LOS EFECTOS DEL USO DE LA TIERRA Y EL CAMBIO CLIMÁTICO EN EL

RENDIMIENTO HÍDRICO DE UNA CUENCA EN COLOMBIA

ABSTRACT
El uso de la tierra y el clima son dos factores determinantes del rendimiento de
agua dentro de una cuenca. Comprender los efectos de estas dos variables es
clave para el proceso de toma de decisiones dentro de las cuencas hidrográficas.
La modelación hidrológica se puede utilizar para este propósito y la integración de
escenarios climáticos futuros a modelos calibrados amplía el espectro de análisis.
Este tipo de estudios se han llevado a cabo en muchas áreas del mundo, incluida
la cuenca del Amazonas de América del Sur. Sin embargo, existe una falta de
comprensión sobre el efecto del uso de la tierra/cobertura terrestre y el cambio
climático en las cuencas hidrográficas andinas de este continente. Nuestro estudio
se centró en la evaluación del rendimiento de agua en diferentes escenarios
climáticos y de uso de la tierra utilizando el modelo hidrológico semidistribuido
conocido como modelo SWAT (Soil and Water Assessment Tool). Se trabaja en la
cuenca del Tona (Colombia, Sudamérica), la fuente de agua más importante para
una población metropolitana. Nuestros resultados compararon las estimaciones de
rendimiento de agua para condiciones históricas (1987–2002) con las de
escenarios futuros combinados para el uso de la tierra y el clima para el período
2006–2050. El esfuerzo de modelado produjo estimaciones globales del
rendimiento hídrico (valores anuales promedio) y, a nivel de subcuenca, identificó
áreas estratégicas en las que se pueden enfocar las actividades de protección y
conservación de los administradores del agua.

Palabras clave: rendimiento de agua; modelado hidrológico; Herramienta de

evaluación del suelo y el agua (SWAT); cambio de uso de la tierra; escenarios
climáticos

INTRODUCCIÓN
El rendimiento de agua se define como la cantidad neta de agua que pasa por un
punto de un arroyo durante un período determinado [1]. Esto también se entiende
como la cantidad promedio de agua producida por la cuenca a partir de las
contribuciones de agua superficial, lateral y subterránea durante un cierto período
de tiempo [2]. Desde la perspectiva de los servicios de los ecosistemas, la
producción de agua representa el suministro potencial de agua dulce para la
producción de alimentos, la generación de energía hidroeléctrica o el agua potable
[3]. Todos estos son clave para el sostenimiento de las comunidades rurales y
urbanas. A lo largo de los años, se han dedicado muchos estudios a evaluar los
factores impulsores del rendimiento de agua en un área determinada. El cambio
de uso del suelo / cobertura del suelo (LULC) es un factor clave que se ha
estudiado desde diversas perspectivas [4–11]. La reforestación parece tener un
efecto decreciente sobre la escorrentía (a través del aumento de la
evapotranspiración - ET) en la pequeña escala de la cuenca y un efecto creciente
sobre la precipitación y la disponibilidad de agua a escalas más grandes, ya que la
ET devuelve agua a la atmósfera y favorece, en condiciones adecuadas, la
precipitación ( P) [7]. La magnitud de los cambios en el rendimiento de agua,
debido a cambios en la vegetación (en relación con el flujo bajo el tipo de
vegetación original), parece ser más drástica durante las temporadas de flujo bajo,
y el tiempo para alcanzar un nuevo equilibrio después de los cambios de LULC
depende del tipo. de cambio (forestación, deforestación o rebrote), tardando más
de cinco años en alcanzarlo en algunos casos [11]. dadas las condiciones
adecuadas, precipitación (P) [7]. La magnitud de los cambios en el rendimiento de
agua, debido a cambios en la vegetación (en relación con el flujo bajo el tipo de
vegetación original), parece ser más drástica durante las temporadas de flujo bajo,
y el tiempo para alcanzar un nuevo equilibrio después de los cambios de LULC
depende del tipo. de cambio (forestación, deforestación o rebrote), tardando más
de cinco años en alcanzarlo en algunos casos [11].
El cambio climático y la variabilidad climática tienen un efecto significativo en la
descarga de los ríos, los eventos extremos y la disponibilidad de agua para
diversas necesidades humanas [12-20]. En todo el mundo, muchos estudios han
evaluado el impacto del cambio climático en regiones específicas y los esfuerzos
de revisión o estudios a gran escala proporcionan un medio para comprender el
"panorama general". Por ejemplo, en Europa, el análisis de las observaciones
indica un aumento general de las precipitaciones extremas, pero no tendencias
significativas para los caudales extremos, mientras que los esfuerzos de
modelización basados en proyecciones climáticas confirman el aumento general
de las precipitaciones extremas y muestran grandes impactos (cambios positivos y
negativos) en el pico. flujos [19]. Hallazgos recientes de Betts et al. [12] muestran
las tendencias globales espaciales en precipitaciones extremas y eventos
hidrológicos y señalan la importancia de limitar el calentamiento global porque, a 2
° C, algunos países podrían alcanzar niveles sin precedentes de escasez de agua.
La seguridad alimentaria enfrentará serios desafíos porque habrá limitaciones de
agua dulce en importantes regiones irrigadas de América del Norte (Estados
Unidos Occidental) y Asia (China; Asia Occidental, Meridional y Central), mientras
que se requerirán inversiones sustanciales en infraestructura de riego en áreas (
Norte y este de Estados Unidos, partes de América del Sur, Europa y el sudeste
de Asia) que podrían compensar el aumento neto de riego requerido [18]. Sin
embargo, a todos los efectos, este tipo de estudios tiene una incertidumbre
intrínseca. La evaluación de los resultados de 12 estudios de grandes cuencas
fluviales muestra que la elección del modelo climático global (GCM) contiene la
mayor parte de incertidumbre en las proyecciones (57%), seguido de la elección
de la vía de concentración representativa (RCP) (27%) y la elección del modelo
hidrológico (16%) [13].

El efecto combinado del uso de la tierra y el cambio climático es de especial

interés desde la perspectiva de la gestión de cuencas. Comprenderlo sigue siendo
un desafío porque el rendimiento de agua es la convolución de los dos factores, lo
que genera retroalimentaciones positivas, negativas e incluso neutrales [21]. Hasta
ahora, la respuesta a este problema es específica de cada caso [22-25], pero
algunos estudios han propuesto generalizaciones [21,26]. La búsqueda de la
literatura revisada por pares disponible sobre este tema para las cuencas
hidrográficas de los Andes colombianos fue infructuosa. Sin embargo, hay algunos
estudios que tratan temas relacionados como el papel del uso de la tierra y los
suelos en la regulación del flujo [27], los procesos hidrológicos particulares de los
trópicos húmedos [28] o la relación entre la percepción de escasez de agua y el
clima observado. , uso de la tierra y cambios demográficos [29].
Para el caso de cuencas hidrográficas estratégicas (abastecimiento de agua
urbana o cuencas hidrográficas agrícolas), independientemente del tamaño, es
fundamental contar no solo con un modelo calibrado que simule, en algún nivel, la
dinámica del ciclo hidrológico dentro de la cuenca, sino también para evaluar
escenarios que pueden apoyar el proceso de toma de decisiones. Esto es
especialmente cierto cuando los administradores necesitan decidir sobre la
compra de tierras y las prácticas de conservación orientadas a maximizar el
rendimiento del agua. El modelo de la herramienta de evaluación de suelos y
aguas (SWAT) se ha convertido en un modelo bien conocido y utilizado a nivel
mundial para estudiar los procesos hidrológicos dentro de las cuencas
hidrográficas y evaluar su disponibilidad y calidad de agua en las condiciones
presentes y futuras [30–33]. Muchos estudios SWAT se dedican a analizar una
respuesta hidrológica en estas condiciones cambiantes [4,34-37]; sin embargo, la
mayoría de ellos se han llevado a cabo en regiones distintas de la América del Sur
tropical (Brasil es una excepción [38]). En Colombia, existe una base de
conocimientos desarrollada por el CIAT (Centro Internacional de Agricultura
Tropical) que se ha distribuido principalmente a través de presentaciones e
informes orales [39]. También está el trabajo desarrollado en los niveles de
pregrado y posgrado que ha dado como resultado manuscritos académicos que no
han pasado por el proceso formal de publicación de revisión por pares (ver, por
ejemplo, [40]). Recientemente, Hoyos et al. [41] trabajó en la evaluación de los
efectos de la duración de la sequía y la cobertura del suelo en la recuperación del
caudal de una cuenca del Caribe colombiano. Se necesita una investigación más
formal para poder derivar conclusiones generales sobre el impacto potencial del
clima y los cambios en el uso de la tierra en esta región de América del Sur.
SWAT ha ganado reconocimiento mundial porque se puede utilizar para evaluar el
rendimiento de agua y sedimentos, y algunos parámetros de calidad del agua, en
las condiciones actuales, en los escenarios de gestión o en las condiciones
climáticas futuras, con resoluciones espaciales y temporales que dependen de la
disponibilidad de datos y los propósitos. de los estudios particulares. La
disponibilidad de información requerida como insumos para el modelo (es decir,
series de clima a largo plazo, mapas actualizados de uso de la tierra / cobertura
terrestre, datos detallados de suelos, datos de sedimentos y nutrientes, etc.)
determina no solo la calidad de los resultados sino también las regiones donde
más se ha utilizado (en orden: América del Norte y Europa, Asia y África, América
Latina (excepto Brasil)). Existen varios desafíos para Colombia (y posiblemente
para muchos de los países latinoamericanos) en este aspecto debido a la
desconexión institucional que dificulta la búsqueda, el acceso y el uso del tipo de
datos necesarios para ejecutar un modelo SWAT típico.

Presentamos aquí el trabajo desarrollado para la cuenca del Tona, principal fuente
de agua para un área metropolitana de tamaño mediano en Colombia (América del
Sur). Nuestra hipótesis era que no solo el clima sino también los cambios en el
uso de la tierra determinan el rendimiento de agua dentro de esta región andina
tropical. Trabajamos junto con agencias locales de gestión ambiental y del agua
para establecer un modelo SWAT para esta cuenca. Esto nos permitió obtener
estimaciones anuales y mensuales del rendimiento hídrico, a escala de cuenca y
subcuenca, para seis escenarios que incorporaron dos climas futuros y tres tipos
de LULC. Nuestra metodología describe el sitio de estudio, un proceso detallado
de la configuración del modelo (incluida la preparación de datos y la calibración y
validación del modelo) y la definición de los escenarios futuros. Dentro de los
resultados presentamos las estimaciones de rendimiento hídrico para el modelo
calibrado (LULC actual y clima histórico) y para los seis escenarios futuros
diferentes. Nuestros puntos de discusión se centran en (1) la validez y eficiencia
de nuestro modelo calibrado, (2) el papel de los patrones de precipitación, la
topografía y LULC en la distribución espacial del rendimiento de agua para el
modelo calibrado y (3) aspectos clave para la cuenca hidrográfica. gestión
derivada de los escenarios futuros modelados.

2. MATERIALES Y MÉTODOS
2.1. Sitio de Estudio
La cuenca del Tona se ubica en el lado noreste de Colombia con sus cabeceras
ubicadas dentro de los límites occidentales del ecosistema de páramo
Berlín-Santurbán, alcanzando elevaciones de hasta 3850m.asl.A pesar de su
pequeño tamaño (192.5 km. 2), esta cuenca juega un papel importante en la
provisión de agua para el área metropolitana de Bucaramanga (1,142,000
habitantes), aportando actualmente aproximadamente el 55% del recurso que
maneja la principal empresa de agua, el Acueducto Metropolitano de
Bucaramanga, AMB (Acueducto Metropolitano de Bucaramanga) , con un servicio
ampliado esperado para fines de 2019 luego de la construcción del Embalse de
Bucaramanga e infraestructura de conducción asociada (regulación de 1200 lps
adicionales). La cuenca tiene tres drenajes principales (Arnania, Carrizal y
Golondrinas), que forman el río Tona en la parte baja de la cuenca (ver Figura 1).
El plan de manejo ambiental y territorial de la cuenca (llamado de aquí en adelante
“POAT” por las iniciales del documento en español), formulado en 2012 [42],
brinda información de referencia para esta área de estudio. La cuenca tiene una
elevación media de 2270 my un relieve accidentado con una pendiente promedio
de 55,7%. Los principales rasgos geológicos de esta cuenca son los cerros de
composición metamórfica e ígnea y un sistema de fallas en dirección norte-sur,
ubicadas en el extremo occidental. La cuenca tiene un régimen de precipitación
bimodal con períodos húmedos que ocurren en marzo-mayo y
septiembre-noviembre (valores mensuales promedio que oscilan entre 130 y 300
mm). Las condiciones más secas ocurren durante el período de diciembre a
febrero (valores mensuales promedio que oscilan entre 30 y 100 mm).
Anualmente, la precipitación promedio para la cuenca es de 1400 mm pero hay un
patrón espacial distintivo: la precipitación más alta ocurre en las áreas norte y
centro-sur (1900-2000 mm), la precipitación más baja ocurre en el lado este de la
cuenca (900 mm ), correspondiente al área de mayores elevaciones y ecosistema
de páramo, y los valores medios de precipitación ocurren en el lado occidental de
la cuenca (1300 mm) (ver Figura S1). Las variaciones estacionales de temperatura
para esta cuenca tropical no son tan notables como las variaciones espaciales
debido a su topografía (las elevaciones van desde los 800 msnm en el lado
occidental de la cuenca hasta los 3850 msnm). la precipitación más baja ocurre en
el lado este de la cuenca (900 mm), correspondiente al área de mayores
elevaciones y ecosistema de páramo, y los valores de precipitación del rango
medio ocurren en el lado occidental de la cuenca (1300 mm) (ver Figura S1 ). Las
variaciones estacionales de temperatura para esta cuenca tropical no son tan
notables como las variaciones espaciales debido a su topografía (las elevaciones
van desde los 800 msnm en el lado occidental de la cuenca hasta los 3850 msnm
en el lado este, ver Figura S2). Según las elevaciones, la variación espacial de la
temperatura media anual varía de 23 ° C en el lado occidental a 8 ° C en el lado
este de la cuenca. Finalmente, la evapotranspiración potencial promedio anual
(PET) calculada a través de diferentes métodos en el POAT tiene una distribución
espacial que va desde 1300 mm en el lado occidental de la cuenca hasta 840 mm
en el lado este.
 Figura 1. Ubicación geográfica de la cuenca del Tona. Los paneles de la derecha muestran
en rojo la ubicación de la cuenca hidrográfica dentro del País y el Estado. El área de la
izquierda muestra la ubicación de la cuenca, los principales afluentes del río Tona y la
ubicación del nuevo embalse, en las elevaciones más bajas de la cuenca. Los textos indican
la ubicación de dos de las ciudades que se benefician del agua del río Tona (Bucaramanga y
Floridablanca). Los números y los diferentes colores representan una división de subcuenca
para el área de estudio. El sistema de coordenadas corresponde a la proyección local del
sitio (MAGNA Colombia Bogotá — EPSG: 3116).

2.2. Datos para el modelo SWAT de la cuenca del Tona

La información requerida para alimentar y ejecutar el modelo SWAT para la
cuenca del Tona resultó de la integración de diferentes fuentes. Las partes
interesadas locales proporcionaron información específica del sitio, como el POAT
y las series de tiempo hidroclimáticas para las estaciones ubicadas dentro de la
cuenca. Una institución ambiental nacional proporcionó registros climáticos
históricos adicionales para las estaciones ubicadas dentro del área de influencia
de la cuenca del Tona. Finalmente, usamos series de tiempo de modelos
climáticos reducidos de NASA para ejecutar los escenarios futuros. La agencia
ambiental local, CDMB (Corporación Autónoma Regional para la Defensa de la
Meseta de Bucaramanga), proporcionó archivos electrónicos (mapas e
información de apoyo) del estudio POAT, que incluye datos espaciales clave:
topografía, hidrografía, LULC y suelos. El desarrollo de estos mapas siguió
metodologías establecidas y utilizó información primaria y secundaria [42].
Producimos archivos raster (modelo de elevación digital — DEM, LULC, suelos) a
partir de los mapas originales (escala 1: 25000) usando herramientas ArcGIS y
siguiendo las pautas de Tobler (1987) [43], que recomienda a los usuarios “dividir
el denominador de la escala del mapa en 1000 para obtener el tamaño detectable
en metros. La resolución es la mitad de esta cantidad ". El tamaño de píxel de
nuestros mapas ráster es de 12,5 m por 12,5 m (consulte las Figuras S2-S4). que
recomienda a los usuarios “dividir el denominador de la escala del mapa por 1000
para obtener el tamaño detectable en metros. La resolución es la mitad de esta
cantidad ". El tamaño de píxel de nuestros mapas ráster es de 12,5 m por 12,5 m
(consulte las Figuras S2-S4). que recomienda a los usuarios “dividir el
denominador de la escala del mapa por 1000 para obtener el tamaño detectable
en metros. La resolución es la mitad de esta cantidad ". El tamaño de píxel de
nuestros mapas ráster es de 12,5 m por 12,5 m (consulte las Figuras S2-S4).
El mapa ráster de suelos para la cuenca del Tona (y propiedades asociadas)
resultó de una combinación de la información proporcionada por el POAT, con
información para el área de la base de datos de suelos ISRICWISE [44] y
parámetros calculados usando el SPAW (Soil-Plant-Atmosphere -Software Water
Field and Pond Hydrology [45]. El documento POAT proporcionó una clasificación
de suelos por subcuenca (divisiones que se muestran en la Figura 1),
asignándoles a cada uno de ellos de 3 a 4 horizontes de suelo con sus
profundidades correspondientes (mm), texturas y distribución del tamaño de grano
(%). Esta información, aunque útil, no fue suficiente para cumplir con los requisitos
de la base de datos SWAT. Incorporamos propiedades adicionales necesarias
basadas en la base de datos de suelos ISRIC-WISE (unidad de suelo CO56) y
valores calculados de densidad aparente húmeda (Mg m −3 o g cm −3),
Capacidad de agua disponible de la capa de suelo (mmH 2 Omm suelo −1), y
conductividad hidráulica saturada (mm h −1) con SPAW. Este esfuerzo resultó en
la adición de 14 nuevas categorías a la base de datos de suelos SWAT
correspondientes a cada una de las 14 subcuencas dentro del sitio de estudio (ver
Figura S3 y Tabla S1).
El mapa ráster LULC derivó de una adaptación del mapa de uso de la tierra del
POAT a los tipos de cultivos disponibles en la base de datos de cultivos SWAT y
en estudios previos [46,47]. La cuenca del Tona tiene varios tipos de LULC
categorizados, en general, de la siguiente manera: tierras agrícolas y de pastoreo
(49,9%), bosque (33,4% bosque natural y 5,1% bosque de plantación de
protección), formas especiales de vegetación (11,4%), y solo el 0,2% del suelo
urbano. El 5,1% de bosque de plantación de protección corresponde a tierras
compradas por la empresa de agua (AMB) en un esfuerzo por conservar y
proteger la cuenca. Este valor ha aumentado en los últimos años y AMB planea
seguir comprando y / o trabajando con los lugareños para promover prácticas de
conservación en la cuenca. Agregamos una nueva categoría a la base de datos de
cultivos SWAT para incluir la categoría de vegetación de páramo tropical ("FESP"),
siguiendo las recomendaciones recibidas del personal del CIAT [48]. La Tabla 1 y
la Figura S4 presentan el LULC para la cuenca del Tona con sus códigos SWAT
correspondientes.

1 Basado en cultivo predominante según el POAT y estudios previos [46,47].

Los datos hidroclimáticos requeridos para la descripción del sitio, el montaje del
modelo, la calibración y la validación se originaron a solicitud de tres agencias: el
Instituto Colombiano de Hidrología, Meteorología y Estudios Ambientales (IDEAM)
[49], CDMB [50] y AMB [51] (ver Figura 2 y Tabla S2).
El análisis de la información y la discusión con el personal de la agencia nos
permitió identificar la ventana de tiempo (años 1987-2002) y las estaciones para
las cuales la información estaba completa y en las mejores condiciones de calidad
posibles. Utilizamos datos de temperatura diaria máxima y mínima de las
estaciones Berlín y UIS; precipitación diaria de las estaciones Berlín, UIS,
Tona-Pueblo, Galvicia y Brasil; y caudal medio diario desde la estación Puente
Tona. No pudimos usar datos para las estaciones hidrométricas de Arnania,
Carrizal y Golondrinas porque recién después de 2011 AMB comenzó a usar
estrategias de monitoreo técnicamente adecuadas en estas estaciones aguas
arriba. Para poder utilizar los datos de la estación Puente Tona en el proceso de
calibración, agregamos una cantidad de 1.26 m 3 s −1 a los valores reportados, lo
que equivale al promedio de las extracciones totales de agua para el período
2003-2016.

Figura 2. Ubicación de estaciones hidrométricas y climatológicas en el área

de influencia de la cuenca del Tona. Los círculos negros representan la
ubicación de las estaciones climatológicas y los triángulos azules
representan la ubicación de las estaciones hidrométricas. La Tabla S3
muestra detalles sobre la agencia que proporciona la información, la
ubicación geográfica de las estaciones, el tipo de información y el período
de los datos disponibles.
Para ejecutar los escenarios climáticos futuros, utilizamos entradas diarias de
precipitación y temperatura (máxima y mínima) obtenidas de proyecciones
reducidas para vías de
concentración representativas (RCP) 4.5 y 8.5 del modelo MIROC5, que ha sido
previamente identificado como un modelo válido para Colombia. [52,53]. El trabajo
de Gómez y Rodríguez [54] revisó el desempeño tanto para la precipitación como
para la temperatura de 36 modelos dentro de los Informes de Evaluación 4 y 5
(AR4 y AR5) para el país, encontrando que cuatro modelos de AR4 (ECHAM5,
HADCM3, ECHO- G, CGCM2.3.2) y tres modelos de AR5 (HadGEM2-ES,
MIROC5, MPI-ESM-LR) reportaron resultados satisfactorios tanto para la
precipitación como para la temperatura. Ser consistente con la resolución temporal
de las entradas del modelo del proceso de calibración y, Con el objetivo de utilizar
modelos distribuidos dentro de la Fase 5 del Proyecto de Intercomparación de
Modelos Acoplados (CMIP5), buscamos fuentes de datos climáticos reducidos
para los modelos mencionados anteriormente. NASA Earth Exchange Global Daily
Downscaled Projections (NEXGDDP) [55] ofrece escenarios diarios con corrección
de sesgo de 21 modelos para RCP 4.5 y 8.5, con una resolución de 0.25 grados
(25 × 25 km), con una serie de tiempo de temperatura máxima y mínima. y
precipitación para 1950-2005 para la ejecución retrospectiva y 2006-2099 para la
ejecución prospectiva. Los modelos disponibles dentro de esta plataforma para
nuestras necesidades específicas son MIROC5 y MPI-ESM-LR. los NASA Earth
Exchange Global Daily Downscaled Projections (NEXGDDP) [55] ofrece
escenarios diarios con corrección de sesgo de 21 modelos para RCP 4.5 y 8.5,
con una resolución de 0.25 grados (25 × 25 km), con una serie de tiempo de
temperatura máxima y mínima. y precipitación para 1950-2005 para la ejecución
retrospectiva y 2006-2099 para la ejecución prospectiva. Los modelos disponibles
dentro de esta plataforma para nuestras necesidades específicas son MIROC5 y
MPI-ESM-LR. los NASA Earth Exchange Global Daily Downscaled Projections
(NEXGDDP) [55] ofrece escenarios diarios con corrección de sesgo de 21
modelos para RCP 4.5 y 8.5, con una resolución de 0.25 grados (25 × 25 km), con
una serie de tiempo de temperatura máxima y mínima. y precipitación para
1950-2005 para la ejecución retrospectiva y 2006-2099 para la ejecución
prospectiva. Los modelos disponibles dentro de esta plataforma para nuestras
necesidades específicas son MIROC5 y MPI-ESM-LR.

La comparación entre las series de tiempo de las corridas retrospectivas de cada

uno de los dos modelos climáticos (MIROC5 y MPI-ESM-LR) y los datos climáticos
observados para el período 1987-2002, dio como resultado que MIROC5 tuviera
menos error estadístico (mediante el cálculo de sesgo, índice de concordancia,
raíz del error cuadrático medio, correlación de Pearson) al utilizar valores
mensuales de los parámetros de interés (precipitación, temperatura máxima y
mínima) para la evaluación [54]. La Figura S5 muestra la ubicación de la cuenca
del Tona con respecto al centro de píxeles del ráster del proyecto NEX-GDDP.

2.3. Configuración del modelo SWAT para la cuenca del Tona

Usamos herramientas GIS para preparar toda la información espacial y
reconfiguramos la información de series de tiempo para obtener archivos listos
para SWAT. Era importante preparar cada archivo en el formato requerido y, para
los datos espaciales, asegurarse de usar la misma referencia espacial
(MAGNAColombia Bogotá) así como el mismo tamaño de píxel para el caso de los
archivos raster (12.5 × 12.5 m) . Todos los archivos de entrada están disponibles
en el repositorio de Figshare “Modelado SWAT para la cuenca del Tona” [56]. La
Tabla 2 muestra la descripción general de las diferentes entradas para el modelo.
Los nombres de archivo que se muestran en la tabla corresponden a los archivos
almacenados en el repositorio de Figshare.

Tabla 2. Insumos para el modelo de la herramienta de evaluación de suelos y

aguas (SWAT) de la cuenca del Tona.
Usamos la interfaz ArcSWAT [57] para la configuración del modelo. Siguiendo el
procedimiento recomendado, generamos 14 subcuencas con 183 unidades de
respuesta hidrológica (después del refinamiento de HRU). Agregamos bandas de
elevación a las subcuencas que tienen elevaciones superiores a 1000 msnm.
Utilizamos datos de precipitación y temperatura diarios observados e instalamos
una base de datos meteorológica mundial para ayudar a generar series de tiempo
de humedad relativa, radiación solar y velocidad del viento. Generamos todas las
tablas del modelo y editamos algunas de ellas en un intento de obtener mejores
entradas del modelo antes de ejecutarlo por primera vez: (1) Cambio del método
de evapotranspiración potencial (PET) a Hargreaves. Este cambio resultó en una
PET global similar a los valores reportados por el Atlas Climatológico Colombiano
[58] (valores promedio anuales entre 1000 y 1400 mm año −1), cálculos directos
realizados en el POAT mediante el uso de diferentes métodos, y valores medios
anuales comunicados por los productos MODIS [59]. (2) Modificación de los
parámetros de caudal base (ALPHA_BF y ALPHA_BF_D) a nivel de subcuenca en
base a los datos de descarga disponibles y el uso de un filtro de caudal base. Este
filtro fue desarrollado por Arnold et al. [60] y disponible a través del sitio web de
SWAT. (3) Cambio global del factor TLAPS a un valor de –6 ° C / km. Este cambio
implica una disminución de la temperatura al aumentar la elevación para las
subcuencas con bandas de elevación.

La primera ejecución del modelo requirió una definición de períodos para la

calibración y validación del modelo. Con base en la disponibilidad de datos,
definimos estos períodos como se muestra en la Tabla 3. Decidimos obtener los
resultados del modelo en un intervalo mensual basado en la tesis de que puede
haber una gran incertidumbre en los datos de descarga diaria promedio, que se
recopilaron solo dos veces al año. día por personas locales capacitadas.

Tabla 3. Ventanas de tiempo para la calibración y validación del modelo.

Para cualquier ventana de tiempo, y en una escala espacial dada (HRU,

subcuenca o cuenca), SWAT calcula el rendimiento de agua (WYLD), la cantidad
neta de agua que sale de la unidad espacial y contribuye al flujo de la corriente en
un tramo, como la diferencia entre el Flujo Total generado y las Pérdidas y
Abstracciones que ocurren:
dónde Qsurf es la cantidad de escorrentía superficial (mm), Qlat es la cantidad de
flujo lateral, y Qgw es la cantidad de flujo de retorno del agua subterránea (mm),
tloss se refiere a las pérdidas del canal por transmisión al costado y al fondo (mm),
y las abstracciones de estanques (pond abstractions) se refieren a cualquier agua
que se pierde en embalses naturales o artificiales (mm).

2.4. Calibración y validación de modelos

Realizamos una estrategia combinada para el proceso de calibración. Primero,

intentamos ejecutar una calibración automática global usando la herramienta
SWAT-CUP [61] y finalizamos con la calibración manual usando el Asistente de
calibración manual de ArcSWAT. Para todo el proceso, comparamos los resultados
mensuales del modelo con los datos de descarga mensual promedio en la
estación Puente Tona, que se encuentra en el punto de cierre de la cuenca (ver
Figura 2). La calibración automática requirió la identificación de una serie de
parámetros clave para calibrar y su rango de valores sugerido. A través del
proceso de revisión de la
literatura, identificamos 23 parámetros que podrían ser importantes para nuestro
sitio de estudio (ver Tabla S3). Ejecutamos muchas iteraciones (cada una con 500
a 1000 simulaciones) tratando de reducir los parámetros sensibles del modelo y
los rangos de valores adecuados para cada una de ellas Para verificar la evolución
del proceso de calibración, monitoreamos dos indicadores SWAT-CUP (factor r y
factor p) y tres funciones objetivas (Nash-Sutcliffe (NSE), PBIAS y R2)

Los indicadores de factor r y factor p están relacionados con la incertidumbre de

predicción del 95% (95PPU), una banda de probabilidad que representa la familia
de resultados del modelo después de ejecutar una gran cantidad de simulaciones
(500-1000) para una iteración determinada con SWAT- TAZA. Idealmente, el factor
p, el porcentaje de datos de descarga observada que cae dentro de la banda de
95PPU, debería estar cerca de 1; el factor r, que representa el grosor de la banda
de 95PPU, debe ser un número pequeño, cercano o menor a 1. Siguiendo las
recomendaciones de Moriasi et al. [62], nuestro objetivo era obtener una NSE
superior a 0,5, una PBIAS entre el rango ± 25 y una R 2 tendiendo a 1. Luego de
muchas iteraciones con resultados aún insatisfactorios para los indicadores,
pasamos a una calibración manual, en base a los avances alcanzados con el
proceso de calibración automática. Uno por uno, cambiamos los valores de los
parámetros e intentamos pasar de cambios globales a cambios en las
subcuencas. Observamos cómo esos cambios resultaron en una mejora en NSE,
PBIAS y R 2 Estadísticas. El modelo actualizado con estos valores finales se
utilizó para el proceso de validación para el período 1998-2002.

2.5. Escenarios futuros

Usamos el modelo calibrado para obtener estimaciones del rendimiento de agua

para las condiciones históricas y un conjunto de escenarios que combinaban
cambios futuros de clima y uso de la tierra. El clima futuro fue simulado por la serie
de tiempo diario de precipitación y temperatura (máxima y mínima) del modelo
MIROC5 para RCP 4.5 y 8.5, para el período 2006-2050. Para el uso del suelo,
nos enfocamos en la simulación de escenarios desde la perspectiva del
administrador del agua, lo que implica que existe una tendencia a la conservación
en esta cuenca estratégica. Propusimos que los administradores de cuencas
hidrográficas podrían tener tres escenarios diferentes. Escenario A: LULC como
condiciones actuales. Escenario B: un camino menos estricto hacia la
conservación, con una propuesta LULC que equilibra la conservación y la
producción. En este escenario, los cultivos transitorios cambian a cultivos
permanentes (BANA a COFF), pastos naturales y cultivados cambian a formas
naturales de vegetación y bosque plantado (PAST, SPAS a MESQ, PINE), tierras
mixtas cambian a cultivos permanentes, silvopastoriles y formas naturales de
vegetación (RYEG, SWRN a COFF, RNGB,
MESQ), y Las prácticas silvopastoriles actuales cambian a formas naturales de
vegetación (RNGB a MESQ) (véanse las columnas 1-3 de la Tabla 4). Escenario
C: un camino más estricto hacia la conservación / protección que cambia la mayor
parte del LULC actual a bosque (BANA, PAST, RNGB, RYEG, SPAS, SWRN a
FRST) y permite, en algunas áreas, la transición de cultivos mixtos a prácticas
silvopastoriles. y formas naturales de vegetación (RYEG a RNGB, MESQ) (véanse
las columnas 4-6 de la Tabla 4). Las columnas “Subcuencas” en la Tabla 4 indican
las áreas donde ocurrieron cambios para cada uno de los dos escenarios. La
herramienta “Land Use Update” de ArcSWAT nos permitió aplicar los cambios de
LULC para los escenarios B y C. Las tablas S4, S5 y S6 brindan más claridad
sobre la extensión de estos cambios al mostrar las áreas (ha) y el porcentaje
correspondiente del área total de la cuenca, para cada uno de los escenarios
LULC. La Figura S6 proporciona una comparación visual de los tres escenarios
LULC.

Tabla 4. Cambios en el uso del suelo / cobertura del suelo (LULC) para los
escenarios futuros B y C

La Tabla 1 muestra las definiciones de los códigos LULC para la cuenca del Tona.
Para probar nuestra hipótesis de que tanto el clima como el uso de la tierra tienen
un impacto en el rendimiento de agua de la cuenca, ejecutamos nuestro modelo
bajo seis escenarios futuros diferentes que combinaban un clima y un LULC. El
período de simulación efectivo para los escenarios futuros fue de 2010 a 2050 y
los resultados de las ejecuciones del modelo tuvieron un intervalo mensual (ver
Tabla 5).
 Tabla 5. Descripción de los escenarios futuros.

3.RESULTADOS

El modelo inicial ejecutado en ArcSWAT para el período histórico (1987-2002)

produjo estadísticas muy deficientes (NSE = −1,96, PBIAS = −2,54 y R 2 = 0,09) al
comparar los resultados mensuales del modelo y la descarga mensual media (m 3
s- 1) en la estación Puente Tona. La calibración automática, usando SWATCUP,
los mejoró pero no a un nivel satisfactorio (NSE = 0.31, PBIAS = 0.4, y R 2 = 0,32;
factor p = 0,5 y factor r = 0,58); La Figura S7 muestra los resultados de la última
iteración ejecutada. La principal ventaja del proceso de calibración automática fue
que simultáneamente ayudó a estrechar las ventanas para todos los rangos de
parámetros (ver Figura S7c). Estos nuevos rangos fueron el punto de partida al
pasar a un proceso de calibración manual que mejoró las estadísticas a valores
aceptables (NSE = 0.48, PBIAS = 0.18 y R 2 = 0,48); La Tabla S7 muestra los
multiplicadores de parámetros utilizados para la calibración manual dentro de
ArcSWAT. La Figura 3 muestra la comparación entre descarga observada y
modelada en la estación Puente Tona. Si bien el modelo calibrado puede simular
la tendencia general de los caudales observados, aún existen importantes
diferencias entre las dos líneas, especialmente para la simulación de grandes
caudales. Esto debe abordarse en estudios futuros. Además, las métricas de error
para el período de validación no fueron satisfactorias (NSE = −1.23, PBIAS =
32.87 y R 2 = 0,07). Presentamos nuestro razonamiento para estos malos
resultados dentro de la sección de discusión.
 Figura 3. Datos de descarga mensual observados (azul) vs. modelados
(rojo) en la estación Puente Tona para el modelo calibrado.

El modelo calibrado proporciona estimaciones del rendimiento hídrico anual

promedio para el período histórico. A escala de cuencas hidrográficas, el
rendimiento medio anual de agua es de 495,5 mm año−1 con aportes de 10,9 mm
año−1 de escorrentía superficial, 156,0 mm año−1 de flujo lateral, y 328,6 mm año−1
de las contribuciones de las aguas subterráneas (acuíferos superficiales y
profundos). En este caso, no se contabilizan pérdidas de transmisión ni
extracciones de estanques. La contribución significativa del agua subterránea es
consistente con el análisis de flujo base donde las contribuciones del agua
subterránea promediaron el 69%. A nivel de HRU (ver Figura 4), la distribución
espacial del rendimiento de agua muestra que las HRU dentro de las subcuencas
12 y 14 (área de drenaje de Golondrinas) tienen los valores promedio anuales más
altos (mayores de 66 mm año−1), seguidos por los ubicados en la subcuenca 5
(área de drenaje de Arnania) con valores en el año 33-66 mm año−1 abarcar. El
resto de las HRU (áreas de drenaje de Carrizal y bajo Tona) tienen el rendimiento
hídrico anual promedio más bajo (menos de aproximadamente 33 mm año−1).
Figura 4. Rendimiento de agua promedio anual en la cuenca de Tona (mm año−1)
por la unidad de respuesta hidrológica (HRU).

3.2. Rendimiento de agua para escenarios futuros

Para evaluar las estimaciones del rendimiento de agua para los escenarios
futuros, primero nos enfocamos en los resultados globales (escala de la cuenca) y
luego miramos los valores distribuidos espacialmente a nivel de la subcuenca. En
términos de precipitación, los registros históricos muestran una precipitación anual
promedio para la cuenca de 1148.8 mm, mientras que un clima futuro de RCP 4.5
presenta una precipitación anual promedio de 1334.8 mm y RCP 8.5 reporta una
precipitación
anual promedio de 1400.0 mm; un aumento de 16,2% y 21,9% con respecto a los
registros históricos, respectivamente. El aumento de la precipitación para los
escenarios futuros da como resultado consistentemente aumentos en el
rendimiento anual promedio de agua (ver Tabla 6). Además, al observar el efecto
de los cambios en el uso de la tierra, el Escenario LULC B ({3} y {4}) resulta en
mayores estimaciones de rendimiento de agua en comparación con el Escenario
LULC C ({5} y {6}). Si se considera el Escenario A de LULC como condiciones de
referencia, hay un aumento promedio del 5,8% para el Escenario B de LULC con
respecto al Escenario de LULC A, mientras solo un aumento promedio del 2.9%
para el escenario LULC C.

Tabla 6. Rendimiento de agua promedio anual (WYLD) y estimaciones de ET real

a escala de cuenca para escenarios futuros.

P se refiere a la precipitación anual promedio para el escenario climático

correspondiente; los números entre llaves se refieren al ID del futuro escenario
combinado; ET real se refiere a la evapotranspiración real obtenida para cada
ejecución del modelo; los porcentajes entre paréntesis muestran el aumento del
rendimiento de agua o ET real para los Escenarios {3} y {5} con respecto al
Escenario {1}, y los Escenarios {4} y {6} con respecto al Escenario {2}.

El rendimiento de agua promedio anual por subcuenca muestra cambios en la

distribución espacial para los diferentes escenarios modelados. El efecto del
nuevo clima es evidente cuando se observan los paneles (a) y (b) de las Figuras 5
(clima RCP 4.5) y 6 (clima RCP 8.5). Para estas dos figuras, los paneles (a)
corresponden a la distribución del rendimiento de agua por subcuenca para el
modelo calibrado para el clima histórico observado, mientras que los paneles (b)
corresponden al rendimiento de agua espacial para el uso actual de la tierra pero
para un clima futuro (Escenarios {1 } o {2}). No discutimos aquí acerca de los
cambios entre los Paneles (a) y (b) de estas dos figuras porque dependen de dos
fuentes diferentes de clima (registros climáticos históricos para el Panel (a) y
modelo climático reducido para el Panel (b)). En cambio, nos centramos en los
cambios que ocurren entre los Paneles (b), (c) y (d). El panel (c) muestra el
rendimiento de agua para los escenarios {3} y {4}, y el panel (d) muestra el
rendimiento de agua para los escenarios {5} y {6}.
 Figura 5. Rendimiento medio anual de agua por subcuenca bajo el futuro
clima RCP 4.5: (a) Rendimiento de agua para el modelo calibrado, (b)
rendimiento de agua para el Escenario {1}, (c) Rendimiento de agua para el
Escenario {3} y (d) Rendimiento de agua para el Escenario {5}.

Clima futuro RCP 4.5 genera un rango de rendimiento anual de agua por
subcuenca entre 170 y 900 mm año−1 ( ver Figura 5), mientras que el rango para el
clima futuro RCP 8.5 está entre 185 y 935 mm año−1 ( ver Figura 6). Al observar
los efectos del cambio LULC para un clima dado con respecto a las condiciones
de la línea de base, algunas subcuencas no muestran cambios muy pequeños (de
las subcuencas 3 a la 11, 13 y 14). Los mayores cambios (más del 10% con
respecto a las condiciones de la línea de base) ocurren en las cabeceras de las
áreas de drenaje de Carrizal y Golondrinas (subcuencas 1, 2 y 12). Los valores
reales de producción de agua por subcuenca para cada uno de los escenarios
futuros se encuentran en la Tabla S8.
 Figura 6. Rendimiento medio anual de agua por subcuenca según el clima
futuro RCP 8.5: (a) Rendimiento de agua para el modelo calibrado, (b)
Rendimiento de agua para el Escenario {2}, (c) Rendimiento de agua para
el Escenario {4} y (d) rendimiento de agua para el Escenario {6}.

4.DISCUSION

El trabajo de calibración del modelo SWAT nos permitió simular la descarga

observada en el punto de cierre de la cuenca del Tona a un nivel aceptable. Las
métricas de error para el proceso de calibración estaban en la categoría
"satisfactoria" según Moriasi et al. (2007) [62] y una prueba T entre los flujos
observados y calibrados (1990-1997) confirmó que no hay diferencias
significativas entre las medias de estos dos conjuntos de datos ( t = 0.036, df =
157, P = 0,971). Los resultados "insatisfactorios" del período de validación
(1999–2002) fueron confirmados por la prueba T ( t = 4.833, df = 89, P = 5,58 × 10
−6) entre los flujos observados y modelados. Debido a que el modelo en su
versión actual es débil para simular grandes flujos, atribuimos las métricas de error
muy deficientes del período de validación a la coincidencia entre un período corto
para esta fase de modelado (1999-2002) y la ocurrencia de un evento de La Niña
que comenzó en el trimestre de junio a agosto de 1998 y terminó en el trimestre de
enero a marzo de 2001 [63]. Para el nivel de calificación de desempeño de nuestro
modelo, tener un período más largo para la validación habría promediado esta
condición de grandes flujos y potencialmente resultaría en mejores métricas de
error para la fase de validación. La incertidumbre de las estimaciones de descarga
en nuestro estudio se relaciona con el esfuerzo de modelado de Siqueira et al.
(2018) [64], que, para América del Sur continental, utilizando datos de estaciones
de aforo y una estrategia de calibración de “regiones de conjuntos de parámetros”,
tuvo ajustes satisfactorios (NSE> 0.6) entre los valores modelados y observados
para el 55% de las estaciones de aforo evaluadas. Algunos de los ajustes más
bajos se ubicaron en regiones fuertemente influenciadas por la orografía. Para el
caso de los Andes colombianos, los ajustes fueron muy variables, con solo el 45%
de las estaciones con buenas calificaciones de desempeño (NSE> 0,6).

Aumentar la eficiencia del modelo requerirá más trabajo en muchos aspectos,

como mejorar la calidad de las entradas del modelo, obtener mejores parámetros
del sitio para incluirlos dentro del modelo y usar datos de descarga mejor
observados y una serie de tiempo más larga para los procesos de calibración y
validación. Anticipamos que los esfuerzos de modelado realizados en otros países
de América Central y del Sur podrían enfrentar desafíos similares. Vemos que la
falta de integración entre agencias y la ausencia de políticas estandarizadas para
la recolección y procesamiento de datos, a nivel nacional, tienen una influencia
directa en la calidad y continuidad de la información clave sobre el clima y el
caudal de los ríos. En nuestro caso, estos problemas redujeron nuestra ventana
de tiempo para el modelado de cuencas hidrográficas y redujeron la cantidad de
estaciones que podíamos usar (hidrométricas y pluviométricas). También es
indispensable que las agencias locales comprendan el valor de la información que
recopilan, la importancia de ponerla a disposición y la potencialidad de esa
información para producir nuevos conocimientos y facilitar los procesos de toma
de decisiones.

La distribución espacial del rendimiento de agua en la cuenca del Tona para las
condiciones históricas (ver Figura 4) sigue el patrón de precipitación anual
promedio definido por las líneas isoyetas (ver Figura S1). El uso de la estación de
precipitación Martin Gil probablemente habría aumentado el rendimiento de agua
para las HRU en el área de drenaje de Arnania (los datos de precipitación para
esta estación no estaban disponibles para nuestro período de estudio). Dadas las
condiciones de precipitación definidas por las series de tiempo disponibles para el
período de estudio, vemos que LULC jugó un papel importante en el rendimiento
de agua. Por ejemplo, las HRU con pastos naturales y cultivados (PAST y SPAS)
ubicadas en las subcuencas de alta elevación (1, 2, 5 y 14) tuvieron bajo
rendimiento hídrico con respecto a otros usos en estas subcuencas. Los pastos
boscosos (RNGB) tuvieron un efecto mixto: Rendimiento de agua relativamente
mayor para las HRU dentro de la subcuenca 5 y menor para las HRU dentro de las
subcuencas 1 y 12. Los rangos de rendimiento de agua para el bosque plantado
(PINE) fueron similares a los del bosque (FRST) y la maleza (MESQ) en las
cabeceras del drenaje de Arnania. área (subcuenca 5), similar al MESQ para las
subcuencas 1 y 2 y, en otras áreas de la cuenca, el rendimiento de agua para
PINE resultó en un rendimiento de agua relativamente menor (en comparación con
el rendimiento de agua de otros LULC dentro de cada subcuenca). El papel de
LULC en el rendimiento de agua fue más difícil de identificar en las áreas de
menor elevación de la cuenca. Es fundamental
continuar trabajando en la comprensión de las dependencias entre suelos,
pendientes y LULC para informar mejor las operaciones de manejo de cuencas
hidrográficas dentro de esta cuenca.

Nuestra propuesta de escenarios futuros está directamente relacionada con una

aplicación de gestión de cuencas hidrográficas: una empresa de agua que
necesita trabajar en prácticas de conservación / protección de cuencas
hidrográficas en su cuenca de abastecimiento y que necesita tomar decisiones
informadas. No consideramos escenarios LULC pesimistas porque esa no es una
posibilidad para la agencia (práctica o legalmente). El Escenario A de LULC
consideró que la cuenca continuaba con el mismo tipo de actividades actuales,
mientras que los Escenarios B y C buscaron conservación / protección de dos
maneras diferentes. El Escenario B apuntaba a una transición “natural” hacia la
recuperación de las áreas superiores de la cuenca, al tiempo que permitía formas
seleccionadas de tierras agroforestales en las elevaciones más altas y formas
seleccionadas de tierras agrícolas en las elevaciones más bajas. El escenario C
apuntó al concepto típico de reforestación en las elevaciones más altas de la
cuenca y permitió ciertos tipos de tierras agrícolas y agroforestales en las
elevaciones más bajas. Los escenarios climáticos futuros cubrieron dos
posibilidades realistas: RCP 4.5 y RCP 8.5. Debido a que no hay evidencia de que
se produzca una reducción significativa de las emisiones de gases de efecto
invernadero en el corto plazo, decidimos descartar la posibilidad de
utilizar escenarios climáticos optimistas.

A pesar de las incertidumbres asociadas con la calibración del modelo y los

errores potenciales asociados con la selección de un modelo climático para la
cuenca [13], ejecutar los escenarios futuros combinados ({1} a {6}) ayudó a
identificar aspectos clave para el manejo de la cuenca. Primero, más agua puede
estar ingresando a la cuenca como precipitación. Nuestro modelo informó un
aumento en la precipitación media anual del 16,2% para RCP 4.5 y del 21,9% para
RCP 8.5. Este resultado es consistente con el modelo de ecosistema-hidrología de
JULES de Betts et al. (2018) [12], que muestra una tendencia hacia una mayor
escorrentía en nuestra región de
estudio. En segundo lugar, es vital que los administradores de cuencas
hidrográficas comprendan los procesos que conectan las propiedades físicas de la
cuenca y las actividades que ocurren en ella. Nuestro estudio se centró en LULC
como determinante del rendimiento de agua. Usamos los escenarios {1} y {2}
(correspondientes al escenario LULC A y climas futuros para RCP 4.5 y 8.5) como
base para los escenarios {3} y {5} y los escenarios {4} y {6}, respectivamente, para
evaluar la diferencia entre dos estrategias para la conservación / protección de la
cuenca. Al hacer esto, evitamos incertidumbres relacionadas con el clima.
Nuestros resultados (ver Tabla 6) encontraron que ambas estrategias LULC
(Escenarios B y C) aumentaron el rendimiento de agua, pero el Escenario B tuvo
un mayor porcentaje de aumento con respecto a las condiciones de la línea base.
Al examinar la ET real informada por cada uno de los escenarios, encontramos
que, mientras que para el Escenario B de LULC hubo un aumento similar tanto en
el rendimiento de agua como en la ET real, este no fue el caso para el Escenario
C de LULC, donde el porcentaje de aumento en ET fue mayor que el porcentaje
de aumento en el rendimiento de agua. Estos resultados son consistentes con el
postulado de que la reforestación y la forestación tienen un efecto decreciente
sobre la escorrentía a través del aumento de la evapotranspiración en la pequeña
escala de captación [7].

La variación espacial del rendimiento de agua por subcuenca bajo los diferentes
escenarios mostró que los aumentos significativos (más del 10%) en el
rendimiento de agua ocurrieron solo en subcuencas particulares. Una mayor
investigación de los cambios de LULC en estas cuencas hidrográficas (1, 2 y 12)
reveló que los aumentos estaban relacionados con cambios de pastos naturales y
cultivados (PAST y SPAS) al LULC propuesto (matorral o bosque) en las
cabeceras del Carrizal. y Zonas de Drenaje de Golondrinas. Cambios similares en
las cuencas hidrográficas de menor elevación no produjeron cambios significativos
en el rendimiento de agua. Estos resultados sugieren que es posible para los
administradores del agua en la cuenca del Tona (y cualquier otra cuenca donde se
llevó a cabo un ejercicio similar) determinar los tipos de cambios de LULC y las
ubicaciones dentro del área de estudio donde cambios específicos resultarían en
una condición deseada. Esto es consistente con la idea de que las prácticas de
manejo de cuencas hidrográficas pueden tener más éxito cuando se apoyan con
herramientas de modelado [65,66].

5.CONCLUSIONES

Los resultados de este trabajo confirman nuestra hipótesis inicial de que no solo el
clima sino los cambios en el uso de la tierra determinan el rendimiento de agua
dentro de esta cuenca andina. Usando un modelo hidrológico semi-distribuido,
pudimos identificar cómo estos dos factores podrían afectar el rendimiento de
agua en la escala de la cuenca y subcuenca. Aunque el clima no es un factor que
pueda ser controlado directamente por los administradores del agua, LULC sí lo
es. Nuestros resultados muestran que diferentes enfoques a los cambios de LULC
para
un clima dado, generaron diferentes estimaciones de rendimiento de agua. Sin
embargo, para ambos factores, en términos de decisiones de manejo de cuencas,
es evidente que es necesario contar con la participación de expertos para que el
modelo climático mas adecuado sea utilizado y existe un conocimiento avanzado
del papel que juegan los diferentes tipos de LULC en la dinámica del ciclo
hidrológico de la cuenca. El uso de un modelo hidrológico físico como SWAT
puede ayudar significativamente con esta tarea.

Incluso con las dificultades que tuvimos en el proceso de calibración de la cuenca

del Tona y las incertidumbres relacionadas con los datos climáticos futuros,
nuestro modelo identificó, a nivel de HRU, las áreas dentro de la cuenca con
mayor y menor rendimiento hídrico. Para los escenarios futuros combinados,
destacamos las subcuencas donde los cambios de uso de la tierra resultan en
aumentos reales del rendimiento local de agua: las subcuencas 1 y 2 para el área
de drenaje de Carrizal y la subcuenca 12 para el área de drenaje de Golondrinas,
todas ubicadas en las cabeceras. . Estos resultados son importantes porque el
gran tamaño de estas subcuencas (con respecto al área total de la cuenca del
Tona) implica que tendrán un aporte importante a la descarga del canal principal.
Nuestros resultados también sugieren la necesidad de evaluar cuidadosamente, a
través de modelos, el efecto de ciertos cambios de uso de la tierra en el
rendimiento del agua. En nuestro caso, los escenarios futuros de LULC tenían un
objetivo de “conservación” con dos estrategias diferentes. Al final, ambos
aumentaron el rendimiento de agua, pero uno (Escenario B) fue más efectivo
porque hubo menos pérdidas por evapotranspiración.