Facultad de Ingeniería y Ciencias Básicas

Departamento de Ingeniería Ambiental

MODELO DE ESTIMACIÓN DE CAUDALES MÍ-

NIMOS, MEDIOS Y MÁXIMOS DE CUENCAS NO
INSTRUMENTADAS EN LA SABANA DE BOGOTÁ

Trabajo de Grado para obtener el título de:

LoIngeniero Ambiental

Elaborado por:
Angie Katherin Lache Peñaranda
1016112411
alachep@ucentral.edu.co

Director:

Jorge Enrique Muñoz Barragán

Bogotá, D.C. Mayo, 2022

RESUMEN
El presente trabajo consiste en la elaboración de tres modelos determinar caudales
mínimos, medios y máximos en la Sabana de Bogotá a partir de la correlación entre
variables hidrológicas, hidrometeorológicas y climáticas en respuesta a la problemática
en la estimación de variables hidrológicas como los caudales son altamente inciertos, la
predicción en cuencas no calibradas es un gran desafío sin resolver en la hidrología
científica y de ingeniería, por ello, se utiliza machine learning para realizar las
proyecciones de estos datos. Como resultado, se obtienen coeficientes de correlación
entre 0,98 y 0,97 para los modelos encontrados, y se observó que las variables que más
se relacionan con la estimación de caudales son el área y precipitación.

PALABRAS CLAVES

Modelo, caudales, predicción, sub-cuencas, machine learning

ABSTRACT

The present work consists of creating a model that, based on the correlation between
hydrological, hydrometeorological and climatic variables, allows determining
minimum, average and maximum flows in the Sabana de Bogotá, in response to the
problem in the estimation of hydrological variables such as flows are highly uncertain,
prediction in uncalibrated basins is a great unsolved challenge in scientific and
engineering hydrology, therefore, machine learning is used to make the projections of
these data. As a result, correlation coefficients between 0.98 and 0.97 are obtained for
the models found, and it was observed that the variables that are most related to the
estimation of flows are area and precipitation.

KEY WORDS
Model, flows, prediction, sub-basins, machine learning
1. Introducción
1.1 Estado del arte
Empezando el nuevo Milenio, se ha comprobado que modelos y métodos empíricos
hidrológicos han sido inadecuados para las predicciones en cuencas no calibradas
(Sivapalan, 2003), puesto que se considera necesario comprender mejor el vínculo entre
la forma en que una cuenca responde a los insumos, como los efectos combinados del
clima, la topografía, la geología, el tipo de suelo y el uso del suelo (Kazemi et al, 2019
& Yonaba et al , 2021). Esto, se ha vuelto más obvio durante la Década PUB
(Predictions in Ungauged Basins), desde cambios globales en los patrones de
temperatura y precipitación espacio-temporales (Sheffield & Wood, 2008, págs. 432–
458) ) hasta cambios regionales y locales en los regímenes hidroquímicos y de flujo de
corrientes (Hu et al , 201; Tshimanga & Hughes, 2012, págs. 50–52, 72–83).
Si bien, se reconoció que estos cambios probablemente fueron impulsados por los
efectos combinados de un clima cambiante junto con proyecciones climáticas poco
fiables (Koutsoyiannis et al. 2008 ); la comprensión incompleta del proceso se
consideró una de las principales causas de incertidumbre predictiva, lo que
obstaculizaba las predicciones significativas del efecto del cambio , pues el cambio
climático y las actividades humanas son dos factores dominantes que influyen en los
procesos hidrológicos naturales de las principales cuencas hidrográficas del mundo
( Lakshmi et al, 2018, págs. 510-532).

La respuesta de la estimación de caudales a la variación climática y las actividades

humanas ha atraído una atención considerable (Yang et al , 2020), pues, la variación
climática afecta directamente la generación y transferencia de escorrentía y altera la
distribución espacio-temporal de los recursos hídricos regionales y globales, lo que
provoca sequías e inundaciones más frecuentes (Wu et al, 2017).

El Informe de las Naciones Unidas sobre el desarrollo de los recursos hídricos en el

mundo 2020 señaló que la variabilidad climática afectaría la cantidad y calidad de los
recursos hídricos (Loudière & Gourbesville, 2020); por tanto, es inaplazable revelar los
efectos de la variación climática en diversas condiciones hidrológicas y proponer
acciones para mejorar la gestión de los recursos hídricos.

Para afrontar estos problemas, la iniciativa de predicciones en cuencas no calibradas de

la Asociación Internacional de Ciencias Hidrológicas (IAHS), inició en 2003 con el
lanzamiento de un plan científico de 10 años (Sivapalan et al, 2003), con el objetivo de
“Formular e implementar programas científicos apropiados que involucren y energicen
a la comunidad científica, de manera coordinada y efectiva, para lograr avances
importantes en la capacidad de hacer predicciones hidrológicas en cuencas no
calibradas”.

Durante la última década, se han dado importantes avances direccionados con la

disponibilidad y calidad de una amplia variedad de datos; además, se han realizado
esfuerzos concertados para desarrollar formas de extraer más información de los datos
históricos y actualmente disponibles (Soulsby et al, 2008). Ahora, existe un consenso
creciente de que estamos al borde de una era en la que, ya no estará la limitación por la
falta de datos climáticos y, cuando surjan nuevas oportunidades para la asimilación de
datos, será valioso para mejorar las predicciones en cuencas no calibradas, donde los
modelos para las predicciones pueden estar basados en procesos (Fidal & Kjeldsen,
2020; NavidJadidoleslam et al, 2019; Mathevet et al , 2020) en datos y estadística (Zuo
et al , 2020) y modelos híbridos (Okkan et al, 2021).

De acuerdo con (Zhu et al , 2021), estudios han demostrado que optimizar y combinar
el enfoque de proximidad espacial, el enfoque de similitud física y el enfoque de
regresión es un método favorable para mejorar la precisión de los resultados de
simulación para poder realzar la estimación de caudales a partir de la regionalización;
sin embargo, Prieto et al (2019) creé que es difícil determinar el mejor enfoque de
regionalización adecuado, debido a varios factores, como la heterogeneidad de la
condición de la superficie de la cuenca y la diversidad de modelos hidrológicos; así
mismo, la predicción en cuencas no calibradas (PUB) es un desafío sin resolver a nivel
mundial, donde la solución a este inconveniente, esta, en gran medida, en que la
información hidrológica se extrapole con éxito de las cuencas de captación calibradas a
las cuencas no calibradas.
Así mismo, Yao et al (2021) plantea que una posible solución es realizar directamente
una estimación de parámetros a priori a partir de datos del paisaje de cuencas no
calibradas en lugar de la regionalización con el apoyo de conjuntos de datos digitales
sobre terreno, cobertura terrestre, suelo y geología; por ello, el modelo que se propone
implementará machine learning para tener mayor precisión en cada pronóstico,
empleando las variables anteriormente mencionadas. La estimación de parámetros a
priori es particularmente importante en la simulación de inundaciones para cuencas no
calibradas, ya que puede ayudar efectivamente a minimizar los obstáculos para la
implementación del modelo en estas cuencas (Yao et al , 2019)

El campo emergente del aprendizaje y el machine learning pueden dar nueva vida a los
estancados métodos PUB. En el estudio realizado por Yin et al (2021) se comparó la
eficiencia de predicción del caudal de las redes de memoria a largo y corto plazo
(LSTM) con la técnica estándar de regionalización de los parámetros en 200 cuencas en
el noroeste de Rusia. Donde entrenaron un modelo para cada cuenca y usaron cinco
forzamientos meteorológicos que incluyen precipitación, radiación descendente de onda
corta, presión de vapor, temperatura máxima diaria y temperatura mínima diaria,
adicional tuvieron en cuenta factores como área y tipo de suelo en cada cuenca y
tuvieron un alto grado de ajuste con las predicciones realizadas. Por lo tanto, este
estudio subraya el alto potencial de utilización del aprendizaje profundo para el PUB al
demostrar el nuevo rendimiento de vanguardia en este campo.
1.2 Planteamiento de problema
1.2.1 Descripción del problema.
De acuerdo con Torres & Santos (2019, pág. 3) el comportamiento del caudal en
una cuenca hidrográfica nunca es estacionario, puesto que varía directa o indirectamente
a causa de las actividades antrópicas y el desarrollo de proyectos de aprovechamiento
del recurso hídrico, lo que genera una variación climático espacial dentro del área de
captación provocando cambios en las características cualitativas y cuantitativas del agua
(Lopes et al, 2017). Bajo este escenario, la estimación de variables hidrológicas como
los caudales son altamente inciertos, la predicción en cuencas no calibradas es un gran
desafío sin resolver en la hidrología científica y de ingeniería (Prieto et al, 2019;
Hrachowitz et al, 2013) puesto que la escasez de información para apoyar la toma de
decisiones en la gestión de los recursos hídricos es una de las principales limitaciones
para el uso adecuado de este recurso (Manzione, 2020).
La Sabana de Bogotá desglosa numerosas fuentes hídricas, las cuales están
instrumentadas por la IDEAM y la CAR; sin embargo, las fuentes hídricas en esta zona
carecen de información hidrometeorológica suficiente para la gestión efectiva de los
recursos de planificación, seguimiento y control de los caudales medios y mínimos de
este tipo de fuentes, que a su vez impide realizar predicciones de fenómenos
hidrológicos extremos, reconocer la magnitud de escurrimientos superficiales, regular
caudales por cambios de uso de suelo, delimitar zonas de riesgos de inundaciones
(Lauro et al , 2021) y garantizar una oferta hídrica a lo largo de la cuenca; esto se debe
a que actualmente la densidad de estaciones de monitoreó en el área es baja por el alto
costo de instalación y operación, el difícil acceso, mantenimiento y manejo de estos
(Carvajal, 2018).

Debido a las limitaciones de la red de monitoreo hidrológica por parte del IDEAM y de
la CAR, entidad encargada de otorgar los permisos de concesión de agua en la
jurisdicción de interés que abarca 104 municipios (CAR, s.f) se presentan demoras e
inconvenientes para dar el permiso por la falta de información sobre la disponibilidad
del recurso en estas zonas por el deficiente cubrimiento de las redes pluviométrica,
climatológica e hidrométrica, impidiendo el desarrollo sostenible para transformar la
tendencia actual de degradación y agotamiento de los recursos naturales, el gran
impacto negativo sobre los ecosistemas y especies endémicas.

Según como se cuenta Semana (2011), en 1940 los humedales de la Sabana de Bogotá
sumaban 50.000 hectáreas, para el 2011 quedaban menos de 1.000 hectáreas, según la
Sociedad Geográfica de Colombia muchos de estos cuerpos hídricos se secaron y fueron
invadidos para realizar sobre ellos actividades agrícolas de alto impacto como siembra
de flores y papa, expandir la ganadería y construir industrias y proyectos de vivienda de
todos los estratos, muchos sin planeación, que acabaron con los humedales que servían
de reposo para aves migratorias y que le permitían al río descansar sus aguas en época
de fuertes lluvias, como la que ahora deja la Niña, fenómeno que tiende a ser más
frecuente por el cambio climático.
Al momento de establecer el uso específico para los recursos hídricos dentro de un
sector geográfico del cual no se conoce la oferta hídrica de dicha área, se hace necesario
estimar los caudales a través de modelos, que relacionan funcional y numéricamente las
distintas fases del agua y las características del entorno geográfico en el cual ellas
existen (GOBIERNO DE CHILE, 2016).
La regionalización de los caudales es objeto de numerosos estudios hasta el punto de
que ya puede considerarse como una disciplina por derecho propio en hidrología
(Cunderlikd & Burn , 2009); a pesar del desarrollo de métodos de regionalización, aún
existe una brecha significativa en la predicción de caudales en ubicaciones no calibradas
(Althoff et al , 2021) y diferencias en los enfoques utilizados entre los hidrólogos, por
un lado, y entre expertos en otros campos (ecología acuática y geografía física); esas
diferencias se relacionan con cuatro aspectos del proceso de regionalización: la elección
de variables hidrológicas, métodos de agrupación de estaciones para producir regiones
hidrológicas homogéneas, la elección de leyes estadísticas apropiadas para estimar
cuantiles para sitios no calibrados o parcialmente calibrados, la escala de análisis de
flujo (Assani et al, 2006).

Los modelos de regionalización muestran que las estimaciones más verídicas de

caudales ocurren cuando la variable predictora es el área y el perímetro de la cuenca
(Lauro et al , 2021). De acuerdo con (Torres & Santos, 2019, pág. 5) en la mayoría de
los casos para el análisis hidrológico y/o modelación, el caudal debe ser estimado sobre
la base de toda la información disponible en la región dado que estos no dependen
directamente solo de los índices de lluvia como las precipitaciones máximas, sino de
características propias de las cuencas, las cuales suelen ser similares entre sí, cuando
estas pertenecen a una misma región (Prieto et al, 2019).
1.2.2 Formulación del problema
¿Cómo se pueden estimar los caudales máximos, medios y mínimos en cualquier
punto de una cuenca no instrumentada con poca información de la Sabana de Bogotá,
mediante regionalización geográfica?
1.3 Justificación
Teniendo en cuenta la impresionante evidencia de las graves inundaciones
periódicas que sucede en la sabana de Bogotá donde la carencia de datos precisos y
confiables de series temporales de crecidas y sequias que caractericen los caudales no
permite la correcta realización de estudios y proyectos que contemplan la hidrología del
área, nace la necesidad de emplear modelos estadísticos, que permitan extrapolar la
información para cubrir la carencia de datos y mitigar este tipo de fenómenos en el
futuro.
El presente proyecto se enmarca en la línea de investigación de Desarrollo
Sostenible y Medio Ambiente mediante la compensación de la escasez de información,
por lo cual, se propone desarrollar una regionalización de caudales, la cual consiste en la
división de subzonas del área de estudio, de tal manera que, las unidades hidrológicas
presenten similitud en aspectos o características referentes al comportamiento de los
caudales. Este trabajo aporta a la disciplina de la hidrología al desarrollar una
herramienta útil para el entendimiento de las relaciones existentes entre el régimen de
caudales de una cuenca, características morfométricas, variables asociadas al clima y
uso del suelo.
1.4 Objetivos
1.4.1 Objetivo general.
Desarrollar un modelo que relacione las variables de área de la cuenca, precipitación,
temperatura, brillo solar y evaporación para la estimación de caudales mínimos, medios
y máximos.

1.4.2 Objetivos específicos.

  Identificar correlación entre variables de cuencas en la zona de estudio para el
desarrollo de un modelo matemático regionalizado de estimación de caudales en
cuencas no instrumentadas o con escasez de información.
 Implementar machine learning para la predicción de caudales de manera integra-
da con plataforma para la visualización de datos.

2. Materiales y métodos
2.1 Histórico de series hidrometeorológicas

El histórico de series hidrometeorológicas es la base fundamental para la realización de

la correlación entre variables hidrológicas, hidrometeorológicas y climáticas, para lo
cual, se utilizan los datos de Radiación Solar, Temperatura Máxima, Temperatura
Media, Temperatura Mínima, precipitación Totales Mensuales, Precipitación No. Días
con Lluvia, Evaporación Total Mensual, Caudales Mínimos Medios Mensuales,
Caudales Medios Mensuales, Caudales Máximos Absolutos Mensuales.

Estos datos son descargados y pasan por un proceso de tratamiento de datos, puesto que,
en estas series de datos, hay vacíos espacio multitemporales, y datos sospechosos, es de
aclarar, que estos datos no se catalogan como erróneos ya que son valores atípicos a las
condiciones hidrometeorológicas promedio y que pudieron haberse presentado.

Para el completado de datos se utilizan dos métodos, el primero mediante la técnica de

isolíneas en el cartografiado cuantitativo, que junto con los polígonos de Thiessen y los
mapas de coropletas se obtienen datos en relación con el comportamiento de la zona
evaluada.
El segundo método implementado es a partir de Métodos Multi Variantes, en el cual se
utiliza la razón normal, la cual emplea tres estaciones vecinas y contemporáneas que
presenten un alto grado de correlación con la serie a completar para el cálculo de datos
faltantes con los valores de las series previamente normalizados mensualmente, en
donde el coeficiente de correlación calculado es el de Pearson. Estos datos se estiman a
partir de la expresión:

1
x ( t )= ¿
3
Donde:
 x, x1, x2 y x3: son las medias de las variables en cuestión de la serie incompleta y
de las tres series vecinas respectivamente
 x1(t), x2(t) y x3(t): son los datos correspondientes a las series temporales veci-
nas respectivamente.

2.2 Software ArcGis

Software utilizado para recopilar, organizar, administrar, analizar, compartir y distribuir
información geográfica sobre el área de estudio. En donde se realiza en primera
estancia, la delimitación del área de estudio, recopilación de datos satelitales de drenaje
sencillo, drenaje doble, estaciones limnmetricas, limnigraficas, hidrológicas,
pluviométricas, pluviograficas y climatológicas.

A partir de la delimitación y recopilación de datos satelitales se procede a delimitar las

cuencas asignado un área tributaria a cada una, la cual desprende desde el punto de
drenaje, establecido por la estación limnimetrica.

Se atribuyen las series espacio multitemporales acorde a la estación correspondiente y a

partir de estos datos se crean isoyetas, isotermas e isolíneas utilizando la herramienta
Spatial Analyts Tools, IDW, kriging y contour, para realizar las isoyetas del
departamento de Cundinamarca CAR y posterior a ello recortar al área de estudio
establecida.
2.3 Software R studio

Empleado para realizar regresiones y determinar la ecuación empírica que relaciona el

caudal en función de las variables independientes estudiadas y el coeficiente de
correlación.
Librerías: dplyr, tidyverse, lubridate, ggplot2 y lessR.

Luego de realizar la correlación entre variables de forma independiente, se realiza una

regresión lineal multivariada, empleada con el fin de crear el modelo que permita la
estimación de caudales mínimos, medios y máximos en función de todas las variables
independientes (temperatura, brillo solar, evaporación, precipitación y número de días
con precipitación)
 2.4 Software Python

Utilizado para elaborar predicción espacio multitemporales aplicando inteligencia

artificial/machine learning, la predicción se obtiene suministrando los datos de entrada a
una red neuronal profunda (las N últimas lecturas de características de la serie
cronológica para la variable).

Estas predicciones se elaboraron para cada cuenca a partir de los datos de caudal medio
mensual, en donde el primer paso es convertir los meses en índices, ejem: (01/2017=0,
02/2017=1, 03/2017=2) y se define el modelo que relaciona el caudal con el tiempo.

Posterior, se crea una primera capa de LTSM (Long short-term memory/ Memoria a
Corto y Largo Plazo). Esta capa consta de LSTM con 100 unidades, seguida de otra con
50 unidades, para luego realizar entrenamiento de aprendizaje iterativo, y luego se
realizan 5 capas más con LSTM para realizar el ajuste al modelo.
Librerías: matplotlib,mpl_toolkits, numpy, pandas, seasborn.
2.5 Power BI

Utilizado para elaborar dashboard a partir de las bases de datos elaboradas, para luego
crear tablas y gráficos dinámicos que facilitan la interpretación de datos.

2.6 Programación HTLM

Codificación construida para la creación de página web/ plataforma de visualización de

datos.
3. Resultados y discusión
3.1 Delimitación de área de estudio y cuenca

El área de estudio tiene una extensión de 1333,987737 km 2, pasando por los municipios

de Cogua, Facatativa, Madrid, El Rosal, Subachoque, Suesca, Sesquilé, Gachancipa,

Tocancipa, Nemocon y Zipaquira. A partir de ello, se obtienen 21 subcuencas en el área

de estudio con su respectiva estación para obtener los datos de caudales, estas pueden

ser limnimétricas, limnigráficas o hidrológicas.

 Figura 1. Subcuencas delimitadas en el área de estudio

Delimitadas las subcuencas, se obtiene el área tributaria a esta, y se identifica la estación

a la que le corresponde el valor del drenaje, como se observa en la Tabla 1.

Tabla 1. Área tributaria de cada Subcuenca

Estación limnime- Área tributaria

Nombre Cuenca
trica (km2)
Río Susagua Rodamontal 2.522
Río Frío Paramo Guerrero 3.836
Río Neusa Puente Checua 7.754
Río Neusa Acequia el Molino 9.312
Río Neusa El Manzano 14.984
Río Balsillas Altamira 30.146
Río Negro Paso Ancho 33.608
Río Balsillas La pradera 34.543
Río Subachoque La Muralla 44.327
Río Balsillas El bosque 61.576
Río Balsillas El recreo 64.000
Río Frío Pozo Hondo 72.347
Río Frío Puente Calamar 83.269
Río Subachoque Puente Manrique 111.098
 Río Frío Puente Cacique 203.384
Río Barandillas El Molino 216.658
Río Neusa Las Lajas 224.805
Río Teusacá Puente Adobes 268.414
Sector Sisga - Tibitoc Santa Rosita 458.241
Río Bogotá Puente Florencia 573.914
Río Bogotá Tocancipa 722.627
Fuente: Autora

3.2 Estimación del caudal mínimo

3.2.1 Base de datos

Teniendo las series espacio multitemporales de cada variable completas, se crea una
base de datos a partir del tipo de caudal que se quiera estimar, para este caso, en el cual
se quiere estimar el caudal mínimo, se emplearan las variables: área tributaria, N° de
días con precipitación anual multianual, temperatura mínima anual multianual, brillo
solar anual multianual y evaporación anual multianual. Dicha base, se observa en la
Tabla 2.

Tabla 2. Base de datos para la estimación de caudales mínimos.

Estación Área tributaria Caudal Mínimo No de días con Temperatura Brillo solar Evaporación
Nombre Cuenca
limnimetrica (km2) (m3/s) precipitación mínima (°C) (hr) (mm)
Río Susagua Rodamontal 2.522 0.022 14.861 7.222 142.265 120.875
Río Frío Paramo Guerrero 3.836 0.031 13.240 7.355 142.234 114.533
Río Neusa Puente Checua 7.754 0.018 19.255 7.048 140.784 117.442
Río Neusa Acequia el Molino 9.312 0.065 14.781 6.963 142.065 111.158
Río Neusa El Manzano 14.984 0.124 15.474 6.900 142.163 112.842
Río Balsillas Altamira 30.146 0.108 15.140 6.841 142.700 105.008
Río Negro Paso Ancho 33.608 0.199 16.106 6.727 144.746 108.183
Río Balsillas La pradera 34.543 0.254 10.779 6.660 141.938 102.858
Río Subachoque La Muralla 44.327 0.326 17.790 6.791 141.634 99.725
Río Balsillas El bosque 61.576 0.341 17.583 6.021 141.106 98.200
Río Balsillas El recreo 64.000 0.211 18.688 6.579 141.938 93.308
Río Frío Pozo Hondo 72.347 0.353 18.877 6.533 140.958 97.267
Río Frío Puente Calamar 83.269 0.494 18.877 6.495 142.481 83.217
Río Subachoque Puente Manrique 111.098 0.524 19.957 6.431 142.104 78.200
Río Frío Puente Cacique 203.384 0.868 20.527 6.398 140.913 73.155
Río Barandillas El Molino 216.658 1.173 20.744 5.410 140.736 73.808
Río Neusa Las Lajas 224.805 1.246 22.101 5.850 138.998 67.208
Río Teusacá Puente Adobes 268.414 1.534 24.340 5.632 139.918 66.775
Sector Sisga - Tibitoc Santa Rosita 458.241 3.190 24.604 5.570 140.945 62.650
Río Bogotá Puente Florencia 573.914 5.647 25.757 5.958 139.334 55.467
Río Bogotá Tocancipa 722.627 6.436 21.311 5.215 139.354 57.980

Fuente: Autora
3.2.2 Relación Caudal Mínimo y Área tributaria
 R2= -0.8575736

Figura 2. Relación entre variables caudal mínimo (m3/s) y área tributaria (km2)

El coeficiente de correlación es alto, por lo cual, se deduce que la relación entre el

caudal mínimo y el área tributaria es de carácter lineal directo o positivo, es decir, que a
medida que el área se expande, el caudal aumenta.
3.2.3 Relación Caudal Mínimo y Temperatura mínima

R2= -0.8575736

Figura 3. Relación entre variables caudal mínimo (m3/s) y temperatura mínima (°C)
La temperatura mínima tiene una gran relación con el caudal medio, puesto que el
caudal va a depender de ella teniendo en cuenta el ciclo hidrológico del agua, valores
altos de temperatura aumentan la evaporación, desmullendo el volumen que se
encuentra almacenado en las cuencas, por ello, la relación entre el caudal y temperatura
media es de carácter lineal inverso o negativo, es decir, que mientras entre más alta sea
la temperatura, el caudal será menor. Sin embargo, esta relación puede ser de carácter
exponencial o potencial, lo cual se ajustaría más al comportamiento observado.
3.2.4 Relación Caudal Mínimo y Brillo solar

R2= -0.8575736

Figura 4. Relación entre variables caudal mínimo (m3/s) y brillo solar (hr)
La relación entre brillo solar y caudal mínimo, tiene una relación de carácter lineal
inverso o negativo, es decir, que mientras entre más horas se intensifique el brillo solar,
el caudal será menor. Sin ,embargo, estos datos podrían acomodarse mucho mejor a una
regresión potencial negativa.

3.2.5 Relación Caudal Mínimo y Evaporación

R2= -0.8575736

Figura 5. Relación entre variables caudal mínimo (m3/s) y evaporación (mm)

La relación entre la evaporación y caudal mínimo, tiene estrecha relación, muchas más
que la relación con caudal medio y máximo, puesto que el caudal mínimo, será más
sensible aún ante mayor sea la evaporación que se de en la subcuenca, por lo cual, esta
relación es de carácter lineal inverso o negativo, es decir, que mientras entre más horas
se intensifique el brillo solar, el caudal será menor. Sin ,embargo, estos datos podrían
acomodarse mucho mejor a una regresión potencial negativa.
3.2.6 Modelo estimación de caudal medio

Para realizar una regresión con todas las variables se formula con `Y~, la cual
representa al caudal medio en este caso. Del cual se obtiene los siguientes coeficientes:

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.4158125 9.2722989 -0.476 0.6403
X1 0.0111474 0.0006264 17.796 0.00000000000574 ***
X2 0.3989911 0.2252420 1.771 0.0955 .
X3 -0.0012801 0.0667843 -0.019 0.9849
X4 0.0157168 0.0074559 2.108 0.0512 .

Residual standard error: 0.277 on 16 degrees of freedom

Multiple R-squared: 0.9811, Adjusted R-squared: 0.9764

Donde
X1:Área tributaria
X2:Temperatura media (°C)
X3:Brillo solar (hr)
X4: Evaporación (mm)

De tal forma que el modelo para la estimación de caudales medios es:

Y= β1X1+ β2X2 β3X3 +β4X4

Y=0.0111474 X1+ 0.3989911X2 -0.0012801 X3 +0.0157168 X4

A partir de estos coeficientes obtenidos, se obtienen las siguientes graficas que permiten
analizar correlaciones de todas las variables al mismo tiempo.
La figura representa la relación entre todas las variables que emplea el modelo, de tal
forma que, entre más grande sea el círculo, mayor es la correlación entre estás variables,
si la tonalidad del círculo se encuentra entre las escalas del color azul, la relación entre
estás variables es positiva, es decir, que a medida que una de ella crece en el tiempo, la
otra también lo hará, totalmente opuesto a los círculos que tienen tonalidad entre las
escalas de color rojo. Entre más oscura sea la tonalidad, mayor es la relación entre las
variables, puesto que se acerca, bien sea a un coeficiente de correlación de 1
(Tonalidades azules, relaciones positivas) o de -1 (Tonalidades rojisas, relaciones
negativas) , de tal forma que la variable “y” que representa el caudal mínimo en este
caso y la variable “x1” que corresponde al área tributaria, tienen una relación y ajuste
alto dentro del modelo, está relación es positiva, por lo cual, entre mayor sea el área
tributaria, mayor será el caudal mínimo.
La variable “x2” que representa la temperatura media tiene una relación positiva con las
variables “x3” que representa el brillo solar y “x4” que representa la evaporación, de tal
forma que, entre mas horas de brillo solar se presenten, mayor será la temperatura y la
evaporación; sin embargo, la temperatura media y el brillo solar tiene un coeficiente de
correlación de aproximadamente 0,6. Lo mismo ocurre con el coeficiente de correlación
entre la evaporación y el brillo solar, valores de correlaciónes no tan elevados.
Se observa que el caudal tiene una relación positiva con la variable área tributaria(x1), y
relación negativa con las variables de temperatura, brillo solar y Evaporación, lo cual
demuestra que entre mayor sean las horas de brillo solar, la temperatura media y la
evaporación, menor será el caudal mínimo.

3.3 Estimación de caudal medio

3.3.1 Base de datos

Para este caso, en el que se quiere estimar el caudal medio se emplearan las variables:
área tributaria, temperatura media anual multianual, brillo solar anual multianual y
evaporación anual multianual. Dicha base, se observa en la Tabla 3.
 Temperatura
NombreCuen Estación limnimetrica Área tributaria (km2) Caudal Medio Brillo solar (hr) Evaporación
media (°C)
Río Susagua Rodamontal 2.52163 0.07568 15.36591028 142.2647491 120.875
Río Frío Paramo Guerrero 3.83557 0.09984 15.01049829 142.234285 114.5333333
Río Neusa Puente Checua 7.75438 0.13831 14.99553059 140.7835313 117.4416667
Río Neusa Acequia el Molino 9.31220 0.14348 14.81457617 142.0647491 111.1583333
Río Neusa El Manzano 14.98444 0.22316 14.67994752 142.1627355 112.8416667
Río Balsillas Altamira 30.14614 0.33981 14.55462024 142.700289 105.0083333
Río Negro Paso Ancho 33.60803 0.36372 14.3128638 144.745629 108.1833333
Río Balsillas La pradera 34.54348 0.42953 14.17004943 141.937642 102.8583333
Río Subachoque La Muralla 44.32679 0.84885 14.14694301 141.634285 99.725
Río Balsillas El bosque 61.57575 0.96533 14.08741174 141.1064331 98.2
Río Balsillas El recreo 64.00000 0.59725 13.99713285 141.937642 93.30833333
Río Frío Pozo Hondo 72.34743 1.08924 13.90089092 140.9581383 97.26666667
Río Frío Puente Calamar 83.26897 1.07972 13.81831535 142.481383 83.21666667
Río Subachoque Puente Manrique 111.09807 1.25642 13.68221171 142.103541 78.2
Río Frío Puente Cacique 203.38369 2.03817 13.61171882 140.91297 73.15454545
Río Barandillas El Molino 216.65756 2.56952 13.19589604 140.73562 73.80833333
Río Neusa Las Lajas 224.80452 2.24781 12.4463878 138.9979479 67.20833333
Río Teusacá Puente Adobes 268.41428 3.34057 11.98333333 139.918363 66.775
Sector Sisga - Tibitoc Santa Rosita 458.24114 5.23166 11.85166094 140.9450323 62.65
Río Bogotá Puente Florencia 573.91362 8.31490 11.2421965 139.3342223 55.46666667
Río Bogotá Tocancipa 722.62735 9.69683 11.09568983 139.3541528 57.98

3.3.2 Relación Caudal Medio y Área tributaria

R2=0.98152

Figura 9. Relación entre variables caudal medio (m3/s) y área tributaria (km2)
El coeficiente de correlación es alto, por lo cual, se deduce que la relación entre el
caudal medio y el área tributaria es de carácter lineal directo o positivo, es decir, que a
medida que el área se expande, el caudal aumenta.
 3.3.3 Relación Caudal Medio y Temperatura medía

R2= -0.8575736

Figura 10. Relación entre variables caudal medio (m3/s) y temperatura media (°C)
La temperatura media tiene una gran relación con el caudal medio, puesto que el caudal
va a depender de ella teniendo en cuenta el ciclo hidrológico del agua, valores altos de
temperatura aumentan la evaporación, desmullendo el volumen que se encuentra
almacenado en las cuencas, por ello, la relación entre el caudal y temperatura media es
de carácter lineal inverso o negativo, es decir, que mientras entre más alta sea la
temperatura, el caudal será menor.

3.3.4 Relación Caudal Medio y Brillo solar

R2= -0.8575736

Figura 11. Relación entre variables caudal medio (m3/s) y brillo solar (hr)
La relación entre brillo solar y caudal medio esta enlazada a partir de que entre mayor
sea el brillo solar , por situaciones parecidas a la temperatura, aportará a la reducción
del caudal medio, por ello, la relación entre el caudal medio y brillo solar es de carácter
lineal inverso o negativo, es decir, que mientras entre más horas se intensifique el brillo
solar, el caudal será menor.

3.3.5 Relación Caudal Medio y Evaporación

R2= -0.8575736

Figura 12. Relación entre variables caudal medio (m3/s) y evaporación (mm)
La relación entre evaporación y caudal medio se refleja a partir del ciclo hidrológico,
reduciendo el volumen que se encuentra almacenado en las cuencas, por ello, la relación
entre el caudal medio y evaporación es de carácter lineal inverso o negativo, es decir,
que mientras exista mayor evaporación el caudal será menor.

3.3.6 Modelo estimación de caudal medio

Para realizar una regresión con todas las variables se formula con `Y~, la cual
representa al caudal medio en este caso. Del cual se obtiene los siguientes coeficientes:

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.980428 11.102159 0.268 0.7918
 X1 0.013992 0.001078 12.975 0.000000000658 ***
X2 -0.207893 0.285060 -0.729 0.4764
X3 -0.017147 0.079539 -0.216 0.8320
X4 0.023012 0.011375 2.023 0.0601 .

Residual standard error: 0.3287 on 16 degrees of freedom

Multiple R-squared: 0.988, Adjusted R-squared: 0.985

Donde
X1:Área tributaria
X2:Temperatura media (°C)
X3:Brillo solar (hr)
X4: Evaporación (mm)

De tal forma que el modelo para la estimación de caudales medios es:

Y= β1X1+ β2X2 β3X3 +β4X4

Y= 0.013992 X1-0.207893 X2 -0.017147X3 +0.023012 X4

A partir de estos coeficientes obtenidos, se obtienen las siguientes graficas que permiten
analizar correlaciones de todas las variables al mismo tiempo.
La figura, demuestra la correlación entre todas las variables analizadas, de forma que
entre más azul y más grande sea el circulo, mayor es la relación entre las variables. En
este caso se observa que, en este caso, el brillo solar y el área son quienes tienen una
correlación más baja a comparación de las otras variables.
 3.4 Estimación caudal máximo
3.4.1 Base de datos

A partir de las series espacio multitemporales de cada variable completas, se crea una
base de datos a partir del tipo de caudal que se quiera estimar, para este caso, en el cual
se quiere estimar el caudal máximo, se emplearan las variables: área tributaria, N° de
días con precipitación anual multianual, precipitación total mensual anual multianual,
temperatura máxima anual multianual, brillo solar anual multianual y evaporación anual
multianual. Dicha base, se observa en la Tabla 3.

Estación Caudal Máximo Área tributaria Precipitación total No de días con Temperatura Evaporación
Nombre Cuenca Brillo solar (hr)
limnimetrica (m3/s) (km2) mensual (mm) precipitación máxima (°C) (mm)
Río Susagua Rodamontal 0.4066 2.5216 52.9542 14.8615 21.5051 142.2647 120.8750
Río Frío Paramo Guerrero 0.4047 3.8356 50.4093 13.2400 20.8558 142.2343 114.5333
Río Neusa Puente Checua 2.9481 7.7544 76.5087 19.2548 21.6822 140.7835 117.4417
Río Neusa Acequia el Molino 0.4201 9.3122 58.3876 14.7812 20.5253 142.0647 111.1583
Río Neusa El Manzano 0.7953 14.9844 64.3061 15.4740 21.4697 142.1627 112.8417
Río Balsillas Altamira 1.0747 30.1461 64.8889 15.1395 22.7091 142.7003 105.0083
Río Negro Paso Ancho 1.5377 33.6080 66.0607 16.1060 21.2789 144.7456 108.1833
Río Balsillas La pradera 1.5947 34.5435 96.2706 10.7785 22.8129 141.9376 102.8583
Río Subachoque La Muralla 2.3784 44.3268 67.9850 17.7900 21.0546 141.6343 99.7250
Río Balsillas El bosque 2.7026 61.5757 68.2776 17.5833 20.1827 141.1064 98.2000
Río Balsillas El recreo 2.7400 64.0000 69.5702 18.6881 21.6469 141.9376 93.3083
Río Frío Pozo Hondo 2.7598 72.3474 72.2631 18.8770 20.3814 140.9581 97.2667
Río Frío Puente Calamar 3.5280 83.2690 71.6058 18.8770 21.3183 142.4814 83.2167
Río Subachoque Puente Manrique 4.4290 111.0981 71.9841 19.9567 20.4955 142.1035 78.2000
Río Frío Puente Cacique 4.3270 203.3837 72.9484 20.5265 19.8117 140.9130 73.1545
Río Barandillas El Molino 3.7694 216.6576 73.2221 20.7444 19.3517 140.7356 73.8083
Río Neusa Las Lajas 4.8521 224.8045 84.3998 22.1008 19.1510 138.9979 67.2083
Río Teusacá Puente Adobes 6.8675 268.4143 90.1589 24.3401 18.3833 139.9184 66.7750
Sector Sisga - Tibitoc Santa Rosita 10.7511 458.2411 99.2231 24.6044 18.5898 140.9450 62.6500
Río Bogotá Puente Florencia 15.3009 573.9136 103.1442 25.7571 19.2818 139.3342 55.4667
Río Bogotá Tocancipa 17.9356 722.6274 82.9085 21.3111 17.8932 139.3542 57.9800

3.4.2 Relación Caudal Máximo y Área

 R2=0.98152

Figura 16. Relación entre variables caudal máximo (m3/s) y área tributaria (km2)
El coeficiente de correlación es alto, por lo cual, se deduce que la relación entre el
caudal medio y el área tributaria es de carácter lineal directo o positivo, es decir, que a
medida que el área se expande, el caudal aumenta.
3.4.3 Relación Caudal Máximo y Precipitación total mensual

R2=0.79711

Figura 17. Relación entre variables caudal máximo (m3/s) y precipitación total mensual
(mm)
Se observa que el coeficiente de correlación se acerca 1, sin embargo, la relación no es
tan perfecta, puesto que se ven datos muy apartados de la línea de tendencia, por lo cual,
se deduce que la relación entre el caudal máximo y la precipitación total mensual es de
carácter lineal directo o positivo, es decir, que mientras exista mayor precipitación el
caudal aumenta asociado a la acumulación de agua lluvia, aumentando el volumen de
cada sub cuenca. Debido a que se esta tratando de un caudal máximo, puede que, con
datos de precipitación máxima en 24 horas, se ajuste más la correlación.

3.4.4 Relación Caudal Máximo y No de días con precipitación

R2=0.7204416

Figura 18. Relación entre variables caudal máximo (m3/s) y número de días con
precipitación
Se observa que el coeficiente de correlación entre estas variables se acerca 1, sin
embargo, la relación no es muy elevada, esto se debe a que en Cundinamarca, el tiempo
atmósferico es muy variante, por lo que se pueden tener meses con muchos días de
lluvia y otros muy pcos días de lluvia, a esto se suma el efecto de cambio climático, que
interviene en el comportamiento que normalmente se tenía, sin embargo la relación
entre el caudal máximo y N° de días con precipitación es de carácter lineal directo o
positivo, es decir, que mientras entre más días llueva, el caudal será mayor.

3.4.5 Relación Caudal Máximo y Temperatura máxima

 R2= -0.7415286

Figura 19. Relación entre variables caudal máximo (m3/s) y temperatura máxima (°C)
La temperatura máxima tiene una gran relación con el caudal, puesto que el caudal es el
volumen de agua en determinado tiempo, y teniendo en cuenta el ciclo hidrológico del
agua, valores altos de temperatura aumentan la evaporación, desmullendo el volumen
que se encuentra almacenado en las cuencas, por ello, la relación entre el caudal y
temperatura máximos es de carácter lineal inverso o negativo, es decir, que mientras
entre más alta sea la temperatura, el caudal será menor.

3.4.6 Relación Caudal Máximo y Brillo solar

La relación entre brillo solar y caudal máximo se ve incorporada, por situaciones

parecidas a la temperatura, puesto que mayores horas de brillo solar, afecta la
temperatura máxima y la evaporación, reduciendo el volumen que se encuentra
almacenado en las cuencas, por ello, la relación entre el caudal máximo y brillo solar es
de carácter lineal inverso o negativo, es decir, que mientras entre más horas se
intensifique el brillo solar, el caudal será menor.
 R2= -0.6248362

Figura 20. Relación entre variables caudal máximo (m3/s) y brillo solar (hr)
3.4.7 Relación Caudal Máximo y Evaporación

R2= -0.8575736

Figura 21. Relación entre variables caudal máximo (m3/s) y evaporación (mm)
La relación entre evaporación y caudal máximo se refleja a partir del ciclo hidrológico,
reduciendo el volumen que se encuentra almacenado en las cuencas, por ello, la relación
entre el caudal máximo y evaporación es de carácter lineal inverso o negativo, es decir,
que mientras exista mayor evaporación el caudal será menor.

3.5. 8 Modelo de estimación de caudales máximos

Para realizar una regresión con todas las variables se formula con `Y~, la cual
representa al caudal máximo en este caso. Del cual se obtiene los siguientes
coeficientes:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -84.409941 42.846677 -1.970 0.0689 .
X1 0.026573 0.002341 11.349 1.91e-08 ***
X2 -0.007183 0.025193 -0.285 0.7797
X3 0.288066 0.134524 2.141 0.0503 .
X4 0.201246 0.409480 0.491 0.6307
X5 0.513913 0.324757 1.582 0.1359
X6 0.037463 0.035159 1.066 0.3047

Residual standard error: 0.8517 on 14 degrees of freedom

Multiple R-squared: 0.9775, Adjusted R-squared: 0.9679

Donde
X1:Área tributaria
X2: Precipitación total mensual (mm)
X3: No de días con precipitación
X4:Temperatura máxima (°C)
X5:Brillo solar (hr)
X6: Evaporación (mm)

De tal forma que el modelo para la estimación de caudales máximos es:

Y= β1X1+ β2X2 β3X3 +β4X4+β5X5+β6X6

Y= 0.026573 X1-0.007183 X2+0.288066X3 +0.201246X4+0.513913X5+0.03746X6

A partir de estos coeficientes obtenidos, se obtienen las siguientes graficas que permiten
analizar correlaciones de todas las variables al mismo tiempo.
La figura, demuestra la correlación entre todas las variables analizadas, de forma que
entre más azul y más grande sea el circulo, mayor es la relación entre las variables. En
este caso se observa que, en este caso, el brillo solar y la precipitación tienen una
correlación baja.

3.5 Predicción de Caudales medios

Para la predicción es caudales medios se tuvieron en cuenta las cuencas que tiene mayor
representación en el área de estudio y que acumulan drenaje de otras, las cuales son:

Santa rosita, Tocancipá, Puente Adobes, Puente calamar, Pozo hondo, Paso ancho, La
pradera y el Recreo.

En la siguiente figura se observan los datos de caudal mensual medio, en este caso, no
se trabaja con los datos de caudal medio anual multianual, si no, mensual, puesto que
mayor cantidad de datos, relacionan más profundamente el comportamiento espacio
multitemporal del caudal medio.
Posterior a ello, se obtiene el entrenamiento con 1000 redes neuronales, para a la
predicción a corto, mediano y largo plazo. Dicha predicción, se realiza hasta 30 años
después del presente año, es decir hasta el año 2052.

Luego de realizar el entrenamiento de la red neuronal, se predicen los valores de los

caudales medios, en donde, los datos que se encuentran relacionados por la tendencia de
color verde representan dicha proyección.
 Caudal Medio
Estación limni- Área tributaria Caudal Medio
NombreCuen proyectado
metrica (km2) (m3/s)
(m3/s)
Río Negro Paso Ancho 33.60803 0.36372 0.629236813
Río Balsillas La pradera 34.54348 0.42953 0.74308022
Río Balsillas El recreo 64.00000 0.59725 1.033249589
Río Frío Pozo Hondo 72.34743 1.08924 1.88439082
Río Frío Puente Calamar 83.26897 1.07972 1.867916618
Río Teusacá Puente Adobes 268.41428 3.34057 5.779193303
Sector Sisga -
Tibitoc Santa Rosita 458.24114 5.23166 9.050767808
Río Bogotá Tocancipa 722.62735 9.69683 16.77552167

En el Anexo 1 se encuentran las gráficas con las predicciones realizadas para cada
subcuenca.

3.8 Plataforma de visualización de datos:

https://builder.theappmaker.es/62871d4aaa470

4. Conclusiones
La regionalización no solo permite conocer el comportamiento hidrológico en un punto
determinado de una región, por medio de la transferencia de información de otro punto
de la misma región, sino que además brinda información respecto al número de
estaciones que se tiene en la región o de la información almacenada, respecto a si es
suficiente o no. Para el caso de la presente tesis, se puede observar que la relación entre
caudal área y precipitación es alta entre ellas, así mismo la predicción realizada con
machine learning permite establecer mejores criterios para decisiones futuras.

En cuanto a la estimación de caudales mínimos, se observo que, este tipo de caudal es

más sensible a los cambios, puesto que un cambio repentino como un aumento en
variables estrechamente relacionadas como temperatura, brillo solar y evaporación,
harían que el caudal se redujera de forma acelerada, por ello, las graficas relacionadas
para la correlación de variables, no se acomodan tanto a una regresión lineal, podrían
acomodarse mucho más a una regresión potencial o exponencial, teniendo en cuenta los
cambios climáticos que se dan por el calentamiento global los fenómenos de la niña y el
niño, los cuales han tomado mayor duración en los últimos años . Así mismo, el modelo
empleado para estimar este caudal es muy susceptible a los cambios espacio temporales;
sin embargo, con la implementación de los coeficientes que ajustan el modelo, se puede
suavizar el riesgo a una estimación lejana.

Los caudales medios, tienen una relación lineal casi perfecta, y aún más con la variable
de área tributaría, y esto se debe a que, para la estimación de este caudal, no utilizaron
datos extremos, como temperatura mínima o máxima, lo cual permite que la estimación
sea más exacta, porque este caudal no se ve tan afectado a cambios drásticos en las
variables como temperatura y brillo solar en comparación al caudal mínimo, lo cual
permitió obtener en el modelo coeficientes con mayor ajuste. Aunque no se halla
realizado la correlación con la humedad relativa, se crea la hipótesis de que, al utilizarla,
podría ayudar a tanto como ajustar el modelo aún más y se podría llegar a tener un
coeficiente de Pearson mucho más alto, acercándose al 1, o si por el contrario, esta
demuestra tener una relación estrecha con la precipitación media, puede afectar el
modelo y disminuir su relación, debido a que para caudales medios y mínimos, la
variable de precipitación no se utilizó.

Los caudales máximos lograron demostrar que se asemejan con valores extremos, como
temperatura máxima, sin embargo, la estimación de este caudal puede mejorar si dentro
de el se incluyen las series espacio multitemporales de precipitación máxima en 24
horas, sin embargo, para este caudal puede que intentar reaccionarlo con la humedad
relativa no sea favorable, puesto que no tiene datos máximos, y este puede verse muy
afectado por los valores altos que hay en temperatura. Para este caudal, aunque se hayan
empleado más variables en comparación para el modelo de estimación de caudal medio
y mínimo en las cuales se utilizaron solo 4 variables, demuestra que, la correlación fue
mayor, eliminando ciertas variables. No obstante, que no se relacione con datos de
máximos de brillo solar y evaporación, puede ser causa de su coeficiente de correlación
(0.9775) sea un poco menor al coeficiente de caudal medio(0.988).

A nivel estadístico, se pueden mejorar los modelos, si las series espaciotemporales

tuvieran mayor proximidad a la actualidad, dentro del tratamiento de datos, fue
imposible determinar datos faltantes para los años 2018 y 2019, correspondientes a los
últimos que aparecen en los datos, puesto que, para el año 2019, las variables de
temperatura, brillo solar y precipitación tenían datos del año 2019 hasta el mes de Mayo
y Junio, y en el año 2018 existían varios vacíos, que aplicando el método de razón
normal para el completado de datos no se acomoda, dando datos atípicos y sospechosos,
por lo cual, los datos se trataron hasta el año 2017. Si se tuvieran los datos de al menos
los últimos cuatro años, posiblemente, el modelo llegue coeficientes de ajustes que
logren obtener un coeficiente de correlación casi perfecto.
 Referencias
Althoff et al . (2021). Gauging the Ungauged: Regionalization of Flow Indices at Grid
Level. Obtenido de https://ascelibrary.org/doi/10.1061/%28ASCE%29HE.1943-
5584.0002067

Assani et al. (2006). Développement d’une nouvelle méthode de régionalisation basée

sur le concept de « régime des débits naturels » : la méthode éco-géographique.
Obtenido de https://www.erudit.org/fr/revues/rseau/2006-v19-n4-
rseau1465/014421ar/

CAR. (s.f). Jurisdicción CAR. Obtenido de https://www.car.gov.co/vercontenido/7

Carvajal, G. &. (2018). REGIONALIZACIÓN DE CURVAS DE DURACIÓN DE CAU-

DALES EN EL DEPARTAMENTO DE ANTIOQUIA-COLOMBIA. Obtenido de
http://www.scielo.org.co/pdf/eia/n27/n27a03.pdf

Cunderlikd & Burn . (2009). Utilisation d'une information sur le régime des crues dans
une analyse fréquentielle régionale des crues. Obtenido de https://doi.org/
10.1080/02626660209492909

GOBIERNO DE CHILE. (2016). Estimación de Caudales. Obtenido de Cuenca río Pa-

lena.

Hrachowitz et al. (2013). Revue d’une décennie sur les prévisions en bassins non jaugés
(PUB)—une revue. Obtenido de https://doi-org.hemeroteca.lasalle.edu.co/
10.1080/02626667.2013.803183

Lauro et al . (2021). Annual maximum flow regionalization of Colorado River System,

Argentina. Obtenido de https://publicaciones-unirioja-es.hemeroteca.lasalle.e-
du.co/ojs/index.php/cig/article/view/4465

Lopes et al. (2017). REGIONALIZATION OF MAXIMUM AND MINIMUM FLOW IN

THE TELES PIRES BASIN, BRAZIL. Obtenido de https://www.scielo.br/j/
eagri/a/TRDyN73LZ6LGmRwDRwxDmkF/?lang=en

Manzione. (2020). Revisitando a regionalização de vazões na região do Médio Parana-

panema no Estado de São Paulo: utilização de curvas de permanência em mi-
 crobacias hidrográficas. Obtenido de https://revistaig.emnuvens.com.br/rig/arti-
cle/view/678

Prieto et al . (2019). Flow Prediction in Ungauged Catchments Using Probabilistic

Random Forests Regionalization and New Statistical Adequacy Tests. Obtenido
de https://doi.org/10.1029/2018WR023254

Semana. (2011). Emergencia por río Bogotá, una de las peores de la historia. Obtenido
de https://www.semana.com/nacion/articulo/emergencia-rio-bogota-peores-his-
toria/239998-3/
ANEXO 1