UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA CIVIL

DEPARTAMENTO ACADÉMICO DE HIDRÁULICA E HIDROLOGÍA

CURSO: ABASTECIMIENTO DE AGUA Y ALCANTARILLADO SA253J

TRABAJO ESCALONADO N° 2

CICLO 2020-II

“PLAN DE GESTIÓN DE RECURSOS HÍDRICOS CON FINES DE

ABASTECIMIENTO DE AGUA DE CONSUMO SIMULANDO ESCENARIOS DE
MODELOS CLIMÁTICOS GLOBALES EN LA CUENCA DEL RÍO CAÑETE”

ELABORADO: GRUPO 05

N° INTEGRANTE CÓDIGO CORREO UNI

1 Coronado Maluquis, Wilyn Elito 20101111G wilyn.coronado.m@uni.pe
2 Navarro Prieto, Valy Jowi 20164029F vnavarrop@uni.pe
3 Palma Picoy, Jhordan Michell 20161063I jpalmap@uni.pe
4 Torres Díaz, Euler Steven 20161051K euler.torres.d@uni.pe

LIMA, PERÚ
FEBRERO, 2021
 ÍNDICE
INTRODUCCIÓN 3
CAPÍTULO 1 GENERALIDADES 5
1.1 ANTECEDENTES 5
1.2 DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA 5
1.3 FORMULACIÓN DEL PROBLEMA 6
1.4 JUSTIFICACIÓN E IMPORTANCIA 7
1.5 OBJETIVOS 7
1.6 HIPÓTESIS 8
1.7 VARIABLES E INDICADORES 8
1.8 UNIDAD DE ANÁLISIS 9
1.9 PERIODO DE ANÁLISIS 10
1.10 TIPO Y NIVEL DE INVESTIGACIÓN 10
CAPÍTULO 2 MARCO TEÓRICO 1
2.1 MARCO TEÓRICO 1
CAPÍTULO 3 METOLOGÍA DE ESTUDIO 1
3.1 ZONA DE ESTUDIO 1
3.2 METODOLOGÍA DE ESTUDIO 3
CAPÍTULO 4 PROPUESTA DE GESTIÓN DEL RECURSO HÍDRICO 1
4.1 Hidrología de Cañete 1
4.2 Disponibilidad del recurso hídrico 2
4.3 Peligros y amenazas 2
4.4 Crecimiento poblacional 3
4.5 Modelamiento WEAP 3
CONCLUSIONES 1
BIBIOGRAFÍA 1
 INTRODUCCIÓN

Una situación donde no hay agua suficiente con fines de abastecimiento para el consumo
poblacional constituye hoy en día un problema latente en todo el planeta, que es urgente resolver
a fin de dar seguridad social y desarrollo económico a una localidad. Se define que un país se
encuentra con estrés hídrico cuando el abastecimiento de agua anual está por debajo de 1 700 m3
por persona, y si el nivel anual en el abastecimiento de agua está ´por debajo de 1 000 m3 por
persona el país se encuentra en una condición de escasez de agua (Mihelcic. J, et al, 2 014).

Uno de los factores que contribuyen a dicha escasez de agua es el cambio climático, como
resultado del calentamiento global que experimenta la superficie de la tierra, por efectos de una
mayor acumulación de los gases de efecto invernadero, que generan variabilidad extrema en las
precipitaciones, observando un aumentando en épocas de avenida y una disminución en épocas
de estiaje. El Cambio climático ha generado mayor recurrencia del fenómeno de El Niño y su
variante El Niño Costero, donde el Perú muestra una gran vulnerabilidad ante las variaciones
climáticas drásticas, que afecta la disponibilidad de los recursos hídricos, la capacidad del manejo
del agua en el almacenamiento, tratamiento, captación y conducción con fines de abastecimiento
para consumo doméstico.

Los Modelos Climáticos Globales (MCG) del Grupo Intergubernamental de Expertos sobre el
Cambio Climático (Intergovernmental Panel on Climate Change, IPCC), reproducen
matemáticamente de manera retrospectiva y prospectiva el sistema climático con escenarios
futuristas de emisión de gases de efecto invernadero en especial el CO2 en base al posible
crecimiento de forzamiento radiactivo global para el siglo XXI, teniendo en cuenta las
interacciones entre sus componentes: hidrósfera, atmósfera, biósfera, litósfera y criósfera, (Moya
A., et al. 2015),

La predicción de la disponibilidad hídrica empleando modelos hidrológicos debidamente

calibrados y validados en términos de caudales es de suma importancia para el abastecimiento de
agua, por lo es necesario su estimación en base a datos de precipitación generados por modelos
matemáticos de cambio climático.

La prospectiva del conocimiento de las ofertas hídricas en épocas de estiaje y la estimación de la

demanda poblacional futura permitirán cuantificar si es caso, el déficit de agua en un escenario
futuro, que servirá luego para gestionar con mayor alcance la necesidad de planificar la
implementación de obras hidráulicas de cabecera, mejorar los métodos de tratamiento y optimizar
la operación y mantenimiento del sistema de abastecimiento y reducir el consumo de agua.
La metodología se basa en la obtención en retrospectiva y prospectiva de datos de precipitación
y temperatura generados por Modelos Climáticos Globales sustentados mediante un análisis con
el Proyecto de Intercomparación de Modelos Acoplados (CMIP), previamente efectuando una
interpolación espacial para los puntos de ubicación y contrastados con los datos históricos de
precipitación y temperatura observados en las estaciones meteorológicas de las estaciones
meteorológicas del caso en estudio, con el fin de definir el MCG que mejor represente la zona de
estudio para las proyecciones futuras (López J, 2018).

Los datos de precipitación de salida del MCG escogido se utilizan para la estimación de los
caudales medios mensuales utilizando un modelo hidrológico calibrado y validado previamente.
Los resultados obtenidos en aplicación de los modelos climáticos servirán para la toma de
decisiones y la gobernabilidad de las poblaciones en los aspectos socioeconómicos como la
agricultura, el abastecimiento de agua potable, la gestión, la prevención del riesgo de desastres y
la generación de energía hidroeléctrica (Bonilla C., et al, 2017).

El estudio se realiza en la cuenca del río Cañete fuente principal de agua de las localidades de
Imperial y San Vicente de Cañete. Administrativamente, la cuenca del río Cañete forma parte de
las provincias de Cañete y Yauyos, pertenecientes ambas al departamento de Lima, en el Perú.
Geográficamente, se encuentra entre los paralelos 11º58'00" y 13º09'00" de latitud Sur y los
meridianos 75º 31'00" y 76º 31'00" de longitud Oeste (Recuperado de:
https://es.wikipedia.org/wiki/rio-cañete).

El objetivo del estudio es proponer un plan de gestión de los recursos hídricos con fines de
abastecimiento de agua poblacional utilizando los resultados de la simulación de escenarios de
modelos climáticos globales.
 CAPÍTULO 1 GENERALIDADES

1.1 ANTECEDENTES

Debido al crecimiento acelerado de la población existen problemas en el abasteciendo de agua,

que se agudizarían más aun a futuro considerando los posibles impactos negativos del cambio
climático como por ejemplo el retiro de los glaciares, que en la mayoría de ellos representan la
sostenibilidad de agua en la cuenca.

Por otro lado, existen aspectos limitantes de la información hidrológica tanto en cantidad como
en calidad y no se cuenta con datos de escenarios de clima futuro a la escala de las cuencas que
posibilitan el modelamiento de las posibles variaciones esperados de precipitación y temperatura
producto del cambio climático.

Un gran avance fue la creación de los Modelos Climáticos Globales (MCG), por parte del IPCC,
que pueden reproducir matemáticamente el sistema climático teniendo en cuenta las interacciones
entre sus componentes. Estos modelos simulan un periodo histórico y realizan proyecciones
futuras en base a los escenarios climáticos de emisión de gases de efecto invernadero (Moya A.,
et al. 2015).

Los MCG tienen una resolución espacial muy grande, no es posible estudiar un área regional y
mucho menos local, para éste inconvenienteo existe la alternativa de desarrollar dos técnicas de
reducción de escala, estas son conocidas como downscaling dinámico y downscaling estadístico;
pero el costo computacional para desarrollar estas técnicas es el principal recurso que define la
elección de la técnica de downscaling (Fowler, Blenkinsop & Tebaldi, 2007)

1.2 DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA

El cambio climático es un fenómeno global que afecta los parámetros meteorológicas

principalmente precipitación y temperatura. La variabilidad extrema de las precipitaciones
determina la ocurrencia de avenidas y sequias en las cuencas, generando inundaciones y escasez
de agua que afectan al abastecimiento de agua de consumo poblacional.

Los diseños de los sistemas de abasteciendo de agua entre otros aspectos dependen del balance
hídrico oferta-demanda y así determinar la capacidad de regulación debido a la variabilidad diaria
del consumo de agua durante un periodo de análisis.
Se ha necesario cuantificar a futuro la oferta de agua en épocas de sequía extrema producidas por
el cambio climático, en base a datos históricos de precipitación y escorrentía reportados en las
estaciones meteorológicas, pero dicha información es escaza y de poca calidad, y además los
modelos hidrológicos existentes tienen restricciones de cálculo en la estimación considerando el
cambio climático y deben ser calibrados y validados convenientemente.

A efectos de tener información de futurista de la precipitación y la temperatura se recurren a los

Modelos Climáticos Globales del IPCC que forman parte del Proyecto Intercomparativo de
Modelos Acoplados (CMIP), considerando los escenarios climáticos de emisión de los reportes
de, evaluación (RA) denominados Rutas de Concentraciones Representativas (Representative
Concentration Pathway, RCP), contemplando al posible crecimiento de forzamiento radiactivo
global. Los datos tienen que ser interpolados espacialmente y debe seleccionarse el MCG que
mejor represente la estacionalidad del caso de estudio.

En el Perú, no se cuenta con herramientas de planificación de los recursos hídricos futuristas

considerando los efectos del cambio climático que permitirá además conocer las ofertas hídricas
en épocas de estiaje y con la estimación de la demanda poblacional futura permitirán cuantificar
si es caso, el déficit de agua en un escenario futuro, que servirá luego para gestionar con mayor
alcance la necesidad de proponer la implementación de obras hidráulicas de cabecera, mejorar los
métodos de tratamiento y optimizar la operación y mantenimiento del sistema de abastecimiento
y reducir el consumo de agua.

1.3 FORMULACIÓN DEL PROBLEMA

1.3.1 PROBLEMA GENERAL

¿De qué manera se puede implementar proponer un plan de gestión de recursos hídricos con fines
de abastecimiento de agua de consumo simulando escenarios de modelos climáticos globales?

1.3.2 PROBLEMAS ESPECÍFICOS

¿Cómo determinar la variación de la precipitación y temperatura futuristas por efectos del cambio
climático considerando escenarios de forzamiento radiactivo Modelos de Cambios Globales del
IPCC?

¿Cómo estimar las relaciones precipitación y escorrentía mediante modelos hidrológicos

debidamente calibrados y validados con datos de campo bajo escenarios del cambio climático?

¿Cómo interpolar los datos espacialmente y seleccionar el MCG que mejor represente la
estacionalidad del caso de estudio?
¿Cómo evaluar los resultados obtenidos para implementar un sistema de gestión ambiental que
sirva de herramienta para planificar el manejo de los recursos hídricos y controlar los impactos
negativos del cambio climático?

1.4 JUSTIFICACIÓN E IMPORTANCIA

En el Perú debido al crecimiento poblacional por razones migratorias del campo a la ciudad y el
desarrollo comercial e industrial de las localidades existe un déficit creciente de la oferta de agua
comparada con la demanda, más aún si se toma en cuenta las repercusiones del cambio climático
que generan inundaciones y sequías extremas, para estimar a futuro estas necesidades y efectuar
la planificación correspondiente.

En ésta investigación pretende determinar los déficits de la disponibilidad hídrica con fines de
abastecimiento poblacional en las localidades de San Vicente de Cañete e Imperial ubicadas en la
cuenca del Río Cañete considerando las variaciones de la precipitación y temperatura por efectos
del cambio climático bajo los escenarios de emisión de las rutas de concentraciones
representativas (RCP) mencionados en los informes de evaluación del IPCC en un en periodo
futuro., para así proponer planes de gestión de los recursos hídricos.

1.5 OBJETIVOS

1.5.1 OBJETIVO GENERAL

Implementar un plan de gestión de recursos hídricos con fines de abastecimiento de agua de

consumo simulando escenarios de modelos climáticos globales.

1.5.2 OBJETIVOS ESPECÍFICOS

● Determinar la variación de la precipitación y temperatura futuristas por efectos del

cambio climático considerando escenarios de forzamiento radiactivo Modelos de
Cambios Globales del IPCC.
● Estimar las relaciones precipitación y escorrentía mediante modelos hidrológicos
debidamente calibrados y validados con datos de campo bajo escenarios del cambio
climático.
● Interpolar los datos espacialmente y seleccionar el MCG que mejor represente la
estacionalidad del caso de estudio.
 ● Evaluarlos resultados obtenidos para implementar un sistema de gestión ambiental que
sirva de herramienta para planificar el manejo de los recursos hídricos y controlar los
impactos negativos del cambio climático.

1.6 HIPÓTESIS

1.6.1 HIPÓTESIS GENERAL

Es posible Implementar un plan de gestión de recursos hídricos con fines de abastecimiento de
agua de consumo simulando escenarios de modelos climáticos globales.

1.6.2 HIPÓTESIS ESPECÍFICAS

2 Es factible determinar la variación de la precipitación y temperatura futuristas por efectos
del cambio climático considerando escenarios de forzamiento radiactivo utilizando Modelos
de Cambios Globales del IPCC.
3 Es posible estimar las relaciones precipitación y escorrentía mediante modelos hidrológicos
debidamente calibrados y validados con datos de campo bajo escenarios del cambio
climático.
4 Mediante la Interpolación espacial de datos y la selección del MCG que mejor represente la
estacionalidad es posible estudiar el cambio climático aplicado al caso de estudio.
5 Es posible la evaluación de los resultados obtenidos para implementar un sistema de gestión
ambiental que sirva de herramienta para planificar el manejo de los recursos hídricos y
controlar los impactos negativos del cambio climático.

1.7 VARIABLES E INDICADORES

Plan de gestión de recursos hídricos con fines de abastecimiento de agua de consumo

simulando escenarios de modelos climáticos globales

OBJETIVOS VARIABLES INDICADORES

ESPECÍFICIOS

Determinar la variación de la Información Precipitación media mensual

precipitación y temperatura hidrometereológica y las (mm)
futuristas por efectos del cambio rutas de conceptración
Temperatura media mensual
climático considerando representativas de modelos
(°C)
escenarios de forzamiento climáticos globales (IPCC)
Emisiones de carbono
radiactivo Modelos de Cambios
(GT/año)
Globales del IPCC.
Forzamiento radiactivo
(W/m2 )

Estimar las relaciones Escorrentía superficial Precipitación media mensual

precipitación y escorrentía (mm)
Parámetros morfológicos
mediante modelos hidrológicos
de la cuenca Altitud (ms.n.m)
debidamente calibrados y
Caudal medio anual (m3/s)
validados con datos de campo
bajo escenarios del cambio Área (km2)
climático. Perímetro (km)

Longitud río principal (km)

Pendiente (m/m)

Interpolar los datos Data de los Modelos Precipitación media mensual

espacialmente y seleccionar el Climáticos Globales (mm)
MCG que mejor represente la
Técnica de Reducción de Temperatura media mensual
estacionalidad del caso de
Escala estadístico (°C)
estudio.
(Downscaling statictis)

Evaluar los resultados obtenidos Plan de gestión ambiental Reportes, informes y

para implementar un sistema de de los recursos hídricos. conclusiones
gestión ambiental que sirva de
herramienta para planificar el
manejo de los recursos hídricos
y controlar los impactos
negativos del cambio climático.

1.8 UNIDAD DE ANÁLISIS

La zona de investigación corresponde en la cuenca del río Cañete que forma parte de las
provincias de Yauyos y Cañete pertenecientes a la región Lima, en la provincia de Cañete,
comprende los distritos de Zúñiga, Pacarán, Lunahuaná, Nuevo Imperial y San Vicente de Cañete
(INRENA-DGAS, 2000).

El río Cañete es un corto río de la vertiente del Pacífico, localizado en la costa central del Perú,
nace en la laguna Ticllacocha, ubicada al pie de las cordilleras de Ticlla y
Pichahuarco.(recuperado de https://es.wikipedia.org/wiki/río_cañete)

1.9 PERIODO DE ANÁLISIS

El estudio retrospectivo comprende desde el periodo que se dispone de información

hidrometerológica en la década de los 90 hasta el año 2018 para la generación de los modelos
hidrológicos y Modelos de Cambios Globales y para estimar las variables climáticas y la
planificación con un estudio prospectivo desde el año 2020 al año 2100.

1.10 TIPO Y NIVEL DE INVESTIGACIÓN

Este trabajo de investigación es aplicado a un problema concreto del cambio climático. En efecto,
el nivel de investigación amerita para desarrollarse con las características de un estudio
documental, descriptivo, correlacional y explicativo.
 CAPÍTULO 2 MARCO TEÓRICO

2.1 MARCO TEÓRICO

2.1.1 CAMBIO CLIMÁTICO

2.1.1.1 Introducción

El clima de la tierra en los últimos 10,000 años ha permanecido estable. En este periodo las
civilizaciones han evolucionado y se han adaptado a las condiciones climática y a su variación
natural. Sin embargo, en el presente siglo XXI, la sociedad experimenta cambios potencialmente
mucho más rápidos del clima debido a actividades humanas principalmente industriales que
afectan tanto la composición de la atmósfera como el balance de la radiación solar (recuperado
de:

https://www.researchgate.net/publication/260399867_Cambio_Climatico_Gases_de_Efecto_Inv
ernadero_e_Implicancias_en_los_Sectores_Agropecuario_y_Forestal_del_Uruguay

La concentración de gases de efecto invernadero se ha incrementado sustancialmente a partir del

inicio de la era industrial (1750), por la quema de combustibles fósiles, aumento y la expansión
de las áreas cultivadas; el dióxido de Carbono (CO2) ha aumentado más del 30%, el metano (CH4)
más del 100%, y el óxido nitroso (N2O). Las investigaciones han concluido que los gases de efecto
invernadero se encuentran en la actualidad en concentraciones más altas que en los últimos
160,000 años (IPCC, 1996).

2.1.1.2 Definición

Es el cambio del clima producido directamente o indirectamente por actividades antropogénicas

que alteran las condiciones atmosféricas a nivel mundial complementadas por sus variaciones
naturales que han existido desde el inicio de la historia de la Tierra, como las relacionadas con
los cambios en los parámetros orbitales, la deriva continental o periodos de vulcanismo intenso,
que fueron observadas en un periodo de tiempo comparables (Convención Marco del Cambio
Climático, 1992).

Es la variación del estado (propiedades estadísticas) del sistema climático que perdura durante
periodos de tiempo suficientemente largos (décadas o siglas) que suponen que se alcanza un
nuevo equilibrio, que puede afectar tanto a los valores medios del clima como a su variabilidad y
valores extremos (ACOMET, consultado mayo 2019).
El principal motor del cambio climático es el aumento de la concentración del dióxido de carbono
(CO2) en la atmósfera, con el pasar del tiempo esto genera un forzamiento radiactivo positivo.
(IPCC, 2013).

2.1.1.3 Causas del Cambio Climático Global

La distribución de energía y el equilibrio térmico de la tierra en procesos de larga duración se ven

afectados por los cambios en la emisión de radiación, en la composición de la atmósfera, en la
disposición de los continentes, en las corrientes marinas o en la órbita de la Tierra, cuyo resultado
es el cambio del clima.

Un cambio climático global se genera debido a la acción de algún forzamiento climático que altere
el balance de energía del sistema climático que recibe la tierra. Un forzamiento climático pueden
ser los cambios en los orbitales de la tierra, los albedos terrestres, la concentración de los gases
de efecto invernadero y la concentra ración de aerosoles que provienen de las erupciones
volcánicas o de actividades humanas

En 1988 fue creado el Panel o Grupo Intergubernamental de Expertos sobre el Cambio Climático
(Intergovernmental Panel on Climate Change, IPCC), por parte de la organización Meteorológica
Mundial (OMM) y el Programa de las Naciones Unidas para el Medio Ambiente (PNUMA), con
el propósito de estudiar el cambio climático con referencia a una base científica, evaluar sus
efectos y proponer acciones de respuesta.

Las acciones del IPCC se evidencian mediante publicaciones definidos como Informes de
Evaluación (Assessment Report, AR). El primer informe de evaluación (First Assessment Report,
FAR) fue publicado en 1990, el segundo informe (Second Assessment Report, SAR) en 1995, el
tercer informe (Third Assessment Report, TAR) en 2001, el cuarto informe (Fourth Assessment
Report, AR4) en 2007 y el quinto informe (Fifth Assessment Report, AR5) (el ultimo hasta la
actualidad). Se han publicado también informes Especiales y Metodológico entre el 2013-2014.
Estos informes son material de referencia para los gobiernos, al aplicar sus acciones de respuesta
frente al cambio climático (IPCC, 2007).

2.1.2 Modelos de Cambio Climáticos Globales

Los Modelos Climático Globales (MCG) tienen la capacidad de representar matemáticamente los
componentes del sistema climático (hidrósfera, atmósfera, biósfera, litósfera y criósfera) y sus
interacciones, considerando las propiedades químicas, físicas y biológicas (IPCC, 2013).
Según su dificultad, pueden variar desde modelos más sencillos (como balance de energía,
pudiendo ser desarrollado manualmente) hasta modelos complicados que necesariamente se
empleará computadoras con alta capacidad de procesamiento, velocidad y procedimientos
matemáticos más complejos (Hartmann, 1994).

Los primeros trabajos en desarrollar sobre los MCG inducidos por el dióxido de carbono (CO2)
fueron en la mayoría modelos oceánicos acoplados a modelos atmosféricos de circulación general.
Con la evolución de la capacidad y velocidad de las computadoras, los MCG dieron un gran
avance en su resolución espacial e incluyendo más componentes y procesos del sistema climático
(IPCC, 2007).

La característica general de los Modelos Climáticos Globales es que tienen una resolución
espacial muy baja, pues la dimensión de sus celdas de cuadrículas varía desde los 100 kilómetros
a 500 kilómetros es así que muestra un análisis muy general (Trzaska & Schnarr, 2014).

Con esta resolución espacial es imposible poder evaluar áreas o zonas locales como son las
cuencas hidrográficas con fisiografías complejas (ejemplo islas, montañas, etc.), ya que se
obtendría gran incertidumbre en comparación con su sistema climático local.

2.1.3 Técnicas de Reducción de Escala

Frente a las limitaciones de los Modelos Climáticos Globales existe la alternativa de aplicar las
técnicas de reducción de escala (Downscaling) o regionalización de las variables climáticas
involucradas (Sanabria, Marengo, Valverde, 2009).

Para la reducción de escala, existe el enfoque dinámico y el enfoque estadístico. Estas se

diferencian según la forma de regionalizar y el costo computacional a emplear, el desarrolló
combinado de estas se denominan híbridas.

2.1.3.1 Downscaling Estadístico

Consiste en crear relaciones empíricas entre los datos (llamado también predictores) de los
Modelos Climáticos Globales y los datos locales (llamado también predictando) registrados en la
superficie de la tierra, de esto se obtendrán las funciones de transferencia que se considera para
la simulación futura del clima. Estas serán interpoladas espacialmente en la ubicación de la zona
de interés.

Las relaciones empíricas estadísticas tienen mayor certidumbre que los Modelos Climáticos
Globales que permiten corregir el sesgo de las variables climáticas.

La principal ventaja es su bajo costo computacional y desventaja que la relación encontrada para
el periodo histórico (pasado o presente), se mantiene para las proyecciones futuras (Amador y
Alfaro, 2009).
Las metodologías más recomendadas en la literatura de los métodos del Downscaling estadístico
se puede agrupar en tres grupos: Analógicos, Regresión y generadores estocásticos de tiempo.
(Fowler et al., (2007).

2.1.3.2 Downscaling Dinámico

Este enfoque se desarrolla mediante Modelos Climáticos Regionales (MCR), son modelos con
mayor resolución espacial que los Modelos Climáticos Globales (MCG), los MCR emplean como
sus condiciones de borde los resultados de salida de los MCG.

La escala espacial aproximada comprende entre 10 km y 50 km, lograr modelar las características
del clima regional pero no es competente para modelar un clima local. Los MCR son desarrollados
en centros numéricos de Instituciones de investigación meteorológicas y requiere un alto costo
computacional.

Existe la incertidumbre de que las relaciones entre las variables climáticas de los Modelos
Climáticos Regionales y Modelos Climáticos Globales se mantenga en el sistema climático futuro
(Trzaska & Schnarr, 2014).}

2.1.4 Escenarios de Emisión del Cambio Climático

Los escenarios pronostican lo que podrían suceder en el futuro en relación a las variables del
cambio climático con el fin de evaluar sus impactos.

El IPCC publicó el informe de escenario de emisiones (gases de efectos invernadero, GEI) en el

año 1992, fue el primer informe que mostraba los escenarios referentes al cambio climático y que
estimaban los gases de efecto invernadero (GEI), conocido como los escenarios IS92 (06 grupos
de escenarios). Este dio inicio a seguir investigando en las representaciones de los escenarios de
emisión, preparándose para los futuros informes.

En el 2001, el IPCC publicó el Informe Especial sobre Escenarios de Emisión (Special Report on
Emissions Scenarios, SRES), donde se define 04 familias de escenarios de emisión y se les conoce
como A1, A2, B1 y B2. La familia del escenario A1 se divide en A1FI, A1B y A1T; siendo en
total 06 grupos de escenarios. Estos escenarios fueron creados en función del cambio demográfico
(crecimiento poblacional), desarrollo económico y avance tecnológico, definidos como las
principales fuerzas determinantes de las emisiones de los gases de efecto invernadero. Este
informe especial se consideró en el tercer y cuarto informe de evaluación del IPCC (IPCC, 2000).
En el quinto informe de evaluación (AR5) del IPCC se han desarrollado nuevos escenarios de
emisión, estos están definidos por 04 grupos denominados Rutas de Concentraciones
Representativas (Representative Concentration Pathway, RCP), definidas en base al posible
crecimiento de forzamiento radiativo global para el siglo XXI con respecto al año 1750, estos
escenarios son: RCP 2.6, RCP 4.5, RCP 6.0 y RCP 8.5.

El CO2 es el gas de efecto invernadero que genera mayor incremento del forzamiento radiativo
en la atmosfera, teniendo sus inicios desde el año 1750 (IPCC, 2013).

IPCC (2013), Meinshausen et at., (2011) y Van Vuuren et al., (2011), definen los RCP con la
cantidad aproximada del forzamiento radiativo para el año 2100 y sus cantidades equivalentes en
partes por millón (ppm) de CO2, su descripción se define a continuación:

● RCP 2.6: El forzamiento radiactivo adquiere cerca de 3 W/m2, (correspondiente a 490

ppm de CO2 equivalente) y para el 2100 disminuirá a 2.6 W/m2.
● RCP 4.5: Forzamiento radiactivo de 4.5 W/m2 estabilizante en 2100, correspondiente a
650 ppm de CO2 equivalente.
● RCP 6.0: Forzamiento radiactivo de 6.0 W/m2 estabilizante en 2100, correspondiente a
850 ppm de CO2 equivalente.
● RCP 8.5: Se incrementa el forzamiento radiativo a 8.5 W/m2 al 2100, correspondiente a
1370 ppm de CO2 equivalente.

2.1.5 PRE-PROCESAMIENTO DE LA INFORMACIÓN

Según la información que se obtiene de modelos regionales de clima generalmente se encuentra

sesgada. En nuestro estudio, realizando una comparación entre datos modelados y observados en
el periodo de 1964 a 2000, podemos encontrar que los datos modelados difieren a las
observaciones. Esto nos indica que el modelo no está siendo preciso al momento de pronosticar
el comportamiento de las variables climáticas. Por lo tanto, necesitan una corrección con el fin de
obtener que la distribución de los datos modelados se ajuste de mejor manera a las observaciones.
Para lograr este objetivo se empleó la técnica denominada Quantile Mapping. En nuestro estudio
la aplicación de esta técnica durante un periodo base nos permitirá obtener parámetros para ajustar
la distribución de los datos modelados del futuro.

2.1.5.1 MAPEO DE CUANTILES (QUANTILE MAPPING)

Quantile Mapping nos permite encontrar una función que luego de ser aplicada a los datos
obtenidos con downscaling, genere una corrección de su distribución haciéndola semejante a la
de los datos observados (Gudmundsson et al. 2012). Se puede expresar mediante la siguiente
ecuación:
Vo= h(Vm)
Donde,
Vo = variable observada.
h= Función para arreglo de la distribución.
Vm= variable modelada.
Gudmundsson et al. (2012) nos presenta tres enfoques para realizar Quantile Mapping estos son:
Función de Transformación Paramétrica (PTF), transformaciones no paramétricas y
distribuciones derivadas de transformaciones (DIST). Cada uno contiene diversas formas de
aplicación. En nuestro estudio se emplea el método PTF (Función de Transformación
Paramétrica), el cual se lo puede aplicar de 6 formas distintas, las mismas que se exponen a
continuación junto con su fórmula:

● Power:
Vo=b (Vm)^c
● Power.x0:
Vo=b(Vm-x0)^c
● Linear:
Vo=a+b*Vm
● Expasympt (Tendencia exponencial a una asíntota):
Vo=(a+b*Vm)*(1-exp(-Vm/τ))
● Expasympt.x0 (Tendencia exponencial a una asíntota):
Vo=(a+b*Vm)*(1-exp(-(Vm-x0)/τ))

● Scale:
Vo=b*Vm
Donde,
a,b,c,x y τ = parámetros que son sometidos a calibración.
Vo = variable observada.
Vm= variable modelada.
Una vez calculados estos parámetros mediante datos observados y modelados se podrá aplicar a
toda la serie temporal del futuro mediante la fórmula seleccionada.
El método PTF ha mostrado buenos resultados en estudios como el de Gudmundsson et al. (2012),
en el cual se realizó una comparación de todos los métodos. En este estudio se llegó a concluir
que los mejores métodos de Quantile Mapping son las transformaciones no paramétricas seguidas
de los métodos PTF.
2.1.6 Proyecto de Intercomparación de Modelos Acoplados (CMIP)

En el año 1995 el Programa mundial de investigaciones climáticas (World Climate Research

Programme, (WCRP) por medio del Grupo de Trabajo sobre Modelos Acoplados (Working
Group on Coupled Modelling, WGCM) crea el Proyecto de Intercomparación de Modelos
Acoplados (Coupled Model Intercomparison Project, CMIP), proyecto que consiste en analizar
los resultados de las simulaciones del clima pasado y futuro de los modelos climáticos globales
en base a sus estándares y protocolos experimentales, donde los centros de investigación y
científicos puedan comparar y compartir sus MCG, este proyecto aporta grandemente a los
informes de evaluación del IPCC.

El Proyecto de Intercomparación de Modelos Acoplados Fase 03 (CMIP3) recolectó y seleccionó

los resultados (simulaciones del clima pasado y futuro) de los Modelos Climáticos Globales
durante los años 2005 y 2006, estos datos contribuyeron al inicio de investigaciones y artículos,
fue relevante para el grupo de trabajo 01 (denominada base de la ciencia científica) para la
producción del cuarto informe de evaluación (AR4) del IPCC, esto generó mayor interés en la
mejora de los Modelos Climáticos Globales dentro la comunidad científica mundial (Meehl et al.,
2007).

Así mismo el Proyecto de Intercomparación de Modelos Acoplados Fase 05 (CMIP5) incluye

investigaciones para evaluación en el quinto informe de evaluación (AR5) del IPCC, pues sus
proyecciones climáticas futuras de los Modelos Climáticos Globales Acoplados consideran los
04 escenarios de emisión de las rutas de concentraciones representativas (RCP) del AR5.

Los MCG del CMIP5 a comparación de sus fases anteriores de CMIP tienen una mejor resolución
espacial. Para su evaluación incluye tres estándares para el desarrollo de las simulaciones: 1)
Evaluar la simulación de los MCG en el periodo histórico, 2) realizar las proyecciones climáticas
a corto y largo plazo y 3) intercomparación de las simulaciones de los MCG Acoplados (Taylor,
Stouffer & Meehl, 2012).

2.1.6.1 CMIP5

CMIP5 - Proyecto de comparación de modelos acoplados Fase 5

2.1.6.1.1. Descripción general

En una reunión de septiembre de 2008 en la que participaron 20 grupos de modelización climática

de todo el mundo (es decir, la mayoría de los principales grupos que realizan actualmente
investigaciones sobre el cambio climático), el Grupo de trabajo sobre modelización acoplada del
WCRP (WGCM), acordó un nuevo conjunto de experimentos coordinados de modelos climáticos,
que se conocerá como la fase cinco del Proyecto de Intercomparación de Modelos Acoplados
(CMIP5). El propósito de estos experimentos es abordar cuestiones científicas pendientes que
surgieron como parte del proceso de evaluación del IPCC AR4, mejorar la comprensión del clima
y proporcionar estimaciones del cambio climático futuro que serán útiles para quienes consideren
sus posibles consecuencias.
Uno de los objetivos del CMIP5 de interés para el presente trabajo es que examinar la
"previsibilidad" del clima y explorar la capacidad de los modelos para predecir el clima en
décadas escalas de tiempo y, de manera más general.

2.1.6.1.2. Objetivos del CIMP5

1) evaluar los mecanismos responsables de las diferencias del modelo en retroalimentaciones

poco entendidas asociadas con el ciclo del carbono y con las nubes,
2) examinar la "previsibilidad" del clima y explorar las capacidades de predicción de los sistemas
de predicción en escalas de tiempo decenales,
3) de manera más general, determinar por qué los modelos forzados de manera similar producen
una variedad de respuestas, y
4) proporcionar ejemplos de futuros climáticos que surgen de una variedad de escenarios
forzados que abarcan incertidumbres en el clima futuro para su aplicación en estudios de impacto,
adaptación y vulnerabilidad.

Los modelos y países participantes del CMIP5 son los que se muestran en la tabla:
2.1.7 Modelo de Ingeniería Rural de Dos Parámetros (GR2M)

Los modelos hidrológicos son herramientas que se utilizan para conocer mejor el funcionamiento
y el comportamiento de los diferentes componentes del ciclo hidrológicos

Desde 1983, se comenzaron a desarrollar modelos conceptuales con el objetivo de generar

caudales a partir de pocos datos de entrada, con enfoque a cuencas con poca información.
Para estimar la disponibilidad hídrica, se emplea el modelo Hidrológico agregado precipitación–
escorrentía “GR2M”, desarrollado por el Centro de Investigación Agrícola e Ingeniería Ambiental
de Francia, conocido como Cemagref.
(Cabrera, 2012-b), indica que la familia de los modelos GR (ingeniería rural) han ido
evolucionando, obteniendo los modelos GR2M (con dos parámetros a escala mensual), GR1A
(de un parámetro a escala anual), GR4J y GR3J (de cuatro y tres parámetros a escala diaria).

En el 2011 el Cemagref reforma al nombre de IRSTEA (Instituto Nacional de Investigación de la

Ciencia y Tecnología Para el Medio Ambiente y Agricultura), con una fundación pública
científica y tecnológica (IRSTEA, 2014).

El modelo GR2M simula caudales a escala mensual, en su modelamiento sintetiza la respuesta

hidrológica general de la cuenca en la transformación de precipitación en escorrentía, con
variables de ingreso de precipitación y evapotranspiración. (Cabrera W., 2012).

Para la estimación de la evapotranspiración estándar recomiendan emplear el método de Penman-

Monteith de la FAO 56, pero debido a la insuficiencia de datos utilizables para su cálculo esto se
hace inaccesible.

Para el cálculo de la evapotranspiración se emplea el método indirecto de Blaney y Criddle, pues

se tiene insuficiencia de datos, este método sólo requiere datos de temperatura media y un
coeficiente que representa el valor del porcentaje mensual de horas de insolación anual en función
de la latitud de la zona de estudio. en la comparación de 27 modelos (Oudin et al., 2005).
 CAPÍTULO 3 METOLOGÍA DE ESTUDIO

3.1 ZONA DE ESTUDIO

3.1.1 UBICACIÓN

La zona de investigación se ubica en la cuenca del rio Cañete tal como se muestra en Figura 3.1.

Figura 3.1.: Cuenca del río Cañete

Políticamente forma parte de las provincias de Yauyos y Cañete pertenecientes a la región Lima,
en la provincia de Cañete, comprende los distritos de Zúñiga, Pacarán, Lunahuaná, Nuevo
Imperial y San Vicente de Cañete (INRENA-DGAS, 2000).

3.1.2 DATOS DE PRECIPITACION Y TEMPERATURA

Para el presente trabajo se ha tomado en cuenta el estudio de Evaluación y Ordenamiento de los

Recursos de la Cuenca del Río Cañete, documento del ANA del cual se ha obtenido una amplia
data histórica de precipitación mensual comprendida entre los años 1964 – 2000.
 DATOS DE PRECIPITACION HISTORICA CAÑETE (1964 - 2000)
Año Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic TOTAL
1964 76.3 135.3 147.4 79.2 25.9 1.2 0.0 0.4 14.2 28.6 32.1 64.3 604.9
1965 80.9 196.4 100.5 28.7 10.3 0.6 6.3 9.5 16.1 26.8 23.0 80.1 579.2
1966 121.5 93.6 135.6 48.5 10.1 1.4 0.6 0.8 30.1 101.4 49.9 105.2 698.7
1967 179.6 242.9 134.6 31.7 13.1 4.0 7.4 9.5 24.0 49.4 47.6 34.5 778.3
1968 99.7 88.2 100.8 26.8 8.6 6.1 6.0 17.2 28.6 45.7 45.7 51.8 525.2
1969 50.5 80.2 105.8 50.8 1.7 2.4 3.0 8.5 17.8 56.5 63.5 152.8 593.5
1970 213.6 53.3 80.0 60.7 30.9 0.4 3.6 1.5 43.9 30.3 36.9 79.8 634.9
1971 105.7 122.0 189.9 46.3 3.5 1.7 0.0 6.4 2.5 9.0 15.4 122.3 624.7
1972 121.0 85.5 301.3 70.0 1.5 0.5 6.5 2.0 10.8 39.3 35.4 78.2 752.0
1973 150.0 98.3 200.0 91.7 18.4 0.1 1.2 7.2 24.6 51.4 48.8 117.9 809.6
1974 177.3 152.0 140.4 45.6 9.0 6.4 1.0 20.7 8.8 13.3 36.6 63.1 674.2
1975 61.8 93.8 180.7 54.7 28.4 7.7 5.2 14.4 31.7 32.6 39.0 111.7 661.7
1976 182.0 157.0 143.7 31.9 9.4 6.6 4.9 10.5 14.1 5.9 12.5 42.5 621.0
1977 63.7 168.3 139.3 34.6 8.4 2.3 3.8 2.3 13.9 21.6 51.8 37.7 547.7
1978 117.4 90.8 98.2 62.0 14.5 2.1 1.9 6.7 15.4 59.7 35.6 68.2 572.5
1979 51.0 153.0 191.6 33.7 8.1 6.4 1.9 4.5 8.0 9.6 22.0 30.2 520.0
1980 96.1 49.9 115.0 21.9 7.9 2.5 14.6 6.1 12.6 85.3 76.9 79.8 568.6
1981 135.0 173.2 158.7 56.3 3.0 2.9 5.1 15.0 8.5 24.9 44.6 72.3 699.5
1982 104.9 127.4 100.0 51.4 5.0 3.3 4.8 5.7 12.4 76.6 97.6 54.4 643.5
1983 68.7 45.6 158.0 34.9 15.3 11.9 49.2 10.5 14.4 20.8 26.7 77.9 533.9
1984 139.3 215.5 140.1 60.0 65.3 33.0 2.1 4.8 10.9 33.4 43.2 78.8 826.4
1985 107.7 107.8 148.5 76.2 21.2 18.6 12.7 9.3 8.0 27.0 32.9 61.7 631.6
1986 138.8 166.8 130.5 67.7 22.5 9.5 2.5 6.9 32.8 70.8 37.4 110.3 796.5
1987 199.3 88.3 55.3 23.0 7.2 9.1 18.0 9.8 6.9 21.6 45.3 64.6 548.4
1988 156.6 124.8 162.1 64.8 9.9 4.3 0.7 3.2 10.7 15.7 39.3 140.1 732.2
1989 159.9 117.7 176.1 37.3 8.8 7.0 2.3 18.1 18.5 27.6 53.7 66.5 693.5
1990 97.2 61.1 90.5 61.0 16.1 12.6 10.3 10.7 26.9 35.6 58.3 93.6 573.9
1991 106.2 112.5 132.2 62.4 19.8 9.5 4.1 9.0 9.6 37.7 35.1 49.2 587.3
1992 69.2 46.9 85.9 32.0 3.7 3.8 7.2 8.0 10.3 57.7 44.0 69.7 438.4
1993 114.6 141.3 151.4 70.7 15.3 3.3 7.5 10.3 16.0 44.2 70.5 110.8 755.9
1994 151.1 207.9 160.3 47.8 18.5 8.6 4.8 12.5 46.2 44.9 40.7 61.3 804.6
1995 99.8 76.0 120.1 93.2 8.0 0.8 5.8 1.1 19.5 33.6 36.5 70.0 564.4
1996 165.9 127.9 93.9 49.4 5.5 0.2 0.3 9.4 14.3 28.7 24.3 82.8 602.6
1997 120.2 123.9 54.2 47.7 7.6 1.2 0.8 13.1 25.9 35.0 68.2 168.4 666.2
1998 167.2 127.7 132.7 50.4 0.5 2.0 0.2 2.3 12.5 25.0 36.5 68.0 625.0
1999 99.8 196.1 112.8 70.6 28.3 1.5 2.0 1.6 12.9 52.5 47.8 175.8 801.7
2000 151.3 157.3 177.9 40.0 17.0 0.3 5.6 3.4 19.0 50.7 42.8 116.7 782.0
MEDIA 121.6 124.5 136.4 51.8 13.7 5.3 5.8 7.9 17.7 38.7 43.2 84.1 650.7
MIN 50.5 45.6 54.2 21.9 0.5 0.1 0.0 0.4 2.5 5.9 12.5 30.2
MAX 213.6 242.9 301.3 93.2 65.3 33.0 49.2 20.7 46.2 101.4 97.6 175.8

Cuadro: Data de Precipitación Histórica mensual entre los años 1964 - 2000
 Cuadro: Data de Precipitación Histórica mensual entre los años 1992 - 2010

3.2 METODOLOGÍA DE ESTUDIO

3.2.1 PROCESAMIENTO DE DATA EN CMIP5

a. Ingresamos al link: https://climexp.knmi.nl/start.cgi

b. Nos dirigimos a la parte de la derecha de la ventana seleccionando para un escenario
mensual CMIP5.

c. Se abrirá una serie de modelos, el cual se seleccionó de la siguiente manera para obtener
la data de la precipitación.

MODELO CESM1-BGC

ESCENARIO RCP 8.5 (8.5 W/M2)

Cabe resaltar que el modelo elegido es debido a que la data histórica es más cercana a la
obtenida con respectos a los otros modelos, como se muestra a continuación:

COEF. DE CORRELACIÓN
bcc-csm1-1 0.7903
CESM1-BGC 0.8179
GISS-E2-H p1 0.7950
HadGEM2-AO 0.7894
MIROC-ESM 0.8014
NorESM1-M 0.8027

COEFICIENTE DE CORRELACIÓN
0.8250
0.8200
0.8150
0.8100
0.8050
0.8000
0.7950
0.7900
0.7850
0.7800
0.7750
bcc-csm1-1 CESM1-BGC GISS-E2-H p1 HadGEM2-AO MIROC-ESM NorESM1-M

d. Entramos a una nueva ventana donde ingresamos los datos pedidos:

Dato:

e. Se obtuvo los resultados pedidos de la precipitación del año 1850-2100.

f. Se exportó la data en Excel

g. Se selecciona la data que se quiera calibrar: Ordenar data obtenida del KNMI a partir del año
1964 hasta el 2100 en un formato .csv

Imagen: Datos de GCM desde el año 1964 al 2100

h. Terminado con la data de precipitación, se continúa con el mismo proceso para la temperatura
tanto máxima como mínima, teniendo en cuenta lo siguiente:
Temperatura mínima:
Temperatura máxima:
3.2.2 APLICACIÓN DE QUANTILE MAPPING

El Quantile Mapping es el paso inicial para el desarrollo del estudio. Para aplicar esta técnica es
necesario tener instalado el programa R en nuestro ordenador. R es un software libre desarrollado
para cálculos estadísticos y gráficos. Se lo puede descargar desde su página web www.r-
project.org.
Instalado este programa en nuestra computadora debemos proceder a descargar la librería “qmap”.
Una vez cumplidos estos pasos, se procede a alimentar al programa con datos de precipitación y
temperatura. Estos deben ser observaciones y datos modelados durante el periodo 1964 a 2000 en
una misma cantidad de datos. Posteriormente mediante scripts se corre el quantile mapping
obteniendo diferentes resultados al aplicar los distintos métodos.

3.2.3 CALIBRACIÓN Y VALIDACIÓN DEL MODELO

Luego de obtener la data requerida se procede a cargar los archivos de observación histórica
(obtenido del estudio hidrológico de la cuenca del rio cañete entre los años 1964 – 2000) y los
datos observados del GCM (obtenido de KNMI Climate Explorer entre los años 1964 – 2100).

Imagen: Descarga de las librerías y cargo de archivos del modelo GCM y dato histórico

Se procede a validar y calibrar los datos ingresados del modelo GCM y datos de la información
histórica de precipitación mensual de Cañete.

Imagen: Precipitación de los datos observados (1964-2000) y del GCM (1964-2100)

Imagen: Precipitación de los datos observados y datos del GCM entre los años 1964 - 2000

Imagen: Dispersión de datos observados y datos del GCM entre los años 1964 - 2000
3.2.4 ESCALAMIENTO DE MODELOS CLIMÁTICOS GLOBALES

DOWNSCALLING POR LA METODOLOGIA DE QUANTILE MAPPING

Para aplicar esta metodología QUANTILE MAPPING es necesario usar el lenguaje de
programación R, el desarrollo de la metodología en el programa es a través de la librería “qmap”,
la cual debe ser descargada, también es recomendable descargar las librerías “zoo” y
“latticeExtra”.
Luego de validar y calibrar los datos de entrada, se procede a ajustar los datos de GCM a los datos
históricos a través de una función.
En el siguiente gráfico, el modelo observado es el de color negro, el modelo GCM de color rojo
y el modelo GCM downscaled de color azul, es decir, que el modelo DCM de color rojo se ha
escalado al modelo observado, es por ello la similitud de los modelos observado(negro) y GCM
downscaled(azul). Esta aproximación o ajuste se realizó en el periodo 1964 - 2000
Imagen: Ajustes de datos de precipitación (GCM downscaled) a partir del GCM entre 1964-2000

Imagen: Superposición del modelo observado y modelo ajustado (GCM dowscaled)

Luego de las corridas previas en el Sofware RStudio, tal como se detalla en las imágenes
anteriores, se realiza la corrida final donde se obtiene una data de precipitación escalada al modelo
observado a partir del modelo GCM.
Tabla: Datos de precipitación GCM downscaled a partir del año 1964

Tabla: Datos de precipitación GCM downscaled hasta el año 2100

Imagen: Precipitación obtenida – Modelo GCM Downscaled al año 2100

Imagen: Precipitación mensual del modelo escalado al año 2100

PRECIPITACION MENSUAL EN mm OBTENIDO DEL MODELO GCM DOWNSCALING

DESDE 1964 - 2100
Año Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic
1964 211.78 165.76 97.85 51.53 5.00 3.76 0.86 9.50 20.62 27.40 44.04 55.39
1965 36.58 69.19 99.39 33.44 14.62 1.17 12.56 22.82 19.30 31.70 57.42 59.52
1966 102.41 105.70 176.85 79.03 19.21 9.35 5.69 3.30 12.50 26.87 48.08 78.73
1967 110.77 167.20 89.60 64.80 11.33 8.01 1.92 3.29 10.89 28.32 54.22 75.35
1968 140.01 133.43 128.58 58.40 3.79 7.09 2.45 17.77 14.44 25.00 43.45 78.11
1969 121.50 103.98 86.06 29.72 8.10 3.61 2.00 18.24 21.62 36.52 39.29 68.21
1970 96.50 61.68 151.12 71.22 8.84 9.54 1.25 10.39 17.51 30.36 51.75 93.25
1971 151.86 83.09 91.91 50.30 15.30 0.33 2.87 1.52 12.49 22.98 66.06 79.82
1972 63.69 149.71 133.18 48.16 26.90 1.82 3.24 18.27 13.52 38.92 101.40 106.23
1973 64.67 96.31 158.58 32.38 7.84 1.49 1.15 0.80 8.66 37.75 45.71 69.70
…
2080 121.06 123.24 161.02 47.33 2.81 2.54 6.87 18.59 7.92 31.85 46.71 60.55
2081 64.81 110.77 312.42 31.68 3.39 2.28 1.26 1.89 0.00 26.61 96.59 127.72
2082 151.92 210.22 216.99 70.04 26.04 2.80 1.47 0.00 18.35 35.72 40.86 0.00
2083 168.20 118.93 157.52 63.46 2.50 2.30 6.64 12.37 0.00 25.07 39.23 64.69
2084 67.86 188.32 290.06 67.35 5.42 9.27 2.30 7.41 8.13 24.52 90.68 78.30
2085 63.60 138.57 132.05 65.37 7.84 5.00 1.87 7.57 15.44 27.16 98.75 61.76
2086 161.21 244.97 145.90 85.90 15.49 2.30 1.57 6.20 0.00 25.29 83.86 79.75
2087 126.20 198.43 100.71 31.97 8.15 7.38 0.80 0.00 15.23 32.79 39.22 79.30
2088 99.79 137.51 321.79 66.62 8.13 1.99 1.98 9.50 0.00 32.73 112.61 70.18
2089 112.86 214.70 302.48 68.71 24.13 2.30 1.43 0.22 8.09 23.64 44.17 51.18
2090 197.17 245.61 91.12 68.73 8.51 6.06 3.51 0.80 10.80 25.40 58.85 124.20
2091 99.77 99.78 90.26 62.47 25.77 6.90 0.30 2.45 12.50 31.21 39.02 46.24
2092 152.04 127.65 244.87 67.85 8.70 6.39 1.52 1.94 7.65 26.20 49.18 168.31
2093 154.11 249.05 139.61 67.83 3.87 9.38 1.87 6.40 8.45 25.18 46.05 99.78
2094 68.30 171.06 202.54 31.21 14.12 6.95 2.30 14.81 0.00 26.80 49.62 148.85
2095 65.44 175.09 186.19 78.83 28.31 5.07 1.20 26.56 11.24 21.01 48.66 61.81
2096 110.51 225.47 233.18 67.25 24.66 6.06 1.20 14.72 12.16 35.71 47.24 121.16
2097 173.07 223.43 84.22 67.71 7.95 1.52 0.00 1.40 14.16 36.91 39.26 158.61
2098 179.99 157.20 357.68 48.46 23.65 6.06 0.86 0.12 0.00 32.38 52.42 65.35
2099 112.23 137.29 160.68 91.30 8.10 4.24 1.95 0.80 18.72 22.44 49.63 61.42
2100 289.78 196.20 120.59 31.31 20.93 7.55 1.20 2.12 11.74 26.62 62.08 61.80

Tabla: Precipitación mensual obtenida luego del escalamiento 1964 - 2100

3.2.5 QMAP PARA TEMPERATURA

Siguiendo el mismo proceso y procedimiento de la obtención de datos para precipitación se

procede a obtener datos de T°max y T°min, este proceso se realizó usando la metodología Qmap.

Para los datos de entrada se cuentan con una información histórica de 17 años comprendidos entre
1992 y 2009, tales datos deben estar ordenados y guardados en una extensión .csv
(Tmín_CAÑETE_1992_2009.csv, Tmax_CAÑETE_1992_2009.csv), Asimismo se debe contar
con la información de T°max y T°min obtenida del KNMI de un modelo que más se ajuste a los
datos históricos, tal información del mimo modo debe estar en un archivo con extensión .csv
(GCM_Tmax_1992_2100.csv, GCM_Tmin_1992_2100.csv). Luego de procesar y validar la
información ingresada se corre el programa y se obtiene como salida gráficos de T(°C) vs Años
y un archivo con datos de T°max y T°min entre 1992 y 2100 los cuales se encuentran en los
anexos.
 Imagen: Archivos de ingreso de Temperatura

Imagen: Variación de datos observados y datos del GCM

 Imagen: Variación de datos ajustados GCM DOWSCALED
3.2.6 CÁLCULO DEL SPI

El Índice de Precipitación Estandarizado (SPI; McKee 1993) es el número de desviaciones

estándar que la precipitación acumulada se desvía del promedio climatológico. Esto indica que
valores por debajo de un valor -1 indican condiciones de déficit significativos, mientras que
valores mayores que +1 indican condiciones más húmedas que lo normal.

Imagen: Relación entre tipo de sequía y SPI

Imagen: Fuente OMM
Con los datos de precipitación obtenida del modelo GCM Downscaled desde 1964 al 2100 se
puede calcular los valores de SPI con el sofware SPIGenerator
 Imagen: Cálculo de SPI en el sofware SPI Generator
El programa permite obtener información de SPI agrupado en un numero de meses del que se
requiera, a continuación, se muestra los archivos con un grado de detalle variado de acuerdo a lo
seleccionado previamente.

Imagen: Archivos de salida con valores SPI

Con los datos de los archivos obtenidos se puede realizar graficas que ayuden a visualizar la
variación del SPI con el transcurso de los años.

Imagen: Variación del SPI - 3 meses entre los años 1964-2000

Imagen: Variación del SPI - 6 meses entre los años 1964-2000

Se puede observar que hay temporadas donde el SPI supera el valor de 1 y 2 lo cual indica que
habrá temporadas moderadamente húmedas y muy húmedas, también se observa valores de SPI
por debajo de lo valores -1 y –2, lo que nos indica que habrá temporadas moderadamente secas
y muy secas.

3.2.7 CÁLCULO DE LA DEMANDA POBLACIONAL

Para determinar la demanda poblacional, se considera los datos de los tres últimos censos
nacionales del INEI (1993, 2007 y 2017) y la dotación. Para la población futura se desarrolla el
método aritmético, geométrico y exponencial, seleccionando el valor intermedio. Para la dotación
se considera del reglamento nacional de edificaciones en Obras de Saneamiento (OS-100); donde
considera la dotación de acuerdo al clima y sistemas de conexiones domiciliarias, para el clima
templado y cálido una dotación de 220 lit/hab/día.

Población futura: P2100 =442376 habitantes

Dotación (según RNE) =220 lt/hab/día

𝑄𝑝 = 𝑃 ∗ 𝐷 / 86400
 𝑄𝑝 = 442376 ∗ 220 / 86400
𝑄𝑝 = 1126.42 𝑙𝑡/𝑠
𝑄𝑝 = 1.13 𝑚3/𝑠

𝑄𝑚𝑑 = 1.3 ∗ 1.13 = 1.46 m3/s

 CAPÍTULO 4 PROPUESTA DE GESTIÓN DEL RECURSO HÍDRICO

Con el aumento continuo de la temperatura global y el comportamiento climático errático, los

recursos hídricos disponibles se han vuelto cada vez más limitados. Además, con los avances
económicos y el aumento de la población, el consumo y uso de los recursos hídricos aumenta
continuamente. Por tanto, la gestión sostenible de los recursos hídricos disponibles es de suma
importancia. La gestión sostenible de los recursos hídricos significa satisfacer las necesidades de
agua de la generación actual sin obstaculizar la capacidad de las generaciones futuras para
satisfacer sus propias necesidades. Describe cuán resistente es el sistema de gestión ante el cambio
(SWRM, 2009). Los principios de la gestión sostenible de los recursos hídricos incluyen
consideraciones ambientales, sociales y económicas (SWRM, 2009).

Las consideraciones sociales de la gestión de los recursos hídricos incluyen un suministro de agua
limpia y abundante que respalda un suministro de alimentos seguro y protegido y un suministro
de energía limpia y estable. Las consideraciones económicas incluyen los bajos costos del ciclo
de vida y la solidez (económicamente) frente a los cambios en la infraestructura de gestión de los
recursos hídricos.

4.1 Hidrología de Cañete

Sus escorrentías se originan como consecuencia de las precipitaciones pluviales estacionarias que
se suscitan en la cuenca alta y el deshielo de los nevados como: Pichahuarco, Tapo, Tunsho,
Paccarin, Chuspicocha, Altamio, Pumahuasín, Ajocochay y Quepala, con una superficie
promedio de 60 Km² de la cuenca húmeda, por encima de los 3 500 m.s.n.m.; situado sobre la
divisoria con la cuenca del río Mala, los numerosos glaciales y lagunas ubicados en la naciente
de la cuenca permite que el río Cañete mantenga un caudal relativamente alto hasta en épocas de
estiaje, llevando agua durante todo el año al mar. El río Cañete nace en la laguna de Tillacocha
ubicada al pie de la cordillera, se extiende desde el litoral hasta los 5817 m.s.n.m. en la línea
divisoria continental de aguas formadas por los nevados y lagunas que se ubican al norte de la
provincia de Yauyos del departamento de Lima.

En toda la cuenca existe una estación de aforos de registro automático, instalada para determinar
el rendimiento hídrico de la cuenca; la que está ubicada en el Puente Socsi que controla el
escurrimiento de 5792 Km². Presenta un régimen irregular y de carácter torrentoso, con marcadas
diferencias entre sus parámetros extremos, históricamente registra dos descargas máximas: en
1932, registro una descarga máxima de 850 m³/seg, y una mínima de 5.80 m³/seg., con una media
anual de 50.71 m³/seg. equivalente a un volumen medio anual de 1 599 301 569 m³. 1. Y la otra
que fue 3 de marzo de 1972 con una descarga máxima de 900 m³/seg. y una mínima de 9.41
m³/seg.2.

4.2 Disponibilidad del recurso hídrico

Cabe destacar que, dentro del conjunto de los ríos de la costa del Perú, el río de Cañete es uno de
los que no se secan presentando una descarga mínima relativamente elevada aún en los meses de
estiaje; es por esta razón que la explotación del agua subterránea es incipiente y escasa no
encontrándose gran explotación del recurso hídrico a través de pozos tubulares, por lo que se
calcula una reserva de 43 754 000 m³. aproximadamente aún por aprovechar

4.3 Peligros y amenazas

a. Inundaciones: En el área de estudio son ocasionadas por los desbordes del río Cañete y
los canales de regadío que pasan por el centro de las poblaciones o cercanas a ellas. Las
inundaciones ocasionadas por el desborde del río Cañete afectan generalmente a la zona
adyacente a su valle que corresponde a las tierras agrícolas y algunos centros poblados
cercanos a las riberas del río. Los desbordes por los canales o acequias de regadío son
ocasionados generalmente por su mal mantenimiento y uso que estas tienen en puntos en
que discurren por el centro de la ciudad como es el caso más conocido el de la acequia
Ihuanco que discurre en dirección este-oeste en el distrito de San Vicente de Cañete, entre
otras como: la Acequia San Miguel, María Angola, Canal Viejo Imperial, Canal Nuevo
Imperial. Estos acontecimientos pueden ocasionar perdidas innecesarias en la población;
las mismas que se pueden evitar con un buen mantenimiento y uso adecuado de los
canales y acequias.

b. El distrito más propenso a sufrir este fenómeno es Lunahuaná, sin descartar que en los
otros distritos también se pueden sentir los efectos de dicho fenómeno. y quebradas como
las que se ocasionan en Caltapa y San Jerónimo. En ambas márgenes del río Cañete hay
varios centros poblados algunos con poblaciones que superan los 1000 hab. que se
encuentran en constante peligro de sufrir la fuerza erosiva del huayco, ya que por su
topografía natural y formación geológica podemos encontrar numerosas torrenteras o
quebradas (San Jerónimo, Jita, Catapalla, etc) que se puedan activar especialmente con
la presencia de fenómenos extraordinarios como el fenómeno “El Niño” o simplemente
por la ocurrencia de una fuerte precipitación pluvial en el área de sus microcuencas; las
mismas que al activarse ocasionarían graves daños en la población civil y en la agricultura
ocasionando cuantiosas pérdidas en la economía del sector.
4.4 Crecimiento poblacional

4.5 Modelamiento WEAP

Imagen: Modelo WEAP de la cuenca del Río Cañete

Imagen: Modelo WEAP de la cuenca del Río Cañete, detalle de dos embalses.

Imagen: Caudales mensuales del 2017-2100

Imagen: Demanda de agua poblacional, ajuste lineal.

Cuadro: Demanda no cubierta a partir del 2055.

Imagen: Demanda no cubierta de la ciudad de Cañete.
CONCLUSIONES

✓ Según nuestro calculo poblacional para el año 2100, Cañete contara con
1 millón 250 mil pobladores aproximadamente, en base al censo del año
2017.
✓ Para el análisis de datos, nuestra data compatibilizó con el modelo
CESM1-BGC.
✓ De acuerdo a los cálculos realizados para el análisis de sequía con el SPI,
se tiene un pronóstico de sequias para el periodo de año 2050-2055.
✓ La demanda de agua poblacional, no será cubierta a partir del año 2050,
esto debido a las sequias pronosticadas para este periodo de tiempo, así
también debido a la crecimiento poblacional y aumento de dotación por
habitante.
BIBIOGRAFÍA

● Mapa de peligros, plan de usos del suelo y propuesta de medidas de

mitigación de los efectos producidos por los desastres naturales de las
ciudades de la provincia de cañete 2002.
● https://dspace.ucuenca.edu.ec/bitstream/123456789/21352/1/TESIS.pdfhttps
://ofi4.mef.gob.pe/bp/ConsultarPIP/frmConsultarPIP.asp?accion=consultar&t
xtCodigo=90700
● Evaluación y ordenamiento de los Recursos Hidricos de la cuenca del río
Cañete
● https://www.youtube.com/watch?v=KckV7DAXIoQ&t=228s
● https://climexp.knmi.nl/start.cgi
● Calibración del Número de curva para análisis de máximas avenidas en la
cuenca del Río Cañete, Willams Roy Estacio Cajavilca.
● Estudio de inundación de la zona correspondiente al distrito de Calango,
provincia de Cañete, departamento de Lima, Mediante el uso de los modelos
matemáticos HEC-HMS y HEC-RAS, James Zosimo Chagua Cierto.