simulan hidrogramas de flujo de agua sobre la base de
Se han utilizado los datos meteorológicos disponibles y pocos parámetros físicamente relevantes.
por hidrólogos e ingenieros agrícolas en la evaluación de los recursos hídricos regionales.
Tales modelos fueron desarrollados por primera vez en la década de 1940 por Thornthwaite (1948) y desde entonces
adoptado, modificado y aplicado a un amplio espectro de problemas hidrológicos (p. ej.
Alley, 1984; Schaake y Liu, 1989; Xu, 1999). Una revisión general del agua mensual.
Los modelos de equilibrio que se utilizan en todo el mundo son fabricados por Xu y Singh (1998).
La estructura general de todos los modelos de balance hídrico es similar y la construcción de tal
El modelo implica escribir ecuaciones que relacionen las tasas de cambio de las propiedades del agua.
dentro del volumen de control para que fluyan esas propiedades a través de la superficie de control. por
ejemplo, un modelo simple de balance hídrico del suelo para un volumen de control dibujado alrededor de un bloque
de la capa superior del suelo es:
S (t + 1) = S (t) + P (t) - AE (t) - Q (t) (5,42)
Donde S (t) representa la cantidad de humedad del suelo almacenada en el momento t, es decir, en el
comienzo de un mes, S (t + 1) el almacenamiento en el momento posterior t + 1, es decir, al comienzo de
el próximo mes, y el flujo a través de la superficie de control durante el intervalo [t, t + 1], es decir
durante el mes considerado, consiste en la precipitación P (t), la evapotranspiración real,
AE (t) y el excedente de humedad del suelo, Q (t), que suministra caudal y agua subterránea
recargar. Resolver esta ecuación requiere tratar con series de tiempo de las cuatro variables: S,
P, AE, Q y posiblemente de otras variables relacionadas con ellos. Los modelos de balance hídrico
difieren en cómo AE y Q se consideran conceptualmente y se representan matemáticamente.
Una de las limitaciones de los modelos de balance hídrico mensual es su incapacidad para
tener en cuenta los posibles cambios en las características individuales de la escorrentía de tormentas en los pasos de tiempo
se aplican.
5.6.3 Modelos conceptuales de parámetros agrupados
Muchos modelos conceptuales de parámetros agrupados se han desarrollado desde la década de 1960 con
el objetivo principal de la previsión de crecidas en las cuencas hidrográficas. Desde entonces también se utilizan
con fines de simulación para el diseño hidrológico y la evaluación de los recursos hídricos en
diferentes escalas. A continuación se mencionarán brevemente algunos modelos representativos como
ejemplos y para detalles se deben consultar las referencias citadas.
El notable modelo IV de la cuenca de Stanford de Crawford y Linsley (1964)
representa el primer gran éxito en la combinación de todos los principales procesos hidrológicos
dentro de un modelo de computadora. Este modelo es ampliamente conocido y se ha aplicado a muchos
captaciones en todo el mundo. Se han seguido varios modelos, desarrollando el
concepto más lejos. Un modelo de uso frecuente en este grupo es Sacramento Soil Moisture
Modelo contable (Burnash et al., 1973). Este modelo ha sido utilizado por muchos
investigadores como una de las herramientas estándar en los Estados Unidos en el pronóstico de inundaciones, agua
evaluación de recursos y estudios sobre el impacto del cambio climático. El modelo HBV
(Bergström, 1976) se utiliza ampliamente en los países nórdicos como una herramienta estándar para pronosticar
5-24
Página 106
inundaciones de arroyos, para evaluar los recursos hídricos superficiales y para simular los efectos del cambio climático.
Se han realizado aplicaciones de los modelos HBV en unos 30 países (Bergström,
1992). En China y otros países asiáticos, el modelo Xinanjiang se utiliza como estándar
herramienta para una serie de propósitos de simulación hidrológica. El modelo fue desarrollado en 1973
y publicado en 1980 (Zhao et al., 1980; Zhao, 1992). También ha sido probado en el
Estados Unidos, Alemania, Bélgica, Francia y Suecia.
Muchos otros modelos que tienen una estructura similar pero con un proceso diferente
conceptualizaciones, se han utilizado en muchas regiones del mundo (véase también Leaveley,
1994). Entre otros, el modelo del Instituto de Meteorología Real de Bélgica (Bultot y
Dupriez, 1976) se ha aplicado a cuencas en Bélgica (Bultot et al., 1988) y
Suiza (Bultot et al., 1992). El modelo HYDROLOG (Porter y McMahon,
1971) se aplicó a dos cuencas en Australia del Sur (Nathan et al., 1988). los
Programa de simulación hidrológica - modelo FORTRAN (HSPF) (USEPA, 1984)
aplicado a una cuenca en Terranova, Canadá (Ng y Marsalek, 1992).
En comparación con los modelos de balance hídrico mensual, parámetro agrupado conceptual
Los modelos permiten una evaluación más detallada de la magnitud y el momento del proceso.
respuesta al cambio climático. Sin embargo, estas capacidades van acompañadas de un aumento
en el número de parámetros de proceso y en la cantidad y tipos de datos de entrada necesarios
para ejecutar las simulaciones.
5.6.4 Modelos hidrológicos a macroescala: un sistema de modelado compatible con SIG
Según Maidment (1996), un modelo hidrológico espacial es aquel que simula la

flujo de agua y transporte en una región específica de la tierra utilizando estructuras de datos GIS.
Existen al menos cuatro motivaciones principales para el desarrollo de un sistema de este tipo.
• Primero, para una variedad de propósitos operativos y de planificación, los administradores de recursos hídricos
responsables de las grandes regiones necesitan estimar la variabilidad espacial de los recursos
sobre grandes áreas, con una resolución espacial más fina que la que pueden proporcionar los datos observados
solo.
• En segundo lugar, los hidrólogos y los administradores del agua están interesados en los efectos del uso de la tierra.
y variabilidad y cambio climático en un amplio dominio geográfico.
• En tercer lugar, existe una necesidad creciente de utilizar modelos hidrológicos como base para estimar
Fuentes puntuales y difusas de carga de contaminación a los arroyos.
• Cuarto, los hidrólogos y los modelistas atmosféricos han percibido debilidades en
representación de procesos hidrológicos en modelos atmosféricos regionales y globales.
Los modelos líderes en esta categoría incluyen el desarrollado por Vörösmarty et al.
(1989), el modelo VIC (Wood et al., 1992) y el Macro-PDM (Arnell, 1999). Estas
modelos hidrológicos espaciales, en la literatura denominados modelos hidrológicos a macroescala
(MHM), son modelos conceptuales de contabilidad del balance hídrico, que se pueden aplicar
repetidamente sobre un gran dominio geográfico en una cuadrícula regular sin la necesidad de
calibración en la escala de captación. Esto se debe a que lo que es factible en la cuenca
escala, donde los parámetros pueden derivarse de observaciones cuidadosas o calibrarse utilizando
los datos observados no son factibles en un área grande. Comparado con el conceptual agrupado
modelos de parámetros los modelos a macroescala tienen considerablemente menos parámetros. Su
Además, los parámetros pueden estimarse a partir de conjuntos de datos espaciales, que cubren atributos como
diversos como cobertura terrestre, tipo de suelo y clima. Los modelos hidrológicos a macroescala están a la última
herramientas de última generación para evaluar los recursos hídricos a escala regional y continental.
5-25
Página 107
5.7 CUÁNDO SE PUEDEN UTILIZAR LOS MODELOS LUMPED Y CUÁNDO SE DEBEN

¿SE UTILIZARÁN MODELOS DISTRIBUIDOS?
La distinción entre modelos agrupados y distribuidos no es sólo una de menor o menor

mayor sofisticación, pero también íntimamente ligado a los propósitos para los cuales tales
se utilizarán modelos; Las respuestas a ciertas preguntas solo se pueden intentar usando
modelos con parámetros distribuidos espacialmente. Blackie y Eeles (1985) dan una buena
cuenta de los usos de modelos agrupados, bajo cinco encabezados:
(i) control de calidad y llenado de datos faltantes;

(ii) ampliaciones de registros históricos de caudal;
(iii) generación de corridas de datos sintéticos para trabajos de diseño de ingeniería civil y otros
aplicaciones;
(iv) evaluación de recursos hídricos;
(v) gestión de los recursos hídricos, incluida la previsión en tiempo real.
En un artículo que apareció en la misma colección que Blackie y Eeles (1985),

Beven (1985) cita a Beven y O'Connel (1982) al definir el papel de los
modelos en hidrología. Las cuatro áreas que ofrecen el mayor potencial se dan como:
(i) pronosticar los efectos de los cambios de uso de la tierra;

(ii) pronosticar los efectos de entradas y salidas espacialmente variables;
(iii) pronosticar los movimientos de contaminantes y sedimentos;
(iv) pronosticar la respuesta hidrológica de cuencas de captación no calibradas donde no se dispone de datos
disponible para la calibración de un modelo agrupado.
Los modelos de parámetros distribuidos siguen siendo el enfoque más objetivo para responder
preguntas tales como: ¿cómo cambiará el patrón de escorrentía en el área por encima de 500 m en
se planta una cuenca de captación de bosque; o, si ocurre un derrame accidental de una sustancia química tóxica en
el puente que cruza este arroyo, qué tan lejos se verá afectada la red de canales del río, cómo
cuánto tiempo durarán sus efectos y en qué medida se verán afectadas las aguas subterráneas. Agrupado
Los modelos de parámetros tienen poco que ofrecer para tales preguntas.
En los últimos años, sin embargo, se ha hecho un balance de lo que se está haciendo y puede ser
logrado mediante el uso de modelos distribuidos, incluso con la computadora más potente
apoyo. Grayson y col. (1992) expresó las dudas de la siguiente manera, en un artículo que analiza
direcciones futuras para modelos de parámetros distribuidos basados físicamente (es decir, aquellos en
qué parámetros que describen los procesos pueden variar espacialmente sobre el río
cuenca):
El atractivo de del
características estos modelos
flujo es sudentro
en puntos potencial para
de las proporcionar
cuencas, pero lasinformación sobre actuales
representaciones la en
Los modelos basados en procesos suelen ser demasiado toscos para permitir una aplicación precisa a priori.
a problemas de predicción. Las dificultades se relacionan tanto con la percepción del modelo
capacidades y los supuestos y algoritmos fundamentales utilizados en los modelos.
Además, la escala de medición de muchos parámetros a menudo no es compatible
con su uso en modelos hidrológicos. Los usos más adecuados de los
modelo de parámetros distribuidos son para ayudar en el análisis de datos, para probar hipótesis
junto con estudios de campo, para mejorar nuestra comprensión de los procesos y
sus interacciones e identificar áreas de poca comprensión en nuestro proceso
descripciones. La percepción errónea de que la complejidad del modelo está correlacionada positivamente
5-26
Página 108
confianza en los resultados se ve agravada por la falta de

discusión de la capacidad / limitaciones de un modelo y la reticencia a publicar deficiente
resultados ... El desarrollo del modelo a menudo no se lleva a cabo junto con
programas diseñados para probar modelos complejos, por lo que se pierde el vínculo con la realidad.
5.8 CONVOCATORIA DE MODELOS DISTRIBUIDOS DE NUEVA GENERACIÓN
5.8.1 La situación actual de la modelización hidrológica
Como se muestra en la figura 5.8, se han realizado análisis exitosos utilizando

modelos distribuidos basados en datos de resolución fina y utilizando hidrología conceptual
modelos con datos de escala gruesa. Uno de los campos desafiantes en el campo hidrológico
ejercicios de modelado es la aplicación de modelos distribuidos con base física a la
escala meso o regional. Hay al menos cuatro motivaciones para desarrollar nuevos
modelos distribuidos de generación que se pueden utilizar en escala meso o regional (en el
literatura a la que también se refieren como modelado hidrológico a macroescala y
modelado hidrológico):
• Evaluación del balance hídrico de sitios no medidos y grandes regiones geográficas,
• Evaluación de los efectos del uso de la tierra y la variabilidad climática,
• Estimar las fuentes puntuales y difusas de carga de contaminación a los arroyos, y
• Mejorar la representación de los procesos hidrológicos a nivel regional y global.
modelos atmosféricos.
Los modelos distribuidos tradicionales basados en la física no se pueden aplicar directamente a

escalas grandes con resoluciones gruesas porque: (1) El parcial de base física
Las ecuaciones diferenciales utilizadas en la mayoría de los modelos distribuidos se definen en función de la
datos de resolución y pueden no ser válidos a gran escala con resolución gruesa debido a la
heterogeneidad y naturaleza no lineal de los procesos de transferencia suelo-vegetación-atmósfera. (2)
Es posible que no se pueda utilizar una gran cantidad de datos para estimar los parámetros de esos modelos.
disponible en grandes regiones geográficas. (3) Calibración del gran número de
Los parámetros de tales modelos podrían no ser factibles en grandes regiones geográficas.
Los modelos distribuidos de nueva generación deberían, por tanto, tener la siguiente clave
caracteristicas:
• El modelo debe ser transferible de una ubicación geográfica a otra. Modelo
por tanto, los parámetros deben ser físicamente relevantes.
• El modelo debe aplicarse a cada subcuenca en el dominio espacial o en un
cuadrícula regular.
• La escorrentía debe enrutarse desde el punto de generación (la unidad fundamental) a través
el dominio espacial a lo largo de la red fluvial.
En cuanto a las primeras características, requiere, por un lado, las ecuaciones y parámetros
debe ser físicamente relevante, y por otro lado, los modelos no deben ser demasiado
específico con respecto a las condiciones locales. Requiere algún tipo de generalidad y
promediando. El número de parámetros del modelo debe ser menor que el tradicional.
modelos distribuidos. Consulte las segundas características; surge la pregunta de cómo
estos elementos de área se pueden definir. Una opción es subdividir la cuenca en
denominadas "unidades de respuesta hidrológica (HRU)" que son similares con respecto a
características
captación y que se modelan
en elementos por separado.
de cuadrícula cuadradosOtra opción esespaciados.
igualmente subdividir Los
la problemas relacionados con el primero
El método de subdivisión incluye qué características deben considerarse relevantes para el
5-27
Página 109
Procesos hidrológicos. Si son demasiados, la partición será muy detallada, lo que resultará en
es necesario manejar demasiados datos. Si son pocos, descuidamos la heterogeneidad de los demás.
Los problemas relacionados con el segundo método de subdivisión incluyen que el
Las características dentro de cada celda de la cuadrícula que se consideran homogéneas pueden ser altamente
heterogéneo, la reducción del tamaño de las celdas de la cuadrícula reduce la heterogeneidad, pero aumenta
tiempo de cálculo. Considerando el acoplamiento con modelos atmosféricos (GCM), el
segundo método de subdivisión, es decir, se utilizan celdas de cuadrícula regulares. Finalmente, considerando el
gran escala que se apliquen los modelos de distribución de nueva generación, encaminando el flujo tanto
dentro de las celdas de la cuadrícula y entre las celdas constituyen la parte importante de los modelos.
La estructura general de un modelo de distribución de nueva generación incluye tres partes:
• Generación de escorrentía en cada celda de la cuadrícula,
• Enrutamiento dentro de las celdas utilizando el método de área de tiempo,
• Enrutamiento entre celdas utilizando métodos de enrutamiento de flujo de río.
Tipo de modelo
De base física Conceptual / empírico
modelos distribuidos modelos modelo
Okay
1 km
1 ×
resolución ine
?
F < cada hora, diariamente
Escala
Okay
?
resolución aproximada
C 10 - 50 km semanales, mensuales
Fig.5.8 Matriz conceptual para modelado hidrológico y escala. Los análisis exitosos han
Se ha realizado utilizando modelos distribuidos basados físicamente con datos de resolución fina y
utilizando modelos hidrológicos conceptuales con datos de escala gruesa. (Modificado de Vörösmarty
et al., 1993).
5.8.2 Estado del arte de los modelos de nueva generación
El nuevo modelo distribuido de última generación es un sistema de modelado integrado que combina
Modelo SVAT, modelo de agua subterránea, modelo de nieve y modelo de enrutamiento hidrodinámico y
se acopla con GIS, DEM / DTM y GCM.
¿Qué es un GCM?
GCM es un modelo de circulación general del proceso atmosférico global. Las salidas de
tales modelos incluyen dirección / velocidad del viento, temperatura, humedad, presión del aire,
precipitación, evaporación, caudal, etc. Los principales insumos incluyen CO2 y otros
gases. La resolución espacial típica de un GCM es de 300 × 300 km.
5-28
Página 110
Con el propósito original de la predicción meteorológica, los GCM se utilizan hoy en día en
predecir escenarios climáticos futuros (Loaiciga et al., 1996; Xu, 1999c).
¿Qué es un RCM?
RCM es un modelo atmosférico a escala regional, siendo similar a GCM en principio pero
con una resolución espacial más fina de 30 × 30 km. En la literatura también se le conoce como
modelo atmosférico de área y modelo climático regional. Es el resultado de dinámica
reducción de escala de un GCM (por ejemplo, Giorgi et al., 1990).
¿Qué es un SVAT?
SVAT es un esquema / modelo Suelo-Vegetación-Atmósfera-Transferencia con el objetivo de
simulando un rendimiento superior en términos de hidrología, biogeoquímica y
Procesos dinámicos de la vegetación. La estructura general de un SVAT se muestra en la figura 5.9.
Figura 5.9 Estructura generalizada de un modelo SVAT.
5-29
Página 111
Hay dos direcciones para futuros desarrollos de SVAT:

• Diseñar modelos SVAT ecohidrológicos más completos capaces de
describir las diversas interrelaciones e interdependencias complejas entre las
diferentes
• Para variablesSVAT
derivar modelos de proceso, parámetros
simplificados, y características
especialmente de uso
para su influencia.
en escalas más grandes, que son
capaz de simular procesos principales basados en un pequeño conjunto de parámetros clave, para ser
vinculado a las cantidades utilizadas en la descripción de los procesos de la superficie terrestre en el
escamas.
5.8.3 Enfoques en el desarrollo de modelos distribuidos de nueva generación
En principio, existen dos enfoques:

• Enfoque "de abajo hacia arriba": identifica áreas hidrológicas representativas y aplica
modelos hidrológicos de base física altamente detallados, luego se agrega hacia arriba para
todas las cuencas o unidades fundamentales en un área grande (por ejemplo, el Instituto de Hidrología
macromodelo, Arnell, 1993; Kite et al., 1994).
• Enfoque "de arriba hacia abajo": trata cada una de las unidades fundamentales como una sola agrupación
captación, y aplica a cada uno de ellos un modelo hidrológico conceptual simple
(Vörösmarty et al., 1989; Liston et al., 1994; Wood et al., 1992).
En la práctica, también hay dos enfoques:
• Uno es mejorar los procesos de balance energético dentro de un sistema hidrológico existente.
modelo y permitiéndole acoplarse con un modelo atmosférico (por ejemplo, Xu et al., 1994).
• Otro enfoque es la mejora de los procesos hidrológicos en la superficie terrestre
modelos desarrollados para modelos atmosféricos (Kim et al, 2001).
5.8.4 Enfoques del acoplamiento de modelos hidrológicos con modelos atmosféricos (GCM)
Como se mencionó anteriormente, una de las motivaciones importantes del desarrollo del nuevo
generación de modelos distribuidos es mejorar la representación de los procesos hidrológicos
en modelos atmosféricos regionales y globales. Acoplando los modelos hidrológicos con el
GCM es quizás la mejor manera de hacerlo.
Los modelos hidrológicos tradicionales no se pueden acoplar directamente a los GCM
debido a una serie de brechas entre ellos (ver Tabla 5.3). Los enfoques que tienen
utilizado para vincular GCM y modelos hidrológicos se presentan en la figura 5.10.
Los GCM atmosféricos globales se han utilizado directamente para simular el caudal bajo
clima actual y predecir el impacto del cambio climático futuro en macroescala
captaciones. El análisis de la escorrentía predicha por GCM mostró que una
representación del ciclo hidrológico dentro de un modelo global de atmósfera general
la circulación conduce a una escasa capacidad de predicción hidrológica (por ejemplo, Kuhl y Miller, 1992). los
El problema desde un punto de vista hidrológico es que la mayoría de los MCG no contienen
transferencia de agua dentro de la fase terrestre.
Los resultados del estudio de la literatura mostraron que el acoplamiento de la macroescala hidrológica
modelo con el GCM produce una mejor representación del régimen de flujo registrado que
Predicciones de GCM de escorrentía para cuencas fluviales muy grandes. Sin embargo, los GCM no pueden 'ver'
cuencas hidrográficas de menor escala debido a su resolución gruesa de cuadrícula. Escala de subcuadrícula
Se necesitan modelos hidrológicos y esquemas de anidación para resolver el GCM a gran escala.
predicciones y predecir fenómenos hidrológicos a menor escala (Hostetler y Giorgi,
1993).
5-30
Página 112
Tabla 5.3: Algunas brechas existentes entre la capacidad de los GCM y las necesidades hidrológicas
______________________________________________________________________
Mejor simulado Menos bien simulado No bien simulado
______________________________________________________________________
Escalas espaciales Global Regional Local
Discordancia 300 × 300 km 30 × 30 km 0 - 50 km
Escalas temporales Media anual Media mensual Media diaria

Discordancia y estacional
Escala vertical 500 hPa 800 hPa superficie terrestre

Discordancia
Variables de trabajo Viento Abundancia de nubes Evapotranspiración

Discordancia Temperatura Precipitación Escapada
Presión del aire Humedad La humedad del suelo
______________________________________________________________________
Disminuye la capacidad de los GCM
Aumenta la importancia hidrológica
______________________________________________________________________
Para evitar estos problemas, las técnicas de 'reducción de escala' han

surgió como un medio de relacionar modelos atmosféricos a gran escala con regionales o incluso de cuencas
modelos hidrológicos a escala (Xu, 1999b). Dos amplias clases de enfoques de reducción de escala
existen: métodos dinámicos, que implican la resolución explícita de los procesos físicos
dinámica del sistema (por ejemplo, Giorgi y Mearns, 1991); y métodos estadísticos que utilizan
relaciones de sistema identificadas derivadas de datos observados (por ejemplo, Wigley et al., 1990; Xu,
1999c).
Debido a que los presentes GCM y / o RCM dan valores diferentes de algunos
variables climáticas y, a menudo, no proporcionan un clima único confiable que pueda ser
avanzado como pronóstico determinista para la planificación hidrológica. En consecuencia, los métodos de
La simple alteración de las condiciones actuales son ampliamente utilizadas por los hidrólogos (enfoque 5
en la figura 5.10). Se han adoptado y se han adoptado varios escenarios hipotéticos de cambio climático
Las predicciones climáticas para condiciones de 'doble CO2' se han convertido en un estándar en tales
estudios de sensibilidad (por ejemplo, Loaiciga et al., 1996). El procedimiento general para estimar la
Los impactos del hipotético cambio climático en el comportamiento hidrológico tiene el siguiente
etapas:
• Determinar los parámetros de un modelo CHM por calibración,

• Perturbar la serie histórica de tiempo de datos climáticos observados según algunos
escenarios de cambio climático por:
o estimar los cambios anuales promedio (%) en la precipitación y la temperatura
utilizando
▪ Resultado de GCM o
▪ mediciones históricas de cambio o
▪ estimaciones personales
5-31
Página 113
o ajustar las series de tiempo históricas multiplicando la precipitación histórica por

un cambio porcentual y agregando un cambio absoluto al histórico
temperatura.
• Simular las características hidrológicas de la cuenca bajo el perturbado
clima utilizando el modelo hidrológico calibrado.
• Comparar las simulaciones del modelo de la hidrología actual y posible futura.
caracteristicas.
En los estudios recientes, los enfoques 3 y 4 han recibido más esfuerzos que otros.
Esto se debe a que los enfoques estadísticos de reducción de escala que vinculan a los GCM con
Los modelos hidrológicos resueltos a escalas más finas brindan la posibilidad de salvar las brechas
entre los GCM de resolución gruesa y el modelado hidroclimático en la cuenca del río
escala, mientras que el enfoque dinámico de reducción de escala y los esquemas de anidamiento brindan la posibilidad
de acoplamiento de doble vía entre modelado atmosférico e hidrológico. Este doble
El acoplamiento de formas es importante no solo porque proporciona mejores simulaciones de
escenarios hidrológicos, sino también porque proporciona una retroalimentación
modeladores que a su vez es importante para mejorar las habilidades de los GCM y RCM.
2 MHM
3
Dinámica
GCM MHM
reducción de escala
Estadístico
4
reducción de escala
CHM
5 Hipotético
CHM Escenario de recursos hídricos
∆ T, ∆ P
Donde : CHM = modelos hidrológicos a escala de captación

MHM = modelos hidrológicos a macroescala
Figura 5.10 Representación esquemática de los métodos para evaluar los recursos hídricos
bajo un clima cambiante
5-32
Página 114
Abbott, MB, Bathurst, JC, Cunge, JA, O'Connell, PE y Rasmussen, J., 1986.
Introducción al sistema hidrológico europeo - Systeme Hydrologique
Europeen, "SHE", 1: Historia y filosofía de la física distribuida
sistema de modelado. J. Hydrol. 87: 45-59.
Abbott, MB, Bathurst, JC, Cunge, JA, O'Connell, PE y Rasmossen, J., 1986.
Introducción al sistema hidrológico europeo - Systeme Hydrologique
Europeen, "SHE", 2: Estructura de un sistema de modelado distribuido con base física.
J. Hydrol. 87: 61-77.
Alley, WM, 1984: Sobre el tratamiento de la evapotranspiración, contabilidad de la humedad del suelo
y recarga de acuíferos en modelos de balance hídrico mensual. Investigación de recursos hídricos
20 (8), 1137-1149.
Arnell, NW, 1993. Requisitos de datos para el modelado a macroescala de la hidrosfera, en:
Modelado a macroescala de la hidrosfera , publ. IAHS. Núm. 214, págs. 139-149.
Arnell, NW, 1999: Un modelo simple de balance hídrico para la simulación de caudal
sobre un gran dominio geográfico, Journal of Hydrology 217 (3-4), 314-335.
Bergström, S., 1976: Desarrollo y aplicación de un modelo conceptual de escorrentía para
Cuencas escandinavas. Departamento de Ingeniería de Recursos Hídricos, Lund
Instituto de Tecnología, Boletín Serie A-52, Meteorológico y
Instituto Hidrológico, Norrköping, Suecia.
Bergström, S., 1992: El modelo HBV: su estructura y aplicaciones. Informe SMHI RH
No 4. Instituto Meteorológico e Hidrológico, Norrköping, Suecia.
Blake, GJ, et al., 1968. Infiltración en la cuenca experimental Puketurua. J. Hydrol.
7 (1), 38-46.
Blank, D., JW Delleur y A. Giorgini, 1971. Funciones del núcleo oscilatorio en
modelos hidrológicos. Investigación de recursos hídricos 7 (5): 1102-1117.
Bree, T., 1978. La estabilidad de la estimación de parámetros en el modelo lineal general,
Revista de hidrología 37 (1/2): 47-66.
Budyko, MI. y Zubenok, LI, 1961: Sobre la determinación de la evaporación del
superficie terrestre. Izv. Akad. Nauk SSSR Ser. Geogr. 6, 3-17.
Bultot, F. y Dupriez, GL, 1976: Modelo hidrológico conceptual para un
área de influencia: conceptos y relaciones. Revista de hidrología 29, 251-272.
Bultot, F., Coppens, A., Dupriez, GL, Gellens, D. y Meulenberghs, F., 1988:
Repercusiones de una duplicación de CO2 en el ciclo del agua y en el balance hídrico: a
estudio de caso para Bélgica. Revista de hidrología 99, 319-347.
Bultot, F., Gellens, D., Spreafico, M. y Schädler, B., 1992: Repercusiones del CO2
duplicar el balance hídrico - un estudio de caso en Suiza. Revista de hidrología
137, 199-208.
Burnash, RJC, Ferral, RL y McGuire, RA, 1973: A generalized streamflow
sistema de simulación, modelado conceptual para computadora digital. Departamento de Estados Unidos de
Comercio, Servicio Meteorológico Nacional y Estado de California, Departamento de Agua
Recursos, Sacramento, CA.
Chow, VT, 1964. Escorrentía, en Handbook of Applied Hydrology, sección 14. McGraw-Hill,
Nueva York.
Chow, VT, DR Maidment y LW Mays, 1988. Hidrología aplicada, McGraw-Hill
Compañía de libros.
5-33
Página 115
Crawford, NH y Linsley, RK, 1964: Un modelo conceptual de ciclo hidrológico.

IAHS Publ. 63, 573-587.
Dooge, JCI, 1973. Teoría lineal del sistema hidrológico, Tech. Toro. Núm. 1468, Agric.
Res. Serv., Págs. 117-124. Octubre, Departamento de Agricultura de EE. UU., Washington, DC
Dooge, JCI, 1992: Modelos hidrológicos y cambio climático, Journal of Geophysical
Investigación D3, 97, 2677-2686.
Fleming, G., 1975. Técnicas de simulación por ordenador en hidrología. Elsevier Publishing
Co., Nueva York.
Giorgi, F., 1990. Simulación del clima regional utilizando un modelo de área limitada anidado en un
modelo de circulación general. Journal of Climate 3, 941-963.
Giorgi, F. y Mearns, LO, 1991. Enfoques para la simulación del clima regional
cambio: una revisión. Reseñas de geofísica 29, 191-216.
Green, WH y Ampt, CA, 1911. Estudios sobre física del suelo, I. Flujo de aire y agua
a través de suelos. J. de Ciencias Agrícolas, 4: 1.24.
Hewlett, JD, 1961. Manejo de cuencas hidrográficas, en el sureste de USFS, Forest Expt. Sta.
Rept. pp61-66.
Hewlett, JD y AR Hibbert, 1963. Condiciones de humedad y energía dentro de una pendiente
masa de suelo durante el drenaje, JGR , 68: 1081-1087.
Hewlett, JD y WL Nutter, 1969. Un esquema de hidrología forestal, Univ. de Georgia
Prensa, Atenas.
Horton, RE, 1919. Rainfall Interception. Revisión meteorológica mensual 47 (9): 603-623.
Horton, RE, 1933. El papel de la infiltración en el ciclo hidrológico. Transacciones del
Unión Geofísica Americana 14: 446-460.
Horton, RE, 1939. Análisis de la escorrentía - experimento plat con infiltración variable
capacidad. Transactions of the American Geophysical Union 20: 693-711.
Horton, RE, 1940. Un enfoque hacia una interpretación física de la infiltración
capacidad. Sociedad Estadounidense de Ciencias del Suelo 5: 399-417.
Hostetler, SW y Giorgi, F., 1993. Utilización de la salida de modelos atmosféricos de alta resolución en
modelos hidrológicos a escala de paisaje: una evaluación. Investigación sobre recursos hídricos 29, 1685-
1695.
James, LD, et al., 1982. Una taxonomía para evaluar el modelo de cantidad de agua superficial
fiabilidad. En Modelado aplicado en hidrología de cuencas hidrográficas, (ed.) VP Singh, 189-228.
Littleton, Colo: Publicación sobre recursos hídricos.
Kite, GW, Dalton, A. y Dion, K., 1994. Simulación de un caudal en una macroescala
cuenca hidrográfica utilizando datos del modelo de circulación general. Investigación de recursos hídricos 30, 1547-
1599.
Kuhl, SC y Miller, JR, 1992. Escorrentía fluvial estacional calculada a partir de un
modelo atmosférico. Investigación sobre recursos hídricos 28, 2029-2039.
Larson, CL et al., 1982. Algunos modelos de cuencas hidrográficas particulares. Capítulo 10 en Hidrológico
Modelización de cuencas hidrográficas agrícolas, (ed.) HT Haan, 409-434. Monografía de ASAE
No 5 St. Joseph, Michigan: Sociedad Estadounidense de Cuencas Agrícolas.
Lawler, 1964
Leavesley, GH, 1994: Modelado de los efectos del cambio climático en los recursos hídricos - A
revisión. Cambio climático 28, 159-177.
Liston, GE, Sud, YC y Wood, EF, 1994. Evaluación de la hidrología de la superficie terrestre de GCM
parametrizaciones calculando las descargas de los ríos utilizando un modelo de enrutamiento de escorrentía
aplicación a la Cuenca del Mississippi. Revista de meteorología aplicada 33, 394-404 .
Loaiciga, HA, Valdés, JB, Vogel, R., Garvey, J. y Schwarz, H. (1996) Global
el calentamiento y el ciclo hidrológico. Revista de hidrología 174 , 83-127.
5-34
Página 116
Maidment, RD, 1996: SIG y modelado hidrológico: una evaluación del progreso.
Presentado en la Tercera Conferencia Internacional sobre SIG y Medio Ambiente
Modelado, 22-26 de enero, Santa Fe, Nuevo México.
Meriam, RA, 1960. Una nota sobre la ecuación de pérdida por intercepción. J. de geofísica
Investigación 65 (11): 3850-3851.
Meyer, AF, 1942. Introducción a la escorrentía. Capítulo 11A en Meinzer, OE (Ed.),
Hidrología, McGraw-Hill, Nueva York, 1942.
Morel-Seytoux, HJ, 1973. Flujos de dos fases en medios porosos. En: Avances en
Hydroscience, vol 9, editado por VT Chow, Nueva York: Academic Press, 119-201.
Nash, JE, 1957. La forma del hidrograma unitario instantáneo. Internacional
Publicación de la Asociación de Hidrología Científica 45 (3): 114-121.
Nathan, RJ, McMahon, TA y Finlayson, BL, 1988: El impacto del invernadero
efecto sobre la hidrología de la cuenca de captación y las relaciones almacenamiento-rendimiento tanto en invierno como en
zonas de lluvias de verano. En Pearman, GI (ed.), Greenhouse, Planning for Climate
Change, División de Investigación Atmosférica, CSIRO, East Melbourne, Australia.
Ng, HYF y Marsalek, J., 1992: Sensibilidad de la simulación de caudal a los cambios en
insumos climáticos. Hidrología nórdica 23, 257-272.
O'Donnell, T., 1960. Hidrograma unitario instantáneo por análisis armónico, Proc. Gen.
Culo. Helsinki, IASH, publicación 51, págs. 546-557.
Ol'dekop, EM, 1911: Sobre la evaporación de la superficie de las cuencas fluviales. Tr. Meteorol.
Observ. Iur'evskogo Univ. Tartu., 4.
Philip, JR, 1969. Teoría de la infiltración. En: Advances in Hydroscience, vol 5, editado por
VT Chow, Nueva York: Academic Press, 215-296.
Pike, JG, 1964: La estimación de la escorrentía anual a partir de datos meteorológicos en un
clima. Revista de hidrología 2, 116-123.
Porter, JW y McMahon, TA, 1971: Un modelo para la simulación de datos de caudal
a partir de los registros climáticos. Revista de hidrología 13, 297-324.
Renard, KG, WJ Rawls y MM Fogel. 1982. “Modelos disponibles actualmente”.
Capítulo 13 en Modelización hidrológica de cuencas hidrográficas agrícolas, (ed.) HT Haan,
507-522. Monografía No 5 de ASAE St. Joseph, Michigan: Sociedad Americana de
Cuencas hidrográficas agrícolas.
Rovey, CEK y EV Richardson, 1975. Modelo matemático de flujo en una corriente
sistema acuífero. Proc. 2nd Annual Symp. en Model Technology, San Francisco, CA.
(Publicado por ASCE, Nueva York) , págs439-457.
Schaake, JC y Liu, C., 1989: Desarrollo y aplicación del balance hídrico simple
modelos para comprender la relación entre el clima y los recursos hídricos. Nuevo
Instrucciones para el modelado de aguas superficiales (Actas del Simposio de Baltimore,
Mayo de 1989), IAHS Publ. no 181.
Schreiber, P., 1904: Sobre la relación entre la precipitación y la escorrentía de los ríos en
Europa Central, Z. Meteorol . 21, 441-452.
Singh, VP, 1988. Hydrologic Systems. Volumen 1: Modelado de lluvia-escorrentía. Aprendiz
Hall, Nueva Jersey.
Singh, VP, 1989. Hydrologic Systems, II, Watershed Modeling, Prentice Hall, New
Jersey.
Thornthwaite, CW, 1948: Un enfoque hacia una clasificación racional del clima.
Geogr. Apocalipsis 38 (1), 55-94.
Toebes, C., 1963. Applied Hydrology 2: 37-59. Escuela Técnica por Correspondencia, Nueva
Departamento de Educación de Zelanda.
Turc, L., 1954: El balance hídrico de los suelos. Relación entre la evaporación por precipitación
y fluir. Ana. Agron . 5, 491-569.
5-35
Página 117
Agencia de Protección Ambiental de EE. UU. (USEPA), 1984: Manual del usuario para
programa de simulación hidrológica-FORTRAN (HSPF), EPA-600 / 3-84-066,
Laboratorio de Investigación Ambiental, Athens, GA.
Ullah, W. y WT Dickinson, 1979. Descripción cuantitativa del almacenamiento de depresión
modelo que utiliza el modelo de superficie digital: parte I y parte II, J. Hydrology 42: 63-99.
Vörösmarty, CJ, Moore, B., Gildea, MP, Peterson, B., Melillo, J., Kicklighter, D.,
Raich, J., Rastetter, E. y Steudler P., 1989: Un modelo de agua a escala continental
Equilibrio y transporte fluvial: Aplicación a América del Sur. Biogeoquímico global
Ciclos 3, 241-65.
Vörösmarty, CJ, Gutowski, WJ, Person, M., Chen, TC y Case, D. Linked
modelos de atmósfera-hidrología a macroescala. En: Modelado a macroescala del
Hydrosphere, Publicación IAHS No 214, 3-30.
Ward, RC, 1972. Estimación del caudal mediante el balance hídrico climático de Thornthwaite,
Weather , febrero pp-73-84.
Wigley, TML, Jones, PD, Briffa, KR y Smith, G., 1990. Obtención de subescala
información de la salida del modelo de circulación general de resolución gruesa . Diario de
Investigación geofísica 95, 1943-53.
Wood, EF, Lettenmaier, DP y Zartarian, VG, 1992: Una hidrología de la superficie terrestre
parametrización con variabilidad de subcuadrícula para modelos de circulación general. Diario de
Investigación geofísica 97, D3, 2717-2728.
Xu, CY, 1999a: Estimación de parámetros de un modelo conceptual de balance hídrico para
captaciones no calibradas. Gestión de recursos hídricos 13 (5), 353-368.
Xu, CY, 1999b. Cambio climático e modelos hidrológicos: una revisión de las brechas existentes y
desarrollos de investigación recientes. Gestión de recursos hídricos 13 (5): 369-382.
Xu, CY, 1999c. De los GCM al caudal de los ríos: una revisión de las técnicas de reducción de escala y
enfoques de modelado hidrológico. Progreso en geografía física 23 (2): 229-249.
Xu CY y Singh, VP, 1998: Una revisión de los modelos de balance hídrico mensual para el agua
investigaciones de recursos. Gestión de recursos hídricos 12, 31-50.
Xu, L., Lettenmaier, DP, Wood, EF y Burges, SJ, 1994. Una simple hidrológicamente
modelo basado en los flujos de agua y energía de la superficie terrestre para modelos de circulación general.
J. Geophys. Res. 99 (D7), 14415-14428.
Zhao, RJ, 1992: El modelo de Xinanjiang aplicado en China. Revista de hidrología 135,
371-381.
Zhao, RJ, Zhang, YL, Fang, LR, Liu, XR y Zhang, QS, 1980: El Xinanjiang
modelo. Actas de predicción hidrológica, Simposio de Oxford, IAHS Publ. 129,
351-356.
5-36
Página 118
CAPÍTULO 6
LA METODOLOGÍA DE LA EVALUACIÓN DE MODELOS
_____________________________________________________________________________________
6.1 FASES DE LA EVALUACIÓN DEL MODELO
En general, son necesarios varios niveles de evaluación antes de que el modelo deba ser
aplicada para estimar la producción de una cuenca (Ver Figura 6.1). Estos son:
(i) selección del modelo - elección de hipótesis de trabajo

(ii) calibración del modelo - estimación de los valores de los parámetros
(iii) validación del modelo: prueba del modelo ajustado para verificar su precisión; y
(iv) estimación de su rango de aplicabilidad
Conceptualmente, estas evaluaciones son distintas y siguen una secuencia. En la práctica,

los límites para muchos tipos de modelos a menudo son borrosos. De los cuatro tipos de evaluación,
la estimación de los valores de los parámetros generalmente recibe la mayor atención. Sin embargo, es
importante reconocer que las cuatro evaluaciones son de igual importancia fundamental,
y el descuido de cualquiera puede conducir a un error grave.
Fig. 6.1 Fases del análisis del modelo
6-1
Página 119
Ch6. La metodología de evaluación de modelos
6.2 SELECCIÓN DE MODELO
6.2.1 Problemas a considerar
La práctica hidrológica mejoraría si los modelos se eligieran objetivamente en

la base de hacer el mejor uso de la información disponible y seguir algunos
procedimiento sistemático de selección y verificación (Dooge, 1984). La elección de los mejores
modelo depende en gran medida del problema. En general, los elementos que deben
ser considerados en el proceso de selección incluyen (Haan et al. 1982):
(a) La naturaleza de los procesos físicos involucrados,
(b) El uso que se hará del modelo,
(c) La calidad de los datos disponibles y
(d) Las decisiones que se basan en el resultado del uso del modelo.
Al examinar la naturaleza de los procesos físicos involucrados, uno debe preguntar y
intentar responder preguntas tales como: ¿Cuáles son los procesos que interactúan para producir la
fenómeno bajo investigación? ¿Son susceptibles de solución por estocástico
procesos? ¿Son procesos independientes? ¿Son independientes del tiempo? Son valores
de los parámetros que probablemente cambien con el tiempo, es decir, ¿son estacionales? Es el proceso
¿estacionario? ¿Deben representarse los cambios futuros inducidos por el hombre? ¿Si es así, cómo?
Al estudiar el uso que se va a hacer del modelo, es necesario responder: ¿Cuánto
¿Se necesita información sobre el proceso que se está modelando? ¿Los datos deben ser
¿Se presentan en intervalos de tiempo cortos o son suficientes los datos mensuales o anuales?
La calidad de los datos hidrológicos que describen un fenómeno afecta el problema de
ajustando información útil de los procesos complejos que produjeron el fenómeno.
Varios modelos pueden ser capaces de describir el mismo proceso y, en gran medida,
La selección del que se utilizará depende de una comparación de los datos y el modelo muestreados.
salida.
Finalmente, en la selección del modelo, las decisiones que pueden basarse en el resultado de la
Se debe considerar el uso del modelo. En gran medida, estas decisiones dictarán la
criterios que deben utilizarse para juzgar la calidad del desempeño del modelo. Como un
Por ejemplo, supongamos que se utilizarán secuencias de caudal para determinar el tamaño de una presa.
para ser utilizado para el suministro de agua. En este caso, se selecciona el modelo y sus parámetros
estimados de tal manera que se minimicen los costos de la incertidumbre inherentes a las decisiones
con respecto al tamaño de la presa. Alternativamente, suponga que se utilizan datos de precipitaciones aéreas para
estudiar la variabilidad espacial de la humedad del suelo al evaluar las condiciones de los cultivos. En este caso,
El modelo y sus parámetros deben seleccionarse para minimizar los costos inherentes a
riego excesivo o pérdidas de productividad provocadas por el estrés del crecimiento inducido por la sequía.
Estos son ejemplos bastante simplistas, pero sirven para mostrar las necesidades de la toma de decisiones.
fabricante, que puede no saber cómo juzgar la calidad de la respuesta de un modelo.
6.2.2 Criterios de selección
Hasta ahora, los problemas a considerar al elegir un modelo adecuado en general

han sido discutidos. En la mayoría de las situaciones, sin embargo, los métodos objetivos absolutos de
La elección del mejor modelo para un problema en particular aún no se ha desarrollado, por lo que
La elección sigue siendo parte del arte del modelado hidrológico. Dawdy y Lichty (1968)
sugirió cuatro criterios que se pueden utilizar para elegir entre modelos alternativos:
1). Precisión de predicción

2). Sencillez del modelo
6-2
Página 120
3). Coherencia de las estimaciones de los parámetros

4). Sensibilidad de los resultados a los cambios en los valores de los parámetros
La precisión de la predicción de la salida del sistema es obviamente muy importante; es deseado

cuando todos los demás factores son iguales, el modelo con varianza de error mínima sería
superior. La simplicidad se refiere al número de parámetros que deben estimarse y la
facilidad con la que se puede explicar el modelo a clientes u organismos públicos. Cuando todos los demás
Los factores son iguales, se debe elegir el modelo más simple. Consistencia de
La estimación de parámetros es una consideración importante en el desarrollo de modelos hidrológicos.
utilizando parámetros estimados por técnicas de optimización. Si los valores óptimos de la
Los parámetros son muy sensibles al período particular del registro utilizado, o si varían
ampliamente entre cuencas hidrográficas similares, el modelo probablemente no será confiable. Finalmente,
Los modelos no deben ser extremadamente sensibles a las variables de entrada que son difíciles de medir.
6.3 PROBLEMAS EN LA CALIBRACIÓN DEL MODELO - ESTIMACIÓN DE PARÁMETROS
6.3.1. Introducción a la calibración de modelos
Cualquiera que sea la forma del modelo que se elija, hay algunas constantes desconocidas que se utilizan para
representan el proceso físico. Estos llamados parámetros del modelo deben ser
asignados valores numéricos fijos antes de que el modelo se pueda utilizar para predecir la escorrentía, en
En otras palabras, es necesario estimar estos parámetros de manera que el mejor acuerdo
entre la escorrentía modelada y observada se puede obtener. El proceso por el cual el
se seleccionan los parámetros se llama modelo "calibración". El énfasis aquí está dirigido
hacia la calibración del modelo hidrológico “conceptual” de caudal.
6.3.1.1 Parámetros del modelo
Muchos modelos hidrológicos se basan en representaciones conceptuales de la

procesos que gobiernan el flujo de agua a través y sobre el suelo. Tales modelos generalmente
tienen dos tipos de parámetros: parámetros "físicos" y parámetros de "proceso"
(Sorooshian y Gupta, 1995).
(a) Parámetros físicos: los parámetros físicos representan físicamente medibles

propiedades de la cuenca. Algunos ejemplos son: el área de la cuenca, la fracción
del área de la cuenca que es impermeable, el área de la superficie de los arroyos y
masas de agua abiertas, pendientes superficiales, etc.
(b) Parámetros del proceso: los parámetros del proceso representan propiedades de la cuenca hidrográfica
no medible directamente. Los ejemplos incluyen: la profundidad media o "efectiva" de
almacenamiento de humedad del suelo superficial, la tasa de flujo lateral efectiva, el coeficiente
de no linealidad controlando la tasa de percolación al almacenamiento de agua subterránea, y así
en.
6.3.1.2 Métodos de determinación de parámetros
Hay dos partes del proceso de determinación de parámetros: especificación de parámetros

y estimación de parámetros.
(a) Especificación de parámetros : aquí utilizamos conocimientos previos sobre la cuenca

propiedades y comportamiento para especificar estimaciones iniciales para los parámetros del
6-3
Página 121
modelo. Para los parámetros "físicos", las estimaciones se realizan mediante mediciones
obtenido de mapas en el campo. Los parámetros se fijan normalmente en estos
valores medidos y no se ajustan más a menos que se determine que es un error. por
Parámetros de "proceso", estimaciones del rango (valores mínimo y máximo)
de los posibles valores para estos parámetros se determinan en función del juicio y
comprensión de la hidrología de la cuenca. Esta incertidumbre en el
Las estimaciones de parámetros se reducen luego mediante el proceso de estimación de parámetros.
descrito abajo.
(b) Estimación de parámetros : aquí, utilizamos varias técnicas diseñadas para reducir la
incertidumbre en las estimaciones de los parámetros del proceso. Un enfoque típico es
primero seleccione una estimación inicial para los parámetros, en algún lugar dentro de los rangos
previamente especificado. A continuación, los valores de los parámetros se ajustan más
Haga coincidir el comportamiento del modelo con el de la cuenca. El proceso de ajuste
se puede hacer "manualmente" o utilizando métodos "automáticos" basados en computadora, como
se discute más adelante.
6.3.2 Calibración manual
Para calibrar un modelo, debemos seleccionar algún aspecto del comportamiento de la cuenca al que
el modelo debe coincidir: normalmente, podríamos seleccionar el hidrograma de flujo de corriente en una
o más ubicaciones en el río. Luego ajustamos los parámetros del modelo para obtener la simulación
hidrograma de flujo de corriente para parecerse al hidrograma observado para algunos datos históricos
período. En la calibración manual, utilizamos un proceso de prueba y error de ajuste de parámetros;
después de cada ajuste de parámetro, los hidrogramas simulados y observados son
comparado visualmente para ver si se mejora la coincidencia.
Con formación y mucha experiencia es posible obtener muy buenos
Calibración utilizando el enfoque manual. Sin embargo, para los inexpertos y no capacitados
persona, la calibración manual puede ser un ejercicio bastante frustrante y que requiere mucho tiempo. Esta
es principalmente porque la lógica por la cual los parámetros deben ser ajustados para mejorar la
La coincidencia es difícil de determinar (debido a los efectos compensadores que el modelo
los parámetros generalmente tienen en la salida del modelo). Desarrollos recientes en informática
Los gráficos han hecho que el proceso de calibración manual sea algo menos tedioso al
permitiendo observar rápidamente los efectos de un ajuste de parámetros y compararlos con
ensayos de parámetros previos (Brasil, 1988).
La principal debilidad de la calibración manual es que la ausencia de
Las medidas objetivas de comparación dificultan saber cuándo el proceso debe
terminarse, es decir, si se ha obtenido el "mejor" ajuste posible. Porque manual
La calibración implica una gran cantidad de juicio subjetivo, diferentes personas pueden obtener
valores de parámetros muy diferentes para la misma cuenca. Esto hace que sea difícil
Asignar explícitamente medidas de confianza al modelo calibrado y a sus simulaciones.
y predicciones.
6.3.3 Calibración automática
6.3.3.1 Introducción
El desarrollo de métodos informáticos para la calibración "automática" de

Los modelos de cuencas hidrográficas han sido motivados por:
(a) la necesidad de acelerar el proceso de calibración;
6-4
Página 122
(b) el hecho de que hay pocos expertos en calibración de modelos disponibles para cada cuenca
modelo; y
(c) la necesidad de asignar alguna medida de objetividad y confianza al modelo
predicciones.
Dawdy informó de los primeros intentos de desarrollar métodos de calibración automática

y O'Donnell (1965), Nash y Sutcliffe (1970) e Ibbitt (1970), entre otros.
Estos investigadores prepararon el escenario al traer el vasto cuerpo de investigación sobre estadísticas
técnicas de regresión y ajuste de modelos para resolver el problema de calibración.
Desde estos inicios, se ha avanzado mucho. Sin embargo lo és
Es importante indicar claramente que los métodos de calibración automática aún no han madurado
señalan que pueden reemplazar por completo los métodos manuales. Aunque rápido de proporcionar
"Soluciones", los métodos automáticos todavía requieren la experiencia del usuario y se utilizan normalmente en
junto con un procedimiento manual.
Los procedimientos de optimización automática son algoritmos de búsqueda matemática que buscan
para minimizar las diferencias entre las características seleccionadas de modelado y observado
caudales mediante alteraciones sistemáticas de prueba en los valores de los parámetros del modelo. Estas
las alteraciones de prueba se denominan "iteraciones". La función objetivo, es decir, la cuantitativa
medida del ajuste de la escorrentía modelada a la escorrentía observada, se calcula después de cada
iteración de parámetros. Las iteraciones exitosas son aquellas que causan una reducción en el valor
de la función objetivo (para el método de búsqueda directa). Durante la búsqueda solo el
se retiene el conjunto de parámetros asociado con el valor actual de la función mínima objetiva,
que, al final de una búsqueda, se considera el conjunto de parámetros óptimo.
Para ilustrar el concepto, un modelo de un parámetro y un modelo de dos parámetros son
utilizado como ejemplos. Se forma una superficie de respuesta cuando se traza la función objetivo
contra los parámetros. Las superficies de respuesta típicas para modelos de uno y dos parámetros son
que se muestra en la Fig. 6.2 con fines ilustrativos. Este concepto se puede ampliar para un modelo con
n parámetros a una superficie de respuesta en (n + 1) espacio dimensional y obviamente no puede
ser representado visualmente. El conjunto de parámetros óptimo se define por el punto más bajo en el
superficie en el caso de minimización de la función objetivo. Este punto más bajo se conoce
como el óptimo global y el descubrimiento del óptimo se conoce como convergencia. Ahí
Puede haber otros puntos en la superficie que sean más bajos que todos los demás en su
vecindad, pero no inferior al óptimo global. Estos puntos se conocen como óptimos locales ,
como se muestra en la figura 6.2.
Un procedimiento típico de estimación automática de parámetros consta de cuatro
elementos:
(1) función objetivo,

(2) algoritmo de optimización (que se discutirá en el Capítulo 7),
(3) criterios de terminación, y
(4) datos de calibración, como se describe a continuación.
Además, los procesos de verificación y análisis de sensibilidad (sección 6.4) son

necesario para establecer confianza en los resultados.
6-5
Página 123
Figura 6.2 Superficie de respuesta. A: modelo de un parámetro; B: modelo de dos parámetros
6.3.3.2a Funciones objetivas
Una función objetivo es una ecuación que se utiliza para calcular una medida numérica.
de la diferencia entre la salida simulada por el modelo (normalmente el caudal
hidrograma) y la producción de cuenca observada (medida). El propósito de la automática
La calibración del modelo es, por tanto: “ encontrar aquellos valores de los parámetros del modelo que
optimizar (minimizar o maximizar, según corresponda) el valor numérico del objetivo
función ”.
(A) Métodos de mínimos cuadrados: dibujo de regresión estadística y ajuste de modelo

teoría, la función objetiva más comúnmente utilizada ha sido alguna forma de
Función de mínimos cuadrados ponderados (WLS):
norte
F )θ( = ∑ qwt [ obs
t - qtsim )θ( ] 2 (6,1)
t =1
6-6
Página 124
dónde:
obs
tq
= valor de caudal observado (medido) en el tiempo t;
sim
tq
( θ) = valor de caudal simulado del modelo en el momento t;
θ = vector de parámetros del modelo;
wt = peso en el tiempo t; y
norte = el número de puntos de datos que se van a comparar.
Los pesos t w Indicar la importancia que se le debe dar al ajuste de un

valor del hidrograma. Si todos los pesos son iguales a 1.0, la función WLS se reduce a
la conocida función de mínimos cuadrados simples (SLS). Observe que el valor mínimo de la
función objetivo F ( θ ) que se puede lograr es 0.0 (cero) si el modelo es capaz de perfectamente
reproducir el hidrograma de caudal observado. En general, sin embargo, un valor cero no es
alcanzable, y el propósito de la calibración automática es encontrar el valor para θ que
minimiza el valor de la función.
Para una evaluación adecuada de la calibración del modelo, es necesario traducir el
objetivo general de calibración en términos más operativos. Los siguientes objetivos son
generalmente considerado:
1) Una buena concordancia entre el promedio de captación simulada y observada

volumen de escorrentía (es decir, un buen equilibrio hídrico).
2) Una buena concordancia general de la forma del hidrograma.
3) Una buena concordancia de los caudales máximos con respecto al tiempo, la tasa y el volumen.
4) Buen acuerdo para caudales bajos.
A este respecto, es importante señalar que, en general, existen compensaciones entre los
diferentes objetivos. Por ejemplo, uno puede encontrar un conjunto de parámetros que proporcionan una
buena simulación de caudales máximos, pero mala simulación de caudales bajos, y viceversa. los
las siguientes estadísticas numéricas de rendimiento que se definen aquí miden las diferentes
objetivos de calibración indicados anteriormente:
1) Error de volumen general
norte
∑ qwtt [ obs sim
- qt )θ( ]
t =1
F1 )θ( = (6.2)
norte
∑ wt
t =1
2) Error cuadrático medio general (RMSE)
norte
∑ qwtt2 [ obs
- q tsim )θ( ] 2
2/1
t =1
F2 )θ( = norte
(6,3)
∑ wt2
t =1
6-7
Página 125
3) RMSE promedio de eventos de flujo máximo
2/1
[ ]
norte
j 2
METRO ∑ qwtt2 obs
- q tsim )θ(
1 pags
F3 )θ( = ∑ t =1 norte
(6,4)
METRO
pagsj = 1
j
2
∑ wt
t =1
4) RMSE promedio de eventos de flujo bajo
2/1
[ ]
norte
j
2
METRO
qwtt2
∑ obs
- qtsim )θ(
1 l
t =1
F4 )θ( = ∑ norte
(6,5)
METRO
l j =1
j
∑ wt2
t =1
En las ecuaciones (6.2) - (6.5), N es el número total de pasos de tiempo en la calibración

período, M p el número de eventos de flujo máximo, M l el número de eventos de flujo bajo, n j es el
número de pasos de tiempo en el evento de flujo máximo / bajo no. j, θ es el conjunto de parámetros del modelo que se
calibrado, y w t es una función de ponderación. Los eventos de flujo máximo se definen como períodos
donde la descarga observada está por encima de un determinado nivel de umbral. Del mismo modo, flujo bajo
Los eventos se definen como períodos en los que la descarga observada está por debajo de un umbral determinado.
nivel.
En la literatura se han propuesto o utilizado muchas otras funciones objetivas; pocos
de ellos son los siguientes:
∑ ( qobst
, - qsimt
, )r r> 2 (6,6)
∑ / 1 (q obst
, - / 1 qsimt
, )2 (6,7)
(para usar cuando se debe poner énfasis en caudales bajos)
∑ (Iniciar
q obst ) - Iniciar
, sesión( q simt )) 2
, sesión( (6,8)
∑ ( qobst
,
- q simt
, )2 (6,9)
El coeficiente de determinación o el coeficiente de Nash-Sutcliffe (Nash y

Sutcliffe, 1970) que se adopta comúnmente para evaluar la bondad de ajuste de
El hidrograma simulado es una medida transformada y normalizada del RMSE general.
(normalizado con respecto a la varianza del hidrograma observado)
[ ]
norte 2
∑ qwtt2 obs
- q tsim
t =1
R 2 - =1 (6,10)
∑
norte
qwtt2 [ obs
- q obs ] 2
t =1
6-8
Página 126
donde obsq es la descarga promedio observada. En muchas aplicaciones, el peso, w t se establece

a 1.
El uso de la función SLS (6.1) y sus formas modificadas es equivalente a hacer
siguiendo los supuestos relacionados con la distribución de probabilidad de los residuos ε t =
q tobs - qtsim (Clarke, 1973):
(a) que ε t tiene media cero y varianza constante σ ε2 (es decir, Et )( =ε 0,

2 2
MI( ) = σ ε );
tε
(b) que ε t no están correlacionados entre sí (0) ( E ε ktt - = para todo k ≠ 0).
Si se supiera que cualquiera de los supuestos (a) o (b), o ambos, eran inválidos, entonces la ecuación.
(6.1) y formas modificadas no sería la función objetivo más sensible; estimados
de los parámetros del modelo, por supuesto, todavía se obtendría minimizando la ecuación (6.1), pero
su interpretación sería falaz.
Clarke (1973) también afirmó que si se deben dar intervalos de confianza aproximados
Para los parámetros estimados del modelo, se debe hacer una suposición adicional sobre el
distribución de probabilidad de los residuos, es decir:
(c) que ε t se distribuyen normalmente.
Los supuestos anteriores deben probarse. El éxito o no del ajuste

modelo como una descripción de la relación entre la lluvia y el caudal de la
La cuenca de captación está ilustrada por los residuos del modelo, que también dan evidencia de la validez
o invalidez de las suposiciones (como (a), (b) y (c) anteriores) hechas en el modelo
formulación. El procedimiento para probar los supuestos anteriores se ejemplifica en un
estudio reciente de Xu (2001).
(B) Métodos de máxima verosimilitud: El método de máxima verosimilitud fue

desarrollado por RA Fisher (1922). Razonó que el mejor valor de un parámetro de
La distribución de probabilidad debe ser el valor que maximice la probabilidad o
probabilidad de ocurrencia de la muestra observada. Suponga que el espacio muestral es
dividido en intervalos de longitud dx y que una muestra de independientes e idénticamente
se toman observaciones distribuidas x 1 , x 2 ,…, x n . El valor de la densidad de probabilidad para X
= x i es f (x i ) , y la probabilidad de que la variable aleatoria ocurra en el intervalo
incluyendo x i es f (x) dx . Dado que las observaciones son independientes, su probabilidad conjunta de
la ocurrencia se da como el producto
xf) (...)
1 dxxfdxxdxf
() ( 2 norte
[ norte
= ∏ yo
= 1 dxxf
) (yo ] n
y dado que el tamaño del intervalo dx es fijo, se maximiza la probabilidad conjunta de la

muestra es equivalente a maximizar la función de verosimilitud
norte
L = ∏ xf) (yo (6,11)
yo= 1
6-9
Página 127
Debido a que muchas funciones de densidad de probabilidad son exponenciales, a veces es más
conveniente para trabajar con la función de probabilidad logarítmica
norte
[ xf
en L = ∑ ) (en yo
] (6,12)
=1
yo
Dado que la función logarítmica es nonotónica, los valores de las θ que maximizan la
El logaritmo de la función de verosimilitud también maximiza la función de verosimilitud.
Ejemplo: Encuentre el estimador de máxima verosimilitud para el parámetro λ del

λX
distribución xf) ( = λ mi
- para X> 0.
Solución: para un valor dado x i , la densidad de probabilidad exponencial es
λ
xf) (yo = λ mi
- yo x
entonces, de la ecuación (6.12), la función logarítmica de verosimilitud es
norte
[]xf
en L = ∑ ) (en yo
=1
yo
norte
- λ x yo
= ∑ en λ mi )
yo= 1
norte
= ∑ (en λλ- yo x
)
yo= 1
norte
= norte
en λλ- ∑
yo x
yo=1
El valor máximo de ln ocurre cuando

L L = ∂λ
∂ /) (ln ; 0 Eso es cuando
∂ ) (enL nortenorte
-= ∑ =0
∂λ λ yo x
yo= 1
entonces
11 norte
= ∑
λ n 1yo= yo x
1
λ=
X
es decir, el parámetro λ es igual a uno sobre el promedio de la muestra.
El método de máxima verosimilitud es el método teóricamente más correcto de
ajustar las distribuciones de probabilidad hasta la fecha en el sentido de que produce el más eficiente
estimaciones de parámetros: aquellas que estiman los parámetros de población con la menor
error medio. Pero para muchas distribuciones de probabilidad, no existe una solución analítica para
todos los parámetros en términos de estadísticas de muestra; y la función logarítmica de verosimilitud debe
luego se maximiza numéricamente mediante un procedimiento iterativo, que puede ser bastante
difícil.
6-10
Página 128
Sorooshian y Dracup (1980) desarrollaron un objetivo basado en la máxima verosimilitud

funciones para dar cuenta adecuadamente de la presencia de autocorrelación
(no independencia) o heterocedasticidad (variación cambiante) de los datos del caudal
errores. La forma más exitosa de los criterios de máxima verosimilitud ha sido una
llamado HMLE (Estimador de máxima verosimilitud heterocedástica) que representa
varianza no estacionaria en los errores de medición del caudal (Sorooshian, 1978, 1981;
Sorooshian y Dracup, 1980; Sorooshian y Gupta, 1995). Este estimador en
la forma simplificada es:
-1
/ 1 norte
norte norte
2
min HMLE ),λθ
( = w ε∑ tt ∏ wt
norte (6,13)
t =1 t =1
dónde
) 1λ(2-
wt = Ft (6,14)
y λ, el parámetro de transformación desconocido que estabiliza la varianza, se estima

resolviendo la ecuación implícita
norte norte norte

∑ en Ft ) • ∑ wttε 2 - norte
• ∑ wt en Ft ) • ε t2 = 0 (6,15)
t =1 t =1 t =1
dónde = . Detalles de la derivación del último criterio y el de dos etapas

t qf , obst
El procedimiento de optimización para su implementación está dado por Sorooshian (1978, 1981).
6.3.3.2b Objetivos múltiples
La calibración basada en una única medida de rendimiento a menudo es inadecuada para medir.
correctamente la simulación de todas las características importantes del sistema que son
reflejado en las observaciones. Este aspecto es básicamente el que provoca cierto escepticismo en
la profesión hidrológica para aplicar la calibración automática. Rutinas automáticas que
Utilizar una formulación general multiobjetivo del problema de calibración.
en modelos de lluvia-escorrentía (Lindström, 1997; Liong et al., 1996, 1998; Gupta et al.,
1998; Yapo y col., 1998; Madsen, 2000).
Cuando se utilizan varios objetivos, el problema de calibración se puede plantear de la siguiente manera:
Min (),F1({θ2 F θ ), ..., F pags

θ (
)}, θ Θ∈ (6,16)
Se dice que el problema de optimización está restringido en el sentido de que θ está restringido al
espacio de parámetros factible Θ . El espacio de parámetros generalmente se define como un hipercubo por
especificando límites superior e inferior en cada parámetro. Estos límites se eligen según
a restricciones físicas y matemáticas en el modelo y / o del modelado
experiencias (conocimientos previos).
La solución de la ecuación (6.16) no será, en general, un conjunto único de parámetros
pero consistirá en el llamado conjunto de soluciones de Pareto (soluciones no dominadas),
6-11
Página 129
según varias compensaciones entre los diferentes objetivos. Formalmente, cualquier miembro
θ del
j conjunto de Pareto tiene las propiedades (Gupta et al., 1998):
1) Para todos los no miembros j θ existe al menos un miembro i θ donde
Fik )θ( < Fk )θ( j para todo k = 1,2,…, p.
2) No es posible encontrar j θ dentro del conjunto de Pareto tal que Fk )θ( <j Fik )θ( para
todo k = 1,2,… p.
Con respecto a (1), el espacio de parámetros Θ se puede dividir en "bueno" (óptimo de Pareto) y
Soluciones "malas", y con respecto a (2) ninguna de las soluciones "buenas" se puede decir que sea
"Mejor" que cualquiera de las otras "buenas" soluciones. Un miembro del conjunto de Pareto será
mejor que cualquier otro miembro con respecto a algunos de los objetivos, pero debido a la
compensación entre los diferentes objetivos no será mejor con respecto a otros
objetivos.
Al resolver el problema de calibración multiobjetivo, el problema suele ser
transformado en un problema de optimización de un solo objetivo mediante la definición de un escalar que
agrega las diversas funciones objetivo. Una de esas medidas agregadas es la euclidiana
distancia
Fagg )θ(() =( [F 1 θ + UNA 2

1 ) (()+ F 2 θ + UNA
2
2 ) ++L ) F((pagsθ + UNA)
pags ] 2/12 (6,17)
donde se asignan las constantes de transformación a los diferentes objetivos, lo que permite
yo A
el usuario para seleccionar prioridades relativas a ciertos objetivos. La selección de la transformación
constantes, sin embargo, no es sencillo, ya que la prioridad también depende del valor
de sí mismo. Por ejemplo, si todos se ponen a cero, se dan implícitamente pesos mayores a
yo F yo A
objetivos con valores F más grandes. Para investigar todo el frente de Pareto, el agregado
La medida de distancia se puede adoptar realizando varias ejecuciones de optimización utilizando
diferentes valores de. yo A
En aplicaciones prácticas, todo el conjunto de Pareto puede ser demasiado caro de calcular,
y uno solo está interesado en una parte de las soluciones óptimas de Pareto. En este caso lo es
propuso utilizar una función objetivo agregada que pone igual peso en la
diferentes objetivos. Se puede definir una medida equilibrada asignando transformación
constantes en la ecuación (6.17) tales que + ) tienen aproximadamente la misma distancia al origen.
( todos
yo AF yo
Cuando se utiliza un algoritmo de optimización basado en la población (método de búsqueda global),
Se evalúa la población inicial dentro de la región factible. Los valores mínimos de
( min, ) se estiman a partir de esta población inicial, y cada una de las funciones objetivo
yo FFyo
se transforma a tener la misma distancia al origen que la función objetivo con
el mayor valor mínimo de, es decir
yo F
yo= Max { F j min, },j...,

UNA = 2,1, Fp - yo, min, , j...=2,1 pags (6,18)
6-12
Página 130
6.3.3.3 Algoritmos de optimización (que se discutirán en el Capítulo 7)
6.3.3.4 Criterios de terminación
Las estrategias de optimización son todos procedimientos iterativos que buscan el

valores óptimos de los parámetros mediante pasos de mejora incrementales. Por lo tanto,
Se necesitan criterios para determinar cuándo detener la búsqueda. En principio, la solución existe
en ese punto en el espacio de parámetros donde la pendiente de la superficie de respuesta de la función es
cero y el valor de la función es mínimo. En la práctica, es prácticamente imposible saber
cuando se haya alcanzado este punto; por lo tanto, los criterios que se analizan a continuación son más
comúnmente utilizado.
6.3.3.4a Convergencia de funciones
Una forma sencilla de terminar la búsqueda es detenerse cuando el algoritmo no puede

Mejorar apreciablemente el valor de la función en una o más iteraciones. Mientras esto
puede indicar la llegada a la ubicación de un óptimo, también podría significar solo que un
se ha alcanzado la región plana de la superficie de respuesta. Si la detección precisa de un óptimo
no se considera importante, entonces la convergencia de funciones puede ser una parada muy útil
criterio. Una implementación típica de este criterio es detenerse cuando:
( 1Fyo- - ffyo/) yo<= εF (6,19)
dónde f yoy 1 - Fyo son
los valores de la función en el (i-1)th e i th pasos, respectivamente, y f ε
es el criterio de convergencia de funciones (por ejemplo, fε = 10-3 ).
6.3.3.4b Convergencia de parámetros
Otra forma de terminar la búsqueda es detenerse cuando el algoritmo no puede

cambiar sensiblemente los valores de los parámetros y mejorar simultáneamente el valor de la función
durante una o más iteraciones. Si bien esto puede indicar una llegada a un nivel óptimo, también podría
sólo significa que una región de alta interacción de parámetros (valle largo y estrecho) en el
se ha alcanzado la superficie de respuesta. Una implementación típica de este criterio es
detenerse cuando:
)θ(( j yo-1 - θ ) j(/ yo

()) (θ j - θ ))j( min <= para cada θ (j) (6,20)
max θε
dónde θ j )yo-(y)
1 ( θ j yo son los valores del parámetro j- ésimo en los pasos (i-1) -ésimo e i- ésimo ,
respectivamente, y ε es
θ el criterio de convergencia de parámetros (por ejemplo θε = 10-3 ).
6.3.3.4c Máximas iteraciones
Si el tiempo de la computadora es limitado y para asegurarse de que el algoritmo no

ingrese un bucle infinito, es normal terminar la búsqueda si un máximo preespecificado
se excede el número de iteraciones, a menos que los criterios de convergencia de parámetros o funciones
se cumplen primero. Para los métodos de búsqueda aleatorios, esta es la forma normal de finalizar la búsqueda.
Realmente no es posible dar pautas sobre el valor de este criterio, porque es
depende tanto del algoritmo como del problema. El criterio de iteraciones máximas se utiliza como
6-13
Página 131
copia de seguridad para evitar pérdidas de tiempo en la computadora; si el algoritmo no termina dentro de un
Número "razonable" de iteraciones, el código de computadora puede necesitar ser examinado para
"loco".
6.3.3.4d Limitaciones
Ninguno de estos criterios de terminación garantiza que la búsqueda llegue a la

óptimo, excepto en los casos más triviales donde la función es convexa y bien
comportado. Estos criterios se pueden utilizar en el mismo programa, por lo que la búsqueda terminará
cuando se alcanza el primer criterio.
6.3.3.5 Datos de calibración
En general, se acepta que la elección adecuada de los datos de calibración puede hacer mucho para
Reducir las dificultades encontradas durante la calibración de un modelo hidrológico. Sin embargo,
poco se sabe objetivamente sobre lo que constituyen datos de calibración "buenos". El criterio
Los problemas aquí son cuántos datos son necesarios y suficientes para la calibración y qué tipo
de datos dará los mejores resultados (estimaciones de parámetros especificadas con mayor precisión).
6.3.3.5a Cantidad de datos
Ha sido una práctica común utilizar tantos datos como estaban disponibles para la
calibración, después de reservar parte del conjunto de datos para verificación (ver sección 6.4) del
resultados. Sin embargo, los estudios de Sorooshian et al (1983) y Xu y Vandewiele (1994)
indicó que el uso de conjuntos de datos más largos de lo necesario sólo servía para
mejorar marginalmente las estimaciones de los parámetros. En general, desde un punto de vista estadístico,
El conjunto de datos utilizado debe tener al menos una longitud de 20 veces el número de parámetros que se
estimado (por ejemplo, si hay 10 parámetros, entonces al menos 200 datos de caudal
los puntos deben usarse para calcular la función). Esta es, por supuesto, una regla aproximada.
de pulgar. Gupta y Sorooshian (1985) demostraron que el error estándar (j) del
La estimación del parámetro (j) disminuye con el tamaño de la muestra n aproximadamente de acuerdo con
fórmula:
1
σ ) (j ∝ (6.21)
norte
Debido a que la mejora marginal en 1 / n se vuelve pequeña después de 500 a 1000 puntos de datos,
Esto sugiere que dos o tres años de datos de calibración deberían ser suficientes para una
modelo con no más de 10 parámetros, siempre que los datos sean del tipo correcto . Esta
nos lleva a una discusión sobre la calidad de los datos.
6.3.3.5b Calidad de los datos
Desde el punto de vista de la calibración del modelo, la calidad de los datos depende de
la información (sobre los parámetros) contenida en los datos y el ruido (errores) en el
datos. Claramente, deseamos que el contenido de la información sea lo más grande posible y que el ruido
Sea lo más pequeño posible.
6-14
Página 132
Informatividad
Cualitativamente, un conjunto de datos informativos es aquel que contiene o representa suficiente
variabilidad en el comportamiento de las cuencas hidrográficas que los diferentes modos de
Los procesos hidrológicos están debidamente representados. Por ejemplo, si los datos seleccionados son
de un año relativamente seco, ciertos procesos de escorrentía pueden no activarse, por lo tanto,
La respuesta del modelo será insensible a algunos de los parámetros del modelo que determinan la
reparto de la humedad entre los diversos componentes del flujo subterráneo y terrestre.
Sin embargo, si los datos seleccionados son de un año que es tan húmedo que la cuenca permanece
saturado la mayor parte del tiempo, la respuesta del modelo puede ser insensible a otros subsuperficies
parámetros de control de flujo. La mejor opción parece ser un conjunto de datos que contiene una gran cantidad de
“Variabilidad hidrológica”. Por tanto, cuanto más a menudo cambia el régimen hidrológico de
entre los modos seco, medio y húmedo, es probable que los datos sean más informativos.
Errores de datos
La presencia de errores de medición y registro en los datos hace que la calidad
deteriorarse, lo que resulta en una menor confianza en las estimaciones de los parámetros. En seleccion
datos para la calibración del modelo, es deseable que los datos se examinen cuidadosamente para varios
errores.
6.4 VERIFICACIÓN DEL MODELO (PRUEBA)
6.4.1. Introducción
Prueba o verificación o validación de un modelo después de que los valores de los parámetros sean
estimado es el tercer nivel de análisis del modelo. Como ningún modelo es perfecto, la verificación
Requiere juicios subjetivos y objetivos sobre muchos aspectos para determinar
si los resultados proporcionan información adecuada para responder la pregunta que enfrenta el
tomadores de decisiones, y se puede esperar que todos los modelos fallen al menos en algunas ocasiones.
Los resultados incorrectos pueden deberse a una variedad de causas, los problemas comunes pueden ser:
(1) Errores en los datos utilizados en la calibración. Tanto los datos utilizados como entrada al modelo
y los datos utilizados para comprobar la salida del modelo deben comprobarse con mucho cuidado. Datos con
grandes errores no deben utilizarse para la calibración. Además, los datos utilizados para calibrar o
a probar son siempre solo una muestra de la posible población de valores. Relativo a los valores
predichos por un modelo, los valores reales contienen un componente probabilístico o estocástico
como resultado de factores físicos que no se modelan en absoluto.
(2) Uso de un período de registro que no contiene suficientes eventos del
procesos necesarios para calibrar parámetros clave.
(3) Representación inadecuada o incorrecta por el modelo de procesos hidrológicos
encontrado en la cuenca. Los resultados del modelo deben compararse visualmente con los
series de datos para buscar variaciones consistentes.
Por lo tanto, la prueba del modelo en algunos casos también se denomina "verificación de diagnóstico". Si el
modelo es lo suficientemente bueno, luego podemos pasar a la aplicación. Si no, uno comienza todo
proceso de nuevo cambiando una o más hipótesis de trabajo y comprobando el
datos utilizados. En qué dirección se debe cambiar el modelo aparece principalmente durante el modelo
prueba.
6-15
Página 133
6.4.2 Métodos de validación del modelo
Klemes (1986) propuso un marco de validación de modelos para probar los conceptos
modelos hidrológicos según las tareas de modelado. Cuatro categorías principales, correspondientes
Las tareas de modelado y los métodos de prueba se resumen en la Tabla 6.1.
La prueba simple de muestra dividida implica dividir los datos de series de tiempo medidos disponibles
para la cuenca de prueba en dos conjuntos, cada uno de ellos debe usarse a su vez para la calibración
y validación, y los resultados de ambos acuerdos comparados. Para split diferencial
pruebas de muestra, se sigue el mismo enfoque, pero los datos se dividen según
tasa de lluvia o alguna otra variable en un intento de mostrar que el modelo tiene
validez en que puede predecir los valores de las variables de salida para condiciones diferentes
de aquellos para los que fue calibrado. Por ejemplo, si el modelo está destinado a simular
flujo de corriente para un escenario de clima húmedo, entonces debe calibrarse en un conjunto seco de la
récord histórico y validado en plató húmedo. Si se pretende simular caudales para un seco
escenario climático, se debe hacer lo contrario. En general, el modelo debe demostrar
su capacidad para funcionar bajo la transición requerida: de condiciones más secas a más húmedas o
opuesto. Las pruebas de captación indirecta utilizan datos para dos cuencas. Estas pruebas se pueden utilizar para
muestran que el modelo tiene una validez general aún mayor, ya que implican calibrar el modelo
contra los datos de una cuenca y luego ejecutar una prueba de validación utilizando datos para la otra
captación. Para las pruebas de captación diferencial proxy, la serie temporal medida disponible
Los datos de cada cuenca se dividen en dos conjuntos de acuerdo con la tasa de lluvia o alguna otra
variable. Luego, el modelo se calibra contra uno de los conjuntos (por ejemplo, los datos del período seco para
la primera cuenca) y una prueba de validación utilizando un conjunto de contraste (por ejemplo, el período húmedo
datos para la segunda cuenca). Se requiere calibración en los cuatro métodos de validación
discutido anteriormente.
Beven y col. (1984) y Loague (1990) utilizaron otro tipo de prueba en la que la
El modelo no está calibrado y las predicciones simplemente se comparan con las mediciones.
Recientemente, Ewen y Parkin (1996) propusieron un método, a saber, un enfoque "ciego". los
La característica central de este método es que implica hacer predicciones para una cuenca de prueba.
como si se tratara de una captación hipotética. Por lo tanto, el modelador no puede ver
los datos de salida para la cuenca de prueba (es decir, el método implicó pruebas 'ciegas'), y, como
resultado, no se puede calibrar el modelo para la cuenca de prueba.
Cuadro 6.1 Esquema jerárquico para pruebas operativas de modelos de simulación hidrológica
______________________________________________________________________
Condiciones estacionarias Condiciones transitorias
___________________________ ___________________________________
Cuenca A Cuenca B Cuenca A Cuenca B
______________________________________________________________________
Cuenca A Prueba de muestra dividida Prueba de cubeta proxyDiferencial diferencial de cuenca proxy de muestra dividida
prueba prueba de muestra dividida
Prueba de la cuenca B Proxy-cuencaPrueba de muestra dividida Diferencial de cuenca proxy Diferencial de muestra dividida
prueba de muestra dividida prueba
_____________________________________________________________________
6-16
Página 134
6.4.3. Elementos que se probarán en la validación del modelo
Los modelos pueden probarse en los siguientes aspectos.
Análisis de parámetros:
La evaluación de los valores de los parámetros durante la optimización. La estabilización del
Los valores de los parámetros se pueden estudiar en los gráficos de los valores de los parámetros frente al número de
iteraciones. En la figura 6.3 se da un ejemplo de tales gráficos.
Fig.6.3 Estabilización de los valores de los parámetros durante el proceso de iteración
Análisis detallado de la matriz de varianza-covarianza. La matriz de correlación del

deben comprobarse los parámetros. Si el coeficiente de correlación entre dos parámetros es
muy cerca de +1 o -1, esto significa que tal vez se pueda encontrar un modelo con un menor
número de parámetros y con el mismo poder explicativo, o que tal vez el
Los parámetros deben integrarse en el modelo de una manera diferente, de modo que su explicación
los efectos están más disociados y la optimización es más fácil.
Para responder a la pregunta de si todos los parámetros son realmente necesarios, se puede
pruebe las hipótesis de que los parámetros a 1 , a 2 , ... son significativamente diferentes de cero. Esta
se puede hacer comprobando si el valor cero pertenece al intervalo de confianza del 95%
(Xu, 2001).
Análisis de residuos:
La cuestión básica en las pruebas de modelos es determinar si las estimaciones hidrológicas
(error residual) logrado por la calibración son aceptables. El análisis de residuos está comprobando
si los residuos ut se comportan como lo requieren las hipótesis del modelo, especialmente
si son independientes, homocedásticos y normalmente distribuidos con cero
expectativa.
Comprueba la independencia
La hipótesis de que los residuos no están correlacionados entre sí se puede verificar mediante
calcular las autocorrelaciones de los residuos, k ρ , con retardo de tiempo k y el
intervalo de confianza correspondiente. En general, las autocorrelaciones k ρ con retraso de tiempo k es
6-17
Página 135
ρ k = xE[( t /)]
- µ) (X + kt - σµ 2 (6.22)
donde µ y σ 2 son la media y la varianza de los residuos, respectivamente.

Una estimación deρ kes
kn- 1 kn- norte

∑ xxktt + - ( ∑ Xt ) ( ∑ Xt )
t =1 kn- t =1 kt+ = 1
ρˆ k = 2/1 2/1
(6.23a)
kn- 1 kn- norte 1 norte
∑ Xt2 - ( ∑ Xt ) 2
∑ Xt2 - ( ∑ Xt ) 2
t =1 kn- t =1 kt+ = 1 kn- kt+ = 1
cuando n es grande y k es pequeño, n / (nk) → 1, un estimador de autocorrelación más simple

coeficiente es
kn-
∑ ( xxx
t
- )( kt+
- X)
t =1
rk = (6.23b)
norte
∑ ( xxt - ) 2
t =1
El intervalo de confianza para el coeficiente de autocorrelación de una serie independiente es

dado por los límites (Haan, 1977)
r k%) 95 ( =
1
kn-
[± (96,11
- kn−− )1 ] (6.24)
Si el calculado cae fuera de estos límites de confianza, la hipótesis de que ρ kes cero
kr
(H o : kρ = 0 contra H a : k ρ ≠ 0) se rechaza. En la Figura se muestran ejemplos de las pruebas
6.4.
l
Alabama
idu0.40 idua0.40
s s
0,20 0,20
de re de re
norte
0,00 0,00
lacion latio
-0,20 -0,20
corre
a -0,40 tocorre
-0,40
Au 0 10 20 30 40 50 60 70 80 90100 Au 0 10 20 30 40 50 60 70 80 90100
Retrasos de tiempo Retrasos de tiempo
Figura 6.4. Autocorrelación de residuos. (Izquierda) Caso correlacionado. (Derecha) Sin correlación
caso.
Compruebe la tendencia y la homocedasticidad.

La homocedasticidad del residuo se puede verificar utilizando tanto el método gráfico
y el método de prueba de Kruskal-Wallis. En el método gráfico, el comportamiento general del
Los residuos se juzgan mediante gráficos de los residuos frente a variables importantes como el tiempo.
en sí, las variables de entrada precipitación pt y evaporación et, y la escorrentía calculada dt.
6-18
Página 136
El diagrama de residuos versus tiempo se utiliza para verificar la ausencia de tendencia y

también homocedasticidad. También podría reflejar qué tipo de violaciones están involucradas en la
Serie de tiempo residual. Las hipótesis de homocedasticidad y falta de correlación entonces
dar como resultado un diagrama como el de la figura 6.5 (a). Los otros diagramas en la figura 6.5 muestran violaciones
de estasposibilidades.
existen hipótesis. Son posibles combinaciones de estas infracciones y otras
El diagrama de respuesta residual versus esperada . Expectativas condicionales del
los residuos deben ser cero para todos los dt y las varianzas condicionales deben ser iguales. Esta
parece no ser el caso en la figura 6.6 donde el residual esperado parece aumentar
con dt y la varianza disminuye. Ambos aspectos dan lugar a serias dudas sobre la validez de
las hipótesis modelo.
Los diagramas de factores residuales versus observados . Considerando todos los residuos en el
mismo tiempo conduce a un diagrama marginal. Cuando solo se consideran los residuales donde todos o
parte de los otros factores observados se mantienen constantes aproximadamente, una condición
se obtiene el diagrama. Nuevamente, las violaciones están en el origen de la reformulación del modelo.
La figura 6.7 y la figura 6.8 son ejemplos de gramas de dispersión marginales, que parecen satisfacer
hipótesis modelo.
La prueba de Kruskal-Wallis, o prueba H, nos permite probar la hipótesis nula de que k
Las muestras aleatorias independientes provienen de poblaciones idénticas. Es un no paramétrico
prueba. El método asume que la variable tiene una distribución continua, pero nada es
dijo acerca de la forma de la distribución de la población o distribuciones de las cuales
Se extrajeron muestras. La prueba se basa en la estadística
k 2
12 Ryo
H = ∑ - ) 1norte
(3+ (6,25)
nn) 1 +( yo= 1 norte
yo
En la prueba, todas las observaciones se clasifican conjuntamente, y R i es la suma de los rangos

ocupada por las n i observaciones de la i- ésima muestra, y 1 +++2
nn ... norte norte
. Cuando
k=
> yo
5 para
n todo iy la hipótesis nula es verdadera, la distribución muestral del estadístico H
está bien aproximado por la distribución chi-cuadrado con k-1 grados de libertad. los
La hipótesis nula de homocedasticidad será rechazada para un nivel de significancia dado, α, si
2
H calculado es mayor que χ 1,1
- αk- . Se pueden encontrar ejemplos detallados de la prueba en Xu
(2001).
Comprueba la normalidad
La hipótesis de que los residuos se distribuyen normalmente es necesaria si la estimación
Se requieren regiones de confianza para los parámetros. La normalidad se puede probar usando
diferentes métodos. Aquí se analiza el método de prueba de Kolmogorov-Smirnov. La prueba tiene
varias ventajas. Es fácil de usar y el procedimiento es gráfico; un gran número de
las muestras se pueden analizar en la misma parcela; la prueba no es paramétrica y no está sujeta a
la muy pequeña limitación de la muestra. La prueba se realiza de la siguiente manera:
1) Sea F (x) la función de distribución acumulativa teórica completamente especificada
bajo la hipótesis nula.
mi
2) Sea F ) ( x ser la función de densidad acumulativa de la muestra basada en n observaciones.
xFmi) ( = k / n donde k es el número de observaciones menor que

Para cualquier x observado,
o igual ax.
3) Determine la desviación máxima, D, definida por
6-19
Página 137
mi
re = max xFxF
)( - )( (6,26)
4) Si, para el nivel de significancia elegido, el valor observado de D es mayor o

igual al valor tabulado crítico de la estadística de Kolmogorov-Smirnov, la
se rechaza la hipótesis. La desviación entre F (x) y xFmi) ( es gráficamente
que se muestra en la figura 6.9.
Fig.6.5 Diagramas de residuos versus tiempo. A: muestra que los residuos son homocedásticos
y no correlacionado; B: muestra que los residuos están autocorrelacionados; C: muestra un
componente periódico en los residuos.
6-20
Página 138
Fig.6.5 Diagrama de residuos versus tiempo. D: muestra que la varianza depende del tiempo
(heterocedasticidad); E y F: muestra que la media depende del tiempo (tendencia)
6-21
Página 139
Fig.6.6 Diagrama de respuesta residual versus esperada. (El residual esperado aparece
para aumentar con dt y la varianza disminuye)
Fig.6.7 Residuos versus precipitación.
Fig.6.8 Residuos versus evaporación.
6-22
Página 140
Fig.6.9 Desviación entre el Fe (x) experimental y la distribución F (x) teórica

valores de función
6.4.4 Comparación de series de tiempo de escorrentía modeladas y observadas
Dado que el objetivo principal de un modelo de lluvia-escorrentía es simular la serie de escorrentía en

la base del registro de precipitaciones, quizás la primera y más sorprendente comparación que se puede
realizado sobre el rendimiento de un modelo se puede ver en la gráfica de los valores observados y
Serie de escorrentía calculada.
6.5 PARAMETRIZACIÓN REGIONAL DE MODELOS HIDROLÓGICOS
6.5.1 Los objetivos y principios de la regionalización
El uso de modelos hidrológicos en sitios no calibrados y en grandes regiones geográficas

se convierte en un tema cada vez más importante en el estudio hidrológico. El objetivo de
El estudio de regionalización consiste en estimar los valores de los parámetros de los modelos hidrológicos para
cualquier celda de la cuadrícula, subcuenca o región geográfica grande sin necesidad de
Calibrar o "ajustar" el modelo para obtener el mejor ajuste. Los métodos de regionalización tienen como objetivo relacionar
los parámetros
Para tener del modelo
éxito a las características
en el estudio de la cuenca
de regionalización, y / o ubicación
el siguiente principiogeográfica.
es importante:
• Las clases de parámetros (tipos de suelo, tipos de vegetación, zonas climatológicas,
capas geológicas, etc.) deben seleccionarse para que sea fácil, en un
forma objetiva, para asociar valores de parámetros.
• Debe evaluarse explícitamente qué parámetros se pueden evaluar desde el campo.
datos solos y que necesitan algún tipo de calibración.
• El número de parámetros de calibración reales debe mantenerse bajo, tanto desde
puntos de vista prácticos y metodológicos.
6.5.2 Los métodos de parametrización regional
6-23
Página 141
Se han informado varios métodos de regionalización en la literatura hidrológica,

que pueden clasificarse en dos categorías: métodos de estimación puntual e intervalo
métodos de estimación.
6.5.2.1 Métodos de estimación puntual
Los métodos de estimación puntual pretenden proporcionar un valor único de cada parámetro para el
captación no calibrada en el caso de modelos agrupados o para cada celda de la cuadrícula regular en caso de
modelos distribuidos. Los métodos de estimación puntual no suelen tener en cuenta
de la incertidumbre de los parámetros.
Se observa aquí que para tener mejores posibilidades de éxito en la regionalización
estudio es importante enumerar algunos requisitos básicos en el modelo, los parámetros del modelo
y las cuencas hidrográficas.
• Primero, para tener un análisis de regresión estadístico significativo, el número de mediciones
captaciones utilizadas para optimizar los parámetros del modelo y establecer ecuaciones de regresión
debe ser más de 20, en cualquier caso no menos de 10.
• En segundo lugar, el número de parámetros que deben regionalizarse debe mantenerse para
mínimos, es decir, el principio de parsimonia es importante en el análisis.
• En tercer lugar, se debe utilizar la técnica de optimización automática para obtener
y valor repetible para cada parámetro en cada cuenca calibrada. Con manual
calibración, cada persona que calibre el modelo obtendrá diferentes valores para la
mismo parámetro en la misma cuenca y uno nunca sabe qué valor debe ser
utilizado en el análisis de regresión.
• Cuatro, la mayoría de los métodos de regionalización asumen que los parámetros del modelo son independientes
y distribuidos de forma idéntica para todas las cuencas. Métodos de análisis estadístico de
Los valores de los parámetros, como se discutió en la sección 6.4.3 y más detalles en Xu (2001) deben
realizarse con el fin de probar la hipótesis, es decir, si no están correlacionados,
distribuidos de forma idéntica y estadísticamente significativos.
El método de la cuenca proxy

El método de la cuenca proxy para probar la transferibilidad geográfica de los
modelos se utiliza para cualquier modelo que se asume que es geográficamente transferible dentro de un
región hidrológica y climáticamente homogénea. Si el objetivo es simular
caudal para una cuenca C no calibrada, entonces el modelo que se utilizará debe calibrarse en
cuenca A y validado en cuenca B y viceversa. Solo si ambas pruebas de cuenca proxy son
aceptable si se considera que el modelo es geográficamente transferible (Klemes,
1986). La prueba de la cuenca proxy ha sido el método de regionalización más común. los
Los principales problemas del método incluyen: (1) no es posible tener ninguna idea sobre el error
de estimación tanto en valores de parámetros como en simulaciones de caudal, (2) no es fácil si
no es imposible determinar el grado de similitud entre la cuenca de captación no calibrada
y las cuencas de referencia, (3) por último pero no menos importante, si no existen medidas
captaciones en la región, el método no es útil. Ejemplos de tales pruebas incluyen Xu
(1999), Motovilov et al., (1999) y Refsgaard (1997).
Métodos de interpolación espacial
La interpolación espacial de los parámetros del modelo también es un método común para
regionalización. Para obtener valores de parámetros regionales, los parámetros del modelo son
calibrado en primer lugar en todas las cuencas de captación calibradas de la región, los valores de los parámetros
6-24
Página 142
Las cuencas no calibradas se interpolan considerando el tipo de suelo, la vegetación

mapa de distribución, etc., utilizando una de las dos técnicas siguientes:
1) Interpolación directa: con la ayuda de GIS y otras herramientas informáticas, parámetro

se interpolan los valores del sitio interesado o de toda la región. Ejemplos de tales
un estudio incluye: Vandewiele y Elias (1995) interpolaron parámetros de una
modelo de balance hídrico a cuencas no calibradas utilizando valores de parámetros de
cuencas vecinas, 75 en total, en Bélgica. Bergström (1990) utilizó el
técnica para hacer el mapa de valores de parámetros del modelo HBV para Suecia.
Abdulla y Lettenmaier (1997) compararon la técnica de interpolación con la
método de regresión múltiple. Guo (2001) utilizó la técnica de interpolación para obtener la
valores de los parámetros para las celdas de la cuadrícula en subcuencas no calibradas y aplicaron
modelo de balance hídrico a macroescala en una serie de grandes cuencas hidrográficas en China.
2) Método geoestadístico - Kriging: Vandewiele y Elias (1995) compararon el kriging
método con el método de interpolación en su estudio de regionalización geográfica
y concluyó que el método kriging era mejor.
Métodos de regresión múltiple

Se han realizado muchos intentos en el estudio de regionalización hidrológica para relacionar
valores de parámetros optimizados (variables dependientes) a las características de la cuenca
(variables independientes) utilizando la técnica de regresión múltiple (por ejemplo, Jaboe y Haan,
1974; Magette y col., 1976; Andersen y col., 1983; Abdulla y Lettenmaier, 1997; Xu,
1999). Se han probado diferentes formas de ecuaciones de regresión, entre otras, la
las ecuaciones comunes incluyen:
• El método lineal
Y = β 1 X 1 + β 2 X 2 + ...
• El método de la raíz cuadrada 1
√ Y = β 1 √ X 1 + β 2 √ X 2 + ...
• El método de la raíz cuadrada 2
Y = β 1 √ X 1 + β 2 √ X 2 + ...
• El método logarítmico 1
Log (Y) = β o + β 1 log (X 1 ) + β 2 log (X 2 ) + ...
• El método logarítmico 2
Y = β o + β 1 log (X 1 ) + β 2 log (X 2 ) + ...
Donde Y es una variable dependiente (parámetros del modelo en nuestro caso), X 1 , X 2 , ... son
variables independientes (atributos de la cuenca) y β 1 , β 2 , ... son regresión desconocida
parámetros.
Las variables dependientes e independientes pueden transformarse para dar cuenta de
relaciones no lineales como se muestra en algunas de las ecuaciones anteriores. Una regresión múltiple
El análisis se realiza para cada parámetro del modelo y qué características de la cuenca
incluir para cada parámetro es un punto esencial. Sefton y Howarth (1998) presentaron un
guía de cómo realizar el análisis, incluido el análisis exploratorio de correlación,
análisis de componentes principales, regresión escalonada y regresión múltiple.
6-25
Página 143
Una alternativa a la regresión múltiple univariante es la regresión multivariante

(ver Tung et al., 1997 y Engeland, 2002), que no se analiza en detalle en este
sección.
Método de calibración regional

Los métodos de regionalización discutidos anteriormente requieren calibraciones en el sitio en cada calibre
sitio. Este enfoque tradicional en el sitio trata a cada sitio de forma independiente en un esfuerzo por obtener
la mejor calibración posible en cada sitio. El enfoque de calibración regional, como se describe
en Fernandez et al. (2000) intenta obtener la mejor calibración posible en cada sitio mientras
obteniendo simultáneamente las mejores relaciones regionales posibles entre modelo
parámetros y características de la cuenca. En este caso el objetivo es:
2
1 metro
Runa+ Rsi2 + RC2 + ...
Maximiza ∑ Ryo2 + (6,27)
metro
yo=1 norte
2
donde hay m = número de sitios en la región, representa el coeficiente
Ryo de
determinación para el sitio i que mide la bondad de ajuste de los logaritmos del
2
flujos modelados en el sitio i y ,,,R… Rsi2 RC2 el coeficiente de determinación
unarepresentan
asociado con cada uno de los modelos de regresión para los parámetros del modelo a, b, c, ..., en
2
características de la cuenca, respectivamente. Por ejemplo,
R una
es el coeficiente de determinación
para el parámetro a regresó sobre las características de la cuenca. La idea de la función objetivo en
La ecuación (6.27) es maximizar la bondad promedio de ajuste del modelo en todos los sitios.
así como para maximizar la bondad promedio de ajuste de las ecuaciones de regresión que relacionan
parámetros del modelo a las características de la cuenca. Los resultados del estudio mostraron que el uso de
El enfoque de calibración regional mejoró las relaciones regionales entre el modelo
parámetros y características de la cuenca significativamente en comparación con los
enfoque de regionalización escalonada, es decir, el enfoque de regresión múltiple.
6.5.2.2 Métodos de estimación por intervalos
A diferencia de los métodos de estimación puntual, el método de estimación de intervalo pretende

no proporcionan un valor único para cada parámetro, sino que proporcionan para cada parámetro
con el valor más posible (máxima verosimilitud) junto con una probabilidad
distribución de los valores de los parámetros en las cuencas. En otras palabras, los métodos
proporcionar una descripción de la incertidumbre de los parámetros (Engeland, 2002).
El método bayesiano
La metodología, el procedimiento y los resultados de la aplicación se describen en detalle en
Engeland y col. (2001).
6-26
Página 144
Abdulla, F. y Lettenmaier, DP, 1997a. Desarrollo de parámetro regional

ecuaciones de estimación para un modelo hidrológico a macroescala, Journal of Hydrology 197,
230-257.
Abdulla, F. y Lettenmaier, DP, 1997a. Aplicación de la estimación de parámetros regionales
esquemas para simular el balance hídrico de un gran río continente, Journal of
Hydrology 197, 258-285.
Andersen et al., 1983. Modelo de hidrologisco para flomberegninger (en noruego),
Informe del departamento de hidrología no 2-83, NVE, Oslo, Noruega, 40pp.
Bergström, S., 1990. Parametervärden för HBV-modellen I Sverige - Erfarenheter från
modellkalibreringar bajo perioden 1975-1989 (en sueco), Informe SMHI
Hydrology No 28, Norrköping, Suecia, 35pp.
Beven, KJ, Kirkby, MJ, Schofield, N. y Tagg, AF, 1984. Probando un
modelo de pronóstico de inundaciones basado en el modelo (TOPMODEL) para tres cuencas de captación del Reino Unido, J. Hydrol .,
69: 119-143.
Brasil, LE, 1985. Estrategia de calibración multinivel para simulación hidrológica compleja
modelos. Tesis de Doctorado, Departamento de Ingeniería Civil, Universidad Estatal de Colorado,
Fort Collins, Colorado.
Dawdy, DR y RW Lichty, 1968. Metodología de construcción de modelos hidrológicos. En
El uso de computadoras analógicas y digitales en hidrología. En t. Assoc. Sci. Hydrol. Symp.
Proc., Tucson, AZ, 2 (81): 347-355.
Dooge, JCI, 1984. El agua de la tierra. Hydrol. Sci. J., 29 (2): 149-176.
Duan, Q., 1991. Una estrategia de optimización global para una calibración eficiente y eficaz de
modelos hidrológicos, Tesis de Doctorado, Departamento de Hidrología y Recursos Hídricos, El
Universidad de Arizona, Tucson, Arizona.
Engeland, K., 2002. Estimación de parámetros en modelos hidrológicos regionales, PhD
tesis, Departamento de Geofísica, Universidad de Oslo.
Engeland, K., Gottschalk, L. y Tallaksen, L., 2001. Estimación de parámetros regionales
en un modelo hidrológico a macroescala, Nordic Hydrology 32, 161-180.
Ewen, J. y Parkin, G., 1996. Validación de modelos de captación para predecir el uso de la tierra
e impactos del cambio climático. 1. Método, J. Hydrol . 175: 583-594.
Fernandez, W., Vogel, RM y Sankarasubramanian, A., 2000. Calibración regional de
un modelo de cuenca, Hydrological Sciences Journal 45 (5), 689, 707.
Fulton, J., 1982. Discusión, modificación y extensión de alguna probabilidad máxima
técnicas de calibración de modelos con aplicación a modelos de lluvia-escorrentía. em
Tesis, Universidad Case Western Reserve.
Guo, SL, Wang, JX y Yang, J., 2001. Un modelo hidrológico semi-distribuido y
su aplicación en una cuenca de macroescala en China, IAHS Publ No 270, 167-174.
Gupta, VK y S. Sorooshian, 1985. La relación entre los datos y la precisión
de parámetros estimados, J. Hydrol. 81: 57-77.
Gupta, VK et al., 1998. Hacia una mejor calibración de los modelos hidrológicos: múltiples
y medidas de información inconmensurables. Recurso de agua. Res. 34 (4), 751-
763.
Gupta, VK, 1984. La identificación de modelos conceptuales de cuencas hidrográficas, PhD
Disertación, Universidad Case Western Reserve, Cleveland, Ohio.
Haan, CT, et al., 1982. Modelado hidrológico de pequeñas cuencas hidrográficas. sociedad Americana
de ingenieros agrícolas, St. Joseph, Michigan.
6-27
Página 145
Ibbitt, RP y O'Donnell, T., 1971. Diseño de modelos conceptuales de captación para

métodos de ajuste automático. Modelos Matemáticos en Hidrología (Proc. De la
Conf. Internacional , 24-28 de septiembre, Wageningen, p21-28.
Ibbitt, RP, 1970. Ajuste sistemático de parámetros para modelos conceptuales de captación
hidrología, tesis doctoral, Imperial College of Science and Technology,
Universidad de Londres, Londres.
Jarboe, JE y Haan, CT: 1974. Calibración de un modelo de rendimiento de agua para pequeños no comprometidos
cuencas hidrográficas, Wat. Resour. Res . 10 (2): 256-262.
Klemes, V., 1986. Pruebas operativas de modelos de simulación hidrológica, Hydrol. Carolina del Sur. J.,
31: 13-24.
Lindström, G., 1997. Una sencilla rutina de calibración automática para el modelo HBV. nórdico
Hidrología 28 (3), 153-168.
Liong, SY et al., 1996. Construcción de superficie de respuesta de función multiobjetivo con
algoritmo genético y red neuronal. En: Proceedings of the International
Conferencia sobre recursos hídricos e investigación ambiental, 29-31 de octubre, Kyoto,
Japón, Vol.II, págs. 31-38.
Liong, SY et al., 1998. Derivación del frente de Pareto con convergencia genética acelerada
algoritmo, ACGA. En: Babovic, V. y Larsen, LC (eds.). Hidroinformática'98,
Balkema, Rotterdam, Países Bajos, págs. 889-896.
Loague, KM, 1990. R-5 revisitado 2. Reevaluación de una precipitación casi física
modelo de escorrentía con información complementaria, Water Res. Resour ., 21: 973-987.
Madsen, H. 2000. Calibración automática de un modelo conceptual de lluvia-escorrentía utilizando
múltiples objetivos, J. Hydrol. 235: 276-288.
Magette, WL, Shanholtz, VO y Carr, JC, 1976. Estimación de parámetros seleccionados para
el modelo de cuenca de Kentucky a partir de las características de la cuenca, Wat. Resour. Res .
12 (3): 472-476.
Motovilov, YG, Gottschalk, L, Engeland, K y Rodhe, A., 1999. Validación de un
modelo distribuido contra observaciones espaciales, meteorología agrícola y forestal
98-99, 257-277.
Nash, JE y Sutcliffe, JV, 1970. Pronóstico del caudal de los ríos mediante modelos conceptuales.
Parte I: una discusión de principios. J. Hydrol. , 10: 282-290.
Refsgaard, JC, 1997. Parametrización, calibración y validación de distribuidos
modelos hidrológicos, Journal of Hydrology 198, 69-97.
Sefton, CEM y Howarth, SM, 1998. Relaciones entre respuesta dinámica
características y descriptores físicos de las cuencas hidrográficas en Inglaterra y Gales, Journal
of Hydrology 211, 1-16.
Sorooshian, S. 1981. Estimación de parámetros de modelos de precipitación-escorrentía con
Errores de caudal heteroscedásticos: caso de datos no informativos, En: Y. Haimes y J.
Knolles (eds.), Water and Related Land Resources Systems, IFAC Symposium,
Cleveland, Ohio, del 28 al 31 de mayo. Pergamon Press, Nueva York, NY, págs. 477-485.
Sorooshian, S. y JA Dracup, 1980. Procedimientos de estimación de parámetros estocásticos para
modelos hidrológicos de lluvia-escorrentía: casos de error correlacionados y heterocedásticos, Agua
Resour. Res. 16 (2): 430-442.
Sorooshian, S. y VK Gupta, 1995. Capítulo 2: Calibración del modelo. En: VP Singh (ed.)
Modelos informáticos de hidrología de cuencas hidrográficas, publicaciones sobre recursos hídricos,
Colorado, Estados Unidos.
Sorooshian, S., 1978. Consideraciones de propiedades estocásticas en la estimación de parámetros
de modelos hidrológicos de lluvia-escorrentía, tesis doctoral, Universidad de California-
Los Ángeles, 1978.
6-28
Página 146
Sorooshian, S., VK Gupta y JL Fulton, 1983. Evaluación de máxima verosimilitud

técnicas de estimación de parámetros para modelos conceptuales de lluvia-escorrentía - influencia de
Variabilidad y longitud de los datos de calibración sobre la credibilidad del modelo, Water Resour. Res .
19 (1): 251-259.
Tung, YK, Yeh, KC y Yang, JC, 1997. Regionalización del hidrograma unitario
parámetros: a. Comparación de técnicas de análisis de regresión, hidrología estocástica
and Hydraulics 11, 145-171.
Vandewiele, GL y Elias, A., 1995. Balance hídrico mensual de cuencas hidrográficas no calibradas
obtenido por regionalización geográfica, Journal of Hydrology 170, 277-291.
Xu, CY, 1999. Estimación de parámetros de un modelo conceptual de balance hídrico para
captaciones no calibradas, Gestión de recursos hídricos 13 (5): 353-368.
Xu, CY, 2001. Análisis estadístico de un modelo conceptual de balance hídrico, metodología
y estudio de caso, Water Resources Management 15: 75-92.
Xu, CY, 2001. Análisis estadístico de parámetros y residuos de un agua conceptual
modelo de equilibrio - metodología y estudio de caso, gestión de recursos hídricos 15: 75-
92.
Xu, CY y GL Vandewiele, 1994. Sensibilidad de los modelos mensuales de lluvia-escorrentía a
Errores de entrada y longitud de los datos, Hydrological Science Journal , 39 (2): 157-176.
Yapo, PO et204,
Hydrol. al., 1998.
83-97.Optimización global multiobjetivo para modelos hidrológicos. J.
Yevjevich, VM, 1972. Probabilidad y estadística en hidrología. Recursos hídricos
Publicación, Fort Collins, Co.
6-29
Página 147
CAPÍTULO 7
ALGUNOS TEMAS DE OPTIMIZACIÓN
_____________________________________________________________________________
7.1 GENERALIDADES
En la investigación operativa, uno reduce principalmente un problema de decisión a la elección del

valores de variables reales, las llamadas variables de decisión. Por tanto, para todos los posibles
valores uno evalúa el costo o el costo esperado, o la ganancia u otro criterio de valor.
Por tanto, se construye una llamada función objetivo o función de criterio o función económica.
función . Como consecuencia, el problema resultante es la optimización de una función real
de una serie de variables reales, de las cuales todos los valores reales no son necesariamente admisibles para
todo tipo de razones. Por lo tanto, se imponen limitaciones de antemano.
También en las estadísticas aparecen problemas de optimización cuando se desconocen los parámetros del modelo.
tienen que ser estimados. Por ejemplo, para encontrar las estimaciones de máxima verosimilitud, uno
tiene que maximizar la función de verosimilitud con respecto a los parámetros desconocidos, de los cuales
el conjunto de valores admisibles se da de antemano (por ejemplo, uno sabe que un
la desviación estándar desconocida es positiva). Otro ejemplo es la minimización de la
suma de desviaciones al cuadrado (el llamado método de mínimos cuadrados).
También en otras ramas aparecen problemas de optimización.
Estos son ejemplos de los llamados programas matemáticos.
Un programa matemático es un problema de optimización de una función real f (X) , la
función objetivo / criterio, con respecto a un número de variables reales x 1 , x 2 , ..., x n , poner
juntos en el vector
X = ( x 1 , x 2 , ..., x n )
y donde las restricciones sobre X se imponen de antemano. Estas limitaciones implican que la
χ de R n , el conjunto de valores admisibles de X. En
el vector X solo toma valores en un subconjunto
En resumen, un programa matemático tiene la forma
óptimo f (X)
X∈χ
Una optimización puede ser una maximización o una minimización. Si tenemos un método para
maximizando f (X) , entonces tenemos al mismo tiempo un método para minimizarlo por
maximizando - f (X) .
En este contexto estamos hablando de optimización global, en contraposición a la búsqueda
para óptimos locales, que se encuentran solo en un vecindario, consulte la figura 7.1.
En algunos casos tenemos eso
χ=Rn ,
y luego se dice que el problema es un problema de optimización sin restricciones, pero sobre todo
χ es un subconjunto propio de R n , y luego se dice que es un problema de restricción
mejoramiento.
7-1
Página 148
Ch7. Algunos temas de optimización
Figura 7.1. Mínimos globales y locales de una función f (x) de una variable escalar x
Sin embargo, el caso de la optimización sin restricciones es muy importante, ya sea

porque las restricciones están prácticamente inactivas o porque los algoritmos para restricciones
la optimización a menudo se reduce a una serie de optimizaciones sin restricciones.
El algoritmo depende en gran medida de la forma de f (X) y de χ .
7.2 ALGORITMOS DE OPTIMIZACIÓN
7.2.1 Métodos de búsqueda local
Hay disponibles muchos algoritmos de optimización y códigos informáticos diferentes, que

se pueden clasificar como métodos de "búsqueda local" y métodos de "búsqueda global". Busqueda local
Los métodos están diseñados para encontrar de manera eficiente el mínimo de funciones unimodales: funciones
para lo cual cualquier estrategia que busque avanzar continuamente cuesta abajo (una dirección de
mejorar el valor de la función) debe llegar finalmente a la ubicación de la función
mínimo, independientemente de en qué parte del espacio de parámetros se inicie el procedimiento de búsqueda.
Para comprender este proceso, es útil imaginar que es una persona ciega de pie
en la ladera de una montaña y debe encontrar un camino desde su ubicación actual hasta la más baja
punta del valle. Usted tendría que:
a) seleccione una dirección en la que moverse;

b) moverse un poco en esa dirección; y entonces
c) repita el procedimiento una y otra vez hasta que esté satisfecho de que ya no
se puede lograr una mejora.
Por tanto, el procedimiento implica tres decisiones principales:

(a) en qué dirección moverse,
(b) qué tan lejos moverse en esa dirección, y
(c) cómo decidir que no es posible ninguna mejora adicional.
Las diferentes estrategias de búsqueda local difieren en los métodos por los cuales se toman estas decisiones.
hecho. Basándose en tales diferencias, los métodos de búsqueda local pueden clasificarse además como
7-2
Página 149
Métodos de "búsqueda directa" y métodos de "gradiente". Discutimos estos métodos en más

detalles abajo.
7.2.1.1 Métodos de búsqueda directa
Una estrategia de optimización de búsqueda directa utiliza solo el valor de función (objetivo)
información en el proceso de decisión descrito anteriormente. Un método típico es el siguiente.
Comenzando en el punto inicial, la estrategia selecciona alguna dirección y tamaño de paso y
evalúa la función en el nuevo punto. Puede hacer esto para más de un punto nuevo.
Luego, en base a las diferencias en los valores de la función entre el punto (s) inicial y nuevo, un
Se hace una predicción de cuál es la mejor dirección para moverse para mejorar la función y
cuán grande es el paso que se debe dar en esa dirección. Cada estrategia de búsqueda directa tiene su
propia “idea” sobre cómo se debe hacer esto para resolver rápidamente el problema. Un paso
se toma en la dirección de prueba, y si el nuevo punto tiene un valor de función menor que el
punto anterior, reemplaza al anterior, y se repite el procedimiento. Si el nuevo punto
resulta ser peor que el punto anterior, el tamaño del paso se reduce y se hace otro intento
hecho en una nueva ubicación. La búsqueda se detiene cuando la estrategia no puede encontrar una dirección.
en el que la mejora es posible. En esta sección discutimos una serie de simples
métodos, la mayoría de los cuales se utilizan como base para métodos más complicados, que intentan
compensar las desventajas.
7.2.1.1a Algoritmos de búsqueda lineal
Con muchos algoritmos de búsqueda surge el siguiente problema: comenzar en un punto X 0

y con una línea recta dada a través de este punto, encuentre un nuevo punto en esta línea con
menor f (X) (suponiendo que tengamos un problema de minimización). Un método para resolver esto
El problema se llama algoritmo de búsqueda lineal.
Sea D un conjunto de números de dirección de la línea dada que pasa por X 0 ; el vector D así
tiene n componentes: todos los puntos X en la línea tienen la forma
X = X 0 + λ re
donde λ es un número real. Buscamos un valor de λ tal que
fX
( 0
+ λ re ) < f X( 0
)
incluso podemos intentar encontrar un valor de λ tal que ( 0f+X λ re ) es lo más pequeño posible. Esta
es un problema de la denominada "minimización lineal".
Hay muchos algoritmos de búsqueda lineal. Hablamos de uno de ellos, el "duplicar
y algoritmo de reducción a la mitad "con fines ilustrativos; no es necesariamente un
algoritmo. Para n = 2, se ilustra en las figuras 7.2 a 7.4.
Supongamos que se sabe en cuál de ambas direcciones a partir de X 0 el criterio
la función disminuye; por ejemplo, para λ > 0. Comenzando con0un ( >valor
0 ) deλ ,λcomparamos
fX
( ) 0yf ( X 0 + λ 0 re )
Si
f (X 0 + λ 0 re ) < f X
( 0
)
7-3
Página 150
probamos el punto X 0 + 2 0λ D
Si
f (X 0
+ 2 λ0 re ) < f (X 0
+ λ 0 re )
redoblamos el valor de λ y comparamos f (X λ

0 + 2 0 re ) yf (X
λ
0 + 4 0 re ) . Nosotros
continúe redoblando hasta que el nuevo valor de la función sea mayor que el anterior. El nuevo
(mejor) punto es el penúltimo valor de λ . Si por el contrario (9) no es cierto:
f (X 0 + λ 0 re ) > f X( 0 )
λ0
luego probamos X 0 + re
2
Si
λ0
f (X 0 + re ) ≥ f X( 0 ),
2
dividimos λ a la mitad nuevamente, hasta que el nuevo valor de la función sea menor que f (X 0 ). El nuevo (mejor)
el punto entonces es el último valor de λ .
Este algoritmo calcula los valores de la función excluyendo los cálculos del
derivados. Este algoritmo se puede mejorar fácilmente por orden cuadrático o superior
interpolaciones. No insistimos más en este punto.
Figura 7.2. El problema de minimización lineal para n = 2. Las curvas son contornos de f (X).
Figura 7.3. El algoritmo del texto con f X ( 0

+ λ re ) < f X
( 0
)
7-4
Página 151
Figura 7.4. El algoritmo del texto con f (X 0 + λ 0 re ) > f X( 0 )
7.2.1.1b Optimización a lo largo de las direcciones de los ejes
Ahora volvemos a nuestro problema de optimización original. Partiendo de un primer punto X 0 ,

aplicar un algoritmo de búsqueda lineal a lo largo de la línea recta que pasa por X 0 y paralela a la x 1 -
eje. De esta forma encontramos un segundo punto X 1 , donde aplicamos un algoritmo de búsqueda lineal
a lo largo de la línea recta que pasa por X 1 y paralela al eje x 2 , etc. Esto se ilustra en
Figura 7.5 para n = 2.
Para la mayoría de las funciones f (X) es necesario un número infinito de pasos para alcanzar el
óptimo. Por tanto, tenemos que utilizar una regla para detener la búsqueda; por ejemplo, la búsqueda es
se detiene cuando la diferencia de dos valores de función consecutivos es menor que un determinado
cantidad.
Este método, como todos los métodos discutidos a continuación, conduce a un mínimo local, que
no es necesariamente el mínimo global requerido. Por tanto, la elección del punto inicial
X 0 es importante; tiene que ser elegido en la vecindad del mínimo global. Esta
se puede hacer teniendo en cuenta la interpretación de las variables. Se recomienda
repita el procedimiento de optimización para varios puntos iniciales X 0 ; ver la figura 7.6. La certeza es
rara vez se logra.
Cuando se utiliza un algoritmo de búsqueda lineal adecuado, todo el algoritmo no necesita
calcular las derivadas de f (X).
Este algoritmo avanza muy lentamente en los estrechos valles de la f-hipersuperficie.
7-5
Página 152
Figura 7.5. Minimización a lo largo de las direcciones de los ejes. Las curvas son contornos de f (X).
Figura 7.6. Función de criterio con varios mínimos.
7.2.1.1c Un algoritmo con direcciones "conjugadas"
Los métodos basados en el principio de direcciones conjugadas intentan evitar el bajo progreso
en valles estrechos como se menciona en las secciones 7.2.1.1ay 7.2.1.1b.
Se ilustra el procedimiento del algoritmo con direcciones conjugadas.
esquemáticamente en la figura 7.7 y con contornos en la figura 7.8.
Para n = 2, el método más simple es el siguiente.

• A lo largo de dos líneas paralelas vecinas con dirección arbitraria D buscamos
el optima X 11 y X 1 2 .
• A lo largo de la líneaX 11 x 12 buscamos el X óptimo . Sea D1 la3dirección de
1
esta línea:
D 1= X 2- X11
1
• Repita los pasos uno y dos. En general, la i-ésima iteración se optimiza a lo largo de
3
líneas con la dirección D, de las cuales una línea pasa a través de la vecina X . Estas
i-1
dos óptimos definen una línea con dirección
7-6
Página 153
Dyo= X 2- Xi 1
yo
3
a lo largo del cual encontramos por optimización lineal el punto inicialXde
yo la (i + 1) -ésima
iteración.
El algoritmo de direcciones conjugadas se puede generalizar en n variables.
Figura 7.7. Esquema de un algoritmo simple con direcciones conjugadas.
Figura 7.8. Un algoritmo simple con direcciones conjugadas.
7-7
Página 154
7.2.1.1d El método de búsqueda Simplex
La estrategia de búsqueda Simplex se presenta a continuación y se ilustra en la figura 7.9 (después

Sorooshian y Gupta, 1995).
(0) Seleccione n + 1 puntos (n = dimensión) en el espacio de parámetro factible y calcule

el valor de la función en cada punto. Este conjunto de n + 1 puntos se denomina "símplex"
(Figura 7.9).
(1) Identifique el punto con el peor (mayor) valor de función.
(2) Calcule el centroide de los mejores n puntos del simplex (es decir, excluya los peores
punto).
(3) Localice un nuevo punto reflejando el peor punto a través del centroide (ver
Figura 7.9a). Si el valor de la función en el punto de reflexión es mejor que el peor
punto, vaya al paso 4; de lo contrario, vaya al paso 5.
(4) Localice un nuevo punto expandiendo el paso de reflexión por un factor de 2 (ver
Figura 7.9b). Si el valor de la función en el punto de expansión es mejor que la reflexión
punto, reemplace el peor punto por el punto de expansión. Si no, reemplace lo peor
punto por el punto de reflexión. Vaya al paso 7.
(5) Localice un nuevo punto (de contracción) a medio camino entre el peor punto y el
centroide (vea la figura 7.9c). Si el valor de la función en el punto de contracción es mejor
que el peor punto, reemplace el peor punto por el punto de contracción y vaya a
paso 7. Si no es así, vaya al paso 6.
(6) Reducir el simplex moviendo cada punto (excepto el mejor punto) a una ubicación
a medio camino entre su ubicación actual y el mejor punto (Fig. 7.9d).
(7) Repita los pasos del 1 al 6 hasta que el tamaño del simplex sea más pequeño que
criterio de convergencia. El punto con el mejor valor de función se selecciona como
estimación del óptimo.
7-8
Página 155
Fig.7.9 El algoritmo de búsqueda directa Simplex
7.2.1.2 Métodos de gradiente
Una estrategia de optimización de búsqueda de gradiente utiliza información sobre la función

valor y el gradiente de función en los procesos de decisión enumerados anteriormente. Más gradiente
Los métodos se basan en la siguiente ecuación:
Θ yo − Θρ= UNA
+ 1 Θ∇⋅⋅yo yo
donde yoΘ es el punto presente (inicial) (vector de parámetro), Θ∇ es

yo la función gradiente
matriz en el punto actual, ρ es un parámetro de tamaño de paso, A es un cuadrado especialmente elegido

matriz, y Θ yo 1 +es el nuevo punto. Se puede demostrar matemáticamente que, si la matriz A
es cualquier matriz definida positiva, el vector en la dirección de I Θ a Θ 1+ yo será un
7-9
Página 156
dirección de mejora local. Cada método de gradiente utiliza diferentes métodos para seleccionar
ρ y A. Por ejemplo, el enfoque de "descenso más pronunciado" utiliza la matriz de identidad (todos
los valores diagonales son uno y los valores fuera de la diagonal son cero). En general, la mayor parte del gradiente
Los métodos utilizan alguna aproximación a la matriz "hessiana" (matriz de la segunda
derivadas de la función con respecto a los parámetros). Si la matriz hessiana exacta
se utilizaran, el método de optimización sería el conocido "método de Newton"
que es la forma más rápida de resolver un problema cuadrático.
Al igual que con los métodos de búsqueda directa, si el nuevo punto tiene un valor de función menor que
el punto anterior, el nuevo punto reemplaza al anterior, y se repite el procedimiento. Si
el nuevo punto resulta ser peor que el punto anterior, entonces se reduce el tamaño del paso
y se realiza otro intento en una nueva ubicación. La búsqueda se detiene cuando la estrategia es incapaz
para encontrar una dirección en la que sea posible mejorar. En este punto, el valor del gradiente
será numéricamente muy cercano a cero.
7.2.1.2a Método de descenso o ascenso más pronunciado
Aquí se aplican minimizaciones lineales sucesivas a lo largo de líneas rectas en el

dirección opuesta al gradiente local (ver Fig.7.10)
Para n = 2 sabemos que G es la dirección de la línea más empinada en el plano tangente de
la superficie f. Por lo tanto, este algoritmo se denomina método de descenso más pronunciado.
(problema de minimización) o de ascenso más pronunciado (problema de maximización); se llama también
el método Cauchy. La eficiencia del método depende en gran medida de la escala.
transformaciones en los ejes, ya que el concepto de ángulo recto es euclídico. El método
progresa muy lentamente en los estrechos valles de la f-hipersuperficie.
Figura 7.10. Método de descenso o ascenso más empinado
7.2.1.2b Algoritmo de Newton-Raphson
Aspecto general:
Si la función de criterio f (X) es diferenciable, el vector de primeras derivadas se llama
el gradiente
∂ f X() ∂ f X() ∂ f X()

GX() ( = , , ..., )
∂ X1 ∂ X2 ∂x n
7-10
Página 157
Si la función de criterio es diferenciable dos veces, la matriz de segundas derivadas se llama

el arpillera
∂ 2 f X() ∂ 2 f X() ∂ 2 f X()

...
∂ X12 ∂ xx
∂1 2 ∂ xx
∂1 norte
2
∂ f X() ∂ 2 f X() ∂ 2 f X()
HX() = ...
∂ xx
∂2 1 ∂ X22 ∂xx
∂2 norte
... ... ... ...
∂ 2 f X() ∂ 2 f X() ∂ 2 f X()
... 2
∂ xx
∂norte1 ∂ xx
∂norte 2 ∂ Xnorte
En condiciones muy generales, el hessiano es simétrico:
∂2 f X() ∂ 2 f X()
=
∂ xx
∂yo j ∂ xx
∂Ji
Si la expansión de Taylor de f (X) existe para un valor X 0 de X, se escribe
1
fX
() = f X( 0
) + GX( 0
) ⋅( XX- 0
)T + ( XX- 0
) ⋅( HX 0
) ⋅( XX- 0
).T + ..
2
o para abreviar
1
fX
() = f 0G+ 0 ⋅ ( XX- 0 )T + ( XX- 0 ) ⋅ ⋅H 0 ( XX- 0 ) T + ...
2
donde T indica transposición y donde
F0 = f X( = GX(
), GRAMO ), H 0 = HX(
0 0 0 0)
La expansión de Taylor del gradiente es
GX() = GX( 0
) (+ XX- 0
) ⋅( HX 0
).+ ..
GX() = GRAMO
0
+ ( XX- 0 )⋅ +
H 0 . ..
Si las segundas
~ derivadas de f (X) son continuas para todo X, entonces
~ es necesario ~
condición para X ser un mínimo local o global es que XG( 0)= , y eso XH( es)
~ ~
semidefinido positivo. Una condición suficiente es que XG( 0)= , y eso XH( es)
positivo definitivo.
Un método de solución obvio del problema de optimización es resolver el vector
~
ecuación XG( 0)= .
7-11
Página 158
Método de Newton-Raphson:
Cuando f (X) es una función cuadrática, su expansión de Taylor es un polinoma cuadrático en
X. El Hessiano H (X) no depende entonces de X (segundas derivadas de una cuadrática
~
¡función!). Esta función cuadrática tiene un mínimo de X si H (X) es positivo definido, y
tenemos
~
XG( 0)=
La expansión de Taylor del gradiente entonces es
~ ~
XG( ) = XG() ( + XHXX
- 0)⋅ () =
o
~ -1
-=
XHXGXX ) () ( ⋅
~
Como consecuencia, comenzando con un punto arbitrario X, podemos encontrar el mínimo X por
computación del gradiente G (X) y H (X).
El algoritmo de Newton (también llamado algoritmo de Newton-Raphson) se basa en el
idea de que f (X) puede aproximarse mediante su expansión de Taylor truncada después de la cuadrática
términos en X; en consecuencia, f (X) sería una función cuadrática aproximadamente. Con un
punto arbitrario X asociamos la dirección
-
- GXHX
() () 1 ⋅
a lo largo del cual realizamos una optimización lineal. En el nuevo punto obtenido, repetimos este
operación, etc., hasta que una regla de detención detenga el algoritmo.
Este método requiere el cálculo de la primera y segunda derivadas de f y también
valores de función de f en vista de las minimizaciones de línea. Una desventaja importante en
muchas circunstancias es tener que calcular segundas derivadas e invertir la
Arpilleras. El arpillera puede incluso ser singular, por lo que la iteración es imposible. Localmente, lejos
del mnimo buscado, el hessiano puede ser incluso definido no positivo, lo que
hace que los métodos sean mucho menos atractivos.
7.2.1.3 Elección de métodos de búsqueda local
En caso de que las derivadas de f (X) no estén disponibles (por ejemplo, f (X) no es diferenciable), uno
tiene que utilizar algoritmos de búsqueda directa. Por tanto, un primer criterio es la disponibilidad de
elementos necesarios para el algoritmo.
Observe que los métodos de gradiente se pueden transformar en algoritmos de búsqueda directa, por
aproximación de diferenciales por diferencias.
Un segundo criterio es la cantidad de cálculo, que es necesario para
acercándose al óptimo. El tiempo de la computadora depende del número de valores de función,
primera y segunda derivadas a calcular y en otros cálculos (inversión de
matrices, etc.) A menudo es difícil estimar la velocidad de convergencia de un algoritmo,
especialmente el número de iteraciones necesarias. Por lo tanto, los algoritmos se prueban en
las llamadas "funciones de prueba". Un criterio teórico es el número de optimizaciones lineales
tomado para alcanzar el óptimo de una función cuadrática.
El principal punto débil de los métodos de búsqueda local es que la mayoría de los problemas prácticos
que involucran la calibración de modelos hidrológicos no lineales tienen superficies de respuesta que son
7-12
Página 159
multimodal, es decir, hay varias ubicaciones del espacio de parámetros donde el valor
de la función es un "mínimo local". En tales casos, el punto donde una búsqueda local
El algoritmo termina dependerá de la ubicación donde se inicia. Como resultado, es
Es difícil, si no imposible, saber con certeza si el procedimiento ha localizado el
Mínimo “global” de la función.
7.2.2 Métodos de búsqueda global
Las estrategias de búsqueda global están diseñadas para descubrir de manera eficiente el mínimo de múltiples
funciones modales. Tales estrategias se dividen en tres categorías: deterministas, estocásticas o
combinación de determinista y estocástico. Las estrategias deterministas requieren que ciertos
Los criterios relacionados con la continuidad de la función y sus derivadas se satisfagan para
Garantizar la convergencia a la solución global. Estas condiciones generalmente no se cumplen en
la calibración de modelos hidrológicos no lineales. Solo estocástico (aleatorio) y
Se han aplicado métodos combinados a la calibración de modelos hidrológicos.
7.2.2.1 Métodos de búsqueda aleatorios
Los métodos de búsqueda aleatorios (estocásticos) utilizan los generadores de números aleatorios integrados
Computadoras digitales modernas para muestrear aleatoriamente el espacio de parámetros en busca de puntos.
con valores de función mejorados. Las muestras se generan según algunos
distribución de probabilidad aplicada al espacio de parámetros factible. En la búsqueda aleatoria "pura",
el muestreo se realiza mediante una distribución uniforme. Esto asume que no hay conocimiento previo de
donde en el espacio factible existe el mejor conjunto de parámetros. Sin embargo, debido al azar puro
la búsqueda no hace uso de la información del valor de la función obtenida durante la búsqueda
para guiar la búsqueda, no es muy eficiente, especialmente para problemas con muchos
parámetros. Se han desarrollado otros métodos de búsqueda aleatorios que ajustan de forma adaptativa
la distribución de probabilidad utilizada para el muestreo basada en la información del valor de la función
obtenido durante la búsqueda. Uno de esos métodos es la búsqueda aleatoria adaptativa (ARS)
propuesto por Masri et al. (1978) y modificado por Pronzato et al. (1984).
La estrategia de ARS es la siguiente (ver también Sorooshian y Gupta, 1995):
(0) Elija un punto focal (por ejemplo, este puede ser el "mejor" punto obtenido en el
proceso preliminar de definir el espacio de parámetros, o puede ser un proceso arbitrario
punto como el centroide del espacio factible);
(1) Genere un conjunto de N puntos distribuidos aleatoriamente en todo el espacio factible (para
ejemplo, según una distribución uniforme o normal) y centrado en el
punto focal. Almacene la ubicación del punto con el mejor valor de función;
(2) Repita el paso (1) un número preestablecido de veces, la iésima vez utilizando el
rango de parámetro dividido por 10 i y centrado en el punto focal (Fig.7.11) para
restringir el espacio de búsqueda. Cada vez, almacene la ubicación del punto con la mejor
valor de la función;
(3) Compare todos los puntos almacenados y determine el punto con la mejor función
valor. Redefina este punto para que sea el nuevo punto focal. Registre en que rango
nivel se encontró este punto; y
(4) Repita los pasos (1-3) hasta encontrar el mejor punto en el nivel de rango más pequeño a
número sucesivo de veces especificado por el usuario (digamos tres). Este punto se elige como
el conjunto de parámetros óptimo.
7-13
Página 160
Los informes en la literatura de optimización indican que la estrategia ARS funciona bien en
práctica. Sin embargo, Duan et al. (1992) encontraron que el algoritmo no era efectivo ni
eficiente en un simple problema de calibración del modelo hidrológico. El mejor resultado fueron
pudo obtener una tasa de éxito del 30% (30 de cada 100 ensayos localizaron la región conocida de
el óptimo global) después de muestrear el espacio 250 000 veces.
Fig.7.11 El algoritmo de búsqueda aleatoria adaptativa
7.2.2.2 Algoritmos de arranque múltiple
Se ha sugerido un método de combinación simple para tratar con múltiples óptimos

en la literatura hidrológica (por ejemplo, Johnston y Pilgrim, 1976). En este método, uno corre
varios ensayos de un método de optimización de búsqueda local de partidas iniciales seleccionadas al azar
puntos en el espacio factible. La validez de este enfoque de "inicio múltiple" puede ser
demostrado por los siguientes argumentos. Tener confianza en los resultados de cualquier
procedimiento de optimización estocástica, requerimos que tenga una falla relativamente pequeña
probabilidad sobre el problema de interés. Supongamos que la probabilidad de falla de un
El método de optimización de búsqueda local es F (es decir, si tuviéramos que ejecutar 100 independientes al azar
iniciadas las pruebas del método, encontraríamos que 100 × F de ellos fallarían en localizar el
óptimo global). Entonces, si ejecutamos el procedimiento r veces desde r independientes al azar
ubicaciones seleccionadas, la probabilidad general de falla disminuirá de acuerdo con la ecuación
rF) ( = F ) 1 r( y tienden a cero a medida que r aumenta. Por ejemplo, si F es 0.65 (65 fallas
de 100), entonces r igual a 12 dará una tasa de falla de menos de 1 en 100.
La eficiencia de cualquier procedimiento de inicio múltiple varía de forma no lineal con F, de modo que
El número de reinicios r necesarios para lograr una probabilidad general de falla de F (r) viene dado por
= )). 1 (ln (/)) ((
rFlhr F la curva de r versus F (1) se traza en la figura 7.12 para el caso de
F (r) igual a 0.01 (1 falla en 100) y 0.05 (5 fallas en 100). Claramente, para arranque único
probabilidades de falla F (1) que son menores que 0.8, no requerimos una gran cantidad de
se reinicia. Sin embargo, a medida que F (1) aumenta por encima de 0,8 hacia 1,0, el número de reinicios
requerido aumenta rápidamente hacia el infinito, lo que hace que el procedimiento no sea práctico.
7-14
Página 161
En Duan et al. (1992), se demostró que un procedimiento de arranque múltiple basado en

El método simplex no lineal (descrito anteriormente) funcionó bien en hidrológicos simples
modelo de cuenca.
Fig.7.12 Rendimiento teórico de cualquier algoritmo de arranque múltiple
7.2.2.3 Algoritmos complejos mezclados
El método Shuffled Complex Evaluation (SCE-UA), desarrollado por Duan et al.

(1993), es una estrategia de optimización global diseñada para ser efectiva y eficiente para un
amplia clase de problemas. La estrategia de SCE-UA se presenta a continuación (ver también Sorooshian
y Gupta, 1995):
(0) Inicializar: seleccionepags

≥ y 1 + ≥Nuevo Méjico
, 1 donde p = número de complejos, m =
número de puntos en cada complejo yn = dimensión del problema. Calcular
×=
el tamaño de la muestra
mps .
(1) Generar muestra: Muestra s puntos x 1 ,…, x s en el espacio factible Ω = R n .
Calcule el valor de la función f i en cada punto x i . En ausencia de antecedentes
información, utilice una distribución de muestreo uniforme.
(2) Puntos de clasificación : Ordene los puntos s en orden de valor de función creciente. Almacenarlos
en una matriz re = },ifx
ii 1 ,, {=s
..., , de modo que i = 1 representa el punto con el
valor de función más pequeño.
1 pags
(3) Partición en complejos: Partición D en p complejos UNA , cada
, ..., UNA
que contiene m puntos, de modo que
k k k k
UNA= , {xfx
j j j
= Xjpk+ ) 1 -( , Fjk = Fjpk+ ) 1 -( j =1,
, ..., metro
}.
7-15
Página 162
(4) Evoluciona cada complejo: Evoluciona cada complejokAk , = , ..., 1pags

, de acuerdo con la
El algoritmo Competitive Complex Evolution (CCE) se describe por separado.
(5) Complejos aleatorios: ReemplazarA1, ..., UNA
pags
en D, tal que D = { kAk , = , ..., 1pags
}.
Clasifique D en orden de valor de función creciente.
(6) Compruebe la convergencia: si se cumplen los criterios de convergencia, deténgase; de otra manera,
vuelva al paso (3).
El algoritmo Competitive Complex Evolution (CCE) necesario para la evolución de

cada complejo en el Paso (4) del método de Evolución Compleja Barajada está representado
abajo:
(0) Inicializar: seleccione q , α y β donde 2 ≤≤mq , α ≥y1 β ≥ 1.

k
UNA
(1) Asignar pesos: Asigne una distribución de probabilidad trapezoidal a, es decir,
(2- + yo
) 1metro
ρ yo= yo=1,
, ..., metro
mm) 1 (+
Xkla mayor probabilidad

El punto tiene ρ 1 = / (2 metro
+ ) .1 El punto tiene k
Xmetro
el
= mm
probabilidad más bajaρ metro ) .1 (/ 2 +
k
UNA
(2) Seleccionar padres: Elija aleatoriamente q puntos distintos u 1 ,…, u q de acuerdo
a la distribución de probabilidad especificada anteriormente (los q puntos definen un
"Subcomplejo"). Almacenarlos en matriz si = , ivu
...,ii 1 ,, { =
q }, donde v yo soy el
k
UNA
valor de función asociado con el punto u i . Almacenar en L cuyas ubicaciones son
utilizado para construir B.
(3) Generar descendencia:

a. Ordene B y L de modo que los q puntos estén ordenados en orden creciente
valor de la función. Calcule el centroide g usando la expresión:
1 q -1
=
gramo ∑ tuj
q - 1 j =1
si. Calcule el nuevo punto r = 2g-u q (paso de reflexión).
C. Si r está dentro del espacio factible Ω , calcule el valor de la función f r y vaya
al paso (d); de lo contrario, calcule el hipercubo más pequeño H ⊂ R n que
k
UNA
contiene, genera aleatoriamente un punto z dentro de H, calcula f z , establezca r = z
y establezca f r = f z (paso de mutación).
re. Si f r <f q, reemplace u q por r, vaya al paso (f); de lo contrario, calcule c = (g + u q ) / 2
y f c (paso de contracción).
mi. Si f c <f q , reemplace u q por c, vaya al paso (f); de lo contrario, genera aleatoriamente un
punto z dentro de H y calcule f z (paso de mutación). Reemplaza u q por z.
F. Repita los pasos (a) a (e) α veces, donde α ≥ 1 es un valor especificado por el usuario
parámetro.
k
UNA
(4) Reemplazar a los padres por descendencia : Reemplace B para usar las ubicaciones originales
k
UNA
almacenados en L. Ordenar en orden de valor de función creciente.
7-16
Página 163
(5) Iterar : repita los pasos (1) a (4) β veces, donde β ≥ 1 es un valor especificado por el usuario
parámetro que determina cuántos descendientes se deben generar (qué tan lejos
cada complejo debe evolucionar).
La versión de SCE-UA utilizada por Duan et al. (1993) utilizó los valores m = (2n + 1), q =
(n + 1), α = 1 y β = (2n + 1). Por tanto, la única variable que debe especificar el usuario es la
número de complejos p. En Duan et al. (1992) y Sorooshian et al. (1993), fue
demostró que el rendimiento del método SCE-UA es muy superior al del
procedimiento de inicio múltiple simplex (MSX). Afirmó que el método SCE-UA parece
Ser el mejor método disponible actualmente para la estimación de parámetros de cuencas hidrográficas conceptuales.
modelos.
7.3 DIFICULTADES DE OPTIMIZACIÓN
La aplicación exitosa de un modelo de cuenca hidrológica depende de qué tan bien

el modelo está calibrado. En los últimos años, los enfoques automatizados de calibración, como
los discutidos en este capítulo, han recibido mucha atención, y varias dificultades en
la aplicación de tales métodos son (ver también Ibbitt, 1970; Johnston y Pilgrim, 1976;
Picup, 1977; Sorooshian y Gupta, 1983; Gan y Burges, 1990a, b):
(i) Interdependencia entre los parámetros del modelo, por la cual un gran número de
combinaciones de valores de parámetros darán valores igualmente bajos del objetivo
función: un cambio en el valor de un parámetro puede ser compensado por cambios
en uno o más de los otros parámetros. Para un modelo de dos parámetros, una larga
El valle con fondo da como resultado la superficie de respuesta, como se muestra en la Fig. 7.13. Un gran
número de combinaciones de valores de parámetros dará valores bajos similares de la
función objetiva. Los métodos de optimización progresan poco o nada a lo largo del
piso de dicho valle hacia su punto más bajo. Se podría argumentar, por supuesto, que
esta interdependencia no es un problema, ya que cualquiera de los pares de valores en el valle
es casi un óptimo y la secuencia de salida resultante no es peor para el
interdependencia. Sin embargo, si hay que atribuir algún significado a una
valores de los parámetros: si, por ejemplo, los valores de los parámetros deben correlacionarse con la cuenca
características - los valores obtenidos de tal optimización serían
sin sentido (Gorgens, 1983a, b).
(ii) Indiferencia de la función objetivo al valor de un parámetro, el calculado
la salida del modelo, y por lo tanto el valor de la función objetivo, no se ve afectado por
cambios en el valor de un parámetro porque el parámetro es redundante o
no está activo en el conjunto particular de datos de entrada y aún peor en una región en particular
del espacio de parámetros. La indiferencia causa cero gradientes en algunas áreas del
superficie de respuesta y los métodos de optimización no pueden hacer más progresos
de tales áreas, como se muestra en la figura 7.13 para valores altos de X1.
(iii) Discontinuidades, o puntos en la superficie de respuesta en los que funciona el objetivo,
aunque sigue siendo continuo, no es diferenciable.
(iv) Óptima local, estos son puntos en la superficie de respuesta que tienen valores más bajos de
la función objetivo que cualquier punto circundante, pero tienen valores mayores que
otro punto o puntos en otra región de la superficie de respuesta. Como se muestra en
Figura 6.2 para una superficie de respuesta bidimensional en la que hay más de una
contorno cerrado para un valor dado de F. El 'pico' P 1 dentro del contorno F = 3 es el
óptimo global. Si un método de búsqueda local comienza su búsqueda en el punto A de la figura 6.2,
encontraría, con toda probabilidad, un óptimo local cercano como P 2 . Una vez en el local
7-17
Página 164
óptima, la técnica podría satisfacer sus pruebas integradas de convergencia.

Por ejemplo, encontraría que para pequeñas perturbaciones sobre P 2 solo los puntos peores
pudo ser encontrado. Los métodos de búsqueda no tienen tácticas para moverse a un pico más alto desde
uno menor ya que asumen que solo existe un pico. Los óptimos locales tienen todas las
propiedades del óptimo global excepto el valor del criterio objetivo F.
(v) Escalado de parámetros. Diferentes escalas de parámetros cambian la configuración
de la superficie de respuesta, afectando la dificultad de optimización, como se ilustra en
Figura 7.14. El progreso se puede mejorar enormemente cambiando la escala de los parámetros con el
objetivo de producir contornos casi circulares de la función objetivo. sin embargo, el
forma de la superficie de respuesta, particularmente en el espacio multidimensional, y la mejor
Se desconoce la selección de transformaciones. Experimentación con escalado
Por tanto, los parámetros son deseables y pueden conducir a un progreso más rápido.
Figura 7.13 Una superficie de respuesta bidimensional (hipotética)
Fig.7.14 La influencia de la escala en las búsquedas de descenso más pronunciadas
7-18
Página 165
Además, las deficiencias en la estructura del modelo también pueden causar problemas en
optimización, ya que incluso los modelos más complejos son representaciones imperfectas de
procesos físicos y esta imperfección pueden conducir a dificultades en la optimización.
La elección y el papel de la función objetivo son aspectos de optimización que
También ofrecen serias dificultades al modelista. Es axiomático que el conjunto óptimo de
parámetros alcanzados por la optimización es de hecho óptimo sólo en el contexto de la
función objetivo utilizada durante el proceso. Una función objetivo sustancialmente diferente
puede converger en un conjunto de parámetros óptimos sustancialmente diferente, aunque otras condiciones
de optimización permanecen sin cambios (Diskin y Simon, 1977; Pilgrim, 1975).
O'Connell ha informado de estudios sobre algunos efectos de estas dificultades,
Nash y Farrell (1970), Mandeville, et al. (1970), Ibbitt y O'Donnell (1971), Plinston
(1971), Johnson y Pilgrim (1973, 1976); Pilgrim (1975) y Gorgens (1983a).
Se sugieren estrategias para superar algunos de estos problemas, aunque no todos los
los problemas pueden resolverse. Las posibles soluciones a estos problemas incluyen las siguientes
medidas (Gorgens, 1983a). El problema (i) puede solucionarse parcialmente optimizando
parámetros interdependientes individualmente en búsquedas separadas. El problema (ii) puede ser
evitado estableciendo parámetros indiferentes a valores constantes. El problema (iii) afecta solo
algoritmos de descenso más pronunciados y no se pueden resolver excepto mediante múltiples búsquedas desde
diferentes puntos en la superficie de respuesta. El problema (iv) a menudo se puede superar
cambiando los puntos iniciales. El punto (v) es menos problemático en la búsqueda directa que en la más empinada.
métodos de descenso y puede corregirse escalando los parámetros al mismo orden de
magnitud o ponderación de los pasos de búsqueda para parámetros individuales según
escala de parámetros.
Una medida que se utiliza a menudo para hacer frente a más de una de las dificultades anteriores.
es restringir los valores de cierto parámetro a un "rango probable" durante la optimización,
es decir, para evitar que los valores 'imposibles' sean elegidos por la rutina de búsqueda o para la
rutina para deambular por una de las áreas propensas a dificultades de la superficie de respuesta.
Sin embargo, Pilgrim (1975) argumenta que este procedimiento es injustificable porque un parámetro
El valor puede pasar por una región imposible durante la búsqueda, pero luego volver a una
nivel realista. La imposición de límites también implica que la estructura del modelo y la
Los parámetros son de hecho físicamente realistas y que los datos no contienen errores graves.
Chapman (1975) argumenta a la inversa, es decir, que los modeladores deben esforzarse conscientemente por
hacer que sus modelos tengan una base más física; entonces los parámetros cruciales deben restringirse
a límites físicos conocidos proporcionales a cada situación de captación.
7-19
Página 166
Chapman, TG, 1975. Tendencias en la modelización de cuencas, Predicción en cuencas

Hydrology, Chapman, TG y Dunin, FX (Eds.), Academia Australiana de Ciencias,
Canberra, p459-482.
Diskin, M. y Simon, E., 1977. Un procedimiento para la selección de funciones objetivas para
modelos de simulación hidrológica. Matemáticas y Computadoras en Simulación XXIV,
Compañía editorial de Holanda Septentrional, 122-130.
Duan, Q., Gupta, VK y Sorooshian, S., 1993. A Shuffled complex evolution
enfoque para la minimización global eficaz y eficiente, J. of Optimization Theory
y Aplicaciones 76 (3): 501-521.
Duan, Q., Sorooshian, S. y Gupta, VK, 1992. Global eficaz y eficiente
optimización para modelos conceptuales de lluvia-escorrentía, recurso hídrico. Res. 28 (4): 1015-
1031.
Gan, TY y SJ Burges, 1990a, b. Una evaluación de una lluvia-escorrentía conceptual
la capacidad del modelo para representar la dinámica de pequeñas cuencas hipotéticas 1 y 2.
Recurso de agua. Res. 26 (7).
Gorgens, AHM, 1983a. Modelización conceptual del proceso lluvia-escorrentía en
captaciones semiáridas. Informe 1/83, Unidad de Investigación Hidrológica, Universidad de Rhodes,
Grahamstown, 347p.
Gorgens, AHM, 1983b. Fiabilidad de la calibración de un modelo mensual de lluvia-escorrentía:
el caso semiárido. Hydrol. Sci. J. , 28 (4): 485-498.
Ibbitt, RP y O'Donnell, T., 1971. Diseño de modelos conceptuales de captación para
métodos de ajuste automático. Modelos matemáticos en hidrología (Actas de
Simposio de Varsovia), IAHS Publ. No 101: p461-475.
Johnson, PR y Pilgrim, DH, 1973. Un estudio de optimización de parámetros para una precipitación
modelo de escorrentía, Informe No 131, Laboratorio de Recursos Hídricos, Universidad de New South
Gales, Austria.
Johnson, PR y Pilgrim, DH, 1976. Optimización de parámetros para modelos de cuencas hidrográficas.
Wat. Resour. Res. , 10 (2): 256-262.
Mandeville, AN, et al., 1970. Pronóstico del caudal de los ríos mediante modelos conceptuales. Parte
III - la cuenca de captación de Ray en Grendon Underwood, J. Hydrol. , 11: 109-128.
Masri, SF, et al., 1978. Un método de búsqueda aleatoria adaptativa para la identificación de grandes
sistemas no lineales a escala, Actas del 4to Simposio de IFAC sobre identificación y
estimación de parámetros del sistema 1976, Holanda Septentrional.
O'Connell, PE, et al., 1970. Pronóstico del caudal de los ríos mediante modelos conceptuales. Parte II -
la cuenca de Brosna en Ferbane, J. Hydrol. , 10: 317-329.
Picup, G., 1977. Probando las eficiencias de algoritmos y estrategias para
calibración de modelos de lluvia-escorrentía. Ciencia hidrológica Bulltin 22 (2): 257-274.
Pilgrim, DH, 1975. Evaluación de modelos, pruebas y estimación de parámetros en hidrología.
Prediction in Catchment Hydrology, Chapman, TG y Dunin, FX (Eds.),
Academia Australiana de Ciencias, Canberra, p305-333.
Plinston, DT, 1971. Sensibilidad de parámetros e interdependencia en modelos hidrológicos.
12º Simposio de la Sociedad Británica de Ecología, Grange-over-Sands, p237-247.
Pronzato, LE et al., 1984. Un optimizador global de propósito general: implementación y
aplicaciones, Matemáticas y computadoras en simulación , Vol.26: 412-422.
Sorooshian, S. y VK Gupta, 1983. Calibración automática de lluvia conceptual
modelos de escorrentía: la cuestión de la observabilidad y unicidad de los parámetros, Agua
Resour. Res. 19 (1): 251-259.
7-20
Página 167
Sorooshian, S. y VK Gupta, 1995. Calibración de modelos, en: VP Singh (ed.) Computer

Modelos de hidrología de cuencas hidrográficas, Capítulo 2.
7-21
Página 168
CAPÍTULO 8
ALGUNOS MODELOS DE CAPTURA PARTICULARES
______________________________________________________________________
Los siguientes modelos hidrológicos se discutirán en detalle durante la conferencia.

Los documentos sobre los modelos enumerados se distribuirán a los estudiantes antes del
comienza el curso. Otros modelos hidrológicos, que no se enumeran a continuación, también pueden ser
discutido.
8.1 WASMOD - Un modelo conceptual, estocástico y concentrado de balance hídrico.

Referencia: Xu, CY, 2002. WASMOD - Modelado de equilibrio de agua y nieve
sistema. En: Modelos matemáticos de hidrología y aplicaciones de pequeñas cuencas hidrográficas
(Capítulo 17), VP Singh y DK Frevert (eds), Publicaciones sobre recursos hídricos,
LLC, Highlands Ranch, Colorado, Estados Unidos.
8.2 Modelo de VHB - Una lluvia diaria conceptual, determinista, agrupada (semidistribuida)
modelo de escorrentía.
Referencia: Bergström, S., 1995. The HBV Model. En: Modelos informáticos de
Hidrología de cuencas hidrográficas (Capítulo 13), VP Singh (ed.), Recursos hídricos
Publicaciones, Highlands Ranch, Colorado, Estados Unidos.
8.3 TOPMODEL - Un modelo semidistribuido de base física.

Referencia: Beven, K. et al., 1995. TOPMODEL. En: Modelos informáticos de cuencas hidrográficas
Hidrología (Capítulo 18), VP Singh (ed.), Publicaciones sobre recursos hídricos, Highlands
Ranch, Colorado, Estados Unidos.
8.4 Modelo SHE: modelo distribuido, determinista y de base física.

Referencia: Abbott, MB, et al., 1986. Una introducción a la European Hydrological
System - Systeme Hydrologique Europeen, “SHE”, 2: Estructura de un
sistema de modelado distribuido basado en Revista de hidrología 87: 61-77.

Modelos Hidrológicos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos Hidrológicos

Cargado por

Copyright:

Formatos disponibles

10/9/2020 MODELOS HIDROLÓGICOS

direccion postal Dirección de visita Teléfono Fax Correo electrónico

Según el documento oficial de la UNESCO (1985) - 'Ayudas didácticas en

modelo determinista), modelo WASMOD (una simple nieve conceptual estocástica y

CAPÍTULO 1 MODELADO EN HIDROLOGÍA 1-1

1.1 Por qué se necesitan modelos hidrológicos 1-1

CAPÍTULO 2 ANÁLISIS DE SERIES DE TIEMPO Y MODELADO ESTOCÁSTICO 2-1

2.1 Introducción 2-1

CAPÍTULO 3 PRECIPITACIÓN EN MODELOS DE CAPTURA 3-1

3.1 Introducción 3-1

CAPÍTULO 4 EVAPOTRANSPIRACIÓN EN MODELOS HIDROLÓGICOS 4-1

4.1 General 4-1

CAPÍTULO 5 ESCORRIDO EN MODELOS HIDROLÓGICOS 5-1

5.1 Introducción 5-1

5.6.3 Modelos conceptuales de parámetros agrupados 5-24

CAPÍTULO 6 LA METODOLOGÍA DE LA EVALUACIÓN DE MODELOS 6-1

6.1 Fases de la evaluación del modelo 6-1

CAPÍTULO 7 ALGUNOS TEMAS DE OPTIMIZACIÓN 7-1

7.1 Generalidades 7-1

CAPÍTULO 8 ALGUNOS MODELOS DE CAPTURA PARTICULARES 8-1

Los siguientes modelos hidrológicos se discutirán en detalle durante la conferencia.

8.1 WASMOD - Un modelo conceptual-estocástico de balance de agua y nieve.

8.2 Modelo de VHB - Una lluvia conceptual-determinista, agrupada (semidistribuida)

8.3 TOPMODEL - Un modelo semidistribuido de base física.

8.4 Modelo SHE: modelo distribuido, determinista y de base física.

1.1. ¿POR QUÉ SE NECESITAN MODELOS HIDROLÓGICOS?

1.2. PERSPECTIVA HISTORICA

El desarrollo y la aplicación de modelos hidrológicos han pasado por un largo

relacionado con el drenaje de la tierra. Algunos estadounidenses atribuyen la primera mención al

Donde C es el coeficiente de escorrentía (depende de las características de la cuenca) i es

la Comunidad Europea es un buen ejemplo de tales modelos (Abbott et al.,

1.3. ANÁLISIS Y MODELADO DEL SISTEMA HIDROLÓGICO

sus entradas y salidas son variables hidrológicas medibles y su estructura es la

Q (t) = Ω I (t) (1,2)

que se llama ecuación de transformación del sistema. El sistema Ω es una transferencia

Q (t) = CI (t) (1,3)

donde C es una constante, entonces la función de transferencia es el operador

Si la transformación se describe mediante una ecuación diferencial, entonces la transferencia

Eliminando S entre las dos ecuaciones y reordenando,

donde D es el operador diferencial d / dt . Si la ecuación de transformación ha sido

1.4. CLASIFICACIÓN DE MODELOS HIDROLÓGICOS

Figura 1.2. Una clasificación de modelos hidrológicos

1.4.1 Modelos de materiales

1.4.2 Modelos simbólicos o formales

1.4.3 La distinción entre modelos teóricos, conceptuales y empíricos

Modelos teóricos (a veces llamados modelos de caja blanca o modelos basados

1.4.4 La distinción entre linealidad y no linealidad en el sentido de la teoría de sistemas

1.4.5 La distinción entre modelos invariantes y variantes en el tiempo

Un modelo es invariante en el tiempo si su relación entrada-salida no cambia con el tiempo.

1.4.6 La distinción entre modelos agrupados y distribuidos

En términos de discretización espacial o resolución, podemos identificar una escala ascendente de

Fig.1.3 Representación gráfica de modelos agrupados y distribuidos geométricamente.

1.4.7 La distinción entre modelos deterministas y estocásticos

1.4.8 Resumen de clasificación

1.5 EL USO DE MODELOS HIDROLÓGICOS

1.6 METODOLOGÍA PARA EL USO DE MODELOS HIDROLÓGICOS

REFERENCIAS DEL CHPATER 1

Abbott, MB, Bathurst, JC, Cunge, JA, O'Connell, PE y Rasmussen, J .: 1986. An

Los métodos y procedimientos de análisis de series de tiempo y modelado estocástico serán

2.2 SERIES DE TIEMPO

característica de la serie es el componente estocástico aleatorio, y 4 (t), que representa un

yt() = yt1 () + yt2 () + yt3 () + yt4 () (2,1)

Fig.2.1 Los componentes de la serie temporal.