Machine Translated by Google

Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773

Listas de contenidos disponibles en ScienceDirect

Revista de Ciencias de la Tierra Sudamericana

página de inicio de la revista: www.elsevier.com/locate/jsames

Modelado hidrológico utilizando datos de precipitación de sensores remotos en un

cuenca de la sabana brasileña

a,* a a B
Rubens Junqueira , Marcelo R. Viola , Jhones da S. Amorim , carla camargos ,
a
Carlos R. de Mello
a
Departamento de Recursos Hídricos y Saneamiento, Universidad Federal de Lavras, Lavras, Minas Gerais, Brasil
B
Instituto de Ecología del Paisaje y Gestión de Recursos (ILR), Centro de Investigación de Biosistemas, Uso de la Tierra y Nutrición (iFZ), Universidad Justus Liebig de Giessen,
Heinrich-Buff-Ring 26, 35392, Giessen, Alemania

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: La precipitación es la entrada principal para los modelos hidrológicos. Sin embargo, debido a las limitaciones de las estaciones
IMERG pluviométricas, las estimaciones de precipitación por satélite se han convertido en una buena alternativa a la información de precipitación.
SUFI-2
En este contexto, este estudio tuvo como objetivo validar los datos de precipitación con el Análisis de Precipitación Multisatélite (TMPA)
APLASTAR
de la Misión de Medición de Lluvias Tropicales y los datos de Recuperación Integrada de Multisatélites para la Medición de Precipitación
TMPA
Global (IMERG), además de evaluar la incertidumbre y el desempeño del Suelo. y la Herramienta de evaluación del agua (SWAT)
Análisis de incertidumbre
utilizando datos de precipitación observada (OP), TMPA e IMERG. Se utilizaron coeficientes estadísticos para validar los datos de
precipitación TMPA e IMERG. El factor P y el factor r se consideraron para el análisis de incertidumbre, mientras que la eficiencia de
Nash Sutcliffe (NSE), su versión logarítmica (LNSE) y el sesgo porcentual (PBIAS) se analizaron para caracterizar el análisis de
rendimiento del modelo en pasos de tiempo mensuales. . Hubo una sobreestimación por parte de TMPA e IMERG en la estimación de la
precipitación, especialmente en el período poco lluvioso. Las configuraciones OP, TMPA e IMERG presentaron resultados satisfactorios
para el análisis de incertidumbre y rendimiento en el modelado hidrológico. La configuración de IMERG generalmente mostró mejores
resultados que la configuración de TMPA, siendo una buena alternativa para el modelado hidrológico, especialmente en regiones con
conjuntos de datos de precipitación escasos.

1. Introducción actividades, niveles de desarrollo y vulnerabilidad de los ecosistemas, y es considerada

La sabana brasileña es una de las sabanas con mayor biodiversidad a nivel mundial
(Schiassi et al., 2018), constituyendo uno de los 25 hotspots de biodiversidad del mundo
debido a su concentración de especies endémicas, función ecológica, riqueza natural y
grado de amenaza (Myers et al. ., 2000). Este bioma cubre el 23,92% del territorio
brasileño; sin embargo, fue responsable del 33,8% de la pérdida total de vegetación en
el país en las últimas tres décadas (Souza et al., 2020). A pesar de ello, solo el 2,2% de
su superficie (aproximadamente 2 millones de km2 ) se encuentra bajo protección legal
(Klink y Machado, 2005).
La sabana brasileña juega un papel fundamental en la dinámica de los recursos
hídricos porque drena agua que forma las cuencas más grandes de Brasil, incluida la
˜
cuenca del río Sao Francisco (SFRB) (Oliveira et al., 2014).
Esta cuenca abastece el 70% de las aguas superficiales de la región nordeste brasileña.
Por lo tanto, se clasifica como una de las cuencas más complejas de Brasil en función de
la densidad de población, la base de recursos naturales, la economía
una unidad espacial para la planificación y el desarrollo del país (Torres et al., 2012). Por
lo tanto, se requieren estudios hidrológicos sólidos para apoyar la gestión de los recursos
hídricos en esta región, que es fundamental para el desarrollo sostenible de Brasil.
Se desarrollaron modelos hidrológicos para representar el ciclo hidrológico, que es
indispensable para mejores estrategias de gestión de los recursos hídricos (Mokhtari et
al., 2016). Se han desarrollado varios modelos hidrológicos con características específicas
(Devi et al., 2015). Estos modelos describen cuantitativamente los procesos que integran
el balance hídrico en una cuenca y se pueden utilizar para varios propósitos, como la
evaluación de los impactos del cambio climático y del uso del suelo, la predicción de
inundaciones en tiempo real y el diseño de estructuras hidráulicas (Caldeira et al., 2019).
Los resultados del modelo hidrológico son sensibles a los datos de entrada,
especialmente la precipitación (Abbaspour, 2015). Sin embargo, según datos de la
Agencia Nacional de Agua y Saneamiento (ANA) de Brasil, se registran 2332 pluviómetros
en la sabana brasileña, lo que resulta en una

* Autor correspondiente.
Direcciones de correo electrónico: rubensjunqueira@live.com (R. Junqueira), marcelo.viola@ufla.br (MR Viola), jhonesamorim@gmail.com (JS Amorim) , carlacscamargos@gmail.com (C.
Camargos), crmello@ufla.br (CR de Mello).

https://doi.org/10.1016/j.jsames.2022.103773 Recibido
el 28 de octubre de 2021; Recibido en forma revisada el 16 de febrero de 2022; Aceptado el 13 de marzo de 2022
Disponible en línea el 15 de marzo de 2022
0895-9811/© 2022 Elsevier Ltd. Todos los derechos reservados.
Machine Translated by Google
R. Junqueira et al.
densidad de red de aproximadamente 858 km2 cubierta por una sola estación.
Esta representación espacial dista mucho de lo recomendado por la Organización
Meteorológica Mundial (OMM) para planicies interiores y áreas onduladas (575 km2 por
estación de pluviómetro) con fines de estudio climático (OMM 2008).
Además, la mayoría de estos pluviómetros tienen series históricas cortas (menos de 10
años), y además varios desfases. Ante esto, los eventos de precipitación convectiva
predominan en la sabana brasileña que presenta una alta variabilidad espacial (Reboita et
al., 2010), y aumentan las incertidumbres de precipitación captadas por las estaciones
pluviométricas. Por lo tanto, la combinación de estos factores afecta la confiabilidad de los
conjuntos de datos de entrada y las predicciones realizadas por los modelos hidrológicos.
Según Abbaspour (2015), los avances futuros en el modelado hidrológico dependen
del progreso en la disponibilidad de datos de teledetección. La necesidad de conjuntos de
datos de precipitación distribuidos espacialmente adecuados ha llevado al desarrollo de
varios productos de precipitación satelital (Elgamal et al., 2017), como la Misión de medición
de precipitaciones tropicales (TRMM)
Análisis de precipitación multisatélite (TMPA) (Huffman et al., 2006) y Recuperaciones
multisatélite integradas para la medición de la precipitación global (GPM) - IMERG (Huffman
et al., 2019). Estos productos han proporcionado estimaciones de precipitación precisas en
diferentes regiones del mundo (Gadelha et al., 2019; Li et al., 2018; Rozante et al., 2018;
Wang et al., 2017) y una mejor representación de los procesos hidrológicos en grandes
cuencas.
TMPA es un algoritmo que estima la precipitación cada 3 h a partir de varios sensores
modernos relacionados con la precipitación transportados por satélite, especialmente
TRMM, con una resolución espacial de 0,25ÿ × 0,25ÿ, cubriendo aproximadamente el 80%
de la superficie de la Tierra entre 50ÿN-50 ÿS latitudes (Huffman et al., 2006, 2010). De
manera similar a TMPA, las estimaciones de precipitación de IMERG se calibran con las
estimaciones de sensor único o combinado de TRMM/GPM que se consideran de la más
alta calidad (Huffman et al., 2019).
Además, IMERG tiene resoluciones espaciales (0,1ÿ × 0,1ÿ) y temporales (0,5 h) más altas
que TMPA, además de cubrir un área más grande del globo (60ÿN-60ÿS).
Aunque TMPA e IMERG representan un avance en la estimación de la precipitación, la
investigación que utiliza estos datos en estudios hidrológicos en la sabana brasileña y los
entornos SFRB aún son limitadas. Oliveira et al.
(2014) encontraron una correlación significativa y errores de TMPA bajos en la estimación
de la precipitación en la sabana brasileña en escalas mensuales y anuales. Esta
investigación presentó hallazgos relevantes. Sin embargo, solo se utilizaron los datos de
precipitación de TMPA para estudiar un balance hídrico simplificado en el bioma.
Teniendo en cuenta la baja densidad de datos de precipitación observada (OP),
Fig. 1. Ubicación de PRB, SFRB, sabana brasileña y cuenca DEM.
2
Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773
vacíos en los estudios hidrológicos realizados en los ambientes de sabana y SFRB
brasileños, así como su servicio ecológico para el desarrollo sostenible brasileño, este
estudio tuvo como objetivo: i) validar los datos de precipitación utilizando datos TMPA e
IMERG; y ii) evaluar la incertidumbre y el rendimiento de un modelo hidrológico ingresado
con datos OP, TMPA e IMERG.
2. Material y métodos
2.1. Área de estudio
La cuenca del río Pandeiros (PRB) está totalmente inserta en la sabana brasileña y la
SFRB y tiene un área de 3220 km2 . La PRB es fundamental
para la reproducción y el desarrollo de varias especies de peces de la cuenca media del río
S˜ ao Francisco (Nunes et al., 2009). Debido a su relevancia ecológica, el Área de Protección
Ambiental Río Pandeiros fue creada mediante la Ley Estadual n. 11,901 en 1995 para
proteger el desarrollo y la reproducción de especies nativas de peces (Santos et al., 2015).
La Fig. 1 muestra la ubicación del PRB delimitado desde la estación de flujo “Usina do
Pandeiros Montante”, y el Digital Elevation Model (DEM) ALOS (Advanced Land Observing
Satellite) PALSAR (Phased Array L-band Synthetic Aperture Radar), con un resolución
espacial de 12,5 m × 12,5 m (https://asf.alaska.edu/data-sets/sar-data-sets /alos-palsar/).
¨
En el PRB predomina el clima Aw según la clasificación de Koppen, que consiste en un
clima tropical con veranos lluviosos e inviernos secos. La clasificación climática de
Thornthwaite es C1 (seco subhúmedo)
(Martins et al., 2018). La precipitación media anual en la cuenca es de aproximadamente
1085 mm, de los cuales 883,4 mm regresan a la atmósfera por evapotranspiración
(Junqueira et al., 2020). La temperatura media anual es de 23,8 ÿC, con una mínima de
17,9 ÿC y una máxima de 31,6 ÿC.
2.2. modelo SWAT
SWAT es un modelo hidrológico que opera en un paso diario, tiene una base física, es
computacionalmente eficiente y es capaz de una simulación continua durante largos
períodos (Gassman et al., 2007). Además, es un modelo semidistribuido en el que la cuenca
se subdivide en múltiples subcuencas y luego en Unidades de Respuesta Hidrológica
(HRU), que consisten en regiones con las mismas características de uso de la tierra,
topografía (DEM) y tipo de suelo (Arnold et al., 2012). En este estudio, el PRB fue
Machine Translated by Google
R. Junqueira et al.
subdividido en 69 subcuencas y 595 HRU. SWAT se basa en el balance hídrico de cada
una de las HRU, según la Ecuación (1) (Neitsch et al., 2011):
( Rday,i ÿ Qsurf ,i ÿ Ea,i ÿ ÿ wseep,i ÿ Qgw,i )
SWt = SW0 +ÿt
yo=1
donde SWt es el contenido final de agua en el suelo (mm), SW0 es el contenido inicial
de agua en el suelo en el día i (mm), t es el tiempo (días), Rday es la cantidad de
precipitación en el día i (mm), Qsurf es la cantidad de escorrentía superficial el día i
(mm), Ea es la cantidad de evapotranspiración el día i (mm), wseep es la cantidad de
agua que ingresa a la zona vadosa desde el perfil del suelo el día i (mm) y Qgw es la
cantidad de caudal de retorno el día i (mm).
La escorrentía superficial se calculó utilizando el método del Número de Curva
desarrollado por el Servicio de Conservación de Suelos de los Estados Unidos (SCS
1972) y la evapotranspiración fue estimada por Penman-Monteith (Penman, 1956;
Monteith, 1965).
SWAT requiere datos de tipo de suelo, uso de suelo, topografía y clima (precipitación,
temperatura máxima y mínima, velocidad del viento, radiación solar y humedad relativa)
para simular el proceso hidrológico en una cuenca. Posteriormente, se requieren datos
de caudal para calibrar y validar el modelo.
2.3. Datos de entrada del modelo SWAT
A continuación, los datos de caudal y precipitación observados se obtuvieron de la
ANA y los datos meteorológicos del Instituto Nacional de Brasil de Brasil.
Meteorología (INMET) con el fin de calibrar y validar el modelo SWAT (Fig. 2c). Junqueira
et al. (2020) describieron la recopilación de datos y sus análisis de consistencia. Toda
esta información contiene conjuntos de datos diarios desde junio de 2000 hasta diciembre
de 2018.
Fig. 2. Mapas de suelo (a) y uso de la tierra (b) y estaciones pluviométricas, meteorológicas y de caudal, y puntos TMPA e IMERG (c).
Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773
Tipo de suelo derivado de la Fundación Ambiental del Estado de Minas Gerais
(FEAM, 2010) en escala 1:650.000 (Fig. 2a) y mapas de uso de suelo de 2010 elaborados
por IBGE (2018) en escala 1:1.000.000 (Fig. 2b) se usaron para generar las HRU.
Además, el DEM (Fig. 1) también se utilizó para generar el mapa de pendientes.
(1) Considerando la baja pendiente de la cuenca (5,9% en promedio), se dividió en cuatro
clases: 0-3%, 3-5%, 5-8% y >8%.
El suelo predominante en el PRB es el Oxisol Rojo-Amarillo (LVA), que ocupa el
88,3% de la superficie total, seguido del Entisol Flúvico (RQ, 4,1%), Entisol Cuarzo (RY,
4,0%) y Entisol Mélanico (GM, 3,7%). Los usos de suelo predominantes son Cerrado
(CERR, 95,3%), vegetación forestal (FRST, 3,3%), agricultura (AGRL, 1,3%), pastos
(PAST, 0,1%) y eucalipto (EUCA, 0,1%).
Los datos TMPA e IMERG obtenidos de la NASA ( https://disc.gsfc.nasa.gov/) se
utilizaron para evaluar el rendimiento y las incertidumbres relacionadas con los datos de
precipitación obtenidos por teledetección. Por lo tanto, sus resultados se compararon
con los obtenidos usando OP. A continuación se presenta una breve descripción de
estos productos.
2.4. datos TMPA
TMPA es un algoritmo que pretende proporcionar la mejor estimación de la
precipitación cuasi-global (50ÿNS) en un espacio relativamente fino (0,25ÿ ×
0,25ÿ) y resolución temporal (3 h). Por lo tanto, se utiliza una amplia variedad de
sensores modernos relacionados con la precipitación transportados por satélite,
principalmente en la placa TRMM (Huffman et al., 2010).
Según Huffmann et al. (2010), la investigación TMPA se lleva a cabo en cuatro
pasos: i) las estimaciones de precipitación de microondas se calibran y fusionan; ii) las
estimaciones de precipitación infrarroja (IR) se crean utilizando la precipitación de
microondas calibrada; iii) se fusionan las estimaciones de microondas e IR; y iv) se
incorporan datos de pluviómetros.
3
Machine Translated by Google
R. Junqueira et al.
En este estudio, utilizamos la última versión disponible de TMPA
(TRMM_3B42_Daily V7) que contiene la precipitación diaria desde junio
de 2000 hasta diciembre de 2018. Esta versión incorpora cambios
relevantes en comparación con la anterior (versión 6), como nuevos
satélites y datos de entrada reprocesados uniformemente utilizando
algoritmos actuales (Huffman y Bolvin, 2015).
2.5. datos IMERG
IMERG es un algoritmo desarrollado para intercalibrar, fusionar e
interpolar estimaciones de precipitación de microondas satelitales, junto
con estimaciones satelitales IR calibradas por microondas, pluviómetros
y otros estimadores de precipitación para las eras TRMM y GPM (Huffman
et al., 2019).
El IMERG tiene resoluciones finas espaciales (0,1ÿ × 0,1ÿ) y temporales
(media hora) entre las latitudes 60ÿN y 60ÿS, y está disponible en tres niveles:
temprano; Tarde; y Carrera final. La ejecución final está destinada a
aplicaciones de investigación y tiene un retraso de 4 meses, con corrección
de sesgo basada en pluviómetros (Tan et al., 2017). El proceso para estimar
la precipitación en IMERG es similar a TMPA (Huffman et al., 2019). En este
estudio se utilizó Final Run Version 06 (GPM_3IMERGDF), con precipitación
diaria desde junio de 2000 hasta diciembre de 2018.
2.6. Validación de precipitaciones TMPA e IMERG
Los datos de precipitación TMPA e IMERG en PRB fueron validados
por comparación con pluviómetros. Las estaciones pluviométricas se
seleccionaron y compararon utilizando el enfoque de punto a píxel. Esta
metodología compara el valor del punto del pluviómetro con el valor del
píxel del TMPA e IMERG correspondiente a la ubicación del punto
(Nogueira et al., 2018). La comparación se realizó en escalas diarias y
mensuales para todo el período utilizado en la modelación hidrológica
(2000-2018) y para el período de sequía (2014/15 a 2017/18), según lo relatadomodelo
(2020). Este análisis se realizó en tres configuraciones: para todo el
año (enero a diciembre), período lluvioso (octubre a marzo) y período
seco (abril a septiembre). Para evaluar los errores de los productos
TMPA e IMERG, se utilizaron el porcentaje de sesgo (PBIAS), el error
medio (ME), el error cuadrático medio (RMSE) y el coeficiente de
correlación de Pearson (r) con una significación estadística del 5 %. (2)–(5). CUP (Abbaspour, 2015), y en la calibración se utilizaron aquellos que
(2)
PBIAS = [iN i = 1 (Oi
ÿNi= -1Oi
Ei) ] .100
1 El mejor valor y el rango final de los parámetros obtenidos en la
YO =
ÿN (Oye - hola)
norte
yo=1
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
ÿN i=1(Oye ÿ Hola)
RMSE =
norte ÿ
ÿN i=1(Hola ÿ Om).(Hola ÿ Em)
r= ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
norte
ÿ ÿ i = 1 (Oi - Om) . ÿN i=1(Ei ÿ Me)
donde O es la precipitación observada (mm); Om es la precipitación
media observada (mm), E es la precipitación estimada (mm), Em es la
precipitación media estimada (mm), i es la secuencia temporal de los
pares observados y simulados, y N es el número de pares observados
y simulados .
Los valores de ME y RMSE cercanos a cero están relacionados
con errores bajos en la estimación de la precipitación. Los valores
positivos de ME indican una sobreestimación de la precipitación,
mientras que los valores negativos indican una subestimación. Según
Yapo et al. (1996), PBIAS mide la tendencia de la precipitación simulada
a ser mayor o menor que la precipitación observada, donde el valor
cero indica la situación ideal. La r mide la fuerza y la dirección (decreciente o creciente,
Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773
dependiendo del signo) de una relación lineal entre el estimado y OP
(Ahlgren et al., 2003). Cuanto más cerca de 1, mayor es la similitud
entre las dos series temporales.
Adicionalmente se realizó la curva de precipitación acumulada y la
precipitación media mensual para OP, TMPA e IMERG de junio de 2000
a diciembre de 2018. Estos análisis nos permiten evaluar el
comportamiento temporal de los productos de precipitación de
teledetección en relación con el OP, verificando la ocurrencia de
sobreestimación/subestimación de la precipitación por parte de estos
productos e identificando en qué periodos esto ocurre.
2.7. Calibración, validación, sensibilidad e incertidumbre del modelo SWAT
Se utilizó el paquete de software SWAT-CUP con el algoritmo SUFI-2
para el análisis de calibración, validación, sensibilidad e incertidumbre.
Este algoritmo mapea todas las incertidumbres con respecto a los parámetros
(expresadas como distribuciones o rangos uniformes) e intenta capturar la
mayoría de los datos medidos dentro de la incertidumbre de predicción del 95
% (95PPU) del modelo en un proceso iterativo (Abbaspour et al., 2015). El
95PPU se calcula a niveles del 2,5 % y el 97,5 % de la distribución acumulada
de las variables de salida obtenidas mediante el muestreo de hipercubo latino
(Abbaspour et al., 2007). Según Abbaspour (2015), SUFI-2 busca cubrir la
mayor parte de los datos medidos con la menor banda de incertidumbre posible.
Las estadísticas tradicionales, como la eficiencia de Nash-Sutcliffe
(NSE), no son adecuadas cuando los resultados se expresan como bandas
de incertidumbre (Arnold et al., 2012). Por lo tanto, Abbaspour (2015)
sugiere el uso del factor p, que es el resultado del porcentaje de los datos
medidos que cubre el rango de 95PPU y es responsable de dar cuenta del
grado de incertidumbre; y el factor r, que es el grosor medio de la banda de
95PPU dividido por la desviación estándar de los datos medidos. Abbaspour
et al. (2015) recomiendan un factor r inferior a 1,5 y un factor p superior a
0,7. Cuanto más se acerca este último a 1, mejor es la simulación del
por Junqueira et al. a la incertidumbre.
con respecto
Inicialmente se realizaron análisis de sensibilidad, calibración y análisis
de incertidumbre para el SWAT ingresado con OP. Los parámetros
adoptados en el análisis de sensibilidad fueron previamente seleccionados
de estudios previos y revisiones de la literatura. Así, se evaluaron 19
parámetros mediante el método Global Sensitivity disponible en SWAT-
presentaron mayor sensibilidad. El procedimiento de calibración se realizó
automáticamente en SWAT-CUP utilizando SUFI-2 desde 2004 hasta
2018. Los parámetros se ajustaron mediante dos iteraciones con 600
simulaciones cada una y NSE como función objetivo.
(3)
calibración de la configuración de OP se usaron para validar el SWAT
ingresado con TMPA e IMERG de 2004 a 2018. Este procedimiento
2 se adoptó para evaluar el desempeño y la incertidumbre de TMPA e
(4) IMERG en el caudal simulación en la sabana brasileña y ambientes SFRB.
El período de junio de 2000 a diciembre de 2003 se utilizó para calentar el
modelo en todas las configuraciones.
(5)
2 2
2.8. Análisis de rendimiento del modelo
Para analizar el desempeño del modelo en calibración y validación
se utilizaron tres índices estadísticos: PBIAS (Ecuación (2)), NSE
(Nash y Sutcliffe, 1970), y su versión logarítmica (LNSE), según las
ecuaciones (6) y (7 ). ):
2
(6)
NSE = 1 - [ ÿN i ÿN
= 1i (Qoi
= 1 (Qoi - Qomi) 2 ]
- Qsi)
(7)
LNSE = 1 - ÿ ÿN i =ÿN1 i=1[log(Qoi)
[log (Qoi) - log (Qsi)] 2
ÿ log(Qomi)]2 }
4
Machine Translated by Google
R. Junqueira et al.
donde Qo es el caudal observado (m3 .sÿ ), Qom1), Qs es flujo de corriente simulado
(m3 .sÿ 1es el caudal medio observado (m3 .sÿ) De acuerdo 1).
con Moriasi et al. (2007), el NSE indica qué tan bien la gráfica de los datos
observados con respecto a las simulaciones se ajusta a 1: 1 línea, y su valor varía
de -ÿ a 1, siendo este último el valor ideal.Estos autores desarrollaron una calificación
de rendimiento general para NSE y PBIAS para evaluar el modelo durante la
calibración y validación en un paso de tiempo mensual, como se observa en Tabla 1.
Se utilizó la misma clasificación de NSE para LNSE.
3. Resultados y discusión
3.1. Validación de precipitaciones TMPA e IMERG
La Fig. 3a muestra la precipitación promedio de la cuenca (basada en la
metodología del polígono de Thiessen) acumulada para OP, TMPA e IMERG. Los
productos de precipitación de sensores remotos sobreestimaron la precipitación,
especialmente en la década de 2010; sin embargo, IMERG mostró resultados más
cercanos a los datos observados.
En la Fig. 3b se observa un comportamiento similar entre los datos de
precipitación de OP, TMPA e IMERG , es decir, TMPA e IMERG pudieron reproducir
la estacionalidad de la precipitación en PRB. Sin embargo, ambos datos de
precipitación de sensores remotos sobrestiman el PO. Este resultado es confirmado
por los gráficos de dispersión de precipitación observada y simulada (Fig. 4) y el
promedio de resultados estadísticos relacionados con la precisión de la estimación
de precipitación por TMPA e IMERG en PRB para el total (junio de 2000 a diciembre
de 2018) y sequía ( 2014/15 a 2017/18) períodos (Tabla 2).
ME y PBIAS mostraron una sobreestimación de la precipitación para TMPA e
IMERG en el PRB para todas las situaciones. Resultados similares fueron encontrados
por Oliveira et al. (2014) para la sabana brasileña y por Almeida et al. (2020) en la
cuenca del río Itapemirim, sureste de Brasil, ambos utilizando TMPA, y por Gadelha
et al. (2019) utilizando IMERG en el sureste de Brasil.
El ME en el análisis estacional fue menor para la época seca para las escalas de
tiempo diarias y mensuales; sin embargo, la precipitación mensual promedio en este
período es mucho más baja que la de todo el año y el período lluvioso.
Así, el PBIAS indica mayor sesgo (en valores absolutos) durante el período seco que
los otros períodos para TMPA e IMERG. Salles et al. (2019) y Almeida et al. (2020)
también encontraron errores más altos en los datos de precipitación de sensores
remotos durante la estación seca en las regiones brasileñas.
La sobreestimación de la precipitación expresada por el ME y el PBIAS durante
el período de sequía (2014/15 a 2017/18) fue mayor (en valores absolutos) para el
TMPA y el IMERG en relación al período total.
La sobreestimación de la precipitación fue aún mayor durante el período seco, donde
el PBIAS alcanzó un valor de ÿ46,0% para el TMPA y ÿ34,7% para el IMERG para
ambas escalas de tiempo.
A pesar del mejor desempeño de IMERG durante el período de sequía y la
estación seca, existe una mayor dificultad para los dos productos (IMERG y TMPA)
para estimar la precipitación durante los períodos de escasez de agua.
Sin embargo, Santos et al. (2017) informan que el análisis de sequía utilizando datos
de precipitación derivados de TRMM mostró resultados satisfactorios en la SFRB
superior. Por lo tanto, se recomienda realizar un análisis exhaustivo antes de utilizar
estos datos en estudios que involucren períodos de sequía.
Los errores de TMPA e IMERG fueron bajos y los valores de r indican una fuerte
similitud entre la precipitación observada y estimada para todo el año en una escala
de tiempo mensual, lo que corrobora los valores encontrados en otros estudios en
Brasil (Oliveira et al., 2014; Nogueira et al. al., 2018; Rozante et al., 2018; Gadelha
et al., 2019; Almeida et al., 2020).
Tabla 1
Calificaciones de rendimiento general para las estadísticas recomendadas para un período de tiempo mensual.
Clasificación de Rendimiento Si PBIAS (%)
Muy bien 0,75 < NSE ÿ 1,00 PBIAS < ± 10
Bien 0,65 < NSE ÿ 0,75 ±10 ÿ PBIAS < ± 15 ±15
Satisfactorio 0,50 < NSE ÿ 0,65 ÿ PBIAS < ± 25
Insatisfactorio NSE ÿ 0,50 PBIAS ÿ ± 25
5
Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773
Los resultados diarios de r muestran una reducción en la precisión de las
estimaciones de precipitación satelital en escalas de tiempo más cortas, como
también afirman Guo y Liu (2016) en China y Salles et al. (2019) en la región de la
Meseta Central de Brasil. Considerando el comportamiento estacional, el RMSE
durante el período lluvioso fue mayor que para todo el año y períodos secos, ya que
la precipitación media mensual es mayor durante el período lluvioso.
En general, IMERG presentó el mejor desempeño para las escalas de tiempo
diaria y mensual, que además de presentar mejores coeficientes estadísticos que
TMPA, presentó valores estimados más cercanos a los observados, como se muestra
en el diagrama de dispersión (Fig. 4a y b), como también lo encontraron Salles et al.
(2019) y por Amorim et al. (2020) en otras regiones brasileñas. Este resultado puede
explicarse por el rango de frecuencia más amplio utilizado por los sensores a bordo
del GPM, lo que brinda una mayor precisión en las estimaciones de precipitaciones
fuertes, moderadas y ligeras (Hou et al., 2014; Huffman et al., 2019). En este sentido,
IMERG es un sustituto adecuado de TMPA para estudios, principalmente para
escalas de tiempo mensuales en la sabana brasileña y ambientes SFRB, como
también observaron Serr˜ ao et al. (2016) en la cuenca del Amazonas.
3.2. Sensibilidad de parámetros y análisis de calibración del modelo SWAT
A continuación, se consideraron diez parámetros basados en los resultados del
análisis de sensibilidad para la calibración y validación SWAT (Tabla 3). Se observó
un predominio de parámetros relacionados con las aguas subterráneas ya que el
caudal base representa el 80% del caudal de esta cuenca. Este comportamiento es
asociado a la alta capacidad de infiltración de la cuenca, influenciada por la baja
pendiente media (5,9%), predominio de Oxisol y vegetación preservada (Junqueira
et al., 2020). En una cuenca de baja pendiente en Alemania, Guse et al. (2014)
también observaron que la dominancia del flujo base resultó en los parámetros más
sensibles.
3.3. Análisis de incertidumbre y rendimiento
La Fig. 5 presenta el caudal simulado usando los mejores parámetros y 95PPU
para calibración con OP y validación con TMPA e IMERG de 2004 a 2018, así como
la precipitación a escala de cuenca de cada producto obtenida por el procedimiento
de área ponderada y los diagramas de dispersión de caudales observados y
simulados con configuraciones OP, TMPA e IMERG. Además, la Tabla 4 presenta
los resultados del factor p, factor r, NSE, LNSE y PBIAS para el modelado hidrológico
con los tres productos de precipitación.
Se pudo detectar un comportamiento similar al comparar caudales observados y
simulados usando configuraciones OP, TMPA e IMERG (Fig. 5).
Zubieta et al. (2017) también observaron un comportamiento similar en la cuenca
amazónica peruano-ecuatoriana entre caudales observados y simulados. Además,
el caudal simulado pudo capturar la variabilidad temporal de la precipitación,
coincidiendo con los períodos húmedo y seco.
95PPU cubre la mayor parte del caudal simulado (Fig. 5), lo que puede explicarse
porque el factor p es superior a 0,70 en todos los casos (Tabla 4). El factor R es
inferior a 1,5 para todas las configuraciones de modelado hidrológico, según lo
recomendado por Abbaspour et al. (2015), aunque la banda de incertidumbre en los
picos es mayor. Silva et al. (2018) también encontraron una mayor incertidumbre
durante los eventos extremos en la SFRB superior usando solo OP, especialmente
para la predicción del caudal máximo.
Según Li et al. (2018), los pluviómetros escasos son uno de los factores
responsables de la incertidumbre del modelo. Además, los pluviómetros proporcionan
información para un área pequeña y se extrapolan a la escala espacial de varios km2
, introduciendo muchas incertidumbres (Gyasi-Agyei, 2020).
Sin embargo, aunque utilizó solo cuatro pluviómetros, la configuración de modelado
hidrológico usando OP presentó menos incertidumbre en la estimación que TMPA e
IMERG. Por otro lado, Meira Neto et al. (2018) y Amorim et al. (2020) encontraron
una menor incertidumbre del modelado hidrológico con productos de teledetección
en la cuenca Ribeirão ˜ da Onça y la Central Hidroeléctrica Serra da Mesa,
respectivamente. La influencia de una baja densidad de pluviómetros se suavizó
debido a la baja variabilidad espacial de la precipitación en
Machine Translated by Google

R. Junqueira et al. Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773

Fig. 3. Precipitación acumulada (a) y precipitación mensual promedio (b) para OP, TMPA e IMERG.

Fig. 4. Gráficos de dispersión de la precipitación observada y estimada (Prec.) con línea de tendencia lineal (Lineal (Prec.)) por TMPA (a) e IMERG (b) por PRB.

Cuadro
2 Resultados estadísticos de validación de precipitación TMPA e IMERG para los períodos total y sequía en escalas de tiempo diarias y mensuales, considerando todo el año
(enero a diciembre), período húmedo (octubre a marzo) y período seco (abril a septiembre).
Índice TMPA IMERG

Período total Período de sequía Período total Período de sequía

Año entero Mojado Seco Año entero Mojado Seco Año entero Mojado Seco Año entero Mojado Seco

ME* 0.20 0.35 0.06 0.54 0,96 0.13 0.48 0.26 0.07 0,45 0.81 0.10
RMSE* 9.76 13.15 4.14 8.93 12.18 3.28 8.66 12.86 3.80 8.67 11.91 2.92
PBIAS (%)* r* ÿ 7,9 ÿ 7,5 ÿ 12,8 ÿ 29,8 ÿ 28,8 ÿ 46,0 ÿ 25,9 ÿ 5,7 ÿ 14,6 ÿ 25,1 ÿ 24,6 ÿ 34,7
0,41 0,37 0,27 0,42 0,40 0,28 0,46 0,41 0,37 0,45 0,42 0,32
ME** 5,66 9,75 1,85 15,93 29,45 4,11 4,62 7,33 2,13 13,08 24,57 3,18
RMSE** 58.76 81.16 20.49 44.06 62.19 14.20 56.98 78.59 20.23 43.88 62.44 12.11
PBIAS (%)** ÿ 7,7 ÿ 7,4 ÿ 12,7 ÿ 29,1 ÿ 27,8 ÿ 46,0 ÿ 6.3 ÿ 5,6 ÿ 14,5 ÿ 24,2 ÿ 23,6 ÿ 34,7
r ** 0.88 0.79 0.82 0.92 0.89 0.84 0.88 0.79 0.82 0.91 0.87 0.83

una escala mensual en PRB. Además, la mayor incertidumbre asociada a la estimación
de precipitación por productos de teledetección se transfiere a la precisión de las
predicciones del modelo (Michaelides et al., 2009), aumentando la incertidumbre de la
modelación hidrológica con TMPA e IMERG en comparación con el OP.
IMERG presentó una incertidumbre más baja que TMPA con respecto al modelado
hidrológico con los productos de teledetección, según lo expresado por el factor p más
alto y el factor r más bajo. Además de la mejor resolución espacial, IMERG utiliza datos
de sensores más modernos y precisos que TMPA, como el GPM (Hou et al., 2014), lo
que reduce la incertidumbre en la estimación de la precipitación y, en consecuencia,
en el modelado hidrológico.
La configuración de OP presentó resultados satisfactorios en cuanto a rendimiento,
en el que la NSE y la LNSE calificaron como “muy buenos”. PBIAS también muestra
un desempeño adecuado, clasificado como “muy bueno”, aunque se observó una
sobreestimación del caudal simulado, principalmente en el período de recesión. SWAT
presentó dificultad para simular el caudal de la corriente en el período de recesión de
2015 a 2018, en el que (según Junqueira et al., 2020) hubo incidencia de sequía
hidrológica intensa, provocando cambios en el comportamiento hidrológico de la PRB.
El rendimiento del modelado hidrológico se reduce durante la validación. Esto
ocurrió debido al error asociado en la estimación de la precipitación por parte de TMPA
e IMERG. Este resultado es un reflejo de la mayor sobreestimación de los datos de
precipitación de sensores remotos durante el evento de sequía (2014/15 a 2017/18),
especialmente durante el período seco (abril a septiembre), lo que provocó la
sobreestimación del caudal simulado.

6
Machine Translated by Google

R. Junqueira et al. Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773

Tabla 3 valores simulados más cercanos a los observados, especialmente en los meses de
Parámetros utilizados para calibrar el modelo SWAT con OP y sus rangos inicial mayor caudal.
y final, y mejores parámetros (BP). La configuración de IMERG generalmente funcionó mejor que la configuración de
Parámetros rango inicial Rango final PA TMPA, con NSE clasificado como "muy bueno" y PBIAS como "bueno", mientras que la
configuración de TMPA mostró NSE clasificado como "bueno" y PBIAS como "satisfactorio"
r_CN2.mgt ÿ 0,10 0.10 ÿ 0,04 0.08 0.03
0.0050 0.0100 0,0050 0.0077 0,0052 (Cuadro 4). Por otro lado, Amorim et al. (2020) reportan una mejor simulación de caudal
v_ALPHA_BF.gw
a_GW_DELAY.gw (días) 0.00 60.00 27,72 60.00 34,63 con TMPA que con IMERG en la planta hidroeléctrica Serra da Mesa. Además, la
a_GWQMN.gw (mm) 0 2000 357 1453 880 configuración de IMERG presentó un LNSE más alto que la configuración de TMPA, lo
1
v_CH_K2.rte (mm.hÿ ) 0.00 20.00 9.92 20.00 15.73
que indica una mejor precisión de IMERG en la simulación de caudal durante el período
v_GW_REVAP.gw 0.020 0.200 0.089 0.200 0.190
de recesión.
r_SLSUBBSN.hru (m) 0.00 1.00 0.44 1.00 0.87

v_RCHRG_DP.gw 0.000 0.200 0.001 0.134 0.050 A pesar del mejor rendimiento de la configuración de OP, IMERG puede ser un
1
v_CH_K1.sub (mm.hÿ ) 0.00 20,00 8,17 20,00 11,44
v_CH_N2.rte 0.00 0,30 0,11 0,30 0,26
Tabla 4
Nota: r = relativo; v = reemplazar; y a = absoluto. Resultados de análisis de incertidumbre y rendimiento de SWAT para la
calibración con OP y validación con TMPA e IMERG en PRB.
con estos productos para ser más alto que la configuración OP (Tabla 2). Datos de entrada de precipitación factor p factor r Si LNSE PBIAS (%)
Se observa una mayor sobreestimación de la tasa de caudal simulada con la
EN 0,94 1.05 0.88 0.83 ÿ 7,6
configuración TMPA al analizar el diagrama de dispersión para las configuraciones OP TMPA 0.76 1.16 0.71 0,68 ÿ 16,0
(Fig. 5d), TMPA (Fig. 5e) e IMERG (Fig. 5f), mientras que la configuración OP mostró IMERG 0.79 1.09 0.81 0.75 ÿ 10,2

Fig. 5. Precipitación promedio, caudal mensual observado (Qobs) y simulado (Qsim), banda de incertidumbre (95PPU) y diagramas de dispersión de los caudales
observados y simulados durante el OP (a y d), TMPA (b y e) , e IMERG (c y f) en PRB.

7
Machine Translated by Google
R. Junqueira et al.
alternativa adecuada para estudios de modelación hidrológica y gestión de recursos
hídricos, especialmente para regiones con escasos datos temporales y espaciales
de precipitación convencional (Zubieta et al., 2017; Gadelha et al., 2019), como la
región de la sabana brasileña y la región de la cuenca del Amazonas. Además, el
uso de IMERG ha proporcionado un rendimiento preciso en todo el mundo, como
Jiang y Bauer-gottwein (2019) en cinco regiones climáticas diferentes de China, Le
et al. (2020) en cuencas de Vietnam, y Zubieta et al. (2017) en regiones andino-
amazónicas.
4. Conclusiones
TMPA e IMERG presentaron una precisión satisfactoria en la estimación de la
precipitación mensual, con errores bajos y una gran similitud entre la precipitación
observada y la estimada. ME y PBIAS indicaron una sobreestimación de la
precipitación de estos productos, especialmente durante el evento de sequía y el
período seco.
El análisis de incertidumbre obtenido con SUFI-2 mostró una incertidumbre
reducida al usar configuraciones OP, TMPA e IMERG, con un factor p superior a
0,70 y un factor r inferior a 1,50 en todos los casos. La configuración OP mostró la
incertidumbre más baja entre las tres configuraciones. Con respecto a los productos
de teledetección, la configuración de IMERG mostró una menor incertidumbre que
la configuración de TMPA.
Todas las configuraciones de modelado hidrológico presentaron resultados
satisfactorios en el análisis de rendimiento, con NSE y LNSE superiores a 0,50 y
PBIAS en un rango de ±25. Sin embargo, hubo una sobreestimación del caudal de
2015 a 2018 durante el período de recesión con las tres configuraciones,
principalmente debido a la ocurrencia de sequía hidrológica en ese período. La
configuración OP mostró un mejor rendimiento, seguida de la configuración IMERG.
Por lo tanto, IMERG es una alternativa adecuada para el modelado hidrológico
y la gestión ecológica y de recursos hídricos en regiones con conjuntos de datos de
precipitación temporal y espacial escasos, como la sabana brasileña y SFRB.
Fondos
Este trabajo fue apoyado por la Coordinación ˜ para el Perfeccionamiento del
Personal de Educación Superior (CAPES) [números de concesión 88882.446.869/
2019–01 y 88882.446854/2019–01]; la I+D ANEEL CEMIG [número de concesión
GT-611]; y el Consejo Nacional de Desarrollo Científico y Tecnológico (CNPq)
´ Soy. Meteorol. Soc. 95, 701–722. https://doi.org/10.1175/BAMS-D 13-00164.1.
[número de concesión 311191/2021–5].
Declaración de contribución de autoría CRediT
Rubens Junqueira: Redacción – revisión y edición, Redacción – borrador
original, Validación, Software, Administración de proyectos, Metodología,
Investigación, Curación de datos, Conceptualización. Marcelo R. Viola: Redacción
– revisión y edición, Supervisión, Metodología, Conceptualización. Jhones da S.
Amorim: Redacción – revisión y edición, Validación, Software, Metodología,
Investigación, Curación de datos. Carla Camargos: Redacción – revisión y edición,
Software. Carlos R. de Mello: Redacción – revisión y edición.
Declaración de competencia de intereses
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo informado
en este documento.
Expresiones de gratitud
Agradecemos enormemente a la Agencia Nacional del Agua de Brasil (ANA), el
Instituto Nacional de Meteorología de Brasil (INMET) y la Administración Nacional
de Aeronáutica y del Espacio (NASA) por proporcionar los datos de entrada para
desarrollar este estudio.
8
Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773
Referencias
Abbaspour, KC, 2015. SWAT-CUP: Programas de calibración e incertidumbre SWAT, vol.
100.
Abbaspour, KC, Rouholahnejad, E., Vaghefi, S., et al., 2015. Una escala continental
modelo de hidrología y calidad del agua para Europa: calibración e incertidumbre de un modelo
SWAT de alta resolución a gran escala. J Hydrol 524, 733–752. https://doi.org/10.1016/
j.jhydrol.2015.03.027 .
Abbaspour, KC, Yang, J., Maximov, I., et al., 2007. Modelización de la hidrología y la calidad del agua
en la cuenca prealpina/alpina de Thur mediante SWAT. J Hydrol 333, 413–430. https://doi.org/
10.1016/j.jhydrol.2006.09.014.
Ahlgren, P., Jarneving, B., Rousseau, R., 2003. Requisitos para una medida de similitud de cocitación,
con especial referencia al coeficiente de correlación de Pearson. Mermelada. Soc. información
ciencia Tecnología 54, 550–560. https://doi.org/10.1002/asi.10242.
Almeida, KN, Reis, JAT, Buarque, DC, et al., 2020. Análisis de rendimiento del satélite TRMM en la
estimación de precipitaciones para la cuenca del río Itapemirim, estado de Espirito Santo, Brasil.
teor. aplicación Climatol. 2 https://doi.org/10.1007/s00704-020-03204- 5.
Amorim, JS, Viola, MR, Junqueira, R., et al., 2020. Evaluación de productos de precipitación satelital
para el modelado hidrológico en el bioma del cerrado brasileño. Agua 12, 1–19. https://doi.org/
10.3390/w12092571.
Arnold, JG, Moriasi, DN, Gassman, PW, et al., 2012. SWAT: uso, calibración y validación del modelo.
Trans. ASABE (Am. Soc. Agric. Biol. Eng.) 55, 1491–1508. https://doi.org/10.13031/2013.42256 .
Instituto Brasileño de Geografía y Estadística (IBGE), 2018. Mapa de Cobertura y Uso de la
Tierra de Brasil 2010.
Caldeira, TL, Mello, CR, Beskow, S., et al., 2019. Modelo hidrológico LASH: un análisis centrado en la
discretización espacial. Catena 173, 183–193. https://doi.org/10.1016/j. catena.2018.10.009.
Devi, GK, Ganasri, BP, Dwarakish, GS, 2015. Una revisión de los modelos hidrológicos. Aquat Procedia
4, 1001–1007. https://doi.org/10.1016/j.aqpro.2015.02.126.
Elgamal, A., Reggiani, P., Jonoski, A., 2017. Análisis de impacto de productos de lluvia satelital en
simulaciones de flujo en la cuenca del río Magdalena, Colombia. J Hydrol Reg Stud 9, 85–103.
https://doi.org/10.1016/j.ejrh.2016.09.001.
Gadelha, AN, Hugo, V., Coelho, R., et al., 2019. Evaluación a nivel de caja de cuadrícula de IMERG
sobre Brasil en varias escalas de espacio y tiempo. atmósfera Res. 218, 231–244. https://doi. org/
10.1016/j.atmosres.2018.12.001.
Gassman, PW, Reyes, MR, Green, CH, Arnold, JG, 2007. El suelo y el agua
herramienta de evaluación: desarrollo histórico, aplicaciones y futuras direcciones de investigación.
Trans. ASABE (Am. Soc. Agric. Biol. Eng.) 50, 1211–1250. https://doi.org/
10.13031/2013.23637.
Guo, R., Liu, Y., 2016. Evaluación de productos de precipitación satelital con datos de pluviómetros a
diferentes escalas: implicaciones para aplicaciones hidrológicas. Agua (Suiza) 8. https://doi.org/
10.3390/w8070281.
Guse, B., Reusser, DE, Fohrer, N., 2014. Cómo mejorar la representación de
procesos hidrológicos en SWAT para una cuenca de tierras bajas: análisis temporal de la
sensibilidad de los parámetros y el rendimiento del modelo. Hidrol. Proceso. 28, 2651–2670.
https://doi.org/10.1002/hyp.9777.
Gyasi-Agyei, Y., 2020. Identificación de la densidad óptima de la red de pluviómetros para
modelado hidrológico basado en análisis de precipitación por radar. Agua 12, 1906. https://doi. org/
10.3390/w12071906.
Hou, AY, Kakar, RK, Neeck, S., et al., 2014. La misión de medición de la precipitación global. Toro.
Huffman, GJ, Adler, RF, Bolvin, DT, Nelkin, EJ, 2010. El análisis de precipitación multisatélite TRMM
(TMPA). Satell Rainfall Appl Surf Hydrol 3–22. https://doi. org/10.1007/978-90-481-2915-7.
Huffman, GJ, Bolvin, DT, 2015. TRMM y otros datos Conjunto de datos de precipitación
documentación. NASA 44.
Huffman, GJ, Bolvin, DT, Braithwaite, D., et al., 2019. Precipitación global de la NASA
Medición (GPM) Recuperaciones multisatélite integradas para GPM (IMERG). Código NASA/ GSFC
612, 1–38.
Huffman, GJ, Bolvin, DT, Gu, G., et al., 2006. El análisis de precipitación multisatélite TRMM (TMPA):
estimaciones de precipitación cuasi-globales, multianuales, de sensores combinados a escalas
finas. J. Hidrometeorol. 8, 38–55. https://doi.org/10.1175/JHM560.1.
Jiang, L., Bauer-gottwein, P., 2019. ¿Cómo funcionan las estimaciones de precipitación GPM IMERG
como forzamiento del modelo hidrológico? Evaluación de 300 cuencas en China continental. J
Hydrol 572, 486–500. https://doi.org/10.1016/j.jhydrol.2019.03.042.
Junqueira, R., Viola, MR, Amorim, J. da S., Mello, CR De, 2020. Respuesta hidrológica a ocurrencias de
sequía en una cuenca de sabana brasileña. Recursos 9, 123. https://doi. org/10.3390/
resources9100123.
Klink, CA, Machado, RB, 2005. Conservación del cerrado brasileño. Conservar Biol. 19, 707–713. https://
doi.org/10.1111/j.1523-1739.2005.00702.x.
Le, MH, Lakshmi, V., Bolten, J., Bui, D Du, 2020. Adecuación de los datos derivados de satélites
estimación de la precipitación para la modelización hidrológica en las cuencas de Vietnam. J
Hydrol 586. https://doi.org/10.1016/j.jhydrol.2020.124820.
Li, D., Christakos, G., Ding, X., Wu, J., 2018. Adecuación de los datos de lluvia del satélite TRMM para
impulsar el modelado SWAT de la cuenca de Tiaoxi (cuenca del lago Taihu, China). J Hydrol 556,
1139–1152. https://doi.org/10.1016/j.jhydrol.2017.01.006.
´
Martins, FB,¨ Gonzaga, G., Dos Santos, DF, Reboita, MS, 2018. Clasificación climática de Koppen y
´
Thornthwaite para Minas Gerais: escenario actual y proyecciones futuras.
Rev Bras Climatol 1, 149–164. https://doi.org/10.5380/abclima.v1i0.60896.
Meira Neto, AA, Oliveira, PTS, Rodrigues, DBB, Wendland, E., 2018. Mejora de la predicción del
caudal mediante el análisis de incertidumbre y el promedio del modelo bayesiano.
J. Hydrol. Ing. 23, 1–9. https://doi.org/10.1061/(ASCE)HE.1943-5584.0001639.
Machine Translated by Google
R. Junqueira et al.
Michaelides, S., Levizzani, V., Anagnostou, E., et al., 2009. Precipitación: medición, teledetección, climatología
y modelización. atmósfera Res. 94, 512–533. https://doi. org/10.1016/j.atmosres.2009.08.017.
Fundación Ambiental del Estado de Minas Gerais (FEAM), 2010. Mapa de suelos del Estado de
Minas Gerais.
Mokhtari, EH, Remini, B., Hamoudi, SA, 2016. Modelado del flujo de lluvia por
sistema de software de modelado hidrológico HEC-HMS - caso de la cuenca hidrográfica de wadi
Cheliff-Ghrib, Argelia. J. Water Land Dev. 30, 87–100. https://doi.org/10.1515/jwld-2016-0025 .
Monteith, JL, 1965. Evaporación y medio ambiente. Síntoma Soc. Exp. Biol. 205–234.
Moriasi, DN, Arnold, JG, Van Liew, MW, et al., 2007. Pautas de evaluación del modelo para la cuantificación
sistemática de la precisión en las simulaciones de cuencas hidrográficas. Trans. ASABE (Am.
Soc. agricola Biol. ing.) 50, 885–900. https://doi.org/10.13031/2013.23153.
Myers, N., Mittermeier, RA, Mittermeier, CG, et al., 2000. Puntos críticos de biodiversidad para las prioridades
de conservación. Naturaleza 403, 853–858. https://doi.org/10.1038/35002501.
Nash, JE, Sutcliffe, JV, 1970. Pronóstico del caudal fluvial a través de modelos conceptuales, parte I - Una
discusión de principios. J Hydrol 10, 282–290. https://doi.org/10.1016/0022-1694(70)90255-6 .
Neitsch, SL, Arnold, JG, Kiniry, JR, Grassland, WJR, 2011. Evaluación de suelos y aguas
Documentación Teórica de la Herramienta: Versión 2009 (Texas).
Nogueira, SMC, Moreira, MA, Volpato, MML, 2018. Evaluación de la precipitación
estimaciones a partir de datos de Eta, TRMM y CHRIPS en la región sur-sureste del estado de Minas
Gerais-Brasil. Movimiento rápido del ojo. Sens. 10, 313–329. https://doi.org/10.3390/rs10020313.
Nunes, YRF, Azevedo, IFP, Neves, WV, et al., 2009. Pandeiros: el pantanal de Minas Gerais.
MGBiota 2, 4–17.
Oliveira, PTS, Nearing, MA, Moran, MS, et al., 2014. Tendencias en los componentes del balance hídrico
en el Cerrado brasileño. Recurso de agua. Res. 50, 7100–7114. https://doi.org/10.1002/2013WR015202.
Penman, HL, 1956. Evaporación: una encuesta introductoria. Países Bajos J Agric Sci.
Reboita, MS, Gan, MA, Rocha, RP da, Ambrizzi, T., 2010. Regímenes de lluvia en América del Sur: una revisión
´
bibliográfica. Rev Bras Meteorol 25, 185–204. https://doi.org/
10.1590/S0102-77862010000200004 .
Rozante, JR, Vila, DA, Chiquetto, JB, et al., 2018. Evaluación de productos diarios combinados TRMM/GPM en
Brasil. Movimiento rápido del ojo. Sens. 10, 1–17. https://doi.org/10.3390/rs10060882 .
Salles, L., Satg´e, F., Roig, H., et al., 2019. Efecto estacional en los cambios espaciales y temporales
consistencia de las nuevas estimaciones de precipitación satelital IMERG-v5 y GSMaP-v7 basadas en
GPM en la región de la Meseta Central de Brasil. Agua (Suiza) 11. https://doi.org/ 10.3390/w11040668.
Santos, CAG, Brasil Neto, RM, Passos, JSA, da Silva, RM, 2017. Sequía
evaluación utilizando un índice de precipitación estandarizado derivado de TRMM para la parte superior
Revista Sudamericana de Ciencias de la Tierra 115 (2022) 103773
Cuenca del río S˜ ao Francisco, Brasil. Reinar. Monitorear Evaluar. 189 https://doi.org/10.1007/
s10661-017-5948-9 .
Santos, U., Silva, PC, Barros, LC, Dergam, JA, 2015. Fauna piscícola de los Pandeiros
River, una región de protección ambiental para especies de peces en el estado de Minas Gerais, Brasil.
Lista de verificación 11, 1507. https://doi.org/10.15560/11.1.1507.
Schiassi, MCEV, Souza, VR, Lago, AMT, et al., 2018. Frutas de la región del Cerrado brasileño_
Caracterización fisicoquímica, compuestos bioactivos, actividades antioxidantes y evaluación
_ Elsevier Enhanced Reader.pdf. Comida
sensorial Chem 245, 305–311. https://doi.org/10.1016/j.foodchem.2017.10.104.
Serr˜ ao, EAO, Wanzeler, RTS, Santos, CA, et al., 2016. Evaluación estadística entre
´
Estimaciones de precipitación de la constelación ˜ GPM con TRMM: un análisis de la cuenca del río
´
Solimoes. ˜ Rev Bras Climatol 18, 361–376. https://doi.org/10.5380/abclima.v18i0 .
Silva, RM da, Dantas, JC, Beltrao, ˜ J. de A., Santos, CAG, 2018. Simulación hidrológica en una
cuenca húmeda tropical en el bioma del cerrado utilizando el modelo SWAT.
Norte. Hydrol 49, 908–923. https://doi.org/10.2166/nh.2018.222.
Servicio de Conservación de Suelos (SCS), 1972. Manual Nacional de Ingeniería, Sección 4,
Hidrología. USDA.
Souza, CM, Shimbo J, Z., Rosa, MR, et al., 2020. Reconstrucción de tres décadas de cambios en el uso del
suelo y la cobertura del suelo en los biomas brasileños con el archivo Landsat y el motor Earth. Movimiento
rápido del ojo. Sens. 12, 2735. https://doi.org/10.3390/rs12172735.
Tan, J., Petersen, WA, Kirstetter, PE, Tian, Y., 2017. Desempeño de IMERG como
función de la escala espaciotemporal. J. Hidrometeorol. 18, 307–319. https://doi.org/10.1175/JHM-
D-16-0174.1 .
Torres, MDO, Maneta, M.,˜Howitt, R., et al., 2012. Impactos económicos de la escasez regional de agua en la
cuenca del río Sao Francisco,
Reinar.Brasil:
desarrollo
una aplicación
economíade17,un227–248.
modelo económico
https://doi.org/10.1017/
hidrológico vinculado.
S1355770X11000362.
Wang, Z., Zhong, R., Lai, C., Chen, J., 2017. Evaluación de los productos de precipitación basados en satélites
GPM IMERG y la utilidad hidrológica. atmósfera Res. 196, 151–163. https://doi.org/10.1016/
j.atmosres.2017.06.020.
OMM - Organización Meteorológica Mundial, 2008. Guía de Prácticas Hidrológicas, sexta
edición OMM, Ginebra 2, Suiza. bl 296.
Yapo, PO, Gupta, HV, Sorooshian, S., 1996. Calibración automática de conceptual
modelos lluvia-escorrentía: sensibilidad a los datos de calibración. J Hydrol 181, 23–48. https://doi.org/
10.1016/0022-1694(95)02918-4 .
Zubieta, R., Getirana, A., Espinoza, JC, et al., 2017. Modelización hidrológica del
Cuenca amazónica peruano-ecuatoriana utilizando el conjunto de datos de precipitación satelital GPM-
IMERG. Hidrol. Sistema Tierra ciencia 21, 3543–3555. https://doi.org/10.5194/hess-21-3543-2017 .