Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Producto2 PPCR Cima
Producto2 PPCR Cima
TF 16083
__________________
Contrato MAYA/PPCR/FC/N°003/19
“DESARROLLO E IMPLEMENTACIÓN DEL SISTEMA DE
MONITOREO Y ALERTA TEMPRANA DE SEQUÍAS PARA BOLIVIA”
Coordinador de Proyecto:
Lauro Rossi
1
2.2.2. Índice de sequía de embalse (RDI) 39
2.2.2.1. RDI - Implementación en Bolivia 39
2.2.3. Índice estandarizado de agua (o humedad) del suelo (SSWI o SSMI) 40
2.2.3.1. SSMI - Implementación en Bolivia 41
2.2.4. Índice de Déficit de Agua en el Suelo (SWDI) 43
2.2.4.1. SWDI - Implementación en Bolivia 43
2.2.5. Índice estandarizado del manto de nieve (SSCI) 45
2.2.5.1. SSCI - Implementación en Bolivia 46
2.2.6. Índice estandarizado de la capa de nieve (SSPI) 47
2.2.6.1. SSPI - Implementación en Bolivia 48
2.2.7. Índice de Severidad de Sequía de Palmer (PDSI) 50
2.2.7.1. PDSI - Implementación en Bolivia 52
2.3. Índices agrícolas 53
2.3.1. Índice de estrés evaporativo (ESI) 53
2.3.1.1. ESI - Implementación en Bolivia 54
2.3.2. Anomalía de la fracción de radiación activa absorbida fotosintéticamente (Anomalía
FAPAR) 55
2.3.2.1. Anomalía FAPAR - implementación en Bolivia 56
2.3.3. Índice de salud de la vegetación (VHI) 57
2.3.3.1. VHI - implementación en Bolivia 58
2.3.4. Índice de requerimiento hídrico de los cultivos (FAO-CWR) 59
2.4. Resultados 61
2.4.1. Anomalía de Precipitación (MPA, APA) 61
2.4.2. Anomalía de Temperatura (MTA, ATA) 63
2.4.3. SPI basadas en estaciones meteorológicas 65
2.4.4. SPI basadas en datos satelitales PERSIANN 66
2.4.5. Índice de Precipitación-Evapotranspiración Estandarizado (SPEI) 67
2.4.6. Índice de Aridez (AI) 69
Índice de sequía efectiva (EDI) 71
2.4.7. Índice de flujo bajo (LFI) 72
2.4.8. Índice de sequía de embalse (RDI) 77
2.4.9. Índice de humedad del suelo (SMI o SSWI) 78
2.4.10. Índice de Déficit de Agua en el Suelo (SWDI) 80
2
2.4.11. Índice estandarizado de la capa de nieve (SSPI) 81
2.4.12. Índice estandarizado del manto de nieve (SSCI) 84
2.4.13. Índice de Severidad de Sequía de Palmer (PDSI) 86
2.4.14. Índice de estrés evaporativo (ESI) 87
2.4.15. Índice de salud de la vegetación (VHI) 88
2.4.16. Anomalía de la fracción de radiación activa absorbida fotosintéticamente (FAPAR)
93
2.5. Comparación con datos de impactos para fines de pronóstico 95
2.5.1. Recopilación de datos 96
2.5.2. Análisis de datos de impacto 97
2.5.3. Comparación entre indicadores y datos de impactos 103
2.6. Ajuste periódico para los indicadores 109
3. La plataforma informática de análisis y divulgación 111
3.1. Estructura de la plataforma de análisis y divulgación (SMATS-MHA) 111
3.2. La aplicación informática para la divulgación: “Monitor de Sequía” 112
Bibliografía 119
Anexos 122
3
Índice
4
LISTADO DE ACRÓNIMOS:
AI Índice de Aridez
APA/AMA Anomalía de Precipitación Anual/Mensual
ATA/MTA Anomalía de Temperatura Anual/Mensual
CHRS Centro de Hidrometeorología y Teledetección
ECV Variables esenciales climáticas
EDI Índice de Sequía Efectiva
EPSAS Empresa Pública Social de Agua Potable y Saneamiento de La Paz – El Alto
ESI Índice de Estrés Evaporativo
ETP / PET EvapoTranspiración Potencial
FAO Organización de las Naciones Unidas para la Alimentación y la Agricultura
FAO-CWR/WRSI Índice de Requisito de Agua por cultivo
FAPAR Fracción de la Radiación Fotosintéticamente Activa Absorbida
LFI Low Flow Index / Índice de flujo bajo
LST Temperatura de la Superficie Terrestre
MDRyT Ministerio de Desarrollo Rural y Tierras
MMAyA Ministerio de Medio Ambiente y Agua
MODIS Espectroradiómetro de Imágenes de Resolución Moderada
NDVI Índice Diferencial Normalizado de la Vegetación
NDSI Índice Diferencial Normalizado de Nieve
NOAA National Oceanic and Atmospheric Administration
OCHA Oficina de Coordinación de Asuntos Humanitarios de las Naciones Unidas
PDES Plan de Desarrollo Económico y Social
PDO Oscilación Decadal del Pacífico
PDSI Palmer Drought Severity Index / Índice de Gravedad de la Sequía de Palmer
PERSIANN Estimación de la precipitación a partir de información de teledetección mediante redes
neuronales artificiales
PERSIANN-CDR Estimación de la precipitación a partir de información de teledetección mediante
redes neuronales artificiales - Registro de datos climáticos
PPCR Programa Piloto de Resiliencia Climática
RDI Índice de Sequía de Embalse
SBMS Sistema Boliviano de Monitoreo de Sequía
SDI Índice de Sequía Sintetizado
SENAMHI Servicio Nacional de Meteorología e Hidrología
SI Sistema de Indicadores
SIG Sistema de Información Geográfica
SMAP Humedad del Suelo Activo Pasivo
5
SMATS-MHA Sistema de Monitoreo y Alerta Temprana de Sequías - Meteorológica Hidrológica
Agricola
SMI (o SSWI) Índice de humedad (o agua) del suelo (por su sigla en inglés)
SPEI Standard Precipitation-Evapotranspiration Index / Índice Estandarizado de Precipitación y
Evapotranspiración
SPI Standard Precipitation Index / Índice Estandarizado de Precipitación
SSCI Índice del manto de nieve estandarizado
SSI/SFI Índice de Sequía de Caudales
SSPI Índice de capa de nieve estandarizado
SSWI (o SMI) Índice Estandarizado de agua (o humedad) del suelo
STAR Satellite Applications and Research
SWDI/SMDI Índice de déficit de agua / humedad del suelo
TCI Índice de Condición de la Temperatura
UCI Universidad de California Irvine
UCR Unidad de Contingencia Rural
USGS Servicio Geológico de los Estados Unidos
USDM U.S. Drought Monitor
UT Unidad Territorial
VCI Índice de Condición de la Vegetación
VHI Vegetation Health Index / Índice de Salud de la Vegetación
VIDECI Viceministerio de Defensa Civil
VRHR Viceministerio de Recursos Hídricos y Riego
6
Introducción
Las actividades relacionadas con este producto representan el punto pivotal del proceso de
desarrollo del monitor de sequías para Bolivia. Las actividades se han focalizados en i) la
organización de la base de datos locales y satelitales; ii) la configuración de los algoritmos
automáticos para el cálculo de los índices (puntuales y distribuidos) que describen las condiciones
de las diferentes tipologías de sequías: meteorológica, agrícola e hidrológica y iii) el análisis crítico
de los resultados de los diferentes índices en comparación con la información de impacto en Bolivia,
para evaluar la capacidad descriptiva y de delineación de los índices mismos.
Punto final y fundamental de la actividad ha sido el taller de intercambio de los resultados con los
usuarios (Taller 2), llevado a cabo en los días 22-23-24 de abril 2020.
A partir de los resultados del diagnóstico previo realizado durante el taller 1 (octubre 2019) y de las
visitas a las varias instituciones, fueron recolectados datos de diferentes instituciones.
Por lo que concierne los datos de ingreso, el SENAMHI proporcionó dos bases de datos (SISMET y
HYDRACCESS, en formato access) que incluyen las series históricas observadas de las estaciones
meteorológicas e hidrológicas por cada estación en el territorio.
El MMAyA proporcionó datos con respecto al balance hídrico superficial de Bolivia, estudio que el
Ministerio realizó en 2017 à través de un proyecto administrado por el programa Más Inversión para
Riego (MI RIEGO). Los datos facilitados por el MMAyA se refieren a modelos desarrollados,
respectivos scripts, reportes, material para capacitaciones, manuales, datos de cuencas y cuerpos
hídricos, bases de datos climáticos, de uso del suelo y mapas.
7
1.1. Diagnóstico de disponibilidad de información
El análisis de las condiciones de sequía se basa en los datos meteorológicos e hidrológicos que
definen las condiciones climáticas del territorio. Los datos locales, proporcionados por el SENAMHI
para implementar los principales indicadores, tienen que ser complementados, por diferentes
razones, con datos globales de origen satelital disponibles. La densidad y cobertura espacial de las
variables (temperatura y precipitación) medidas por estaciones tradicionales o telemétricas, no
permiten una interpolación confiable y una interpretación distribuida de estas dos variables. Por lo
contrario, la observación desde satélite, a pesar de ser una medida indirecta, cubre todo el territorio
de Bolivia. La disponibilidad de este recurso ha aumentado en los últimos años permitiendo una
cobertura cada vez mejor, en términos de precisión, resolución y cantidad de variables medidas.
La red hidrometeorológica nacional actualmente está constituida por un total, entre convencionales
y telemétricas, de 340 estaciones distribuidas en todo el territorio nacional (Figura 1, a). Dicha red
es gestionada por el SENAMHI. El SENAMHI cuenta con una red de estaciones telemétricas
hidrometeorológicas distribuidas a lo largo del territorio nacional, que permite el monitoreo en
tiempo real de diferentes variables según la tipología de estación (meteorológica o hidrológica).
Actualmente la red de estaciones de monitoreo hidrometeorológico cuenta con 60 estaciones
automáticas instaladas y en función (Figura 1, b).
a b
Figura 1: Red hidrometeorológica nacional (a). Detalle de las estaciones automáticas (b).
8
Para los fines de monitoreo de sequías, es importante contar con series temporales significativas
para diferentes variables meteorológicas e hidrológicas. Por lo que merece las variables medidas, el
SENAMHI clasifica las estaciones meteorológicas en cuatro órdenes (Tabla 1, Figura 2), según los
parámetros medidos:
● 1° orden, 14 parámetros
● 2° orden, 12 parámetros
● 3° orden, 8 parámetros
● 4° orden, 1 parámetro
Precipitación X X X X
Temperatura Máxima X X X
Temperatura Mínima X X X
Humedad Relativa X X X
Vientos X X X
Radiación Solar X X
Insolación X X
Evaporación X X
9
Temperatura del Suelo a 5 cm X X
de superficie
Presión atmosférica X X X
Vientos a 50 cm de superficie X
Con respecto a las estaciones hidrológicas, se cuenta actualmente con 53 estaciones activas en el
territorio de Bolivia (Figura 3).
10
Figura 3: red hidrológica nacional, con indicación de las cuencas principales
a b
Figura 4: serie temporal hidrológica completa (a, Villamontes) e incompleta (b, El Puente)
Lluvia 725
Temperatura 315
Presión atmosférica 50
El número de estaciones activas ha evolucionado en el transcurso de los años, con un pico en los
años ‘70-’80 y una siguiente disminución que se ha estabilizado en el último periodo. En Figura 5se
representa la evolución en los años del número de pluviómetro activos.
Figura 5: número de pluviómetros activos por año en el registro histórico SENAMHI (1946-2018)
Para la elaboración de índices de sequías confiables para fines de monitoreo y alerta, es necesario
contar con estaciones que tengan un registro histórico suficiente a elaborar las estadísticas
(estimación de la anomalía respecto a la climatología confiable) y que sean actualmente activas y
12
operativas (monitoreo de los últimos cambios). Por esta razón, se han considerado las estaciones
meteorológicas actualmente activas que, desde el 1990 hasta el presente, tienen por lo menos el
90% de los registros diarios de las variables necesarias. Con respecto a las estaciones hidrológicas
se han considerado aquellas actualmente activas que tienen por lo menos el 90% de registros de
caudal diario en los últimos 20 años. Para la elaboración de los índices puntuales (Figura 6) se han
utilizado:
Figura 6: estaciones al suelo de la red SENAMHI utilizadas para la elaboración de los índices puntuales (SPI, SPEI, LFI)
Debido a la densidad de estaciones al suelo que no permiten una cobertura completa del territorio
nacional de Bolivia, es necesario integrar la base de datos hidrometeorológicos con información
areal, medida de forma indirecta por los satélites. Por medio de productos satelitales de
complemento a la información precisa de los sensores al suelo, se pueden evaluar índices
distribuidos espacialmente y no limitados a nivel puntual. En Tabla 3 se reportan las características
principales (fuente, cobertura espacial, resolución, cobertura temporal, tiempo de actualización,
13
uso) de los diferentes productos satelitales analizados en la evaluación de los índices de sequías
para Bolivia.
SMAP Humedad del suelo global 9km 2015/03 - 2-3 días SMI, SWDI,
presente SSPI, PDSI
1.1.2.1. PERSIANN
Información adicional sobre los datos PERSIANN y modalidad de acceso a los datos se puede
encontrar al enlace: https://chrsdata.eng.uci.edu
1.1.2.2. SMAP
SMAP, por su acrónimo inglés Humedad del Suelo Activo Pasivo, es un observatorio en órbita que
mide, a nivel global, la cantidad de agua en la capa superior del suelo. SMAP ha sido
lanzado en enero de 2015 y ha comenzado a funcionar desde abril de 2015. El
radiómetro (pasivo) ha estado funcionando sin problemas, sin embargo el instrumento
de radar (activo) dejó de funcionar a principios de 2015 debido a una falla en el
suministro de energía del radar. La primera fase de la misión se completó en 2018, y
desde entonces SMAP ha estado en fase de operación completa. SMAP se encuentra en
una órbita a 685 km sobre la superficie de la Tierra. En el transcurso de 2-3 días (2 en
los polos, 3 al ecuador) las franjas de adquisición se combinan en un mapa a cobertura
global. Las mediciones de la misión SMAP proporcionan una estimación directa de la
humedad del suelo en los 5 cm más superficiales de la columna de suelo. Sin embargo,
varias aplicaciones a las cuales se dirige la misión SMAP requieren el conocimiento de
15
la humedad del suelo de la zona de las raíces (el metro más superficial de la columna de
suelo), parámetro no detectable por el satélite. La misión SMAP consta de productos de
nivel 4 (parámetros geofísicos derivados de la asimilación de datos de Nivel 1, 2 o 3 en
un modelo de superficie terrestre), que permiten proporcionar estimaciones de la
humedad del suelo de la zona de las raíces (1 m) que sean basadas y consistentes con
las observaciones de la superficie de la misión SMAP (5 cm).
Información adicional sobre los datos SMAP y modalidad de acceso a los datos se puede encontrar
al enlace: https://smap.jpl.nasa.gov
1.1.2.3. MODIS
Información adicional sobre los datos MODIS y modalidad de acceso a los datos se puede encontrar
al enlace: https://modis.gsfc.nasa.gov
1.1.2.4. LANDSAT-8
LANDSAT 8 es el octavo y más reciente (lanzado en febrero 2013) satélite del proyecto Landsat,
operado por la NASA y el Servicio Geológico de los Estados Unidos (USGS) desde 1972.
El satélite orbita la Tierra a una altitud de 705 kilómetros (438 millas) en una franja de
185 kilómetros, moviéndose de norte a sur sobre el lado iluminado de la Tierra en una
órbita heliosincrónica. El satélite realiza una órbita completa cada 99 minutos, completa
alrededor de 14 órbitas completas cada día y cruza cada punto de la Tierra una vez cada
16 días. Landsat 8 lleva dos herramientas primarias: el generador de imágenes de tierra
operacional (OLI) y el sensor infrarrojo térmico (TIRS). OLI recopila datos con una
resolución espacial de 30 metros en las regiones de longitud de onda visible, IR cercana
16
y SWIR, y una banda pancromática de 15 metros, que proporciona datos compatibles
con productos de misiones anteriores. OLI también contiene una banda azul profundo
para estudios de aerosol costero y una banda para la detección de nubes cirrus. El TIRS
contiene dos bandas térmicas, que fueron diseñadas para permitir el uso de algoritmos
de recuperación de la temperatura de superficie.
Información adicional sobre los datos LANDSAT-8 y modalidad de acceso a los datos se puede
encontrar al enlace: https://landsat.gsfc.nasa.gov/landsat-8/
Los datos de la estaciones meteorológicas e hidrológicas fueron almacenados en una base de datos
Microsoft Access por el SENAMHI. La base de datos hidrometeorológicos del SENAMHI se constituye
de dos sistemas:
- el SISMET, que reúne todos los datos de las estaciones meteorológicas (telemétricas y
convencionales)
- el HYDRACCESS, que reúne todos los datos de las estaciones hidrológicas.
Ambos los sistemas están basado en una base de datos Microsoft Access y los datos, antes de ser
ingresado en cada base de datos, pasan por un proceso de verificación y validación por parte de los
expertos del SENAMHI.
17
La modalidad de actualización y acceso operativo a la base de datos indicada por SENAMHI y
necesaria para garantizar el correcto funcionamiento del SMATS-MHA para Bolivia se realizará por
dos medios:
● acceso vía FTP al DB operativo (en curso de habilitación) actualizado a los últimos datos
diarios hidro-meteorológicos disponibles según la siguiente frecuencia:
○ actualización de los datos de las estaciones automáticas en el DB con frecuencia
diaria pero diferida de 3-5 días con respecto al día de medición;
○ actualización de los datos de las estaciones convencionales en el DB con frecuencia
mensual al día 10 del mes siguiente a las mediciones o cada tres meses en algunos
casos departamentales;
● acceso directo y operativo a la base de datos IAT para los datos de las estaciones automáticas
con frecuencia horaria o sub-horaria.
El DB operativo, actualización continua del SISMET e HYDRACCESS, una vez que estará habilitado el
acceso vía FTP, será la base para el cálculo de los índices puntuales del Monitor de Sequías de Bolivia
y se mantendrá a futuro para este uso, también una vez que terminará esta consultoría.
Los datos meteorológicos colectados en el SISMET están organizados según una estructura que, por
un lado, lleva la información básica de las estaciones (datos maestros) y, por otro, los datos diarios
medidos por cada estación en el tiempo, según la llave del código numérico unívoco de la estación.
Los datos maestros registrado por cada estación son:
18
La tipologías de estación meteorológicas registradas en la base de datos son:
● CO, Climatológica Ordinaria
● CP, Climatológica Principal
● P, Pluviométrica
● S, Sinóptica
● SA, Automática Sinóptica Agrometeorológica
● SM, Automática Meteorológica
● TP, Termopluviométrica
Por ejemplo, el siguiente registro (Tabla 4) reporta la estación sinóptica, actualmente activa, del
Aeropuerto de El Alto, localizada en el Departamento de La Paz a 4071 metros de altitud sobre el
nivel del mar.
Cod_estacion 2090
id 90
El Alto
Estacion Aeropuerto
Cod_departemento 2
Cod_Provincia 1
Altura 4071
Cod_Tipo_Estacion S
Cod_cuenca 1
Activo 1
19
Los datos hidrológicos están colectados en la base de datos HYDRACCESS, implementada
inicialmente por el Instituto de Investigación al Desarrollo de Francia (IRD), según una estructura
que permite guardar y organizar datos de nivel, caudal, curvas de descargas, perfiles batimétricos.
Los datos maestros de cada estación se reportan en un listado (“Stations_Base”), en el cual el código
único de identificación (Id_Station) permite acceder a los datos de caudal diarios (“Debits”), que
representan la información hidrológica de mayor interés, contenida en el HYDRACCESS, para la
elaboración de los índices de sequías. Normalmente el dato original es medido en forma de nivel
del río, que se convierte en caudal según la curva de descarga correspondiente a la estación. La
fuente del dato del caudal indicada en el registro (Origine) puede ser Registrado “E”, Leido “L”,
Medida directa de caudal “Q”, Reconstruido “R”.
Los datos areales (mapas), tanto los datos de input como los resultados de la elaboración (índices),
son almacenados en un sistema de archivos jerárquico.
Datos
$BoliviaSeca/datos/Plataforma/Variable/YYYY/MM/DD/Archivo
donde:
“Plataforma” = nombre de plataforma satelital utilizada
“Variable” = nombre de la variable archivada (“PERSIANN-CDR”)
“YYYY” = año (por ejemplo 2019)
“MM” = mes (por ejemplo 08)
20
“DD” = dia (por ejemplo 17)
“Archivo” = Nombre del archivo (por ejemplo el archivo PERSIANN-CDR
“aB1_d99365.bin.gz“)
Por ejemplo un archivo “PERSIANN-CDR” del 17 Agosto 2019 es almacenado de la siguiente forma:
.../PERSIANN/PERSIANN-CDR/2019/08/17/aB1_d99365.bin.gz
Productos (Índices)
Lo productos son todos los índices de sequía, simples o compuestos, resultados de una elaboración.
Similarmente los productos en output son almacenado en formato “geotiff”, en la siguiente forma:
$BoliviaSeca/productos/Indice/YYYY/MM/DD/VariableName_YYYYmmddHHmmss.tif
donde:
“Indice” = nombre del índice (por ejemplo “SPI”)
“YYYY” = año (por ejemplo 2019)
“MM” = mes (por ejemplo 08)
“DD” = dia (por ejemplo 17)
“HH” = hora (por ejemplo 23)
“mm” = minutos (por ejemplo 55)
“ss” = segundos (por ejemplo 00)
“VariableName”= nombre completo de la variable (por ejemplo “SPI-06”). El
símbolo “_” separa el nombre de la variable del fecha y hora de referencia.
Por ejemplo el Índice de precipitación (cumulada en 6 meses) estandarizado “SPI-06” del 17 Agosto
2019 es almacenado de la siguiente forma:
$BoliviaSeca/productos/SPI/2019/08/17/SPI-06_20190817.tif
$BoliviaSeca/productos/Indice/YYYY/mm/VariableName_YYYYmm.tif
21
$BoliviaSeca/productos/VHI/2009/12/VHI01_MODIS_200912.tif
Las estadísticas básicas para cada índice a calcular se almacenan en formato “Geotiff“, en la carpeta:
$ BoliviaSeca /estadistica/
El nombre del archivo es estructurado de tal manera que informa el nombre del índice con el
número de meses, la plataforma utilizada, el nombre de las estadísticas y la fecha de finalización del
período de datos utilizado. En caso de índices mensuales, se puede omitir el día:
Caso diario:
STATISTICS-INDEX##_PLATFORM_YYYYMMDD.tif
Caso mensual:
STATISTICS-INDEX ##_PLATFORM_YYYYMM.tif
Ejemplo:
MIN-ESI02-MODIS_201912.tif
El simbolo “_” en el nombre es utilizado para separar la fecha del resto del nombre.
Cada archivo de estadísticas se almacena en un directorio específico que contiene una fecha en un
directorio específico que contiene estadísticas en un índice que contiene estadísticas en un
directorio que contiene estadísticas específicas. (coherente con el del nombre del archivo). Los
archivos que informan diferentes estadísticas para el mismo índice pero se mantienen diferentes
números de meses en el mismo directorio. La actualización de las estadísticas debe gestionarse con
dos subdirectorios, uno para la última versión y otro para los obsoletos:
$ BoliviaSeca/estadistica/indice/ultima/
$ BoliviaSeca/estadistica/indice/obsoleta/
Ejemplos:
22
$ BoliviaSeca / estadistica / ESI / ultima / MIN-ESI02-MODIS_201912.tif
Código
$ BoliviaSeca / codigo /
Para cada índice u otras elaboración, el directorio contendrá un subdirectorio para la versión:
Ejemplo:
Lo archivos temporales (por ejemplo, que contienen archivos de cálculo intermedios) se almacenan
en el siguiente directorio:
$ BoliviaSeca / tmp /
Información geográfica
$ BoliviaSeca / geo /
23
1.3.1. Datos puntuales
En el caso de los datos puntuales, además de los controles operados por el SENAMHI, se utilizan
procedimientos matemático-estadísticos para identificar valores fuera del rango de admisibilidad,
comparándolos con datos de la misma serie históricas (precedentes y sucesivos) y con datos de la
misma variable medidos por las estaciones más cercanas (dentro de una determinada distancia).
Los valores anómalos detectados serán descartados de la serie.
Tratar con los valores atípicos es un tema delicado que necesita atención particular, sobre todo
cuando se quiere analizar la recurrencia de los valores extremos, como las sequías, en las series
temporales. Cada variable tiene su comportamiento específico y su variabilidad, por esto el
tratamiento de los valores atípicos en las series originales no es un procedimiento operativo
estándar. Normalmente se identifican valores fuera del rango de admisibilidad con respecto a un
dominio definido como:
donde Q1 representa el primer cuartil, Q3 el tercer cuartil y IQR el intervalo entre los dos cuartiles
(IQR = Q3-Q1) de la serie completa. Se consideran extremos los valores que caen fuera de un rango
más amplio definido como:
Otro aspecto importante para la identificación de los valores atípicos en una variable geo-estadística
es la diferencia con respecto a los valores próximos en el tiempo. Para evidenciar esta tipología de
valores anormales, se puede utilizar el filtro de Hampel (Hampel, 1974). El filtro es básicamente una
ventana móvil (de ancho configurable w) que se aplica a toda la serie temporal. Para cada ventana,
el filtro calcula la mediana y estima la desviación estándar (𝜎) en la ventana utilizando la desviación
absoluta promedia (MAD): 𝜎≃1.4826 MAD. Se reconoce como valor anómalo cualquier punto
dentro de la ventana móvil que tenga un valor que se defiere de la mediana de la ventana más de x
desviaciones estándares (donde x es un valor configurable).
Se ha elaborado un algoritmo en R que permite ayudar en la identificación de los valores atípicos.
El algoritmo utiliza el paquete “pracma” y el paquete “xts” para la elaboración de las series
temporales. El código necesita como datos de ingreso el nombre de la serie temporal a analizar, el
valor w del ancho de la ventana móvil y el valor x del número de veces que un valor tiene que
deferirse de la desviación estándar para ser definido una anomalía. El algoritmo se encuentra, en
forma de Jupyter Notebook (Figura 7), al siguiente enlace:
https://github.com/almasoero/bolivia_sequias/blob/master/hampel_tutorial_Bolivia.ipynb
24
Figura 7: cuaderno Jupyter, algoritmo de identificación anomalías con la metodología de Hampel
Un ejemplo del resultado del algoritmo se puede visualizar en la Figura 8, donde se forzaron tres
anomalías en la serie temporal de temperatura en la estación de Laikakota (La Paz) para el día 1
marzo 2020. El algoritmo permite evidenciar correctamente (cruces rojas) la ubicación de las
anomalías.
25
En el caso de los datos de origen satelital, no todos los píxeles son adecuados para ser utilizados en
el análisis. Por ejemplo, la calidad de los píxeles puede verse afectada negativamente por las nubes
u otras condiciones atmosféricas. Por esa razón, cada imagen debe ser preprocesada para eliminar
los valores que no se pueden utilizar.
1,1 SENSOR
'0' = Terra
'1' = Aqua
2,2 DEADDETECTOR
'0' = Detectores aparentemente bien para hasta el 50% de los canales 1,2
'1' = Detectores muertos causados > 50% de recuperación del detector adyacente
3,4 CLOUDSTATE
'00' = 0 Nubes significativas NO presentes (despejado)
'01' = 1 nubes significativas ESTUVIERON presentes
'10' = 2 Nube mixta presente en píxeles
'11' = 3 Estado de la nube no definido, se supone claro
5,7 SCF_QC (3 bits, (rango '000' .. 100 ') 5 niveles Puntuación de calidad de confianza.
26
El procedimiento de validación de los índice producidos será detallado en el capítulo 2.
Umbrales
La siguiente tabla de rangos (Tabla 5), basada en valores estacionales promedios para todo el país,
se puede utilizar para una estimación aproximada de la severidad de la anomalía, sin un significado
estadístico preciso, para los meses del año con mayor precipitación esperada. Los rangos varían
según la duración del período de acumulación de lluvia, de 1 a 12 meses.
27
Tabla 5: Rangos de Anomalía de Precipitación por diferentes periodos de acumulación (1,2,3,6 y 12 meses) y respectivo código color
Procedimiento de validación
28
Umbrales
La siguiente tabla de rangos (Tabla 6), basada en valores estacionales promedio para todo el país,
se puede utilizar para una estimación aproximada de la gravedad de la anomalía, sin un significado
estadístico preciso, para los meses del año con una mayor temperatura esperada. Los rangos varían
según la duración del período de acumulación de temperatura, de 1 a 12 meses.
Tabla 6: Rangos de Anomalía de Temperatura por diferentes periodos de acumulación (1,3,6 y 12 meses) y respectivo código color
Anomalía de
Anomalía de Anomalía de Anomalía de Código color
temperatura Anomalía de
temperatura temperatura de temperatura de típicamente
de 12 meses (° temperatura
de 1 mes (° C) 3 meses (° C) 6 meses (° C) utilizado
C)
extremadamen
-3.0 -2.5 -2.0 - 1.5 Púrpura
te frío
extremadamen
+3.0 +2.5 +2.0 +1.5 Rojo
te cálido
Procedimiento de validación
29
(CDF) se estiman y finalmente se transforman en valores normales estándar (puntajes Z, o “Z-
scores” en inglés). Para cualquier región dada (estación pluviométrica puntual o pixel del dato
satelital), se indican déficits de lluvia cada vez más severos (es decir, sequías meteorológicas) a
medida que el SPI disminuye por debajo de -1.0, mientras que el exceso de lluvia cada vez más
severo se indica a medida que el SPI aumente por encima de 1.0. Debido a que los valores de SPI
están en unidades de desviación estándar de la media a largo plazo, el indicador puede usarse para
comparar anomalías de precipitación para cualquier ubicación geográfica y para cualquier número
de escalas de tiempo. La Organización Meteorológica Mundial (OMM) ha recomendado que todos
los Servicios Meteorológicos e Hidrológicos Nacionales de todo el mundo utilicen el SPI para
caracterizar las sequías meteorológicas (Organización Meteorológica Mundial, 2012).
Tabla 7: Rango del índice estandarizado SPI, probabilidad de ocurrencia y respectivo código color
30
Procedimiento de validación
31
y es multiescalar, como el Índice de Precipitación estandarizado (SPI por sus siglas en inglés). El
procedimiento para calcular el SPEI es similar a lo que se aplica para el SPI. Sin embargo, el SPEI
utiliza el "balance hídrico climático", la diferencia entre precipitación y evapotranspiración potencial
(P - PET), en lugar de la precipitación (P) como datos de entrada. El balance hídrico climático
compara el agua disponible (P) con la demanda de evaporación atmosférica (PET) y, por lo tanto,
proporciona una medida más confiable de la severidad de la sequía que si se considerase solo la
precipitación. El balance hídrico climático se calcula en varias escalas de tiempo (es decir, sobre un
mes, dos meses, tres meses, etc.), y los valores resultantes se ajustan a una distribución de
probabilidad log-logística para transformar los valores originales en unidades estandarizadas que
sean comparables en espacio y tiempo y en diferentes escalas de tiempo del SPEI en términos de
puntajes-Z.
Tabla 8: Rango del índice estandarizado SPEI, probabilidad de ocurrencia y respectivo código color
Código color
Rango del Régimen de Probabilidad
Anomalía típicamente
SPEI equilibrio del agua de ocurrencia
utilizado
Extremadamente
2.0 ÷ ∞ 2.3 púrpura
húmedo
Positiva 1.5 ÷ 2.0 Muy húmedo 4.4 ciruela
Moderadamente
1.0 ÷ 1.5 9.2 lila
húmedo
Ninguna - 1.0 ÷ 1.0 Precipitación normal 68.2 blanco
Moderadamente
-1.5 ÷ -1.0 9.2 amarillo
seco
Negativa -2.0 ÷ -1.5 Muy seco 4.4 naranja
Extremadamente
-∞ ÷ -2.0 2.3 rojo
seco
32
Procedimiento de validación
En caso de que los controles 1 o 4 fallen, incluso en ubicaciones donde los controles 2 y 3 hayan sido
exitosos, se activa un proceso de mantenimiento del conjunto de datos (por ejemplo., un recálculo
de las estadísticas de base para la estimación del SPEI).
El Índice de aridez (AI por sus siglas en inglés) fue introducido por primera vez por C.W.
Thornthwaite en su clasificación climática del 1948: un índice del grado de déficit hídrico debajo de
la necesidad de agua en cualquier estación; una medida de aridez. Se calcula a partir de la suma de
las diferencias a nivel mensual entre la precipitación y la evapotranspiración potencial. En su
definición, el AI es muy similar al SPEI, excepto que por el hecho que la fórmula de Thornthwaite
basada en temperaturas medias mensuales se utiliza para la estimación de evapotranspiración.
33
Umbrales
Para interpretar los valores del AI se puede utilizar la tabla siguiente.
Tabla 9: Rango del índice AI, probabilidad de ocurrencia y respectivo código color
uso común
Probabilidad
Rango de Código color
Anomalía Régimen climático de
AI típicamente
ocurrencia
utilizado
Extremadamente
2.0 ÷ ∞ 2.3 púrpura
húmedo
Positiva 1.5 ÷ 2.0 Muy húmedo 4.4 ciruela
Moderadamente
1.0 ÷ 1.5 9.2 lila
húmedo
Ninguna -1.0 ÷ 1.0 Precipitación normal 68.2 blanco
Moderadamente
-1.5 ÷ -1.0 9.2 amarillo
seco
Negativa -2.0 ÷ -1.5 Muy seco 4.4 naranja
Extremadamente
-∞ ÷ -2.0 2.3 rojo
seco
Procedimiento de validación
El procedimiento de validación del AI, calculado con base a los datos de estaciones terrestres, se basa en los
pasos siguientes:
1. Comparación de los valores de los datos de precipitación diaria con el rango teórico de
validez [0,1800]mm (límite superior correspondiente a la precipitación diaria máxima
mundial jamás registrada).
2. Comparación de los valores de los datos diarios de precipitación con estaciones cercanas (los
valores de precipitación superiores a 1 mm se descartan si ninguna otra estación cercana ha
registrado precipitaciones en el mismo día o en los días anterior o siguiente)
3. Comparación de los valores de los datos diarios de temperatura del aire con el rango teórico
de validez [-50 , 60] °C.
4. Comparación de los valores de los datos diarios de temperatura del aire con estaciones
cercanas que se encuentren a una altitud similar.
5. Comparación de los valores de los datos, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
34
En caso de que el control 5 falle, incluso en ubicaciones donde los controles de 1 a 4 hayan sido
exitosos, se activa un proceso de mantenimiento del conjunto de datos (por ejemplo, un recálculo
de las estadísticas de base para la estimación del índice AI).
Byun y Wilhite (1999) propusieron el Índice de sequía efectiva (EDI por sus siglas en inglés) para
controlar la duración y la severidad de la sequía. Utilizaron un nuevo concepto de precipitación
efectiva (EP). Definieron la precipitación efectiva como una función de la lluvia del mes actual y la
lluvia ponderada durante un anterior período establecido, calculado usando una función de
reducción dependiente del tiempo. Calcularon el EDI como una función de la cantidad de
precipitación requerida para volver a la normalidad (PRN). En este caso la precipitación normal (PRN
por sus siglas en inglés) se calcula a partir de la precipitación efectiva mensual y su desviación de la
media para cada mes. Por lo tanto, el primer paso en el cálculo del EDI es calcular la EP. Si 𝑃! es la
precipitación de′𝑚 − 1′meses antes del mes en curso y N es la duración del período anterior,
entonces la precipitación efectiva para el mes actual(𝐸𝑃" )se da según la fórmula siguiente:
# $
𝐸𝑃" = 7 897 𝑃! : / 𝑚=
$ & ' ! & '
Luego, se calculan la media y la desviación estándar de los valores de EP para cada mes y la serie
temporal de los valores de EP se convierte en el Índice de Sequía Efectiva (EDI) por normalización
restando la media climatológica y dividiendo por la desviación estándar climatológica por separado
para cada mes del año. Para el cálculo del EDI mensual, la lluvia para el mes actual recibe más peso
y los pesos de los valores de lluvia de cada mes anterior se asignan en orden decreciente. Usando
el concepto de función de reducción, las fechas inicial y final de la sequía se pueden definir
claramente (Jain et al., 2015).
Como en el caso del SPI, el índice EDI se ha implementado en base a la red pluviométrica terrestre
del SENAMHI (77 series históricas válidas ) y un producto satelital de precipitación. El producto
satelital de precipitación de referencia es una combinación de dos productos multiplataforma
PERSIANN, menor latencia, y PERSIANN-CDR, mayor precisión y período de tiempo histórico más
largo (Nguyen et al., 2019).
Umbrales
Para interpretar los valores del EDI se puede utilizar la tabla siguiente.
35
Tabla 10: Rango del índice EDI, probabilidad de ocurrencia y respectivo código color
Código color
Rango de Probabilidad
Anomalía Severidad de la sequía típicamente
EDI de ocurrencia
utilizado
Sin sequía, muy alta anomalía
2.0 ÷ ∞ 2.3 púrpura
de humedad
Sin sequía, alta anomalía de
Positiva 1.5 ÷ 2.0 4.4 ciruela
humedad
Sin sequía, anomalía
1.0 ÷ 1.5 9.2 lila
moderada de humedad
Ninguna -1.0 ÷ 1.0 Sin sequía 68.2 blanco
-1.5 ÷ -1.0 Moderadamente severa 9.2 amarillo
Negativa -2.0 ÷ -1.5 Muy severa 4.4 naranja
-∞ ÷ -2.0 Extremadamente severa 2.3 rojo
Procedimiento de validación
EDI basado en estaciones terrestres
El procedimiento de validación para EDI basado en estaciones terrestres se basa en los siguientes
pasos:
1. Comparación de los valores de los datos de precipitación diaria con el rango teórico de
validez [0,1800]mm (límite superior correspondiente a la precipitación diaria máxima
mundial jamás registrada).
2. Comparación de los valores de los datos diarios de precipitación con estaciones cercanas
(los valores de precipitación superiores a 1 mm se descartan si ninguna otra estación
cercana ha registrado precipitaciones en el mismo día o en los días anterior o siguiente)
3. Comparación de los valores de los datos, en cada ubicación, con valores mínimos y
máximos registrados para todo el registro anterior.
En caso de que el control 3 falle, incluso en ubicaciones donde los controles 1 y 2 hayan sido
exitosos, se activa un proceso de mantenimiento del conjunto de datos (por ejemplo, un recálculo
de las estadísticas de base para la estimación del EDI).
EDI basado en los conjuntos de datos PERSIANN
Los conjuntos de datos de precipitación PERSIANN provienen de una combinación de conjuntos de
datos satelitales (Nguyen et al., 2019), cuya calidad y consistencia formal están garantizadas en el
origen. El procedimiento de validación para el EDI basado en conjuntos de datos PERSIANN se limita
al siguiente paso:
1. Comparación de los valores de los datos, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
36
En caso de que este control falle, se activa un proceso de mantenimiento del conjunto de datos (por
ejemplo, un recálculo de las estadísticas de base para la estimación del EDI).
El Índice de flujo bajo (Low Flow Index, LFI, en inglés), desarrollado por Cammalleri et al. (2017),
utiliza las mediciones de caudal diario de los ríos para identificar períodos continuos
ininterrumpidos de flujo de corriente inusualmente bajo, y compara el déficit de agua asociado a
esos períodos con las condiciones climatológicas históricas, para derivar la severidad de los eventos.
Una ventaja clave del indicador LFI, en comparación, por ejemplo, con el Índice de escorrentía
estandarizado (también conocido en inglés como Standardized Streamflow Index, SSFI, o SSI o
simplemente Streamflow Index, SFI) ampliamente utilizado, desarrollado por Shukla y Wood (2008),
es que el indicador LFI utiliza directamente los valores diarios de caudal, lo que permite una
actualización casi en tiempo real del índice según intervalos regulares de tiempo.
El valor de umbral de descarga de agua o caudal (Q) que caracteriza el régimen natural de bajo flujo
de un río, y explica la posible estacionalidad en los valores de flujo de corriente, se calcula para cada
mes, en función de la "Curva de Duración del Flujo" (FDC por sus siglas en inglés), que gráfica el
caudal de un río (Q) frente al porcentaje de excedencia (0-100%). La FDC se evalúa en cada estación
hidrométrica con base en registros de datos diarios de flujo de varios años.
Los valores de umbral diario de bajo flujo se definen como los valores de caudal (𝑄)
correspondientes al percentil 95 de la FDC ("𝑄() "), es decir, los caudales iguales o excedentes por
el 95% del tiempo.
Con base en el umbral previamente definido, una sequía hidrológica se define como un período de
días consecutivos con 𝑄* < 𝑄(),* , y el déficit total del i-ésimo evento, 𝐷! , que comienza el día 𝑡,,! y
termina en el día 𝑡- , se calcula como:
*!,#
𝐷! = 7 𝑄(),* − 𝑄*
* &*$,#
Para considerar la dependencia mutua de eventos cercanos, los mismos se unen si el tiempo entre
los eventos A𝑡,,! . ' − 𝑡-,! B < 𝑡/ (Zelenhasić y Salvai, 1987). En este estudio se utiliza un valor de 10
días para 𝑡/ . Además, en el análisis, los eventos menores, como también los que duran menos de
𝑑/ (considerado igual a 5 días) se ignoran, de acuerdo con el procedimiento sugerido por Jakubowski
y Radczuk (2004). La serie de duración parcial de 𝐷! puede analizarse como constituida por variables
37
aleatorias continuas no negativas generadas por un proceso de Poisson dependiente del tiempo,
cuya frecuencia puede ajustarse utilizando una distribución exponencial con parámetro 𝜆. Una vez
que se ajusta la distribución exponencial, el Índice de Bajo Flujo se define, para cada déficit 𝐷! por
evento de sequía, como la probabilidad de no excederlo de acuerdo con dicha distribución.
𝐿𝐹𝐼(𝐷! ) = 1 − 𝑒 012#
El LFI para Bolivia se ha implementado con base en los registros diarios de flujo de 12 estaciones
hidrométricas con un registro de al menos 20 años y aún funcionantes. El siguiente mapa (Figura 9)
presenta la ubicación de las estaciones hidrométricas para las cuales se ha calculado el LFI.
Figura 9: Estaciones hidrométricas de la red terrestre SENAMHI utilizadas para la elaboración del índice puntual LFI
Umbrales
Para interpretar los valores de LFI se puede utilizar la tabla siguiente.
38
Tabla 11: Rango del índice LFI y respectivo código color
Código color
Rango de Severidad por déficit de
típicamente
LFI agua
utilizado
0.75 ÷ 1.0 extremadamente severa Púrpura
0.5 ÷ 0.75 muy severa Rojo
0.25 ÷ 0.5 severa Naranja
0.0 ÷ 0.25 moderadamente severa amarillo
Procedimiento de validación
El RDI para Bolivia se ha implementado usando imágenes Landsat-8 solo para el lago Poopó. La
superficie del agua se detecta estableciendo un umbral de 0.2 en el Índice normalizado de diferencia
de agua (NDWI por sus siglas en inglés), que se define como:
39
donde Ref3 y Ref5 son respectivamente las bandas Landsat-8 número 3 y 5.
Las funciones morfológicas que relacionan superficie y volumen estudiadas por Arsen A. et al. (
Remote Sens. 2014), han sido utilizadas para caracterizar la forma del lago Poopò. La Figura
10muestra gráficamente estas relaciones:
Figura 10: Hipsometría del lago Poopó (Arsen A. et al., Remote Sens. 2014)
Con referencia a píxeles de tamaño 30 m y contando el número de pixels #pix del cuerpo hídrico se
estiman respectivamente superficie S, Nivel de agua N y volumen V:
40
identificar la intensidad de la sequía agrícola, en cuanto refleja eventos recientes de escasez de
precipitación e indica condiciones limitadas para la producción de cultivos. La humedad del suelo
representa una de las variables más adecuadas para evaluar los efectos de la sequía hidrológica y
agrícola y definir diferentes parámetros de sequía, como la intensidad, la duración, la severidad y la
extensión espacial. De hecho, la sequía agrícola ocurre en caso de que no haya suficiente humedad
del suelo para sostener la producción de cultivos. Considerando que las mediciones superficiales de
la humedad del suelo son extremadamente difíciles de comparar con conjuntos de datos a gran
escala debido a su carácter puntual, su cobertura limitada y la bien conocida gran variabilidad de
los suelos, varios estudios han fomentado el uso de datos de humedad del suelo de teledetección
sinópticos, continuos a nivel temporal y espacial, basados en sensores de microondas activos y
pasivos, para evaluar las condiciones de sequía agrícola en grandes áreas donde los instrumentos
de monitoreo superficial son escasos o inexistentes.
Entre diferentes definiciones existentes del Índice de Humedad del Suelo (SMI por sus siglas en
inglés), hemos decidido considerar la que presentaron Sadri et al. (2018), por ser específicamente
pensada para ser utilizada con reconstrucciones de la humedad del suelo a partir de datos satelitales
de la misión NASA SMAP. En esta definición, en primero el rango de la humedad del suelo está
redimensionado en base a los valores mínimos y máximos de cada ubicación por todo el período de
medición. En seguida, los valores de humedad del suelo redimensionados para cada período de
cumulación se ajustan a una distribución Beta. El ajuste se realiza separadamente por cada mes
inicial del año considerado cómo período de cumulación. Posteriormente, se estiman las funciones
de distribución acumulativa (CDFs por sus siglas en inglés), las cuales se transforman finalmente en
valores normales estándares (Z-scores). Para cada región considerada, condiciones de déficit de
humedad del suelo cada vez más severas (e.g., sequías hidrológicas) se indican en cuanto el SMI se
encuentre bajo el valor de -1,0, mientras que condiciones de humedad cada vez más persistentes
se indican en cuanto el SMI se encuentre superior al valor de 1,0. Considerando que los valores de
SMI están indicados en unidades de desviación estándar con respecto a la media a largo plazo, este
índice se puede utilizar para comparar anomalías de humedad del suelo para cada lugar geográfico
y para cualquier número de escalas temporales.
El índice SSMI para monitoreo de sequía agrícola en Bolivia ha sido implementado de la siguiente
manera:
- media móvil para período de tiempo de 1, 2, 3 y 6 meses
- considerando reconstrucciones de humedad del suelo de nivel 4 a partir de la misión SMAP
(producto L4_SM de humedad del suelo de la zona de las raíces), disponibles a partir de abril
2015 con cobertura global con resolución de aproximadamente 9 Km (Entekhabi et al., 2014,
Reichle, 2017). Las mediciones de la misión SMAP proporcionan una estimación directa de
la humedad del suelo en los 5 cm más superficiales de la columna de suelo. Sin embargo,
varias aplicaciones a las cuales se dirige la misión SMAP requieren el conocimiento de la
41
humedad del suelo de la zona de las raíces en 1 m más superficial de la columna de suelo,
parámetro que no puede ser medido directamente por SMAP. Como parte de su misión de
base, el proyecto SMAP ha ido produciendo productos de datos de nivel 4 con valor agregado
derivado de modelos para colmar esta brecha y proporcionar estimaciones de la humedad
del suelo de la zona de las raíces que sean basadas y consistentes con las observaciones de
la superficie de la misión SMAP. Estas estimaciones se calculan a través de la combinación
de observaciones SMAP con estimaciones de un modelo de superficie terrestre en un
sistema de asimilación de datos. El componente del modelo de superficie terrestre de este
sistema de asimilación de datos está impulsado por datos meteorológicos basados en
observaciones, que incluyen la precipitación, el impulso más importante para la humedad
de suelo. El modelo engloba también el conocimiento de procesos clave de la superficie
terrestre, incluida la transferencia vertical de humedad del suelo entre la superficie y las
reservas de la zona de las raíces. Finalmente, el modelo interpola y extrapola las
observaciones SMAP en el tiempo y en el espacio, produciendo estimaciones cada 3 horas
de la humedad del suelo con resolución de 9 Km. Además, el producto SMAP L4_SM
proporciona una imagen completa y consistente de las condiciones hidrológicas de la
superficie terrestre basándose en las observaciones SMAP e informaciones
complementarias de varias fuentes.
Umbrales
Para interpretar los valores del SSMI se puede utilizar la tabla siguiente.
Tabla 12: Rango del índice estandarizado SSMI, probabilidad de ocurrencia y respectivo código color
42
Procedimiento de validación
Considerando que el índice SSMI aquí proporcionado se basa solamente en un único producto de
datos de entrada (SMAP L4_SM), la validación de los productos SSMI se constituye principalmente
de un control de calidad de dichos datos de entrada. El procedimiento de validación se basa en los
siguientes pasos:
1. Comparación de los datos con los valores válidos de mínimo y máximo, como indicado en la
sección de metadatos de los archivos de datos HDF (Hierarchical Data Format) utilizados
para la redistribución de los productos SMAP.
2. Comparación de los datos con el valor utilizado para los datos faltantes, como indicado en
la sección de metadatos de los archivos de datos HDF (Hierarchical Data Format) utilizados
para la redistribución de los productos SMAP.
3. Comparación de los datos, por cada ubicación, con los valores mínimos y máximos
registrados para todo el registro anterior.
En caso de que el control 3 falle, incluso en lugares donde los controles 1 y 2 hayan sido exitosos, se
activa un procedimiento de mantenimiento del dataset (por ejemplo, un recálculo de las estadísticas
de base para la estimación del índice SSMI).
El Índice de Déficit de Agua en el Suelo (SWDI por sus siglas en inglés) (Martínez-Fernández et al.,
2015) captura las condiciones de sequía cuantificando el déficit asociado de humedad del suelo. El
SWDI tiene una relación directa con la sequía agrícola porque afecta la capacidad de succión de
humedad del suelo de diferentes tipos de cultivos. El SWDI se considera un índice de sequía agrícola
eficaz, ya que se basa en la humedad del suelo y los parámetros básicos del agua en el suelo
(Martínez-Fernández et al., 2015, 2016). Este índice de sequía es capaz de identificar
adecuadamente los principales atributos que definen un evento de sequía agrícola. El Índice de
Déficit de Agua en el Suelo se calcula primero como (Mishra et al., 2017):
𝜃 − 𝜃34
𝑆𝑊𝐷𝐼 =
𝜃34 − 𝜃56,
donde 𝜃 representa la humedad del suelo de la zona de las raíces, 𝜃34 es el valor correspondiente
a la capacidad de campo y 𝜃56 es el valor de humedad en el punto de marchitamiento. Luego, para
tener en cuenta las variaciones estacionales sistemáticas, los valores de SWDI se normalizan según
la media y la desviación estándar de cada mes del año.
Umbrales
Para interpretar los valores de SWDI se puede utilizar la tabla siguiente.
Tabla 13: Rango del índice SWDI, probabilidad de ocurrencia y respectivo código color
Procedimiento de validación
Considerando que el SWDI aquí proporcionado se basa en un solo producto de datos de entrada
(SMAP L4_SM), la validación de los productos SWDI se basa principalmente en el control de calidad
de dichos datos de entrada. El procedimiento de validación se basa en los pasos siguientes:
1. Comparación de los valores de los datos con los valores válidos de mínimo y máximo, como
indicado en la sección Metadatos de los archivos de datos HDF utilizados para la
redistribución de los productos SMAP.
2. Comparación de los valores de los datos con el valor utilizado para los datos faltantes, como
indicado en la sección Metadatos de los archivos de datos HDF utilizados para la
redistribución de productos SMAP.
3. Comparación de los valores de los datos, en cada ubicación con los valores mínimos y
máximos registrados para todo el registro anterior.
En caso de que el control 3 falle, incluso en ubicaciones donde los controles 1 y 2 hayan sido
exitosos, se activa un proceso de mantenimiento del conjunto de datos (por ejemplo, un recálculo
de las estadísticas de base para la estimación del SWDI).
45
Global de Observación del Clima (GCOS por sus siglas en inglés) define la capa de nieve como una
Variable climática esencial (ECV por sus siglas en inglés).
El Índice de estandarización del manto de nieve (SSCI, por sus siglas en inglés) se define como el
porcentaje de área y tiempo cubierto por una cantidad detectable de nieve. El área de referencia
puede ser una cuenca hidrográfica, una región o una huella (píxel) de una observación remota por
satélite. El tiempo de referencia puede ser un mes, una temporada o un año (Dietz et al., 2012). El
Índice se estandariza con respecto a la media y la desviación estándar del porcentaje de presencia
de nieve registrado en el área de referencia y el período del año.
Umbrales
46
Muy pequeño o
-2.0 ÷ -1.5 naranja
ausente
-∞ ÷ -2.0 Ausente rojo
No definido (área o mes con presencia de nieve muy
gris
rara)
Procedimiento de validación
Considerando que el SSCI aquí proporcionado se basa en un único producto de datos de entrada
(MOD10A1), la validación de los productos SSCI se basa principalmente en el control de calidad de
dichos datos de entrada. El procedimiento de validación se basa en los pasos siguientes:
1. Selección de los valores válidos de acuerdo con el Indicador de calidad de la capa
NDSI_Snow_Cover_Algorithm_Flags_QA, que acompaña a cada archivo de productos
MOD10A1, cuyos detalles están indicados en https://nsidc.org/data/mod10a1
2. Comparación de los valores de los datos, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
En caso de que el control 3 falle incluso en ubicaciones donde el control 1 haya sido exitoso, se
activa un proceso de mantenimiento del conjunto de datos (por ejemplo, un recálculo de
estadísticas de base para la estimación del índice SSCI).
La capa de nieve generalmente actúa como un depósito natural, proporcionando agua durante los
meses de verano más secos. La falta de almacenamiento en la capa de nieve o un cambio en el
tiempo de derretimiento de ese depósito, puede ser un desafío para la planificación con respecto a
la sequía. La sequía de nieve se define como un período en el cual la capa de nieve está
anormalmente baja para esa época del año, reflejando una precipitación por debajo de lo normal
para la temporada fría (sequía de nieve seca) o una falta de acumulación de nieve a pesar de un
nivel de precipitación casi normal (sequía de nieve cálida), causada por temperaturas cálidas y
precipitaciones bajo forma de lluvia en lugar de nieve o deshielo inusualmente temprano (AMS
según el Glosario de Meteorología).
El Índice Estandarizado de la Capa de Nieve (SSPI en suS siglas en inglés) se calcula de la misma
manera que el SPI (Índice de precipitación estandarizado), excepto por el hecho de estar basado en
la serie temporal de agua diaria equivalente a la capa de nieve (= kg/m2 de nieve). El SSPI
proporciona informaciones sobre el volumen relativo de la capa de nieve en la cuenca en forma
mensual en comparación con el período de referencia (Costa et al., 2016). Sin embargo, en muchos
lugares y durante algunos meses puede haber una probabilidad bastante grande de no tener nieve,
47
y esta probabilidad no puede ser descuidada para estimar el Índice. Se considera entonces el
siguiente modelo de probabilidad mixta para el equivalente de agua de la capa de nieve 𝑆 Luego se
supone el:
𝑃[𝑆 ≤ 𝑠] = 𝑃 [𝑆 = 0] + 𝑃 [𝑆 > 0] ∙ 𝑃[𝑆 ≤ 𝑠|𝑠 > 0]
Una distribución Gamma continua en el intervalo (0, ∞) es la distribución ajustada para valores de
datos distintos de cero solo para representar el término 𝑃[𝑆 ≤ 𝑠|𝑠 > 0]. Sin embargo, la ecuación
presentada no es invertible para valores 𝑠 = 0. Para estimar los valores de SSPI en caso de
observaciones con 𝑠 = 0, se asigna un valor de "probabilidad central" nominal igual a 𝑃[𝑆 = 0]/2.
El índice SSPI para monitoreo de sequía en Bolivia ha sido implementado de la siguiente manera:
- media móvil para período de tiempo de 1, 2, 3 y 6 meses
- Usando reconstrucciones del equivalente de agua de la capa de nieve a partir de la misión
SMAP (producto de masa de nieve L4_SM), disponible a partir de abril de 2015 con cobertura
global con resolución de aproximadamente 9 Km (Entekhabi et al., 2014, Reichle, 2017).
Como parte de su misión de base, el proyecto SMAP ha ido produciendo productos de datos
de nivel 4 con valor agregado derivados de modelos para proporcionar estimaciones de la
humedad del suelo de la zona de las raíces, que sean basadas y consistentes con las
observaciones de la superficie de la misión SMAP. Estas estimaciones se calculan a través de
la combinación de observaciones SMAP con estimaciones de un modelo de superficie
terrestre en un sistema de asimilación de datos que incluyes las dinámicas de la capa de
nieve. El componente del modelo de superficie terrestre de este sistema de asimilación de
datos está conducido por datos meteorológicos basados en observaciones, que incluyen la
precipitación en forma líquida y sólida. El modelo engloba también el conocimiento de
procesos clave de la superficie terrestre, incluida la transferencia vertical de humedad del
suelo entre la superficie y las reservas de la zona de las raíces. Finalmente, el modelo
interpola y extrapola las observaciones SMAP en el tiempo y en el espacio, produciendo
estimaciones cada 3 horas de la humedad del suelo con resolución de 9 Km. Además, el
producto SMAP L4_SM proporciona una imagen completa y consistente de las condiciones
hidrológicas de la superficie terrestre basándose en las observaciones SMAP e informaciones
complementarias de varias fuentes.
Umbrales
48
Tabla 15: Rango del índice estandarizado SSPI, probabilidad de ocurrencia y respectivo código color
Código color
Rango de Condición de la capa Probabilidad
Anomalía típicamente
SSPI de nieve de ocurrencia
utilizado
Extremadamente
2.0 ÷ ∞ 2.3 morado
grande
Positivo 1.5 ÷ 2.0 Muy grande 4.4 ciruela
Moderadamente
1.0 ÷ 1.5 9.2 lila
grande
Ninguno - 1.0 ÷ 1.0 Normal 68.2 blanco
Moderadamente
-1.5 ÷ -1.0 9.2 amarillo
pequeña
Negativo Muy pequeña o
-2.0 ÷ -1.5 4.4 naranja
ausente
-∞ ÷ -2.0 Ausente 2.3 rojo
No definido (área o mes con presencia muy rara de capa de nieve) gris
Procedimiento de validación
Considerando que el índice SSPI aquí proporcionado se basa solamente en un único producto de
datos de entrada (SMAP L4_SM), la validación de los productos SSPI se basa principalmente en el
control de calidad de dichos datos de entrada. El procedimiento de validación se basa en los
siguientes pasos:
1. Descartar las estadísticas de SSPI para los meses y ubicaciones donde se registra menos de
un 20% de probabilidad de presencia de nieve (ver mapas a continuación).
2. Comparación de los valores de los datos con los valores válidos de mínimo y máximo, como
indicado en la sección de metadatos de los archivos de datos HDF utilizados para la
redistribución de los productos SMAP.
3. Comparación de los valores de los datos con el valor utilizado para los datos faltantes, como
indicado en la sección Metadatos de los archivos de datos HDF utilizados para la
redistribución de productos SMAP.
4. Comparación de los valores de los datos, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
En caso de que el control 3 falle, incluso en ubicaciones donde los controles 1 y 2 hayan sido
exitosos, se activa un procedimiento de mantenimiento del conjunto de datos (por ejemplo, un
recálculo de las estadísticas de base para la estimación del índice SSPI).
49
2.2.7. Índice de Severidad de Sequía de Palmer (PDSI)
El Índice de Severidad de Sequía de Palmer (PDSI por sus siglas en inglés) fue un hito en el desarrollo
de los índices de sequía (Palmer, 1965). Permite la medición tanto de la humedad (valores positivos)
como de la sequedad (valores negativos), en función del concepto de oferta y demanda de la
ecuación de equilibrio del agua, y por lo tanto incorpora la precipitación previa, el suministro de
humedad, la escorrentía y la demanda de evaporación a nivel superficial. Muchos de los problemas
del PDSI se resolvieron mediante el desarrollo del PDSI autocalibrado (sc-PDSI por sus siglas en
inglés) (Wells et al., 2004), que es espacialmente comparable y reporta eventos extremos de
humedad y sequedad con frecuencias esperadas para condiciones raras.
50
Siguiendo el diagrama de flujo en la figura anterior (Figura 11), el cálculo del PDSI se puede subdividir
en los pasos siguientes:
● Calcular los siguientes términos del balance hídrico, con referencia a un suelo de dos capas
con Capacidad de Agua Disponible fija (𝐴𝑊𝑆, 𝑠𝑢𝑝𝑒𝑟𝑓𝑖𝑐𝑖𝑎𝑙 = 1“, 𝐴𝑊𝑆7 𝑠𝑢𝑏𝑦𝑎𝑐𝑒𝑛𝑡𝑒 =
9“),y dada la precipitación P y la evapotranspiración potencial PET:
○ Recarga Potencial de la Humedad del Suelo 𝑃𝑅 = 𝐴𝑊𝑆, + 𝐴𝑊𝑆7 − 𝑆, − 𝑆7, donde
𝑆, y 𝑆7 representan los contenidos de humedad del suelo de las dos capas
calculados (o medidos) al final del paso temporal anterior
○ Pérdida potencial de Humedad del Suelo 𝑃𝐿 = 𝑃𝐿, + 𝑃𝐿7 , donde
𝑃𝐿, = 𝑚𝑖𝑛(𝑃𝐸𝑇, 𝑆, )
,%
𝑃𝐿7 = (𝑃𝐸𝑇 − 𝑃𝐿, ) ∙ (𝑃𝐿7 ≤ 𝑠7 )
859$ .859%
○ Flujo real en caso de 𝑃𝐸𝑇 ≤ 𝑃
Evapotranspiración real 𝐸𝑇 = 𝑃𝐸𝑇
Pérdida de Humedad del Suelo 𝐿 = 0
Recarga de Humedad del Suelo 𝑅 = 0
Escorrentía 𝑅𝑂 = 𝑃 − 𝑃𝐸𝑇 − 𝑃𝑅
○ Flujo real en caso de 𝑃𝐸𝑇 > 𝑃
Pérdida de Humedad del Suelo 𝐿 = 𝐿, + 𝐿7 , donde
𝐿, = 𝑚𝑖𝑛(𝑃𝐸𝑇 − 𝑃, 𝑆, )
,%
𝐿7 = (𝑃𝐸𝑇 − 𝑃𝐿, ) ∙ (𝑃𝐿7 ≤ 𝑠7 )
859$ .859%
Evapotranspiración real 𝐸𝑇 = 𝑃 + 𝐿
Recarga de Humedad del Suelo 𝑅 = 𝑚𝑖𝑛(𝑃𝐸𝑇 − 𝑃, 𝑃𝑅)
Escorrentía 𝑅𝑂 = 0
● Calcular los promedios climáticos mensuales i𝑃j, 𝑃𝐸𝑇
k , 𝐸𝑇 l , 𝐿jm para cada mes del año
l , 𝑅j, 𝑅𝑂
● Calcular la cantidad de precipitación para el denominado CAFEC (siglas en inglés para
Climáticamente Apropiado Para la Condición Existente)
l = 𝐸𝑇
𝑃𝐶 l + 𝑅j + 𝑅𝑂 l − 𝐿j
● Calcular la deficiencia de agua como:
𝑑 = 𝑃 − 𝑃𝐶l
● Calcular el índice de deficiencia de agua como:
< .=> .=?
6:; @
𝑍 = 𝑑 > >
6 .A
● Para cada mes i, calcular el Índice de Severidad de sequía de Palmer como:
𝑃𝐷𝑆𝐼! = 𝛼𝑃𝐷𝑆𝐼! + 𝛽𝑍! , donde α y β son parámetros empíricos (igual respectivamente a
0.897 y 1/3 en Palmer, 1965).
51
2.2.7.1. PDSI - Implementación en Bolivia
Para interpretar los valores de PDSI se puede utilizar la tabla siguiente (Yu et al., 2019).
Procedimiento de validación
52
información de calidad de los datos para cada tesela. Los productos SMAP vienen acompañados de
información auxiliar sobre los valores válidos de mínimo y máximo.
El procedimiento de validación para el PDSI se basa entonces en los pasos siguientes:
1. Comparación de los valores de los datos de precipitación PERSIANN, en cada ubicación,
con los valores mínimos y máximos registrados para todo el registro anterior.
2. Comparación de los valores de ETP, expresados en mm/día, con el rango teórico de
validez [0,20].
3. Selección de los valores válidos de acuerdo con el Indicador de Calidad de la capa
ETP_QC_500m que acompaña a cada archivo de los productos MOD16A2, cuyos detalles
están indicados en la Guía del usuario del Producto Global de Evapotranspiración
Terrestre (ET) MODIS
(https://modis-land.gsfc.nasa.gov/pdf/MOD16UsersGuideV2.022019.pdf).
4. Comparación de los valores de los datos de ETP, en cada ubicación, con los valores
mínimos y máximos registrados para todo el registro anterior.
5. Comparación de los valores de los datos de SM con los valores mínimos válidos e
máximos, como indicado en la sección Metadatos de los archivos de datos HDF utilizados
para la redistribución de productos SMAP.
6. Comparación de los valores de los datos de SM con el valor utilizado para los datos
faltantes, como indicado en la sección Metadatos de los archivos de datos HDF utilizados
para la redistribución de productos SMAP.
7. Comparación de los valores de los datos de SM, en cada ubicación, con los valores
mínimos y máximos registrados para todo el registro anterior.
En caso de que los controles 1, 4 o 7 fallen, incluso en ubicaciones donde todos los demás controles
hayan salido exitosos, se activa un proceso de mantenimiento del conjunto de datos (por ejemplo,
un recálculo de las estadísticas de base para la estimación de PDSI).
El Índice de estrés evaporativo (ESI por sus siglas en inglés) es un indicador de sequía agrícola que
describe anomalías en la relación de los valores de evapotranspiración (ET) “real/referencial“,
obtenida utilizando entradas de detección remota (Anderson et al., 2011). Se define como la
anomalía estandarizada de la relación del ET real con el ET potencial (PET, por sus siglas en inglés),
53
donde la PET es la evapotranspiración teórica que ocurriría si la superficie estuviera bien provista
de agua. La PET es, por lo tanto, una medida de la demanda de evaporación de la atmósfera. Al
incluir tanto la ET como la PET, el ESI tiene la ventaja de ser sensible a todos los aspectos del
suministro y la demanda de humedad superficial, y por lo tanto depende de la precipitación, la
humedad del suelo, las características de la planta y de la tierra, la humedad, la velocidad del viento,
la temperatura del aire, y la radiación neta. Durante un evento de sequía repentina, el ESI disminuye
rápidamente, inicialmente debido al aumento de la PET, pero luego también debido a la posterior
disminución de la ET real a medida que el suministro de agua superficial se vaya limitando (Nguyen
et al., 2019). El Índice de estrés evaporativo se calcula normalizando la relación ET/PET
mensualmente, según su rango (es decir, considerando los promedios mínimos y máximos
mensuales registrados para cada mes del año).
El Índice de estrés evaporativo cómo indicador de sequía para Bolivia se ha implementado como:
- media móvil para un período de tiempo de 1, 2, 3 y 6 meses.
- Basado en el producto global de 8 días MODIS Versión 6 para Evapotranspiración/Flujo de
calor latente (MOD16A2), disponible gratuitamente. El algoritmo utilizado para la
recopilación de los datos del producto MOD16 se basa en la lógica de la ecuación de Penman-
Monteith, que incluye como datos de entrada datos diarios de reanálisis meteorológica
junto con productos de datos, obtenidos por teledetección, del Espectroradiómetro de
imágenes de resolución moderada (MODIS por sus siglas en inglés), como los productos
sobre la dinámica de las propiedades de la vegetación, el albedo, y la cobertura del suelo. En
el producto MOD16A2 se proporcionan capas para la Evapotranspiración (ET) compuesta, el
Flujo de calor latente (LE), la ET potencial (PET) y el LE potencial (PLE) junto con una capa de
control de calidad.
Umbrales
54
Tabla 17: Rango del índice ESI y respectivo código color
Código color
Nivel de estrés por
Anomalía Rango de ESI típicamente
evaporación
utilizado
0.95 ÷ 1.00 Sin estrés menta
Positiva 0.80 ÷ 0.95 Casi sin estrés lima
0.60 ÷ 0.80 Poco estrés verde claro
Ninguna 0.40 ÷ 0.60 Moderado estrés blanco
0.20 ÷ 0.40 Estrés sensible amarillo
Negativa 0.05 ÷ 0.20 Estrés grande naranja
0.00 ÷ 0.05 Estrés extremo rojo
Procedimiento de validación
Considerando que el producto ESI aquí proporcionado se basa en un único producto de datos de
entrada (MOD16A2, Colección 6), la validación de los valores del ESI se basa principalmente en el
control de calidad de dichos datos de entrada. El procedimiento de validación se basa en los pasos
siguientes:
● Comparación de los valores de ET y ETP, expresados en mm/día, con el rango teórico de
validez [0,20].
● Control de la condición ET ≤ ETP
● Selección de los valores válidos de acuerdo con el Indicador de calidad de la capa
ET_QC_500m que acompaña a cada archivo de los productos MOD16A2, cuyos detalles
están indicados en la Guía del usuario del Producto MODIS de Evapotranspiración Terrestre
Global (ET)
(https://modis-land.gsfc.nasa.gov/pdf/MOD16UsersGuideV2.022019.pdf).
● Comparación de los valores de los datos, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
● En caso de que el control 4 falle, incluso en ubicaciones donde los controles 1, 2 y 3 hayan
sido exitosos, se activa un proceso de mantenimiento del conjunto de datos (por ejemplo,
un recálculo de las estadísticas de base para la estimación del ESI).
El indicador FAPAR (por sus siglas en inglés) se calcula como desviaciones de la variable biofísica
medida por satélite llamada fracción de radiación activa absorbida fotosintéticamente (FAPAR, a
veces escrita como fAPAR o FPAR), compuesta por intervalos de 8 días, a partir de sus valores medios
55
a largo plazo. FAPAR es una de las 50 denominadas "Variables climáticas esenciales" (ECVs, por sus
siglas en inglés) que han sido definidas por el Sistema Mundial de Observación del Clima (GCOS por
sus siglas en inglés) tanto viables para la observación global del clima como importantes para
apoyar el trabajo de la Convención marco de las Naciones Unidas sobre el Cambio Climático
(UNFCCC, por sus siglas en inglés) y del Panel Intergubernamental sobre el Cambio Climático (IPCC
por sus siglas en inglés) (Bojinski et al., 2014). De las 50 ECV, 26 se enumeran como
significativamente dependientes de las observaciones satelitales. Se ha demostrado que los valores
de FAPAR y sus anomalías son buenos indicadores para detectar y evaluar los impactos de la sequía
en el dosel de varias plantas, como los cultivos agrícolas y la vegetación natural (Gobron et al., 2005),
y por lo tanto proporcionan información potencialmente útil para fines de gestión del agua y la
agricultura.
Umbrales
Para interpretar los valores de la anomalía de FAPAR se puede utilizar la tabla siguiente.
Tabla 18: Rango de la Anomalía FAPAR, probabilidad de ocurrencia y respectivo código color
Procedimiento de validación
Considerando que la Anomalía de FAPAR aquí proporcionada se basa en un único producto de datos
de entrada (MOD15A2H, Colección 6), la validación de los productos de Anomalía de FAPAR se basa
principalmente sobre el control de calidad de dichos datos de entrada. El procedimiento de
validación se basa en los pasos siguientes:
1. Comparación de los valores de los datos de FAPAR con el rango teórico de validez [0,1].
2. Selección de los valores válidos de acuerdo con el Indicador de calidad de la capa FparLai_QC
que acompaña a cada archivo de los productos MOD15A2H, cuyos detalles están indicados
en la Guía del usuario del producto MODIS Collection 6 (C6) LAI / FPAR
(https://lpdaac.usgs.gov/documents/2/mod15_user_guide.pdf).
3. Comparación de los valores de los datos, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
En caso de que el control 3 falle incluso en ubicaciones donde los controles 1 y 2 hayan sido exitosos,
se activa un proceso de mantenimiento del conjunto de datos (por ejemplo, un recálculo de las
estadísticas de base para la estimación de la anomalía de FAPAR).
El Índice de Salud de la Vegetación (VHI, por sus siglas en inglés) (Kogan, 1997) es un índice de sequía
ampliamente utilizado, basado en información de teledetección. Consiste en una combinación lineal
de dos componentes: el Índice de Condición de Vegetación (VCI, por sus siglas en inglés), que
incorpora información sobre las porciones visibles (VIS) e infrarrojo cercano (NIR) del espectro
electromagnético, y el Índice de Condición Térmica (TCI), basado en el infrarrojo térmico (TIR). El
componente VCI se estima comúnmente utilizando el Índice de Diferencia Normalizada de la
Vegetación (NDVI, por sus siglas en inglés) y tiene como objetivo considerar el estrés hídrico de la
vegetación; por otro lado, El TCI se utiliza para evaluar el estrés de temperatura de la vegetación y
se estima con base en la temperatura de brillo de la parte superior de la atmósfera o en la
temperatura de la superficie terrestre (LST, por sus siglas en inglés). La formulación del VHI se
justifica en los dos supuestos siguientes:
57
i) el VHI se define de manera tal que cuanto menor sea el NDVI y mayor sea el LST, peor será la salud
de la vegetación;
ii) dado que no existe un conocimiento a priori sobre las contribuciones de vegetación y
temperatura, el VHI generalmente se considera como el promedio de ambas contribuciones, es
decir, se supone un peso de 0.5 para cada una (Bento et al.2018).
Umbrales
Código color
Rango de Salud de la
Anomalía típicamente
VHI vegetación
utilizado
Extremadamente
0.95 ÷ 1.00 Menta
buena
Positiva 0.80 ÷ 0.95 Muy buena Lima
Moderadamente
0.60 ÷ 0.80 Verde claro
buena
Ninguna 0.40 ÷ 0.60 Casi normal Blanco
Moderadamente
0,20 ÷ 0,40 Amarillo
pobre
Negativa 0,05 ÷ 0,20 Muy pobre Naranja
Extremadamente
0,00 ÷ 0,05 Rojo
pobre
58
Procedimiento de validación
Considerado que el producto VHI aquí proporcionado se basa en dos productos de datos de entrada
(MOD11A2 y MOD13A2, Colección 6), la validación de los valores de VHI se basa principalmente en
el control de calidad de dichos datos de entrada. El procedimiento de validación se basa en los
siguientes pasos:
1. Comparación de los valores NDVI (no dimensionales) con el rango teórico de validez [-
0.2,1.0].
2. Selección de los valores válidos según el Indicador de Calidad de la capa "1 km 16 días
Calidad VI" que acompaña a cada archivo de los productos MOD13A2, cuyos detalles
están indicados en la Guía del usuario del Índice de Vegetación MODIS (Serie MOD13)
(https://lpdaac.usgs.gov/documents/103/MOD13_User_Guide_V6.pdf).
3. Comparación de los valores de LST, expresados en °K, con el rango teórico de validez
[200,340].
4. Selección de los valores válidos de acuerdo con el Indicador de Calidad de la capa
"Indicadores de calidad de LST diurno" que acompaña a cada archivo de los productos
MOD11A2, cuyos detalles están indicados en la Guía del usuario de los productos de
temperatura de la superficie terrestre MODIS Colección-6
(https://lpdaac.usgs.gov /documents/118/MOD11_User_Guide_V6.pdf).
5. Comparación de los valores de LST y NDVI, en cada ubicación, con los valores mínimos y
máximos registrados para todo el registro anterior.
6. En caso de que el control 5 falle, incluso en lugares donde los controles de 1 a 4 hayan
sido exitosos, se activa un proceso de mantenimiento del dataset (por ejemplo, un
recálculo de las estadísticas de base para la estimación de VCI y TCI).
Según la FAO el requerimiento de agua para cultivos (cultivo ET) se define como la profundidad (o
cantidad) de agua necesaria para satisfacer la pérdida de agua a través de la evapotranspiración. En
otras palabras, es la cantidad de agua que necesitan los distintos cultivos para crecer de manera
óptima. La necesidad de agua del cultivo siempre se refiere a un cultivo en condiciones óptimas, es
decir, un cultivo uniforme, de crecimiento activo, sombreando completamente el suelo, libre de
enfermedades y con condiciones favorables del suelo (incluida la fertilidad y el agua). El cultivo
alcanza así su pleno potencial de producción en el entorno dado. El requerimiento de agua del
cultivo depende principalmente de: a) el clima; b) el tipo de cultivo; c) la etapa de crecimiento del
cultivo. Estos factores generalmente se introducen explícitamente a través de la siguiente fórmula:
59
𝐸𝑇/7B*!CD = 𝐾/ 𝐸𝑇E
El CWR para Bolivia se estima con base en los siguientes productos satelitales MODIS:
El procedimiento también necesita un mapa detallado (resolución de 500 m) del tipo de cultivo CT,
coherente con la clasificación de cultivos de la FAO.
Usando estos datos, el siguiente procedimiento se usa para estimar el valor del 𝐸𝑇/7B*!CD en
cualquier píxel MODIS:
- se estima la forma temporal 𝛼(𝑡) de la etapa de crecimiento ajustando, en cualquier píxel,
un modelo estándar de forma de crecimiento de la FAO (FAO, 1977) a series temporales de
NDVI.
- se calcula el 𝐸𝑇E como el MODIS ETP reescalado por el 𝐾/ factor correspondiente al uso del
suelo MODIS en la etapa de crecimiento máximo
- se estima el requisito de agua de cultivo (es decir, 𝐸𝑇/7B*!CD ) como:
𝐸𝑇𝑃F?2G9
𝐸𝑇/7B*!CD = ∙ 𝛼(𝑡) ∙ 𝐾/ ,$HI (𝐶𝑟𝑜𝑝𝑇𝑦𝑝𝑒)
𝐾/,$HI (𝐿𝑈F?2G9 )
El requerimiento de agua para cultivos 𝐸𝑇/7B*!CD puede ser utilizado directamente para estimar la
cantidad de agua de riego necesaria para complementar la precipitación.
También puede ser puesto en relación con la evapotranspiración real para determinar el nivel de
sufrimiento de la planta. Luego puede ser estandarizado para encontrar valores normalizados.
Para la implementación en Bolivia se necesita la geolocalización de los cultivos y los valore de kc que
se requieren monitorear. Estos datos al momento no son disponibles y por lo tanto no ha sido
posible implementar este tipo de índice.
60
2.4. Resultados
El presente subcapítulo muestra las series históricas de los índices descritos en el subcapítulo
precedente. La durada de la serie depende de la disponibilidad de datos de entrada.
Los gráficos siguientes representan las series temporales de las anomalías de precipitación
calculadas para Bolivia a partir de los datos PERSIANN por macrorregiones ecológicas y evaluadas a
1, 2, 3 y 6 meses (Figura 12), en el periodo 1983-2019. Se destacan los años 2010 y 2016 en los
cuales se ha sufrido una falta de precipitación importante.
61
Figura 12: Series temporales de las anomalías de precipitación para Bolivia (con base en datos PERSIANN) con acumulaciíon a 1 (a),
2 (b), 3 (c) y 6 (d) meses, por macroregiones ecológicas
Los siguientes mapas (Figura 13) permiten analizar las anomalías de precipitación en términos
espaciales de finales de 2015 - comienzo de 2016, considerando el índice con acumulación de 1 mes
y 12 meses.
Figura 13: Mapas de anomalías de precipitación para Bolivia (con base a los datos PERSIANN) en diciembre 2015, con acumulación
a 1 mes(a) y 12 meses (b)
Sin embargo, siendo datos precipitación en términos absolutos resulta difícil comparar diferentes
áreas o diferentes temporadas: una grande anomalía que se presente en un área normalmente
húmeda o en una temporada de mucha lluvia puede no ser significativa.
62
Para permitir una comparabilidad espacial y temporal normalmente se utilizan los índices
estandarizados.
Los gráficos siguientes representan las series temporales de las anomalías de temperatura mínima
(Figura 14) y máxima (Figura 15) calculadas para Bolivia a partir de los datos medidos en las
estaciones al suelo del SENAMHI, agregados por macroregiones ecológicas y evaluadas a 1, 3, 6 y 12
meses (Figura XX), en el periodo 1990-2019.
Figura 14: Series temporales de las anomalías de temperatura mínima para Bolivia (con base en datos de las estaciones SENAMHI)
con acumulaciíon a 1 (a), 3 (b), 6 (c), 6 (d) meses, por macroregiones ecológicas
63
Figura 15: Series temporales de las anomalías de temperatura máxima para Bolivia (con base en datos de las estaciones SENAMHI)
con acumulaciíon a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macroregiones ecológicas
De los gráficos anteriores, se destacan en las acumulaciones temporales más grandes (6 meses) los
años 2010 y 2016 en los cuales se han registrados, en particular en el altiplano, anomalías positivas
de temperatura máxima en contemporánea con un periodo de falta de precipitación importante.
Como comentado en el caso de las anomalías de precipitación, para permitir una comparabilidad
espacial y temporal normalmente se utilizan los índices estandarizados.
64
2.4.3. SPI basadas en estaciones meteorológicas
Analizando los datos de la red pluviométrica SENAMHI, se consideraron las series históricas de 77
estaciones adecuadas para un análisis climatológico.
Los gráficos siguientes representan las series temporales del índice estandarizado SPI calculado para
Bolivia a partir de los datos de las estaciones meteorológicas de la red terrestre de SENAMHI. Los
resultados han sido agregados a nivel espacial por macroregiones y evaluados con acumulación a 1,
2, 3 y 6 meses (Errore. L'origine riferimento non è stata trovata.), en el periodo 1990-2019.
En la serie a un mes se destaca un evento en 2007 fuertemente anómalo. Sin embargo esta signal
desaparece si se consideran períodos de agregación mayores. En las series a 3 meses, en los años
2006, 2010 y 2013 se ha sufrido una falta de precipitación importante respectivamente en Yungas-
Chapare, Llanura-Sábanas y en el Chaco. Considerando la agregación a 6 meses el 2008 (en el Chaco)
y el 2010 (en las Llanura-Sábanas) son los eventos más severos. También se mantiene la señal del
2003 en el Chaco, aunque un poco más débil.
65
Figura 16: Series temporales del índice estandarizado SPI para Bolivia (basado en datos de estaciones meteorológicas) con
acumulaciíon a 1 (a), 2 (b), 3 (c) y 6 (d) meses, por macroregiones ecológicas
Los siguientes mapas (Figura 17) muestran los mapas SPI (basado en datos de estaciones terrestres)
a 1 y 6 meses para las sequías de 2010. Los mapas confirman la gravedad del evento y su persistencia
en el tiempo. Notase que estaciones relativamente cercanas proporcionan estaciones de SPI muy
diferentes entre ellos. Este hecho demuestra la variabilidad espacial de la precipitación.
Visualizando estos mapas queda claro que la densidad de las estaciones es insuficiente para
monitorear un parámetro tan variable como la precipitación (por ejemplo, solo 2 estaciones en el
Chaco).
Figura 17: Mapas del índice SPI (basado en datos de estaciones terrestres) para el evento de sequía de 2010, con acumulación a 1
meses (a) y 6 meses (b)
66
Figura 18: Series temporales del índice estandarizado SPI para Bolivia (basado en datos PERSIANN) con acumulación a 1 (a), 2 (b), 3
(c) y 6 meses (d), por macroregiones ecológicas
Figura 19: Series temporales del índice SPEI con acumulación a 1 mes (a), 3 meses (b) y 6 meses (c), por macroregiones ecológicas
Los siguientes mapas (Figura 20) muestran el evento del segundo pico del 2010 (SPEI a 6 meses,
Figura 20a) que ha afectado LLanuras, Chiquitanía y Chaco y el evento del pico del 2016 (SPEI a 3
meses, Figura 20b) que ha afectado Llanuras, Chiquitanía y parte de los Valles.
68
Figura 20: Mapas del índice SPEI con acumulación a 6 meses, de enero hasta junio 2010 (a), y a 3 meses, de febrero hasta abril 2016
(b)
El gráfico siguiente (Figura 21) representa las series temporales del índice de aridez calculado para
Bolivia a partir de los datos de las estaciones terrestres del SENAMHI, agregadas espacialmente por
macroregiones ecológicas y evaluadas a 1, 3, 6 y 12 meses, en el periodo 1990 - 2019. Las series a
3 y 6 meses presentan los picos negativos màs intensos en los años 1992, 2003, 2010 y 2013 (solo
serie a 3 meses).
69
Figura 21: Series temporales del índice AI (basado en los datos de estaciones terrestres), con acumulación a 1 mes (a), 3 (b) y 6
meses (c) , por macroregiones ecológicas
Analizando el evento del 2010 desde el punto de vista espacial (Figura 22) se destaca que a 1 mes
la sequía afectó mayormente las regiones de LLanuras, Chiquitanía y Valles mientras que a los 6
meses resulta más afectada la región de los Valles y la zona de Altiplano cerca de La Paz.
70
Figura 22: Mapas del índice AI (con base a los datos de estaciones terrestres) con acumulación a 1 mes (a) y a 6 meses para el evento
de sequías de 2010
Los siguientes gráficos (Figura 23) representan las series temporales del índice EDI, calculado para
Bolivia a partir de los conjuntos de datos del producto satelital PERSIANN. Los resultados han sido
agregados a nivel espacial por macroregiones ecológicas y evaluados con duración de 12 meses y
24 meses en el periodo 1983-2019. Se destacan, en particular en las series a 12 meses, los años 2010
y 2016 en los cuales se ha sufrido una falta de precipitación importante.
Figura 23: Series temporales del índice EDI para Bolivia (basados en datos PERSIANN) con acumulación a 12 meses (a) y 24 meses
(b), por macroregiones
71
Los siguientes mapas (Figura 24) proporcionan una visión espacial del índice EDI a 12 meses para el
mes de abril 2016, que confirma valores inferiores a - 1 en la mayoría del país, y 24 meses para el
mes de marzo 2010, que confirma valores por debajo de -1 en todo el país. Se evidencia también
una condición fuertemente anormal en Amazonia y Llanuras-Sabanas, que se puede interpretar
cómo debida a la temporada de incendios en estas zonas que en 2010 tuvo un nivel de severidad
muy importante.
Figura 24: Mapas del índice EDI para el mes de marzo 2010 con acumulación a 12 meses (a) y 24 meses (b)
El siguiente mapa (Figura 25) proporciona, por cada estación hidrométrica de la red terrestre del
SENAMHI considerada para el cálculo del índice LFI, valor y fecha (inicio y fin) del evento de déficit
hídrico más grave registrado.
Figura 25: Mapa de los valores de LFI y correspondiente período más crítico de bajo flujo de las estaciones hidrométricas de la red
terrestre SENAMHI utilizadas para la elaboración del índice puntual LFI.
72
Para cada estación se ha calculado el índice de flujo bajo donde había suficientes datos continuos
para calcular las series temporales del LFI. En los gráficos siguientes (Figura 26, Figura 27, Figura 28),
la presencia de barras violetas anchas representan condiciones donde hubo un déficit de caudal
significativo para una larga duración de tiempo, posiblemente afectando el uso del cuerpo hídrico.
En la mayoría de las estaciones se evidencia el evento del 2010. En la estación altiplánica de Chicani
como en la estación de Achachicala, aguas arriba de la Paz y en ubicación comparable a la de los
embalses de abastecimientos hídrico de la ciudad, se destaca también el evento del 2016-2017.
73
Figura 26: Series temporales de caudales medidos y percentil 95 (Q95) con individuación de los valores de caudal inferiores a Q95 y
correspondientes valores de LFI para las estaciones de Achachicala (a), Aranjuez (b), Cachuela Esperanza (c) y Calacoto (d)
74
Figura 27: Series temporales de caudales medidos y percentil 95 (Q95) con individuación de los valores de caudal inferiores a Q95 y
correspondientes valores de LFI para las estaciones de Camiaco (a), Chicani (b), Guayaramerín (c) y Puerto Siles (d)
75
Figura 28: Series temporales de caudales medidos y percentil 95 (Q95) con los valores de caudal inferiores a Q95 y correspondientes
valores de LFI para las estaciones de Puerto Villarroel (a), Riberalta (b), Santa Rita de Buenos Aires (c) y Villamontes (d)
Los siguientes mapas (Figura 29) muestran los mapas de los valores de LFI para las 12 estaciones
hidrométricas consideradas para el cálculo del índice para las sequías de 2010 y 2016.
2010 2016
Figura 29: Mapas del índice LFI (con base a los datos de estaciones terrestres) para los eventos de 2010 (a) y 2016 (b)
76
2.4.8. Índice de sequía de embalse (RDI)
Los gráficos siguientes (Figura 30) representan las series temporales para el cálculo del índice RDI
para el lago Poopó.
Figura 30: Series temporales de la estimación de la superficie de agua del lago a través de imágenes Landsat-8 e índice NDWI (a),
del volumen del lago (b) y del índice RDI (c).
77
Los mapas siguientes representan la condición de extensión de la superficie del lago con respecto a
agosto del 2016 y condiciones normales en marzo 2018 (Figura 31): se destacan los efectos de las
condiciones de sequía severa del evento del 2016 que afectó el lago Poopó.
Figura 31: Imágenes Landsat-8 del lago Poopó en agosto 2016 (sequía severa) en comparación con marzo 2018 (condiciones
normales)
Los gráficos siguientes representan las series temporales del índice SMI calculado para Bolivia,
agregado espacialmente por macroregiones (Figura 32) y evaluado a 1, 3 y 6 meses, a partir de abril
2015 (comienzo de la misión SMAP) hasta diciembre 2019.
78
Figura 32: Series temporales del índice SMI para Bolivia con acumulación a 1 (a), 3 (b) y 6 meses (c), por macroregiones
Las series temporales agregadas a la escala de macro-región, identifican claramente una condición
muy seca bastante prolongada para el año 2016, particularmente severa en las Valles y en el
Altiplano. El gráfico de SMI-1 reporta valores por debajo de 1.5 ya en março del 2016 para los
departamento de Oruro y Potosí. Esta “Condición muy seca” permaneciò hasta al final del 2016
cuando fue promulgada la declaratoria de emergencia (Decreto Supremo N. 2987 emitido el 21 de
noviembre 2016).
Los siguientes mapas (Figura 33) confirman cómo el déficit de humedad del suelo relacionado con
esta sequía se ha concentrado principalmente en los departamento de Potosì y Oruro,
correspondientes a las áreas de altiplano y de valles. Estos índices indican también condiciones
críticas en un área limitada al norte de Santa Cruz en los meses invernales.
79
Figura 33: Mapas del índice SMI para Bolivia con acumulación a 1 (a), 3 (b) y 6 meses (c), para el evento de sequía de 2016
80
Figura 34: Series temporales del índice SWDI para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macroregiones
Las series temporales de SWDI identifican claramente una condición muy seca muy prolongada para
el año 2016, como ya ha evidenciado el SSMI. En este sentido SWDI no añade más información al
SSMI.
Comparando los mapas del SWDI del 2016 (Figura 35), se desprende que el déficit de humedad del
suelo muestra lo mismos patrones espaciales del SSMI, confirmando la parte andina y meridional
del país como la más afectadas. Sin embargo, con respecto al SSMI, se nota ligera diferencia en
términos de intensidad: el SWDI nunca baja el umbral -2.
Figura 35: Mapas del índice SWDI para Bolivia con acumulación a 1 (a), 3 (b) y 6 meses (c), para el evento de sequía de 2016
81
Los gráficos siguientes representan las series temporales del SSPI calculado para Bolivia, agregadas
a nivel de macroregiones (Figura 36) y cuencas hidrográficas (Figura 37) y para periodos de tiempo
de 1, 3 y 6 meses, desde abril de 2015 (inicio de la misión SMAP) hasta diciembre de 2019. Las series
temporales se limitan a macroregiones y cuencas hidrográficas con dinámicas de la capa de nieve
relevantes.
Figura 36: Series temporales del índice SSPI para Bolivia con acumulación a 1 (a), 3 (b) y 6 (c) meses (d), por macrorregiones
ecológicas
82
Figura 37: Series temporales del índice SSPI para Bolivia con acumulación a 1 (a), 3 (b) y 6 meses (c), por cuencas hidrográficas
Los siguientes mapas de SSPI (Figura 38) reportan situaciones de anomalía negativa en julio 2017
(SSPI-1 mes), de enero hasta marzo 2019 (SSPI-3 meses) y de diciembre 2018 hasta mayo 2019 (SSPI-
6 meses).
83
Figura 38: Mapas del índice SSPI para Bolivia con acumulación a 1 mes, julio 2017 (a), 3 meses, enero-marzo 2019 (b), y 6 meses (c),
de diciembre 2018 hasta mayo 2019
Figura 39: Probabilidad de presencia de la capa de nieve por mes del año (en blanco las regiones donde nunca se detectó nieve desde
la misión SMAP en el período 2015-presente)
84
Figura 40: Series temporales del índice SSCI para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macrorregiones
Los mapas siguientes (Figura 41) permiten la comparación de los resultados del índice SSCI a 6 meses
para el año 2015 y finales del 2016, donde se destacan los efectos de la sequía prolongada del 2016
en la extensión del manto de nieve en el período de referencia considerado.
85
Figura 41: Mapas del índice SSCI para Bolivia con acumulación a 6 meses de abril 2015 hasta septiembre 2015 (a), y de septiembre
2016 hasta febrero 2017 (b)
El índice de Palmer se basa en un modelo hidrológico que tiene que ser inicializado con una elección
arbitraria de las condiciones iniciales. Por esa razón el primer año en cada serie debe descartarse,
con lo cual los datos de la sequía del 2016 no se pueden considerar atendibles.
En el gráfico siguiente (Figura 42), que muestra la serie temporal del índice de Palmer en el periodo
2015-2019, tienen que considerarse válidos los valores desde la mitad del 2016.
Figura 42: Series temporales del índice PDSI para Bolivia, por macroregiones
86
2.4.14. Índice de estrés evaporativo (ESI)
Los siguientes gráficos (Figura 43) representan las series temporales del índice de estrés evaporativo
(ESI) calculadas para Bolivia, agregadas a nivel de macro-región y sobre un periodo de tiempo de 1,
2, 3 y 6 meses, desde enero de 2001 (inicio de la disponibilidad del producto MOD16A2) hasta
diciembre de 2019.
Figura 43: Series temporales del índice ESI para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macroregiones
87
En acuerdo con los registros históricos, los gráficos muestran una condición de estrés marcada y de
amplia duración en el 2016-2017 en el Altiplano y en las Valles, sobre todo para las acumulaciones
temporales más largas (3 y 6 meses). En la acumulación a 6 meses se destaca un pico de anomalía
en el Chaco en el 2012, en parcial anticipo respecto a los impactos reportados en el 2013 para esta
región.
A nivel de distribución espacial (Figura 44), en los siguientes mapas se evidencia la capacidad de
identificación de condiciones de estrés en el Altiplano tanto en el 2010 que en el 2016, utilizando
en ambos casos acumulaciones de largo tiempo (6 meses).
a b
Figura 44: Mapas del índice ESI para Bolivia con acumulación a 6 meses, para el evento de sequía de 2010 (a) y 2016 (b)
88
Figura 45: Series temporales del índice VCI para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macroregiones
89
Figura 46: Series temporales del índice TCI para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macroregiones
90
Figura 47: Series temporales del índice VHI para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por macroregiones
La condiciones de vegetación (Figura 45) muestran picos de anomalías en los años: 2003 (final),
2008, 2010, 2018, mientras que el índice de temperatura (Figura 46) muestra condiciones anómalas
(valores alrededor de -0.2) en 2003, 2005, 2010, 2011, 2012, 2016, 2017, 2018 y 2019. Se destaca
91
una condición de temperatura muy altas en 2016 para toda Bolivia. Sin embargo, estas condiciones
no encuentra una condición crítica solo para la región amazónica.
Siendo el VHI un índice ponderado de VCI y VTI, la serie temporal (Figura 47) resultante confirma
solo los picos negativos que se presentan en estos dos índices. Se nota, por ejemplo, como el pico
negativo del 2014 destacado por el VCI desaparezca en el VHI (véase también Figura 48). Las
condiciones de anomalía de la vegetación en este caso pueden ser determinadas por causas
externas a la sequía.
Los dos picos más fuertes resultan en 2010 (doble pico) y en el 2016 en la macroregión de la
Amazonia.
Figura 48: Indice VCI TCI y VHI a 6 meses para los evento del 2010 y 2014. Se nota como condiciones anómalas del VCI no son
confirmadas por las condiciones anómalas del TCI en el 2014 y no resultan en un detección de salud critica de la vegetación (VHI)
El siguiente mapa (Figura 49) presenta en términos espaciales la anomalía de VHI a 6 meses (de
mayo a octubre) del 2010.
92
Figura 49: Mapas del índice VHI para Bolivia con acumulación a 6 meses, para el evento de sequía de 2010
Los siguientes gráficos (Figura 50) representan las series temporales de anomalías de FAPAR
calculadas para Bolivia, agregadas a nivel de macrorregiones ecológicas y sobre un periodo de
tiempo de 1, 2, 3 y 6 meses, desde enero de 2003 (inicio de la disponibilidad del producto
MOD15A2H) hasta diciembre de 2019.
93
Figura 50: Series temporales de la Anomalía FAPAR para Bolivia con acumulación a 1 (a), 2 (b), 3 (c) y 6 meses (d), por
macroregiones
La serie temporal de anomalía de FAPAR destaca una fuerte anomalía de la fracción de radiación
activa absorbida fotosintéticamente al comienzo del 2014. Esta anomalía es coherente con la
anomalía encontrada en el VCI que utiliza fuentes diferentes (NDVI). Sin embargo, aunque como ya
94
explicado en el párrafo del VHI, una anomalía de la vegetación no necesariamente es debida a
condiciones de sequía.
Las series temporales con agregación a 6 meses muestran varios eventos con condiciones anómalas
dentro de los cuales se destaca una signal en el Chaco al comienzo del 2006 y una sucesiva, en 2010,
que fue localmente menos severo, pero más persistente y interesó una gran parte del país.
Figura 51: Mapas del índice FAPAR para Bolivia con acumulación a 1 mes, para el evento de sequía de 2010
Los diferentes índices descritos en los párrafos anteriores permiten identificar condiciones físicas
de anomalía y déficit de agua con respecto a las condiciones normales (climatológicas). La definición
misma de sequía se relaciona al impacto que estas condiciones anómalas causan, tanto a la
población que a la producción agropecuaria. Por esta razón es de gran importancia recopilar y
analizar los datos de impacto, poniéndolos en comparación con las condiciones físicas de estrés
hídrico.
95
Sin embargo, hay que tomar en cuenta que el impacto, tanto a la población que al sector
agropecuario, es el resultado de un conjunto de elementos tanto físicos, como el déficit de agua
identificable por los índices, tanto socio-económicos. Siendo la sequía un fenómeno a evolución
lenta, un factor primario que tomar en cuenta en el análisis de los datos de impacto es el posible
retraso entre el presentarse de condiciones de déficit hídrico y el impacto del mismo. Esto puede
resultar en una evolución temporal de los reportes de afectación y daño diferente o desplazada
respecto a los valores físicos de los índices.
A partir de reuniones consensuadas con la supervisión PPCR, en los meses de enero y febrero 2020,
el VIDECI, a través del Sistema Integrado de Información y Alerta Para la Gestión del Riesgo de
Desastres (SINAGER-SAT), ha proporcionado los datos históricos de impacto sobre población y
viviendas del Observatorio Nacional de Desastres (OND). Los datos han sido facilitados a través de
tres productos:
- un resumen de los datos de afectación debida a eventos de sequía entre 2002 y 2019,
agregados por año a nivel nacional, con un cuadro global de familias, ganado y hectáreas
afectados y acompañado por el mapa de recurrencia de sequía por municipio;
- la base de datos en formato Excel de todos los datos de afectación de todos los eventos de
sequías reportados al VIDECI entre 2002 y 2019;
- la base de datos en formato Excel, consolidada y completa, de todos los datos de afectación
por todo tipo de evento adverso del OND.
A partir de reuniones facilitadas por la supervisión PPCR, en los meses de enero y febrero 2020, el
MDRyT, a través de la Unidad de Contingencia Rural (UCR), ha proporcionado los datos históricos
de afectación de cultivos y ganado por eventos de sequía. En particular, las informaciones facilitadas
han sido las siguientes:
- el manual elaborado por el MDRyT sobre la realización de Evaluación de Daños y Análisis de
Necesidad (EDAN) con enfoque agropecuario y modelo de la respectiva matriz
- los reportes, en formato Excel, de afectación por eventos adversos del sector agropecuario
para las campañas 2014-2015, 2015-2016 y 2016-2017
- una presentación con datos de los efectos de sequía en la campaña de invierno 2018 en
Santa Cruz
96
- un análisis de riesgo por déficit hídrico y sequía para la campaña de verano 2018-2019.
En ambos casos, las dos instituciones han proporcionado no solamente datos específicos con
respecto a eventos de sequía, sino también datos de afectación más generales, con respecto
también a otros tipos de evento adverso.
Fuentes primarias de los datos de impacto analizados han sido el Observatorio Nacional de
Desastres del VIDECI, por lo que merece la afectación a la población y vivienda, y los Reportes
Anuales de Afectación Agropecuario del MDRyT, por lo que compete los daños registrados en el
sector agropecuario. Las características principales de las dos fuentes son reportadas en la Tabla 20:
El Observatorio Nacional de Desastres (OND) presenta una serie histórica más amplia, que cubre 17
años de registros. Por otro lado, los datos de los Reportes de Afectación Agropecuario (RAA) del
MDRyT tienen un registro histórico más corto y se enfocan en la temporada clave en el desarrollo
de los cultivos (verano). Además, los registros RAA no presentan una separación clara y constante
97
entre los eventos adversos que ocurrieron en el municipio en el transcurso de la temporada. Para
los fines del presente estudio se han tomado en cuenta como datos de impacto los registros donde
los eventos de sequías se presentarán solos o en conjuntos a otros fenómenos (heladas, vientos
fuertes) non relacionados con exceso de agua (inundaciones, riadas).
Entre los datos relacionados con eventos de sequías reportados en el OND del VIDECI, se ha
considerado el número de personas afectadas/damnificadas como indicador del impacto de la
sequía. Este valor es recolectado de forma constante y consistente a lo largo de los años de reporte
(2002-2019) y permite una comparación del impacto entre los diferentes periodos y diferentes
lugares.
Tanto los registros de VIDECI como los del MDRyT tienen una resolución espacial que llega hasta el
nivel municipal. Para visualizar las áreas de Bolivia que registraron mayores impactos, se decidió
agregar esta información a dos diferentes niveles (Figura 52):
● departamental (9 Departamentos);
● macro-regional (7 Macro-regiones).
a b
Figura 52: Niveles de agregación de los datos de impactos: departamentos (a), macroregiones (b)
Las Macro-regiones representan un tipo de agregación que combina tanto una información
administrativa (municipios) que una información morfo-climática (eco-regiones). Por lo tanto,
permite visualizar los datos de impacto (disponibles por municipio) de forma consistente con la
variabilidad morfológica y climática del territorio de Bolivia. Además, el respecto de los límites
municipales, permite mantener un fuerte vínculo con estructuras de alerta temprana y acción
98
preventiva que, como los planes de contingencia a los eventos adversos, se desarrollan a nivel
municipal.
El número de personas afectadas ha sido agregado a nivel de años, tanto para los Departamentos
que por las Macro-regiones, evidenciando la posición espacial y temporal de los eventos más
intensos. En la Figura 53 se reporta el progreso histórico del impacto de las sequías en el territorio
boliviano (agregación por Departamentos), donde se destacan los eventos del 2009, 2010 y 2013.
Figura 53: serie temporal de los impactos por sequías registrados por VIDECI (2002-2019). En azul el total a nivel País
De los datos no se evidencia un impacto significativo para el año 2016 que, sin embargo, ha sido
caracterizado por una sequía grave en Bolivia que ha afectado de forma relevante la Ciudad de La
Paz, llegado al racionamiento del agua potable y a la declaratoria del estado de emergencia nacional
por el Decreto Supremo N. 2987 del 21 de noviembre 2016.
99
Considerando la información del evento 2016 indicada por PAHO, se puede destacar el tamaño del
impacto que hubo la sequía. Agregando el dato de familias afectadas en La Paz (64’000) al registro
OND y considerando 5 personas por familia, se evidencia el peso que hubo la ciudad en los impactos
del 2016 (Figura 54, Departamentos y Figura 55, Macro-regiones).
Figura 54: serie temporal de los impactos por sequías a nivel Departamentos registrados por VIDECI (2002-2019), agregando el dato
PAHO de personas afectadas en la Ciudad de La Paz
100
Figura 55: serie temporal de los impactos por sequías a nivel Macro-región registrados por VIDECI (2002-2019), agregando el dato
PAHO de personas afectadas en la Ciudad de La Paz
Con respecto a Figura 54 y Figura 55 el evento del 2016 se identifica como el más severo en los 17
años de registro, junto a los años 2009, 2010 y 2013. Estos datos son coherentes con las noticias de
eventos de sequías reportadas en Bolivia por ReliefWeb, el portal de información humanitaria
administrado por la Oficina de Coordinación de Asuntos Humanitarios de las Naciones Unidas
(OCHA): https://reliefweb.int/disasters?search=drought&advanced-search=%28C39%29
101
a b
Figura 56: : a) personas medianamente afectadas por año por Departamento (2002-2019); b) porcentaje de población residente por
Departamento medianamente afectada por sequía
Agregando a nivel de Macro-regiones, se destaca como las Valles sean las más afectadas como
número absoluto de personas que medianamente sufren por sequías (Figura 57a), mientras que el
Chaco resulta el más afectado en relación a su población (Figura 57b), con casi el 10% de sus
habitantes impactados, medianamente por año, por eventos de sequías.
a b
Figura 57: a) personas medianamente afectadas por año por Macro-región (2002-2019); b) porcentaje de población residente por
Macro-región medianamente afectada por sequía
102
A nivel de análisis de los impactos en las diferentes estaciones del año, en la Figura 58 se evidencia
cómo, en promedio en el periodo de registro 2002-2019, los eventos afectan a la población de los
departamentos de Bolivia en las 4 estaciones del año, con una tendencia mayor en la temporada
Marzo-Abril-Mayo (MAM) y en Septiembre-Octubre-Noviembre (SON). La temporada de lluvias
Diciembre-Enero-Febrero (DJF) reporta el menor impacto.
Figura 58: personas por departamento medianamente afectadas por sequía en las 4 estaciones del año considerando el periodo de
registro 2002-2019
En este párrafo analizaremos las prestaciones de diferentes indicadores, comparándolos con datos
de impacto. Se tomará como referencia los datos relativo al año de la última sequía significativa: el
2016. Para el evento del 2016 se tiene información de impacto tanto a la población (OND, VIDECI,
Figura 59a) como al sector agropecuario (RAA, MDRyT, Figura 59b). Habiendo sido un impacto
localizado y debido específicamente a las condiciones de abastecimiento hídrico, no se han
considerado en la representación gráfica los datos de impacto registrados en la Ciudad La Paz.
103
a b
Figura 59: a) datos de población afectada en el 2016, agregados por macro-regiones (fuente: Observatorio Nacional de Desastres,
VIDECI); b) datos de hectáreas de cultivos afectadas en el 2016, agregadas por macro-regiones (fuente Registro Afectación
Agropecuario)
Como ya vimos en el capítulo “Resultados”, las series temporales de todos los índices marcan una
señal evidente en correspondencia del año 2016. En las siguientes figuras se analizan en términos
espaciales y temporales algunos de los índices más significativos, dos por cada tipología de sequía
(meteorológica, hidrológica y agrícola). Por cada índice, se muestran los mapas mensuales (en
columnas) con un periodo de agregación 01, 03, 06 meses (en filas).
Los primeros dos índices considerados son índices meteorológicos: SPI (Figura 60) y SPEI (Figura 61)
(desde PERSIANN y MODIS).
104
Figura 60: mapas mensuales de SPI del 2016. En columnas se muestra los meses del año y en filas el periodo de agregación de 01,
03, 06 meses
Figura 61: mapas mensuales de SPEI del 2016. En columnas se muestra los meses del año y en filas el periodo de agregación de 01,
03, 06 meses
105
El índice SPI a 1 mes reporta una fuerte falta de precipitación en los mese de febrero, marzo y abril
en casi todo el territorio boliviano. Se nota también una persistencia de anomalía negativa en los
primero 4 meses del año en Chiquitania , Valles, Altiplano y este sinal es presente hasta el mes de
agosto en períodos de agregación de 6 meses.
El índice SPEI confirma la tendencia general pero al mismo tiempo presenta unas diferencias
importantes. Considerando no solo la precipitación sino también la evapotranspiración, se reduce
la intensidad de algunos meses (por ejemplo: febrero con agregación 1 mes, abril con agregación 3
meses) pero al mismo tiempo presenta algunas señales negativas en casi todos los meses del año,
por ejemplo en la región altiplánica.
Entre los índices hidrológicos se analizan SMI (Figura 62)y SWDI (Figura 63).
Figura 62: mapas mensuales de SMI del 2016. En columnas se muestra los meses del año y en filas el periodo de agregación de 01,
03, 06 meses
106
Figura 63: mapas mensuales de SWDI del 2016. En columnas se muestra los meses del año y en filas el periodo de agregación de
01, 03, 06 meses
Los índices de humedad del suelo SMI y SWDI presentan la misma tendencia. Sin embargo el índice
SMI es más sensible a la variaciones y llega muy pronto a valores intenso, lo cual dificulta la
interpretación de algunos matices. Estos dos índices presentan una persistencia de anomalía
negativa de humedad del suelo en gran parte de Bolivia con excepción de la Chiquitanía y del Chaco
oriental. Se destacan valores alrededor de -2 en el Altiplano y los Valles (y en medida mas reducida
en Chiquitanía occidental) a partir del mes de abril hasta final de año.
Entre los índices agrícolas se analizan VHI (Figura 64) y FAPAR (Figura 65).
107
Figura 64: mapas mensuales de VHI del 2016. En columnas se muestra los meses del año y en filas el periodo de agregación de 01,
03, 06 meses
Figura 65: mapas mensuales de SPI del 2016. En columnas se muestra los meses del año y en filas el periodo de agregación de 01,
03, 06 meses
108
El índice de salud de la vegetación (VHI) a un mes presenta una anomalía baja en las regiones del
Altiplano, el Chaco y los Valles, durante todo el año. En los meses de junio a septiembre se añade
también, en la zona alrededor de Santa Cruz. Esta signal es todavía más marcada en períodos de
agregación más amplio (3 y 6 meses), y entonces menos sensibles a variaciones extemporáneas.
La misma tendencia resulta reflejada en el índice FAPAR, que confirma una afectación del Altiplano
los Valles y del área alrededor de Santa Cruz. Se destacan dos diferencias importantes en los meses
de mayo (donde se registran fuertes anomalías hasta en la zona de Riberalta, Amazonía) y junio (en
una franja estrecha en el Chaco occidental al sur de Santa Cruz).
De todos los índices analizado se destaca una concordancia y persistencia de la signal de sequía en
las regiones del Altiplano, de los Valles, del Chaco y de la Chiquitanía oriental. Como mostrado al
comienzo de este párrafo, estas áreas resultan las más afectadas si comparadas con los datos de
población afectada (Altiplano, Valles y Chiquitanía) y de impactos al sector agrícola, en términos de
hectáreas de cultivo afectadas en el 2016 (Altiplano, Valles y Chaco).
Los índices de sequía ilustrado en este capítulo se basan sobre una serie climatológica que varía
según la disponibilidad de los datos de entrada. Esta estadística forma la base para la computación
de los índices. Es necesario mantener esta estadística actualizada para integrar nuevos datos y
productos en la serie histórica. Sin embargo, actualizar todas las estadísticas cada vez que haya a
disposición un nuevo dato requeriría una carga computacional muy alta y pondría en riesgo la nueva
producción de índices.
Por esa razón se llevará a cabo la actualización de las estadísticas de base, con un proceso paralelo
(off-line), sin interferir con la cadena de producción en tiempo real. Una vez terminado el cálculo de
las nuevas estadísticas, se procederá a reemplazar las estadísticas obsoletas con las nuevas.
Se prevé actualizar las estadísticas cada 6 meses (posiblemente en abril y en octubre, entre la
temporada seca y la temporada húmeda). Este periodo de 6 meses es un balance entre la necesidad
de tener el dato actualizado y la carga computacional necesaria para la regeneración de las
estadísticas.
109
Figura 66: Procedimiento para la actualización de las estadísticas que será llevado a cabo cada 6 meses
110
3. La plataforma informática de análisis y divulgación
En este capítulo se describe la plataforma informática utilizada para el análisis de los resultados y la
divulgación de la información hacia la población.
111
aprovechar de la estructura del Dewetra y de su base de datos apta para la gestión de la información
dinámica (sensores hidro-meteorológicos, modelos, datos satelitales, etc.).
Además, la plataforma Dewetra incluye una aplicación dedicada a la preparación y divulgación de la
información. El usuario experto, después de realizar una análisis de los indicadores de sequías podrá
redactar y a través de esa aplicación especializada, redactará el boletín de monitoreo que sintetiza
las condiciones de sequías, diferenciado la información por diferentes departamentos.
Figura 67: Estructura, algoritmos, módulos operativos y flujo de datos del SMATS-MHA
Por lo que merece la divulgación de los resultados, el mapa de síntesis y el boletín elaborados por
los expertos serán accesibles en una dirección web pública. Esta aplicación informática conectada
con la plataforma Dewetra permite la visualización de las informaciones de síntesis en formato
textual y de mapa.
112
Figura 68: Mapa estructural de la aplicación informática vía página web para la divulgación al público
La página inicial “Inicio” reporta la información de síntesis de la situación de sequía para todo el
país. Un mapa ilustra la situación a nivel nacional en términos espaciales, expresa en 4 niveles de
peligrosidad:
- S1 (Anormalmente seco)
- S2 (Sequía moderada)
- S3 (Sequía severa)
- S4 (Sequía extrema)
El mapa está acompañado por una descripción textual sintética puesta al lado.
113
Figura 69: Monitor de Sequía para Bolivia: página de “Inicio”
114
Mapa y texto pueden ser explorado para obtener información a la escala departamental o de
macroregión.
Figura 70: Monitor de Sequía para Bolivia: página de “Inicio”, zoom a nivel departamental
115
Diferentes menús proporcionan funcionalidades adicionales.
A través del menú “Mapas” es posible comparar diferentes mapas (boletines) presentes en la base
de datos. Por ejemplo, se puede comparar la situación presente con la anterior para detectar las
tendencias de las condiciones de sequía. La aplicación proporciona tres maneras distintas de realizar
la comparación:
116
A través del menú “Datos” es posible descargar el boletín en formato PDF y las mapas visualizadas
en formato .png, .jpg y .pdf.
117
Figura 73: Monitor de Sequía para Bolivia: visualización desde teléfono móvil
118
Bibliografía
Anderson, M.C., C. Hain, B. Wardlow, A. Pimstein, J.R. Mecikalski and W.P. Kustas, 2011:
Evaluation of drought indices based on thermal remote sensing of evapotranspiration over
the continental United States. Journal of Climate, 24(8): 2025–2044.
Arsen, A.; Crétaux, J.-F.; Berge-Nguyen, M.; Del Rio, R.A. Remote Sensing-Derived Bathymetry of
Lake Poopó. Remote Sens. 2014, 6, 407-420.
Beguería, S., Vicente-Serrano, S.M., Fergus Reig, Borja Latorre(2014). Standardized Precipitation
Evapotranspiration Index (SPEI) revisited: parameter fitting, evapotranspiration models,
kernel weighting, tools, datasets and drought monitoring. International Journal of
Climatology, 34: 3001-3023.
Bojinski, S., M. Verstraete, T.C. Peterson, C. Richter, A. Simmons, and M. Zem. 2014. The Concept
of Essential Climate Variables in Support of Climate Research, Applications, and Policy.
Bulletin of the American Meteorological Society, 95 (9): 1431-1443.
Byun, H. R., & Wilhite, D. A. (1999). Objective quantification of drought severity and duration.
Journal of Climate, 12(9), 2747–2756. https://doi.org/10.1175/1520-
0442(1999)012<2747:OQODSA>2.0.CO;2
Cammalleri, C., J. Vogt and P. Salamon. 2017. Development of an operational low-flow index for
hydrological drought monitoring over Europe. Hydrological Sciences Journal, Vol. 62, No. 3,
346-358.
Costa L., Hildén M., Kropp J., Böttcher, Fronzek S., Swart R., Otto J., McCormick N., Radojevic M.,
Lückenkötter, Keup-Thiel E., Luojus K., Singh T., Pöyry J., Sanchez E., Juckes M. (2016)
Assessing climate impact indicators: Evaluation criteria and observed strengths and
weaknesses. Reports of the Finnish Environment Institute 41/2016.
Dietz, A. J., C. Kuenzer, U. Gessner, and S. Dech. 2012. “Remote Sensing of Snow – a Review of
Available Methods.” International Journal of Remote Sensing 33 (13): 4094–4134.
Edwards, D.C. and T.B. McKee. 1997. Characteristics of 20th Century Drought in the United States
at Multiple Time Scales. Climatology Report Number 97-2. Colorado State University, Fort
Collins.
Entekhabi, D., S. Yueh, P. O¹Neill, K. Kellogg et al., (2014). SMAP Handbook, JPL Publication JPL
400-1567, Jet Propulsion Laboratory, Pasadena, California, 182 pages.
FAO, 1977. FAO Irrigation and Drainage Paper No. 24 'Crop Water Requirements'.
Gobron N., B. Pinty, F. Mélin, M. Taberner, M.M. Verstraete, A. Belward, T. Lavergne, and J.-L.
Widlowski. 2005. The state of vegetation in Europe following the 2003 drought. International
Journal of Remote Sensing, 26 (9): 2013-2020.
Hampel F. R., ”The influence curve and its role in robust estimation,” Journal of the American
Statistical Association, 69, 382–393, 1974.
Jakubowski, W. and L. Radczuk. 2004. Estimation of hydrological drought characteristics: NIZOWKA
2003 – Software Manual. In: Tallaksen, L.M. and H.A.J. van Lanen (editors). 2004. Hydrological
Drought – Processes and estimation methods for streamflow and groundwater. Elsevier,
Amsterdam.
Jain, V.K.; Pandey, R.P.; Jain, M.K.; Byun, H.R. (2015). Comparison of drought indices for appraisal
of drought characteristics in the Ken River Basin. Weather Clim. Extrem., 8, 1–11.
119
Kogan, F.N., 1990: Remote sensing of weather impacts on vegetation in non-homogeneous areas.
International Journal of Remote Sensing, 11: 1405–1419. DOI: 10.1080/01431169008955102.
(For more information on this paper, please contact the IDMP HelpDesk).
Martínez-Fernández, J., Gonzalez-Zamora, A., Sanchez, N., Gumuzzio, A., 2015. A soil water based
index as a suitable agricultural drought indicator. J. Hydrol. 522, 265–273.
Martínez-Fernández, J., Gonzalez-Zamora, A., Sanchez, N., Gumuzzio, A., HerreroJimenez, C.M.,
2016. Satellite soil moisture for agricultural drought monitoring: Assessment of the SMOS
derived Soil Water Deficit Index. Remote Sens. Environ. 177, 277–286.
McKee, T. B., N. J. Doesken, and J. Kleist, (1993): The relationship of drought frequency and
duration of time scales. Eighth Conference on Applied Climatology, American Meteorological
Society, Jan17-23, 1993, Anaheim CA, pp.179-186.
Mishra, A., et al. (2017). Drought monitoring with soil moisture active passive (SMAP)
measurements. Journal of Hydrology, 552, 620–632.
MMAyA, Convención de las Naciones Unidas para combatir la desertificación (2018): Estrategia
para enfrentar la Sequía
Myneni, R.B., S. Hoffman, Y. Knyazikhin, J. L. Privette, J. Glassy, Y. Tian, Y. Wang, X. Song, Y. Zhang,
G.R. Smith, A. Lotsch, M. Friedl, J.T. Morisette, P. Votava, R.R. Nemani, and S.W. Running.
2002. Global Products of vegetation leaf area and fraction absorbed PAR from year one of
MODIS data. Remote Sensing of Environment, 83, 214 – 231.
Nagarajan, R. (2009). Drought assessment / R. Nagarajan. Springer Dordrecht
Nalbantis, I. and Tsakiris, G., (2009), Assessment of Hydrological Drought Revisited. Water
Resources Management: An International Journal, Published for the European Water
Resources Association (EWRA), 23, issue 5, p. 881-897.
Nguyen, P., E.J. Shearer, H. Tran, M. Ombadi, N. Hayatbini, T. Palacios, P. Huynh, G. Updegraff, K.
Hsu, B. Kuligowski, W.S. Logan, and S. Sorooshian, The CHRS Data Portal, an easily accessible
public repository for PERSIANN global satellite precipitation data, Nature Scientific Data, Vol.
6, Article 180296, 2019. doi: https://doi.org/10.1038/sdata.2018.296
Nguyen, H., M.C. Wheeler, J.A. Otkin, A.J. Frost, R.C. Stone, T. Cowan, 2019. Using evaporative
stress index to monitor flash drought in Australia. Environ. Res. Lett., 14, pp. 1-6
Organizacion Meteorologica Mundial, Asociacion Mundial para el Agua (2016).
http://www.droughtmanagement.info/literature/WMO-GWP_Manual-de-indicadores_2016
Palmer, W. C., 1965: Meteorological drought. U.S. Department ofCommerce, Weather Bureau
Research Paper 45, 58 pp
Reichle,R.H. (2017). AssessmentoftheSMAPLevel-4SurfaceandRootZone Soil Moisture Product
Using In Situ Measurements, J. Hydrometeorol., 18, 2621–2645.
Sadri, S., Wood, E. F. and Pan, M. (2018). Developing a drought-monitoring index for the
contiguous US using SMAP. Hydrol. Earth Syst. Sci., 22, 6611–6626
Shi, H., Chen, J., Wang, K., & Niu, J. (2018). A new method and a new index for identifying
socioeconomic drought events under climate change: A case study of the East River basin in
China. Science of the Total Environment, 616–617, 363–375.
https://doi.org/10.1016/j.scitotenv.2017.10.321
Shukla, S. and A.W. Wood. 2008. Use of a standardized runoff index for characterizing hydrologic
drought. Geophysics Research Letters, 35, L02405.
120
Telesca, L., & Hattori, K. (2007). Non-uniform scaling behavior in ultra-low-frequency (ULF)
earthquake-related geomagnetic signals. Physica A: Statistical Mechanics and its
Applications, 384(2), 522-528.
Unión Europea, Cooperación Española, Banco Interamericano de Desarrollo, MMAyA. (2018)
SISTEMA BÁSICO DE INDICADORES Y MEDIDAS DE ACTUACIÓN Y OPERATIVIDAD DEL Plan de
Gestión de Sequías de El Alto y La Paz. Producto entre el Contrato de cooperación técnica RG-
T2659 – “Plan de Gestión de Sequías de El Alto y La Paz”
Van Loon, A. F., & Laaha, G. (2015). Hydrological drought severity explained by climate and
catchment characteristics. Journal of Hydrology, 526, 3–14.
https://doi.org/10.1016/j.jhydrol.2014.10.059
Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (2010). A multiscalar drought index
sensitive to global warming: the standardized precipitation evapotranspiration index. Journal
of climate, 23(7), 1696-1718.
Vicente-Serrano, S. M., Aguilar, E., Martínez, R., Martín-Hernández, N., Azorin-Molina, C., Sánchez-
Lorenzo, A., ... & Revuelto, J. (2017). The complex influence of ENSO on droughts in
Ecuador. Climate Dynamics, 48(1-2), 405-427.
Wells, N., S. Goddard, and M.J. Hayes, 2004: A self-calibrating Palmer Drought Severity Index.
Journal of Climate 17, 2335-2351.
World Meteorological Organization. 2012. Standardized Precipitation Index User Guide. (M.
Svoboda, M. Hayes and D. Wood). WMO-No. 1090. Geneva. ISBN 978-92-63-11091-6. 16p.
Yu, H., Zhang, Q., Xu, C., Du, J., Sun, P. and Hu, P. (2019). Modified Palmer Drought Severity Index:
Model improvement and application. Environment International, 130, 104951.
Zelenhasić, E. and A. Salvai. 1987. A method of streamflow drought analysis. Water Resources
Research, Vol. 23 (1): 156–168
Concept Note of a Drought Monitoring System for Bolivia as a Part of a Proactive Risk-Based
Drought Policy and Management
121
Anexos
I. Actas de reunión con instituciones interesadas
II. Informe sobre el Taller 2: “Teoría y operatividad de los Índices de sequías elaborados para
Bolivia“
122