Machine Translated by Google

Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017

https://doi.org/10.5194/hess­21­3125­2017
© Autor(es) 2017. Este trabajo se distribuye bajo
la Licencia Creative Commons Atribución 3.0.

Calibración de un modelo hidrológico a gran escala mediante satélites.

Productos de humedad del suelo y evapotranspiración.
Patricia López López1,2 , Edwin H. Sutanudjaja2 , Jaap Schellekens1 , Geert Sterk2 , y Marc FP Bierkens2,3
1
Unidad de Sistemas de Aguas Interiores, Deltares, Delft, Países Bajos
2Departamento de Geografía Física, Facultad de Geociencias, Universidad de Utrecht, Utrecht, Países Bajos
3Unidad de Sistemas Subsuperficiales y de Aguas Subterráneas, Deltares, Utrecht, Países Bajos

Correspondencia a: Patricia López López (patricia.lopez@deltares.nl)

Recibido: 13 de enero de 2017 – Discusión iniciada: 16 de enero de 2017

Revisado: 22 de mayo de 2017 – Aceptado: 29 de mayo de 2017 – Publicado: 29 de junio de 2017

Abstracto. Un número considerable de cuencas fluviales alrededor
El mundo carece de suficientes observaciones terrestres de datos
hidrometeorológicos para una evaluación eficaz de los recursos hídricos.
y gestión. Se pueden desarrollar varios enfoques para
aumentar la calidad y disponibilidad de datos en estos países mal
cuencas fluviales calibradas o no; entre ellos, el uso de
Los productos de observación de la Tierra se han vuelto recientemente
prometedores. Observaciones terrestres de diversas variables ambientales.
Se puede utilizar potencialmente para aumentar el conocimiento sobre
los procesos hidrológicos en la cuenca y mejorar el caudal.
estimaciones del modelo, mediante asimilación o calibración. El presente
estudio pretende calibrar el modelo hidrológico a gran escala
PCRaster GLOBal Water Balance (PCR­GLOBWB) utilizando
Productos satelitales de evapotranspiración y humedad del suelo para la
cuenca del río Oum er Rbia en Marruecos. Se realizan simulaciones
diarias con una resolución espacial de 5 × 5 minutos de arco.
con valores de parámetros variables para el período de 32 años 1979–
2010. Se comparan cinco escenarios de calibración diferentes:
(i) escenario de referencia utilizando el modelo hidrológico con
la parametrización estándar, (ii) calibración utilizando series temporales
de descarga observadas in situ, (iii) calibración utilizando el
Serie de tiempo de evapotranspiración real del Modelo Global de
Evaporación de la Tierra de Ámsterdam (GLEAM), (iv) calibración utilizando
Humedad del suelo superficial de la Iniciativa sobre el Cambio Climático (CCI) de la ESA
series de tiempo y (v) calibración paso a paso utilizando la
evapotranspiración real GLEAM y la humedad superficial del suelo ESA CCI
series de tiempo. El impacto en las estimaciones de descarga de
Obtener datos de precipitación de conjunto ponderado mediante fusión
datos de medición, satélite y reanálisis (MSWEP).
Los resultados muestran que la evapotranspiración GLEAM y la ESA
La humedad del suelo CCI se puede utilizar para la calibración del modelo, lo
que da como resultado estimaciones de descarga razonables (valores NSE de
0,5 a 0,75), aunque se consigue un mejor rendimiento del modelo
cuando el modelo se calibra con observaciones de flujo in situ. La
calibración independiente basada únicamente en observaciones de
evapotranspiración o humedad del suelo mejora las predicciones del
modelo en menor medida. La entrada de precipitaciones afecta la descarga
estima más que calibrar los parámetros del modelo. El uso
de precipitación WFDEI conduce a los rendimientos más bajos del
modelo. Aparte del escenario de calibración de descarga in situ,
La mayor mejora en la descarga se obtiene cuando EI y
Los productos de precipitación MSWEP se utilizan en combinación con
un enfoque de calibración gradual basado en la evapotranspiración
y observaciones de la humedad del suelo. Este estudio abre la posibilidad
de utilizar observaciones de la Tierra disponibles globalmente y
productos de reanálisis de precipitación, evapotranspiración y
humedad del suelo en modelos hidrológicos a gran escala para estimar
descarga a escala de cuenca fluvial.
1. Introducción
Evaluar y gestionar los recursos hídricos disponibles en

precipitación en comparación con la calibración de los parámetros del una cuenca fluvial, buenas estimaciones de datos hidrometeorológicos,

modelo se investiga utilizando tres productos de precipitación global, Se requieren datos tales como precipitación, temperatura y caudal. Sin

incluido ERA­Interim (EI) y la metodología WATCH Forcing aplicada a embargo, muchas cuencas fluviales de todo el mundo todavía

los datos de reanálisis de ERA­Interim (WFDEI). y multi­ tienen un número limitado de observaciones in situ, ya sea sin medir
(Sivapalan et al., 2003) o mal calibradas

Publicado por Copernicus Publications en nombre de la Unión Europea de Geociencias.

Machine Translated by Google
3126 P. López López et al.: Calibración de un modelo hidrológico a gran escala
(Loukas y Vasiliades, 2014). No calibrado o mal calibrado
Las cuencas fluviales también incluyen aquellas cuencas donde los datos son
inexactos, escasos, intermitentes o recopilados en diferentes momentos temporales.
resoluciones, lo que lleva al problema de que no está claro cómo
integrar estos datos consistentemente en modelos hidrológicos
(Winsemius et al., 2009). Como resultado, la disponibilidad limitada
y la mala calidad de los datos induce una gran incertidumbre en el modelo.
producción de estas cuencas fluviales (Seibert y Beven, 2009).
Desarrollar estrategias novedosas para mejorar los conjuntos de datos disponibles
y modelos hidrológicos es una de las estrategias clave a la hora de
trabajando en cuencas no aforadas (Hrachowitz et al., 2013).
Para superar la falta de datos hidrometeorológicos, se
Un enfoque prometedor es el uso de la tecnología recientemente desarrollada.
observaciones globales de la Tierra y productos de reanálisis para
complementar los datos disponibles. En las últimas décadas, el radar y
Las tecnologías satelitales han mejorado y se han vuelto más
ampliamente disponible, proporcionando diversos servicios hidrometeorológicos
conjuntos de datos con resoluciones espaciales y temporales más finas:
precipitación (Joyce et al., 2004; Huffman et al., 2007), humedad del suelo
(Njoku et al., 2003; Dorigo et al., 2015), almacenamiento total de agua
(Tapley et al., 2004), evapotranspiración (Bastiaanssen et al.,
1998; Nishida, 2003; Miralles et al., 2011b), etc.
Estudios anteriores han demostrado la posibilidad de utilizar estos
conjuntos de datos globales para comprender mejor los procesos hidrológicos
en la cuenca de un río (Kite y Droogers, 2000;
Vereecken et al., 2008; Seneviratne et al., 2010; Hafeez y otros,
2011) y mejorar las estimaciones del modelo de flujo a través de
asimilación (Parajka et al., 2006; Roy et al., 2010; Brocca
et al., 2012; Thirel et al., 2013; López López et al., 2016)
y/o técnicas de calibración o determinación a priori de
parámetros del modelo (Jacobs et al., 2003; Beck et al., 2009).
Enfoques de calibración basados en múltiples sensores remotos.
Las variables tienen algunas ventajas en comparación con los enfoques de
calibración tradicionales que utilizan sólo hidrogramas observados y
modelados en un número limitado de ubicaciones. fenicia
et al. (2007) y Gupta et al. (2008) reconocieron que la calibración tradicional
puede conducir a una parametrización excesiva, es decir, se obtienen
resultados de modelos similares con una combinación de múltiples
parámetros, mientras que la calibración para múltiples variables
– calibración por pasos – puede resolver en parte el problema de
no unicidad y proporciona una mejor comprensión de la
procesos que ocurren dentro de la cuenca.
Varios estudios han investigado enfoques de calibración basados en
variables diferentes al caudal.
Campo et al. (2006) utilizaron un radar de información sobre la humedad del suelo.
imágenes de sensores ERS­2 para parametrizar el modelo hidrológico
MOBIDIC (MOdello di Bilancio Idrologico
Distribuido y Continuo). Immerzeel y Droogers (2008)
el modelo hidrológico SWAT (Soil and Water Assessment
Herramienta) basada en la evapotranspiración satelital de MODIS
Imágenes de satélite. Lo et al. (2010) mejoraron el parámetro
estimación del Modelo de Suelo Comunitario 3.0 utilizando GRACE
datos totales de almacenamiento de agua, mientras que Isenstein et al.
(2015) calibraron el modelo hidrológico VIC (Infiltración Variable
Capacidad) utilizando el área cubierta de nieve del satélite MODIS
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
datos. Otros han combinado variables detectadas remotamente con
observaciones in situ del flujo de agua para su calibración. En Rientjes
et al. (2013), el modelo HBV (Hydrologiska Byråns Vatten­balansavdelning)
se calibró con satélites
Evapotranspiración de MODIS y caudal. vaga
et al. (2014) parámetros del modelo calibrado de LISFLOOD
basado en observaciones de descarga y humedad del suelo adquiridas
por los instrumentos AMSR­E, SMOS y ASCAT, mientras que
Sutanudjaja et al. (2014) calibraron el modelo a gran escala.
PCR­GLOBWB utilizando información sobre el índice de caudal y agua del
suelo derivada de los dispersómetros ERS. a nivel global
escala, Beck et al. (2016) utilizaron la regionalización de parámetros.
para calibrar un modelo de VHB. Sin embargo, la simultánea
uso de más de una variable ambiental diferente a la
el caudal para la calibración es raro. Un enfoque de calibración
utilizando diferentes variables, de forma independiente y en combinación
con observaciones de caudal, puede mejorar aún más el modelo.
rendimiento y contribuir a una mejor comprensión de
procesos hidrológicos. En el presente estudio esto se prueba
comparando múltiples escenarios de calibración basados en
datos de evapotranspiración, humedad del suelo y vertidos.
Los experimentos de calibración mencionados anteriormente fueron
realizado para cuencas fluviales bien estudiadas, como la del Rin­
Cuenca del río Mosa, con buena cobertura de datos hidrometeorológicos in
situ. En el área de estudio actual, el Oum er
Cuenca del río Rbia situada en Marruecos, observaciones terrestres
son espacialmente escasos y limitados en número, clasificándolos
como una cuenca fluvial mal calibrada. La región sufre con frecuencia
escasez de agua y sequías y disponibilidad de agua.
es el principal factor que influye en el desarrollo socioeconómico,
impulsado principalmente por la agricultura (Houdret, 2008). los estudios de
Tramblay et al. (2012), Tramblay et al. (2016) y Ouatiki
et al. (2017) son testimonio de la relevancia de esta área.
Por lo tanto, desarrollar nuevas estrategias para modelar esta cuenca.
Es muy relevante para mejorar la gestión del agua y la evaluación de la
disponibilidad de agua dentro de la cuenca.
Este estudio tiene como objetivo calibrar un sistema hidrológico a gran escala.
modelo, PCR­GLOBWB 2.0 (Sutanudjaja et al., 2016; Su­tanudjaja et al.,
2017), utilizando únicamente observaciones de humedad del suelo y
espiración de evapotrano y para comparar su descarga
estimaciones a las obtenidas cuando el modelo se calibra tradicionalmente
con datos de caudal. Utilizamos el producto evapotran­espiración generado
por una versión mejorada del
Modelo de Ámsterdam de evaporación global de la tierra (GLEAM v3.0;
Martens et al., 2016b) en combinación con el suelo superficial
Producto de humedad de la Iniciativa de Cambio Climático de la ESA.
(CCI; Dorigo et al., 2015). Ambos productos se derivan de
datos satelitales. Además, la influencia de las precipitaciones
Se considera el forzamiento y tres precipitaciones globales diferentes.
Los productos se utilizan y se comparan entre sí: datos de reanálisis
provisional de ERA (EI; Dee et al., 2011), metodología WATCH Forcing Data
aplicada a los datos de reanálisis provisional de ERA (WFDEI; Wee­don et
al., 2014). ) y datos de precipitación de conjunto ponderado de múltiples
fuentes mediante la combinación de datos medidos, satelitales y de reanálisis
(MSWEP; Beck et al., 2017b).
www.hidrol­earth­syst­sci.net/21/3125/2017/
Machine Translated by Google

P. López López et al.: Calibración de un modelo hidrológico a gran escala 3127

Se realizan cinco enfoques de calibración diferentes mediante el uso de Las tierras bajas de la cuenca están cubiertas principalmente por campos
cinco escenarios de calibración que incluyen flujo de corriente, suelo agrícolas de secano y de regadío y las regiones aguas arriba
humedad y evapotranspiración: (i) escenario de referencia usando el modelo son una combinación de bosques mediterráneos, bosques y
hidrológico con la parametrización estándar, (ii) calibración usando series fregar. La geología de la zona se compone principalmente de calizas, margas
temporales de descarga observadas in situ, (iii) calibración usando la y areniscas con un acuífero kárstico en el Atlas.
evapotranspiración real GLEAM Montañas y un sistema multicapa de superficiales y profundos.
series de tiempo, (iv) calibración usando series de tiempo de humedad del acuíferos en las llanuras occidentales (Bouchaou et al., 2009).
suelo superficial de ESA CCI y (v) calibración por pasos usando GLEAM
Evapotranspiración real y humedad del suelo superficial ESA CCI
3. Metodología
series de tiempo. Lo anterior se repite para cada uno de los seleccionados.
productos de precipitación global. A priori, se espera que la calibración según
3.1 Modelo hidrológico a gran escala: PCR­GLOBWB
las observaciones del caudal produzca la mejor descarga.
estimaciones, y que la calibración paso a paso utilizando la humedad del suelo
Se utilizó el modelo hidrológico a gran escala PCR­GLOBWB 2.0 (Su­tanudjaja
y la evapotranspiración proporciona mejores resultados que la
et al., 2016, 2017) a una resolución espacial de 5 × 5 minutos de arco
escenarios de calibración basados únicamente en la humedad del suelo o la
(aproximadamente 10 × 10 km en el ecuador) y a una resolución temporal
evapotranspiración.
diaria. PCR­GLOBWB es un
Los aspectos novedosos y nuevas aportaciones de este trabajo incluyen el
Modelo de tipo cubeta con fugas aplicado celda por celda.
uso y comparación de tres diferentes y recientemente
La Figura 2 ilustra una representación esquemática de la estructura del modelo
generados productos de precipitación global, la exploración de
PCR­GLOBWB. Para cada celda de la cuadrícula y tiempo
Técnicas de calibración basadas en observaciones terrestres del suelo.
paso, el modelo determina el balance hídrico considerando la
humedad y evapotranspiración y su aplicación en un
siguientes componentes de almacenamiento de agua: humedad del suelo,
modelo hidrológico a gran escala para proporcionar estimaciones de caudal en
agua subterránea, agua superficial, almacenamiento de interceptación y nieve. El
la cuenca no calibrada del río Oum er Rbia. Además, comprender el beneficio
El suelo se divide en tres capas verticales que representan la parte superior.
potencial de calibrar modelos a gran escala con observaciones de sensores
5 cm de suelo (profundidad Z1 ≤ 5 cm), los siguientes 25 cm de suelo
remotos puede haber
(profundidad Z2 ≤ 30 cm) y los 120 cm restantes de suelo (profundidad Z2 ≤ 30 cm)
Beneficios para la gestión de recursos hídricos en ríos con escasez de datos.
Z3 ≤ 150 cm), en el que los almacenes están simbolizados como S1, S2
cuencas a nivel global.
y S3, respectivamente. El depósito de agua subterránea subyacente (S4)
Este artículo describe primero el área de estudio, luego la metodología,
consta de dos capas: una capa activa o renovable y una
incluido el modelo hidrológico, los datos, la estrategia de calibración y validación
capa no activa o no renovable de agua fósil, en la que
y las métricas de desempeño. Posteriormente se presentan los resultados,
las tiendas están simbolizadas como S4act y S4fos, respectivamente. El
comenzando con la intercomparación de los productos de precipitación y
El modelo también incluye los procesos de intercambio de agua entre
siguiendo con los resultados de calibración y validación. El artículo finaliza con
la capa superior y la atmósfera (precipitación, evapotran­espiración y deshielo),
una discusión y unas conclusiones.
entre las capas del suelo (percolación
y ascenso capilar) y entre las capas del suelo y la capa activa del
almacenamiento de agua subterránea (recarga de agua subterránea,
descarga al flujo base y ascenso capilar). Cada celda de la cuadrícula se divide
2 Área de estudio
en subcuadrículas considerando variaciones de elevación, vegetación, suelo y

El área de estudio es la cuenca del río Oum er Rbia, que está situada en la cobertura del suelo. Se distinguen cinco tipos de cobertura terrestre: arrozales

región centro­occidental de Marruecos entre los de regadío, arrozales de regadío sin arrozales,
Montañas del Atlas al sur y la zona de Mesetia al pastizales (vegetación natural corta), bosques (vegetación natural alta) y aguas

norte, desembocando en el Océano Atlántico (Fig. 1). la cuenca abiertas. Para calcular el escurrimiento total de cada

La topografía varía desde los 2800 m en el sur aguas arriba. celda de la cuadrícula, el modelo incluye escorrentía directa (QDR), superficial
zona hasta 150 m en la zona norte aguas abajo. El Oum er flujo subterráneo desde la tercera capa del suelo (QSF) y flujo base

Rbia es el segundo río más grande de Marruecos con una longitud total de la capa freática activa (QBF). La escorrentía total es

de 550 km y drena un área de aproximadamente 38 025 km2 . acumulado de todas las celdas de la red y encaminado a lo largo del drenaje
El clima en las zonas costeras y montañosas es Red para la obtención del caudal del río (Qchannel). La versión del modelo

Mediterráneo, caracterizado por altas temperaturas en el PCR­GLOBWB utilizada aquí (Sutanudjaja et al., 2016)
verano y meses cálidos de otoño e invierno con lluvias, simula la disponibilidad y extracción de agua, incluyendo

y semiárido en la llanura central (Jones et al., 2013). Las precipitaciones embalses y sistemas domésticos, industriales, ganaderos y de riego.

aumentan desde las zonas aguas abajo hacia las zonas aguas arriba en demandas de agua. Las siguientes subsecciones describen brevemente

las montañas. La precipitación y temperatura media anual son de 400 mm y 18 los componentes del modelo y los parámetros relevantes para el

◦C, respectivamente. Aproximadamente 70 presente estudio de calibración. Se remite al lector a Sutanud­jaja et al. (2011)

El 80 % de las precipitaciones anuales se concentran en el período y Sutanudjaja et al. (2014) para una visión más

de octubre a mayo. explicación detallada.

www.hidrol­earth­syst­sci.net/21/3125/2017/ Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017

Machine Translated by Google
3128
Figura 1. Cuenca del río Oum er Rbia y su ubicación en Marruecos (la delimitación de la cuenca tiene una base física). Los puntos amarillos representan
las estaciones de aforo y los cuadrados verdes representan las estaciones meteorológicas.
3.1.1 Escorrentía directa o superficial
La cantidad de agua que ingresa al suelo es la precipitación neta (Pn)
resultante del excedente de precipitación.
por encima de la capacidad de interceptación y el exceso de agua derretida
del manto de nieve. La precipitación neta se divide en escorrentía directa
(QDR) e infiltración neta a la primera capa del suelo.
(P01). La partición se realiza utilizando Arno mejorado.
Scheme (Hagemann y Gates, 2003), en el que la fracción de suelo saturado
de una celda se estima con base en la
capacidad mínima de la celda (Wmin), el almacenamiento real
promedio de la celda (Wact = S1 + S2 + S3) y la capacidad de agua
para todo el perfil del suelo (Wmax = SC1+ SC2+ SC3, SCn: agua del suelo3.1.4 Evapotranspiración
capacidad para la capa n). Si Wmin = 0, la escorrentía directa siempre
ocurre en un evento de lluvia. Si Wmin > 0, un evento Pn sólo genera QDR
de escorrentía si Wact > Wmin. La capacidad mínima de la celda es
por lo tanto, es un parámetro importante que gobierna el tiempo de respuesta de
la generación de escorrentía.
3.1.2 Intercambios verticales de agua entre el suelo y
reservas de agua subterránea y flujo subterráneo poco profundo
El agua de infiltración neta en la primera capa de suelo (P01) se transfiere
a través de las capas restantes del suelo. Los intercambios verticales de
agua se producen entre la primera y la segunda capa (P12),
entre la segunda y la tercera capa (P23) y entre
la tercera capa de suelo y la capa activa del depósito de agua subterránea
(P34). Las capas P12, P23 y P34 consisten en percolación descendente y
ascenso capilar ascendente, que dependen
del grado de saturación (s1 = S1/SC1, s2 = S2/SC2 y
s3 = S3/SC3) y la conductividad hidráulica insaturada de
cada capa del suelo (Ksat1, Ksat2 y Ksat3). Si s1 > s2 , la percolación es
igual a Ksat1, mientras que si s2 > s1, el ascenso capilar es
igual a Ksat2 × (1 − s1), siendo 1 − s1 el déficit de humedad en
la primera capa de suelo. Las capas Ksat1, Ksat2 y Ksat3 controlan la
Flujos verticales entre las capas del suelo y el agua subterránea.
almacén que afectan significativamente a la recarga freática.
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Además, Ksat3 influye en el flujo subterráneo poco profundo desde
la tercera capa del suelo (QIF).
3.1.3 Flujo base
El último componente que contribuye al escurrimiento total de
cada celda de la cuadrícula es el flujo base del agua subterránea activa
capa (QBF). Esto se calcula como QBF = S4act × J donde ,
J es el coeficiente de recesión del flujo base y depende de la
transmisividad del acuífero y rendimiento específico del acuífero. Por lo
tanto, J controla la contribución directa del almacenamiento de agua subterránea.
al escurrimiento total y por ende al caudal del río.
La evapotranspiración real consiste en transpiración (Et), desnuda
Evaporación del suelo desde la capa superior del suelo (Eb), aguas abiertas.
evaporación (Ew), pérdida por intercepción (Ei) y evaporación
del depósito de agua derretida en el manto de nieve (Es). Cada componente
de evapotranspiración se calcula en base a la evapotranspiración potencial
de referencia (Ep,0) y los coeficientes factoriales correspondientes
relacionados con la fracción de cobertura vegetal.
tipo de cultivo y cobertura del suelo, cuerpos de agua superficiales, estrés hídrico
y el flujo de interceptación.
3.2 Datos
3.2.1 Datos meteorológicos
Los datos meteorológicos necesarios para forzar la PCR­GLOBWB
son la temperatura del aire, la precipitación y el potencial de referencia.
evapotranspiración. La temperatura del aire y las precipitaciones fueron
obtenido de la metodología WATCH Forcing Data aplicada a los datos de
reanálisis ERA­Interim (WFDEI) en un original
resolución espacial de 0,5◦ × 0,5◦ (Weedon et al., 2014). La evapotranspiración
potencial de referencia se obtuvo mediante la
obtenido a través de la ecuación de Penman­Monteith de la FAO
(Organización para la Alimentación y la Agricultura). La precipitación, la
temperatura del aire y la evapotranspiración potencial de referencia disminuyeron.
www.hidrol­earth­syst­sci.net/21/3125/2017/
Machine Translated by Google
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Figura 2. Estructura del modelo PCR­GLOBWB, adaptado de van Beek
et al. (2011).
escalado desde la resolución espacial original a 0,08◦ × 0,08◦
red. La precipitación y la temperatura del aire se redujeron utilizando tasas de
caída de precipitación y temperatura derivadas de
los datos de 10' CRU­CL2.0 (New et al., 2002) mediante análisis de regresión
lineal (Sutanudjaja et al., 2011). Referencia
La evapotranspiración potencial se redujo utilizando el E2O.
(eartH2Observe) herramientas de reducción de escala (Weiland et al., 2015;
Schellekens y Weiland, 2017).
Para probar la sensibilidad del modelo a la precipitación, se fijaron la
temperatura del aire y la evapotranspiración potencial de referencia.
y se utilizaron dos productos de precipitación global adicionales:
(i) Datos de reanálisis (EI) provisionales de ERA de la Unión Europea
Centro de Pronósticos Meteorológicos a Plazo Medio (ECMWF) en
la resolución espacial original de 0,5◦ × 0,5◦ (Dee et al.,
2011) y (ii) datos de precipitación de conjunto ponderado de múltiples fuentes
(MSWEP) mediante la combinación de datos medidos, satelitales y de
realanálisis con la resolución espacial original de 0,25◦ × 0,25◦
(Beck et al., 2017b).
Los tres productos de precipitación global se compararon e interpolaron
con las dos ubicaciones de estaciones meteorológicas encontradas dentro de
la cuenca de Oum er Rbia (http://www.wmo.
int/pages/themes/climate/): Beni Mellal y Kasba Tadla
(Figura 1). Eficiencia de Kling­Gupta (KGE), eficiencia de Nash­Sutcliffe (NSE),
coeficiente de correlación de Pearson (r) y sesgo porcentual (PBias) entre el
terreno interpolado e in situ
Se calcularon los datos diarios. Una descripción de la actuación.
métricas con su formulación matemática se incluyen en
Secta. 3.4. Estas métricas fueron seleccionadas para tener
www.hidrol­earth­syst­sci.net/21/3125/2017/
3129
información detallada sobre las diferencias entre precipitaciones
productos.
3.2.2 Datos de alta
Los datos diarios del caudal del río se obtuvieron de Oum er Rbia.
Agencia Hidráulica (ABHOER). Mediciones de calibre de
Se utilizaron dos medidores en la región occidental de la cuenca para
este estudio: Ait Ouchene y Mechra Eddahk (Fig. 1). tabla 1
resume algunos datos hidrológicos clave.
3.2.3 Datos de evapotranspiración
El GLEAM (Modelo Global de Evaporación de la Tierra de Ámsterdam)
– http://www.gleam.eu/) versión del producto de evapotranspiración
3.0a (GLEAM_v3.0a), generado por VU Amsterdam en colaboración con la
Universidad de Gante (Miralles et al., 2011a,
b; Martens et al., 2016b), se utilizó para calibrar PCR­GLOBWB. El producto
consta de un conjunto de datos globales basado
sobre el reanálisis de la radiación neta y la temperatura del aire, satélites y
precipitación medida, profundidad óptica de la vegetación (VOD)
y equivalentes de agua de nieve que abarcan el período de 35 años
1980­2014. Para generar la evapotranspiración GLEAM
producto, el modelo GLEAM estima por separado los diferentes componentes
de la evaporación terrestre, incluida la transpiración, la pérdida por intercepción,
la evaporación en el suelo desnudo, la sublimación de la nieve y la evaporación
en aguas abiertas. Para ello consta de cuatro módulos: evaporación, estrés,
balance suelo­agua.
e interceptación de lluvias (Martens et al., 2016a). DESTELLO
(0,25◦ × 0,25◦ ) se interpoló con una reasignación promedio ponderada por
distancia a una cuadrícula de 0,08◦ × 0,08◦ para el período 1980–
2010. La evapotranspiración real de GLEAM así obtenida fue
posteriormente se comparó con la evapotranspiración real simulada mediante
PCR­GLOBWB.
3.2.4 Datos de humedad del suelo
El producto combinado de humedad superficial del suelo de ESA CCI versión
2.2 (ESA CCI SM v02.2 CP) se generó como parte
del proyecto Iniciativa sobre Cambio Climático (CCI) sobre humedad del suelo
de la Agencia Espacial Europea (ESA) de la Universidad Tecnológica de Viena
(http://www.esa­soilmoisture­cci.org/).
Un conjunto de datos para el período de 35 años 1980­2014 de superficie
la humedad del suelo se produjo utilizando datos del dispersómetro de banda C
(dispersómetro ERS­1/2 AMI, MetOp Advanced Scatterom­eter – ASCAT) y
datos de radiómetro multifrecuencia (de
SMMR, SSM/I, TMI, AMSR­E, Windsat y AMSR2
instrumentos). Humedad del suelo recuperada mediante satélite activo
datos de microondas y radiometría de microondas por satélite.
se fusionaron para hacer el mejor uso de los datos de humedad del suelo de
los diferentes satélites y sensores disponibles (Liu et al., 2011, 2012;
Dorigo et al., 2015). El producto combinado de humedad superficial del suelo de
ESA CCI representa aproximadamente la profundidad de la capa superior del suelo.
de 0,5 a 2 cm. De manera similar a la evapotranspiración GLEAM, la ESA
Producto de humedad del suelo CCI a una resolución espacial original
de 0,25◦ × 0,25◦ se interpoló con media ponderada por distancia
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Machine Translated by Google

3130 P. López López et al.: Calibración de un modelo hidrológico a gran escala

Tabla 1. Información hidrológica y geográfica de las cuencas analizadas en la cuenca de Oum er Rbia.

Nombre de estación Río Área de la cuenca Ubicación de salida Elevación

aguas arriba (km2 ) Longitud Latitud (metro)

Ait Ouchene El­Abid 2350 6◦1048 W 32◦1330 N 1070

Mechra Eddahk Oum er Rbia 6555 6◦3112 W 32◦266 N 406

Tabla 2. Escenarios de calibración.

Descripción del escenario

identificador

S0 Escenario de referencia
T1 Calibración utilizando series temporales de descarga observadas in situ
T2 Calibración utilizando series de tiempos de evapotranspiración real GLEAM
T3 Calibración utilizando series temporales de humedad del suelo superficial de la ESA CCI
T4 Calibración por pasos: utilizando la evapotranspiración real de GLEAM
y series temporales de humedad del suelo superficial de la ESA CCI

reasignación del período a una cuadrícula de 0,08◦ × 0,08◦ para el período 1980–
2010.
Las observaciones de la humedad del suelo en la superficie del CCI de la ESA se completaron
comparado con la humedad del suelo simulada de la primera de las tres capas
verticales del suelo en PCR­GLOBWB (5 cm superiores del suelo). Debido a
diferencias en la profundidad de la capa y/o las características de los datos, pueden
producirse sesgos sistemáticos entre la humedad del suelo modelada y observada.
existen (Reichle y Koster, 2004). Para superar este esperado
discrepancia y hacer coincidir las observaciones de sensores remotos con
las estadísticas de las simulaciones de modelos hidrológicos correspondientes,
coincidencia entre media y desviación estándar (μ − σ) (Draper
et al., 2009). Esta técnica fue implementada para
reescalar la humedad del suelo simulada contra el suelo de la superficie del CCI de la ESA
series de tiempo de humedad para que tengan la misma media y varianza.
Los valores de humedad del suelo superficial simulados ajustados θ
fueron calculados como
= σθobs
θ × (θsim − θsim) + θobs,
sim
σθsim
donde θsim representa los valores de humedad del suelo simulados, θobs
Se compararon la evapotranspiración real y la humedad superficial del suelo. Se
llevaron a cabo cinco escenarios de calibración diferentes.
afuera. El escenario de calibración S0 representa el escenario de calibración de
referencia, que no fue calibrado localmente para el Oum er.
cuenca Rbia, pero utiliza parámetros de modelo a priori derivados de
vegetación, propiedades del suelo e información geológica a un
escala global (última versión del modelo de PCR­GLOBWB). El escenario de
calibración S1 tiene como objetivo calibrar el modelo hidrológico.
utilizando observaciones de descarga in situ, siguiendo el método tradicional
enfoque de calibración. Uso de escenarios de calibración S2 y S3
Evapotranspiración real de GLEAM y suelo superficial de ESA CCI
series temporales de humedad para la calibración, respectivamente. El escenario
de calibración S4 representa el enfoque de calibración multiobjetivo y consiste en
un esquema de calibración paso a paso que
intenta combinar los puntos fuertes de los escenarios de calibración S2
sim
y S3. El primer paso es simplemente el escenario S2, donde todos los
Los parámetros del modelo se pueden ajustar según el GLEAM real.
(1)
evapotranspiración. En el segundo paso, aquellos parámetros que
están claramente identificados por el escenario de calibración S2 se mantienen
constantes y los parámetros restantes se pueden ajustar de acuerdo con

las observaciones de humedad del suelo de la ESA CCI, σθsim y σθobs son
las desviaciones estándar del suelo simulado y observado
los valores de humedad y θobs y θobs son las medias de los valores de humedad
del suelo simulados y observados.
Al comparar la humedad del suelo original y reescalada, se observa que la
técnica de desviación estándar­media elimina efectivamente los sesgos entre la
según la humedad del suelo superficial del CCI de la ESA, escenario de calibración S3.
Se analizaron los cinco escenarios de calibración para cada uno de
Los tres productos globales de precipitación para estudiar su impacto.
sobre la calibración de los parámetros del modelo y el rendimiento del modelo.
Los escenarios de calibración se describen en la Tabla 2, incluyendo
el identificador del escenario.

humedad del suelo simulada. Para la calibración utilizando el tiempo de descarga observado in situ
y series de tiempo de humedad del suelo observadas (ver Fig. S1 del serie (S1), se utilizaron dos series temporales de observación de medidores de ríos
Suplemento). (Sección 3.2.2). La función objetivo a maximizar para los escenarios de calibración
fue KGE, en lugar de la media tradicional
3.3 Estrategia de calibración y validación error cuadrado (MSE) o NSE para evitar subestimar el
variabilidad de valores (Gupta et al., 2009). el matematico
Enfoques alternativos de calibración de objetivo único basados en
Formulación y descripción de la función objetivo utilizada.
descarga, evapotranspiración real y humedad superficial del suelo y un enfoque están incluidos en la Sección. 3.4.
de calibración multiobjetivo basado en ac­

Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017 www.hidrol­earth­syst­sci.net/21/3125/2017/

Machine Translated by Google
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Para calibrar PCR­GLOBWB para cada uno de los tres productos de
precipitación, se realizaron 81 ejecuciones con diferentes valores de parámetros.
simulados: capacidad mínima de agua del suelo (Wmin), conductividades
hidráulicas saturadas del suelo (Ksat1, Ksat2 y Ksat3) y
coeficiente de recesión del flujo base (J). Estos parámetros del modelo,
que varían espacialmente a lo largo de la cuenca, influyen en diferentes modelos
partes del comportamiento del modelo, como se explica en la Sección. 3.1. Para
Para la variación de los valores de los parámetros se utilizaron prefactores
espacialmente uniformes: fw, fK y fj (Cuadro 3). El restante
Los parámetros del modelo se mantuvieron fijos.
Los factores previos para variar los valores de los parámetros del
modelo se denominaron parámetros del escenario de calibración S0. El
Distribución espacial de los parámetros Wmin, Ksat y J utilizados.
en el escenario S0 se puede encontrar en la Fig. A1 del Apéndice A.
Además, también se investigó la incertidumbre de la evapotranspiración
potencial de referencia (Ep,0ref ) utilizando un prefactor de corrección, fe,
para esta variable del modelo. Valores considerados
para fe pre­factor están incluidos con los mencionados anteriormente
los de la Tabla 3.
Como escenario de calibración de referencia, los prefactores S0 son:
fw = 1, fK = 0, fj = 1 y fe = 1. Se evaluaron los desempeños del modelo de
todas las simulaciones para cada uno de los
Cinco escenarios de calibración para identificar los mejores conjuntos de factores previos.
como establece el prefactor calibrado.
Todas las simulaciones se realizaron con una resolución temporal diaria
para el período de 32 años 1979­2010. El periodo de 2 años
1979­1980 se utilizó para acelerar el modelo hidrológico hasta alcanzar un
estado dinámicamente estable. El modelo fue calibrado con base en
valores mensuales de descarga, evapotranspiración real y humedad
superficial del suelo. La validación también fue
realizarse con resolución temporal mensual pero exclusivamente
para el caudal, con el objetivo de analizar si se pueden obtener estimaciones
de caudal similares con un modelo calibrado basado en observaciones
teledetectadas (S2, S3 y S4), en comparación
con un modelo tradicionalmente calibrado para datos de descarga in situ
(T1). Para la calibración del modelo se utilizó el período de 13 años 1981–
1993, y durante el período de 17 años 1994–2010, el modelo
fue validado.
3.4 Métricas de desempeño
Para comparar los tres productos de precipitación global, seis
Se utilizaron métricas: NSE, KGE, r y PBias. Es más, uno
De esas métricas, KGE, fue elegida como función objetivo.
para calibrar y validar el rendimiento del modelo para cada escenario de
calibración. NSE, PBias yr también se utilizaron como adicionales
medidas de evaluación en el procedimiento de validación.
Eficiencia de Nash­Sutcliffe (Nash y Sutcliffe, 1970),
NSE, se define como
2
t=1 [x(t) − y(t)]
norte
NSE = 1 − , (2)
2
t=1 [y(t) − y]
norte
donde x(t) e y(t) son la variable modelada y observada
en el paso de tiempo t (meses), y es la media de los datos observados y n
es el número total de observaciones. NSE se utiliza ampliamente para
www.hidrol­earth­syst­sci.net/21/3125/2017/
3131
calibrar y validar modelos hidrológicos en términos de
descargar. NSE varía de −∞ a 1. Si NSE = 0, modelado
Los valores se comportan tan bien como la media de las observaciones. Si
NSE < 0, los valores modelados funcionan peor que la media de
las observaciones.
Gupta y cols. (2009) analizaron varias descomposiciones de
NSE y propuso un modelo alternativo de criterios de rendimiento,
KGE, para evitar los problemas que se pueden derivar del uso
el criterio NSE (por ejemplo, alta sensibilidad a valores extremos y
inclinación). KGE se da como
KGE = 1 − (r − 1) 2 + (α­1) 2 2, (3)
+ (β­1)
donde r representa el coeficiente de correlación de Pearson, α es el
relación entre la varianza de la variable modelada y la
varianza de la variable observada y β es la relación entre
la media de la variable modelada y la media de la variable observada, es
decir, β representa el sesgo. Análogo a NSE,
KGE varía de −∞ a 1 con un valor ideal de 1. KGE
mide simultáneamente el sesgo, la variabilidad y la correlación.
El coeficiente de correlación de Pearson (Pearson, 1896) mide
el grado de asociación lineal entre los valores modelados y observados y
se define como
t=1 (x(t) − x)(y(t) − y)
norte
r= , (4)
t=1 (x(t) − x)2 t=1 (y(t) − y)2
norte norte
donde x(t) e y(t) son la variable modelada y observada
en el paso de tiempo t (meses), y es la media de los datos observados, x es
la media de los datos modelados y n es el número total de observaciones.
El coeficiente de correlación de Pearson, r, varía dentro del
intervalo [­1,1]. Este coeficiente se utiliza principalmente en el modelado
hidrológico para evaluar el tiempo entre el modelado y el observado.
series de tiempo.
El sesgo porcentual indica la tendencia promedio de los valores
modelados a sobreestimar o subestimar las observaciones, y
se calcula en términos porcentuales como
t=1 (x(t) − y(t))
norte
Psesgo = 100 × . (5)
t=1 y(t)
norte
El valor óptimo de PBias es 0.
Cuando las métricas de desempeño se calcularon entre
Estimaciones de humedad del suelo simuladas y observadas, se agregó el subíndice sm
a la métrica, es decir, NSEm, KGEsm, rsm .
y Pbiassmo. De manera similar, al comparar las estimaciones reales de
evapotranspiración, precipitación y descarga, el valor agregado
los subíndices fueron evap, precip y q , respectivamente.
4 resultados
4.1 Intercomparación de productos de precipitación
Para intercomparar los productos de precipitación, la media anual
precipitación para el período de estudio (1979­2010) para cada
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Machine Translated by Google

3132 P. López López et al.: Calibración de un modelo hidrológico a gran escala

Tabla 3. Valores de los parámetros utilizados en los procesos de calibración.

Descripción de los parámetros Prefactores Valores paramétricos

IDENTIFICACIÓN

Wmín Capacidad mínima de agua del suelo fw {0.75,1,1.25} Wmín = fw ∙ Wmáx

ksat1 Conductividad hidráulica saturada de la primera capa de suelo fk {−0.25,0,0.25} log(Ksat1) = fk + log(Ksat1ref)
ksat2 Conductividad hidráulica saturada de la segunda capa de suelo fk {−0.25,0,0.25} log(Ksat2) = fk + log(Ksat2ref)
ksat3 Conductividad hidráulica saturada de la tercera capa de suelo fk {−0.25,0,0.25} log(Ksat3) = fk + log(Ksat3ref)
j Coeficiente de recesión del flujo base fj {−0.5,0,0.5} log(J ) = fj + log(Jref)
Ep,0 Evapotranspiración potencial de referencia fe {0,75,1,1,25} Ep,0 = fe ∙ Ep,0ref

Figura 3. (a) precipitación media anual de EI, (b) precipitación media anual de WFDEI y (c) precipitación media anual de MSWEP para 1979­2010
período de tiempo y (d) climatología de los productos de precipitación de EI, WFDEI y MSWEP.

Se calculó el conjunto de datos de forzamiento (Fig. 3a, byc). Además
Debido a la diferencia de resolución espacial, MSWEP pudo capturar
bastante bien el patrón de lluvia sobre las montañas del Atlas,
que la WFDEI sólo distinguió de manera aproximada y no fue
reconocida por la IE. La resolución espacial más fina y la combinación
de reanálisis, datos satelitales e in situ son probablemente los
razones de su patrón espacial más plausible. Además,
Se analizó la climatología de los productos de precipitación (Fig. 3d).
El WFDEI osciló entre 4,5 mm en julio y 57 mm en febrero,
mientras que EI y MSWEP mostraron una menor variabilidad con
valores de precipitación de 10,5 mm en julio a 42,6 mm en
Noviembre. Diferencias más pequeñas entre WFDEI e IE y
Los MSWEP se observaron durante los meses de verano. IE y
MSWEP mostró patrones de precipitación temporal similares.
Precipitación media anual en toda la cuenca obtenida con
MSWEP (355,15 mm) era aproximadamente 80 mm más alto que
con IE (276,67 mm). Se obtuvieron valores medianos anuales
similares con los tres productos de precipitación global, aunque
la distribución de WFDEI difería mucho de la de los otros dos
productos.

Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017 www.hidrol­earth­syst­sci.net/21/3125/2017/

Machine Translated by Google
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Figura 4. Métricas de desempeño de EI, WFDEI y MSWEP diarios
productos de precipitación en las estaciones meteorológicas de Beni Mellal
y Kasba Tadla, incluidas KGE, NSE, r y PBias.
Además, se calcularon y mostraron varias métricas de rendimiento entre
los datos terrestres interpolados e in situ.
en la Fig. 4. En general, EI y MSWEP proporcionaron un mejor ajuste para
los datos de la estación en comparación con WFDEI, con mayor KGEprecip,
NSEprecip y rprecip que WFDEI. Al comparar la IE
con MSWEP, valores similares de KGEprecip y NSEprecip
se encontraron, mientras que existieron mayores diferencias en rprecip y
PBiasprecip. En términos de correlación, MSWEP mostró la mejor
rendimiento, pero EI mostró el PBias más bajo en ambos climas.
estaciones, con un valor inferior al 10 %. Para el análisis anterior sólo se
encontraron dos estaciones meteorológicas dentro de la cuenca.
Estas mediciones se consideraron demasiado escasas para cubrir el
cuenca y descartar el producto de precipitación con peores
rendimiento (WFDEI). Por lo tanto, los tres productos de precipitación global
se utilizaron para calibrar PCR­GLOBWB bajo
los cinco escenarios de calibración.
4.2 Resultados de la calibración
Los parámetros del modelo se calibraron utilizando observaciones de
descarga, evapotranspiración y humedad del suelo a través de cinco
escenarios de calibración diferentes para el período 1981­1993.
La Figura 5 muestra los resultados de todas las ejecuciones producidas en este estudio para
diferentes escenarios de calibración basados en observaciones de descarga
in situ (S1) en Ait Ouchene (Fig. 5a) y Mechra Eddahk
(Fig. 5b), evapotranspiración real de GLEAM (S2, Fig. 5c)
y humedad del suelo superficial de ESA CCI (S3, Fig. 5d). Para cada
En el panel de la Fig. 5, los resultados de KGE (eje y) del uso de los tres
productos de precipitación se representaron en diferentes filas (arriba, EI; mitad­
www.hidrol­earth­syst­sci.net/21/3125/2017/
3133
dle, WFDEI; abajo, MSWEP) y los valores previos al factor fueron
trazado en diferentes columnas (eje x: primera columna, fe; segunda columna,
fj ; tercera columna, fk; cuarta columna, fw). Cada
El diagrama de dispersión contiene 81 puntos que representan cada ejecución
con una combinación diferente de valores de parámetros. Esto significa que el
Los valores de KGE son los mismos en los cuatro diagramas de dispersión de una fila
(eje y), pero en cada uno de estos diagramas de dispersión, se trazaron
contra un prefactor diferente (eje x). Con Fig. 5, prefactor
rangos (y por lo tanto rangos de parámetros) que conducen a mejores y más
Se podrían distinguir peores desempeños, así como sus
valores óptimos globales. Si no se pudiera inferir ningún valor óptimo,
Se mantuvieron los factores previos del escenario de calibración S0.
(fe = 1, fj = 0, fk = 0 y fw = 1).
Una vez que se identificaron las mejores ejecuciones para cada escenario de calibración,
tificado, se comprobó su rendimiento de descarga en los dos
estaciones de aforo: Mechra Eddahk, en la Fig. 6, y Ait Ouch­ene, en la Fig.
S2. Descarga observada (eje y) y estimada
La descarga (eje x) se representó en la Fig. 6 para los cinco escenarios de
calibración. Diferentes filas en la Fig. 6 indican los tres
productos de precipitación global (arriba, EI; medio, WFDEI; abajo, MSWEP)
y diferentes columnas indican los cinco escenarios de calibración (primera
columna, S0; segunda columna, S1; tercera
columna, S2; cuarta columna, S3; quinta columna, S4). Los indicadores de
desempeño NSE y KGE para el alta se incluyeron en cada diagrama de
dispersión en la Fig. 6 (NSEq y KGEq ).
Para resumir los resultados mostrados en las Figs. 5 y 6, la Tabla 4 incluye
para cada escenario de calibración los valores óptimos identificados.
valores de los parámetros y los valores de rendimiento KGEq en Ait
Ouchene y Mechra Eddahk.
4.2.1 Calibración utilizando el tiempo de descarga observado in situ
serie (T1)
Las figuras 5a yb (escenario de calibración S1) son similares. De
estos paneles, fe (primera columna) y fw (cuarta columna) fueron
bien identificado mediante calibración de descarga en ambas estaciones de
medición cuando se fuerza con cualquiera de los tres productos de
precipitación. Los factores previos de fe = 1,25 y fw = 1,25 condujeron a los
valores de KGEq más altos . Sin embargo, no fue posible identificar
los mejores prefactores de fj (segunda columna) y fk (tercera columna). No
hubo valores máximos claros o distintos en el
diagramas de dispersión de estos paneles; por lo tanto fj = 0 y fk = 0 fueron
usado.
De la Fig. 6 (segunda columna), el rendimiento de descarga más alto se
obtuvo cuando el modelo se calibró con
observaciones de descargas in situ (S1).
Para todos los escenarios de calibración, se podrían hacer algunas
observaciones generales. Los diagramas de dispersión (Fig. 6) resaltaron una
mejor acuerdo general y menor sesgo entre las altas
observaciones y estimaciones para Ait Ouchene (ver Fig. S2)
que para la estación Mechra Eddahk. Los valores de KGEq en la estación Ait Ouch­ene
para el escenario de calibración S0 fueron más bajos que para el escenario de calibración S0.
Estación Mechra Eddahk. Esto puede deberse a sus diferentes ubicaciones
dentro de la cuenca, situándose la primera en
las montañas del Atlas, donde se pueden estimar las precipitaciones
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Machine Translated by Google

3134 P. López López et al.: Calibración de un modelo hidrológico a gran escala

Tabla 4. Valores de identificabilidad de parámetros y valores óptimos para cada escenario de calibración.

Escenario de fj joder fw KGE (Ait Ouchene) KGE (Mechra Eddahk)

calibración fe

S0 0 0 1 0,470/ − 1,906/ − 0,5422 0,607/0,325/0,561

T1 1 1,25 NI1 NI 1,25 0,510/ − 0,494/0,520 0,688/0,439/0,703
T2 1.25 NI NI NI 0,508/ − 0,580/0,342 0,602/0,423/0,693
T3 NI NI 0,25 1,25 0,487/ − 0,607/0,331 0,634/0,369/0,613
T4 1,25 NI 0,25 1,25 0,478/ − 0,768/0,271 0,522/0,328/0,573

1 Los valores de KGE se obtienen a partir de descargas observadas y simuladas cuando

2 NI indica que el parámetro no era identificable.
PCR­GLOBWB está forzado con EI/WFDEI/MSWEP.

Figura 5. Gráficos de dispersión del indicador de desempeño de descarga KGE basados en las observaciones mensuales versus los factores previos fe, fj , fk y fw para
los escenarios de calibración S1 ((a) Ait Ouchene (b) Mechra Eddahk), S2 (c) y S3 (d). En cada panel, las columnas indican los diferentes calibrados
Los prefactores y las filas indican los tres productos de precipitación global utilizados como forzamiento del modelo. Diferentes colores y formas de puntos indican diferentes
valores fw .

Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017 www.hidrol­earth­syst­sci.net/21/3125/2017/

Machine Translated by Google
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Figura 6. Gráficos de dispersión de la descarga mensual estimada (eje x) y la descarga observada (eje y) en Mechra Eddahk. Las filas indican los tres
Los productos y columnas de precipitación global indican los cinco escenarios de calibración.
menos precisa, y en un afluente del río Oum er Rbia,
cuya representación en PCR­GLOBWB puede estar limitada por
la resolución espacial del modelo.
Los diagramas de dispersión (Fig. 6) también mostraron que las descargas estimadas
estaban más cerca de las descargas observadas en ambas estaciones de
medición cuando se forzó PCR­GLOBWB con precipitación EI. Además, los
diagramas de dispersión indicaron un peor acuerdo.
y una tendencia a sobreestimar el gasto cuando WFDEI y
Se utilizaron MSWEP. Los valores de KGEq para el escenario de calibración
de referencia S0 en Mechra Eddahk fueron 0,607, 0,325 y
0,561 cuando se utilizaron EI, WFDEI y MSWEP como forzamiento
datos, respectivamente. Estas discrepancias en el desempeño estaban
relacionadas con las diferencias entre EI, WFDEI y MSWEP.
productos de precipitación discutidos en la Sección. 4.1. La menor calidad de
los WFDEI en esta región en comparación con otros conjuntos de datos
sobre precipitaciones puede ser una posible razón para la menor
rendimiento de descarga. Cuando se comparó MSWEP con
datos de precipitación in situ, desempeño en términos de correlación
fue mayor que la IE. Sin embargo, la IE mostró menos sesgo. Lo mas alto
rendimiento de las estimaciones de descarga cuando PCR­GLOBWB
fue forzado con IE puede deberse a esta diferencia de sesgo y
que la validación se realizó con una resolución temporal mensual, reduciendo
el impacto de la correlación.
www.hidrol­earth­syst­sci.net/21/3125/2017/
3135
4.2.2 Calibración usando GLEAM actual
Serie temporal de evapotranspiración (S2)
La Figura 5c (escenario de calibración S2) indicó que solo se podía identificar
claramente el prefactor fe (primera columna) (los valores más altos de
KGEevap se obtuvieron con fe = 1,25), mientras que
el resto de los prefactores (fj , fw y fk) no fueron
identificables, lo que sugiere que la calibración basada en la evapotranspiración
puede no ser confiable en su identificación. Por lo tanto,
el modelo se ejecuta con prefactores fe = 1,25, fj = 0, fk = 0 y
fw = 1 se consideró como la ejecución calibrada basada en el
rendimiento de la evapotranspiración.
De la Fig. 6 (tercera columna), los resultados indicaron un aumento de
Valores KGEq y NSEq cuando la evapotranspiración GLEAM
se utilizó para la calibración del modelo en comparación con la referencia
escenario (S0, primera columna de la Fig. 6). Sin embargo, el modelo superior
Los valores de rendimiento se obtuvieron al calibrar basándose en
observaciones de descarga in situ (S1, segunda columna de la Fig. 6).
4.2.3 Calibración utilizando la humedad del suelo superficial de ESA CCI
serie de tiempo (T3)
La Figura 5d (escenario de calibración S3) indicó que los factores previos
Se pudieron identificar fk (tercera columna) y fw (cuarta columna), fw = 1,25
y fk = 0,25. Había un máximo claro
valor de KGEsm con estos valores de prefactores. Prefactores fe
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Machine Translated by Google
3136 P. López López et al.: Calibración de un modelo hidrológico a gran escala
(primera columna) y fj (segunda columna) no eran identificables
cuando se utilizó la humedad del suelo para la calibración. Por lo tanto, la
La ejecución calibrada basada en el rendimiento de la humedad del suelo fue la
modelo ejecutado con prefactores fe = 1, fj = 0, fk = 0,25 y
fw = 1,25. Esto implica que la humedad del suelo de la ESA CCI puede ser
Se utiliza para ajustar indirectamente la recarga de agua subterránea calibrando
las conductividades hidráulicas saturadas de la capa superior del suelo, Ksat.
En la Fig. 6 (cuarta columna), los diagramas de dispersión indicaron una
mejora en la correspondencia entre la descarga observada y estimada en
comparación con el escenario no calibrado.
(S0, primera columna de la Fig. 6). De manera similar al escenario de calibración
S2 (tercera columna de la Fig. 6), esta mejora fue menor que
cuando el modelo fue calibrado basándose en la descarga al suelo
observaciones (S1, segunda columna de la Fig. 6).
Las corridas calibradas basadas en la evapotranspiración (S2, tercer
columna de la Fig. 6) y la humedad del suelo (S3, cuarta columna de
Fig. 6) resultó en rendimientos de descarga más bajos en comparación con
el escenario de referencia (S0) en algunos casos (por ejemplo, cuando se utilizó
la precipitación EI en la ubicación de Mechra Eddahk: KGEq (S0) =
0,607, KGEq (S2) = 0,534 y KGEq (S3) = 0,522.)
4.2.4 Calibración paso a paso utilizando GLEAM actual
Evapotranspiración y suelo superficial ESA CCI.
series de tiempo de humedad (S4)
El escenario de calibración S4 intentó combinar las fortalezas
de los escenarios S2 y S3. En el primer paso, el modelo se calibró utilizando la
evapotranspiración GLEAM (S2, Fig. 5c). De
Fig. 5c, solo se identificó bien el prefactor fe (el factor más alto
El valor KGEevap se obtuvo con fe = 1,25). En el segundo paso, se llevó a cabo
el prefactor que se había identificado.
constante y a los tres prefactores restantes se les permitió
para ser calibrado de acuerdo con la humedad del suelo ESA CCI (S3,
Figura 5d). En la Fig. 5d, fw y fk fueron identificables (el
Los valores más altos de KGEsm se obtuvieron con fw = 1,25 y
fk = 0,25). Como resultado, para el escenario de calibración S4, los prefactores
identificados fueron fe = 1,25 durante la calibración de evapotranspiración (S2) y
fw = 1,25 y fk = 0,25 durante la
Calibración de la humedad del suelo (S3). Este enfoque de calibración paso a
paso utilizando múltiples variables del sistema nos permitió identificar
más parámetros que cuando esas variables estaban separadas
usado. Sin embargo, ninguno de los pasos en el escenario de calibración
S4 permitió la identificación clara de fj , por lo que su valor para el
Se utilizó el escenario de calibración S0, fj = 0.
De la Fig. 6 (quinta columna), calibración usando GLEAM
La evapotranspiración y la humedad del suelo CCI de la ESA condujeron a mejoras
adicionales que cuando estas observaciones se utilizaron por separado. Por
ejemplo, cuando la precipitación del MSWEP fue
utilizado para modelar la descarga en la estación Mechra Eddahk, KGEq
varió entre 0,703, 0,693, 0,613 y 0,573 para la calibración
escenarios S1, S4, S2 y S3, respectivamente (KGEq = 0,561
para el escenario de referencia S0). En la estación de Ait Ouchene (ver
Fig. S2), KGEq varió entre 0,520, 0,342, 0,331 y 0,271
para escenarios de calibración S1, S4, S2 y S3, respectivamente
(KGEq = −0,542 para el escenario de referencia S0).
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
4.3 Resultados de la validación
Una vez calibrado el modelo para cada escenario de calibración y cada producto
de precipitación, se realizaron comparaciones entre
estimaciones (antes y después de la calibración) y observaciones
de la evapotranspiración real, la humedad superficial del suelo y la descarga se
llevaron a cabo durante el período de validación (1994–
2011). Para realizar el análisis de estos resultados, se utilizaron series temporales
Las parcelas se incluyeron en las Figs. 7 y 8.
En la Fig. 7a, serie temporal de evapotranspiración real simulada.
de la ejecución de referencia (S0, línea discontinua roja) y la ejecución paso a paso
La serie calibrada (S4, línea discontinua violeta) se representó frente a
Observaciones reales de evapotranspiración de GLEAM (línea negra).
De manera similar, en la Fig. 7b se muestra la humedad superficial del suelo simulada.
de la ejecución de referencia (S0, línea discontinua roja) y la ejecución calibrada
por pasos (S4, línea discontinua violeta) trazadas contra
Serie temporal de humedad del suelo superficial de la ESA CCI (línea negra). El
Se muestran series temporales de humedad del suelo reescaladas (después de aplicar
la técnica de comparación de la desviación estándar­media; consulte la Sección 3.2.4).
En la Fig. 7c, descarga estimada de la ejecución de referencia (S0,
línea discontinua roja) y la ejecución calibrada por pasos (S4, línea discontinua
violeta) se representaron frente a las observaciones de descarga
(línea negra) en Mechra Eddahk. Los valores de KGE para la evapotranspiración
real, la humedad superficial del suelo y la descarga se incluyeron en las Fig. 7a,
byc. En aras de la simplicidad, sólo
Se muestran los resultados de cuando el modelo fue forzado con precipitación
MSWEP.
De manera similar a la Fig. 7, la Fig. 8 muestra la evapotranspiración simulada
(Fig. 8a), la humedad superficial del suelo (Fig. 8b) y la descarga.
(Fig. 8c) contra observaciones. Sin embargo, en la Fig. 8, las estimaciones
del análisis de descarga calibrada (S1, línea discontinua roja) y el
La serie calibrada por pasos (S4, línea discontinua violeta) se representó frente a
las observaciones (línea negra). En la Fig. 8, el impacto
sobre la calibración del uso de descargas in situ y sensores remotos
Las observaciones de evapotranspiración y humedad del suelo podrían ser
comparado.
El análisis de referencia (S0) proporcionó la evapotranspiración (Fig. 7a)
y las estimaciones de humedad del suelo (Fig. 7b) son bastante cercanas a las
observaciones con KGEevap = 0,586 y KGEsm = 0,828. Las estimaciones de
descarga del escenario de calibración S0 tuvieron un buen desempeño
en Mechra Eddahk (Fig. 7c). Rendimiento de descarga del
La ejecución de referencia (S0) fue menor en Ait Ouchene. De la figura 7a,
el procedimiento de calibración basado en la evapotranspiración GLEAM y la
humedad del suelo (S4) ESA CCI produjo un aumento de
18 % en KGEevap en comparación con el proceso de referencia (S0). De
Fig. 7b, tiempo de humedad superficial del suelo estimado y observado.
La serie mostró una buena correspondencia. diferencia KGEsm de
Se encontró 0,028 entre los escenarios de calibración de referencia (S0) y por
pasos (S4). De la Fig. 7c, el paso a paso
La ejecución calibrada (S4) reprodujo bien la descarga mensual observada,
excepto algunos picos extremos simulados que
no se observaron, por ejemplo, enero y junio de 2002 y algunos
que no fueron simulados adecuadamente, por ejemplo, enero y mayo
en 1996 y 1997. Esta falta de ajuste puede deberse a errores en
los datos de precipitación, porque las mayores diferencias de caudal
www.hidrol­earth­syst­sci.net/21/3125/2017/
Machine Translated by Google

P. López López et al.: Calibración de un modelo hidrológico a gran escala 3137

Figura 7. (a) Serie temporal de evapotranspiración real mensual de GLEAM (negro) y evapotranspiración real estimada (rojo y morado) durante
toda la cuenca de Oum er Rbia. (b) Series temporales mensuales de humedad del suelo CCI de la ESA (negro) y humedad estimada del suelo (rojo y morado) durante el
toda la cuenca del Oum er Rbia. (c) Series temporales mensuales de descarga observada (negro) y descarga estimada (rojo y morado) en Mechra Eddahk.
Las líneas discontinuas rojas representan estimaciones del escenario de calibración S0 (escenario de referencia). Las líneas discontinuas de color púrpura representan el calibrado.
series de tiempo del escenario de calibración S4 que se toman de las ejecuciones que producen las mejores simulaciones. Serie temporal estimada para todo el
Se muestra la cuenca de Oum er Rbia para el período de validación obtenido con la precipitación del MSWEP.

se demostraron cuando se utilizaron productos WFDEI y MSWEP
en comparación con el producto EI. Otras posibles razones pueden
estar relacionado con deficiencias estructurales del modelo. Al comparar series
temporales de descarga (Fig. 7c), el escenario de calibración S4
KGEq ligeramente mejorado en comparación con el escenario de calibración
S0, con valores de KGEq que varían de 0,648 a 0,710.
De la Fig. 8a, se produjo un aumento del 14 % en KGEevap cuando se
realizó el escenario de calibración de descarga (S1).
utilizado en comparación con la ejecución de referencia (S0). Esta mejora en las
estimaciones de evapotranspiración fue mayor al calibrar el modelo usando
evapotranspiración GLEAM y
Humedad del suelo ESA CCI (S4, KGEevap = 0,689) que cuando
calibrándolo sólo para descarga a tierra (S1, KGEevap =
0,666). De manera similar a la Fig. 8a que muestra la evapotranspiración
En comparación, la Fig. 8b indicó que un valor de KGEsm más alto
se obtuvo cuando se utilizaron observaciones GLEAM y ESA CCI para la
calibración (S4, KGEsm = 0,856) que cuando la calibración se basó en
Esto puede deberse al menor rendimiento de la referencia.
pista (S0) en Ait Ouchene.
Para comprender mejor el valor agregado de usar GLEAM
datos de evapotranspiración y humedad del suelo ESA CCI para
calibración del modelo y comparar el impacto de los escenarios de calibración,
las variaciones de KGEq , NSEq , rq y
PBiasq entre cada escenario de calibración (S1, S2, S3 y
S4) y el escenario de calibración de referencia (S0) se calcularon y representaron
para el período de validación en la Fig. 9.
Las filas indican los tres productos de precipitación global y
Las columnas indican los indicadores de desempeño. las variaciones
de las métricas de rendimiento se muestran con gráficos de barras para el
dos estaciones de aforo, Ait Ouchene y Mechra Eddahk. En
cada ubicación, un valor positivo de KGEq , NSEq , PBiasq y
rq significa que cualquiera de los escenarios S1, S2, S3 o S4 obtuvo un
puntuación de habilidad más alta que S0, mientras que un valor negativo significa
que esas puntuaciones disminuyeron después de la calibración.

observaciones de descarga in situ (S1,
KGEsm = 0,834). De la Fig. 8c comparando la serie de tiempo de descarga en
Mechra Eddahk, el escenario de calibración paso a paso S4 condujo
a un aumento del 10 % en KGEq , en comparación con el aumento
del 5 % obtenido cuando se utilizaron observaciones de descarga para
calibración (S1). Sin embargo, en Ait Ouchene la mejora en el rendimiento de
las descargas fue menor cuando la evapotranspiración
y las observaciones de humedad del suelo (S4) se utilizaron para la calibración.
que cuando se utilizaron mediciones de descarga in situ (S1).
La Figura 9 mostró que las variaciones de los indicadores de rendimiento
fueron menores cuando se utilizó el producto de precipitación EI.
Las mayores diferencias entre los escenarios de calibración fueron
obtenido cuando el modelo fue forzado con precipitación WFDEI. En la
intercomparación de los escenarios de calibración,
el escenario de calibración utilizando datos de descarga observados in situ
(S1) obtuvo en general el mayor aumento de KGEq , NSEq
y rq y la mayor reducción de PBiasq cuando cualquiera de
Los productos de precipitación se utilizaron como se esperaba. Similar

www.hidrol­earth­syst­sci.net/21/3125/2017/ Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017

Machine Translated by Google

3138 P. López López et al.: Calibración de un modelo hidrológico a gran escala

Figura 8. (a) Serie temporal de evapotranspiración real mensual de GLEAM (negro) y evapotranspiración real estimada (rojo y morado) durante
toda la cuenca de Oum er Rbia. (b) Series temporales mensuales de humedad del suelo CCI de la ESA (negro) y humedad estimada del suelo (rojo y morado) durante el
toda la cuenca del Oum er Rbia. (c) Series temporales mensuales de descarga observada (negro) y descarga estimada (rojo y morado) en Mechra Eddahk.
Las líneas discontinuas rojas representan estimaciones del escenario de calibración S1. Las líneas discontinuas de color púrpura representan la serie de tiempo calibrada de
escenario de calibración S4 que se toman de las ejecuciones que producen las mejores simulaciones. Serie temporal estimada para toda la cuenca de Oum er Rbia
Para el período de tiempo de validación obtenido con precipitación MSWEP se muestran.

Los aumentos de KGEq y NSEq y las disminuciones de PBiasq se obtuvieron Una buena ruta para superar este problema puede ser utilizar diferentes
cuando el modelo fue calibrado usando solo la humedad del suelo (S3) y indicadores de desempeño (por ejemplo, KGE, NSE, PBias y
usando la combinación de evapotranspiración. r) como funciones objetivo a optimizar en cada escenario de calibración, en
y humedad del suelo (S4), pero se lograron mejoras mayores en rq . lugar de utilizar uno solo. Este enfoque de calibración multiobjetivo puede
obtenido con el escenario de calibración paso a paso (S4). El mejorar aún más las estimaciones del modelo de descarga.
ganancias en KGEq , NSEq y rq al comparar la calibración
Los escenarios S2 y S0 fueron positivos, pero de menor magnitud.
que cuando el modelo fue calibrado en los escenarios S3 y S4.
5 Discusión y conclusiones
El mayor rendimiento del escenario S4 puede deberse al hecho de que
que este enfoque de calibración utilizó múltiples variables del sistema
Este estudio investigó rutas alternativas para calibrar el
proporcionando más información hidrológica y permitiendo
modelo hidrológico a gran escala PCR­GLOBWB utilizando la Tierra
identificación de más parámetros que cuando esas variables
observaciones disponibles a nivel mundial para la cuenca fluvial con pocos datos
fueron utilizados por separado.
de Oum er Rbia en Marruecos. Se compararon y aplicaron tres productos de
En cada gráfico de barras de la Fig. 9, se mejoraron las métricas.
precipitación global, EI, WFDEI y MSWEP, para forzar PCR­GLOBWB. Se
mayor en la estación de Ait Ouchene que en la estación de Mechra Eddahk.
siguieron cinco escenarios de calibración diferentes donde se utilizaron datos
Esto se debe al menor rendimiento de descarga del
de evapotranspiración real de GLEAM y humedad superficial del suelo de ESA
escenario de calibración de referencia S0 en el antiguo lugar de medición.
CCI para
Tenga en cuenta que en algunos casos el cambio en KGEq fue
Identificar los parámetros del modelo con el objetivo de mejorar la descarga.
negativo (por ejemplo, cuando se utilizó la precipitación EI en la estación de Ait
estimados. También se utilizaron observaciones de descarga in situ para
Ouch­ene) porque, aunque hubo una mejora en
calibración, ya que se utilizan tradicionalmente para calibrar modelos hidrológicos.
el indicador de rendimiento KGEq durante el tiempo de calibración
período, al calcularlo para el período de tiempo de validación, se
Es posible que la métrica haya empeorado ligeramente. Tenga en cuenta que algunos

Las variaciones en NSEq , PBiasq y rq fueron pequeñas o cercanas a

0 porque su calibración fue optimizada para KGEq y no
para esas métricas particulares en términos de descarga. Una posibilidad

Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017 www.hidrol­earth­syst­sci.net/21/3125/2017/

Machine Translated by Google
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Figura 9. Variaciones de KGE, NSE, r y PBias comparando las estimaciones de descarga mensual de los escenarios de calibración S1, S2, S3 y S4 con S0.
Las filas indican los tres productos de precipitación global y las columnas indican las métricas de desempeño.
Los resultados mostraron que la evapotranspiración real de GLEAM
y se pueden utilizar observaciones de la humedad del suelo de la ESA CCI
para calibrar determinados parámetros del modelo PCR­GLOBWB.
Se utilizó la evapotranspiración real GLEAM para calibrar la
evapotranspiración potencial de referencia (fe) como se esperaba, afectando
el intercambio de agua entre la capa superior del suelo y la
atmósfera y, por tanto, el equilibrio hídrico del suelo. Suelo CCI de la ESA
Los datos de humedad se utilizaron para calibrar el nivel mínimo de agua del suelo.
capacidad (fw) y las conductividades hidráulicas saturadas de
las capas del suelo (fk), determinando la respuesta de generación de
escorrentía superficial, el flujo subterráneo somero y la recarga freática. Sin
embargo, la calibración utilizando únicamente GLEAM
evapotranspiración o sólo los datos de humedad del suelo de ESA CCI pueden
dar como resultado que múltiples combinaciones de parámetros sean óptimas
en términos de descarga (sobreparametrización o equifinalidad)
problema). Para superar este problema, fue necesario un escenario de
calibración gradual basado en observaciones, evapotranspiración y humedad
del suelo para identificar el nivel óptimo.
valores de evapotranspiración potencial de referencia (fe), parámetros de
partición de escorrentía­infiltración (fw) y suelo saturado
conductividad hidráulica (fk). Sin embargo, ninguna de estas observaciones se
utilizó para calibrar el flujo base del sistema activo.
capa de agua subterránea (fj ). Para identificar el parámetro del coeficiente de
recesión del flujo base (fj ), se utiliza un enfoque de calibración multiobjetivo
Se podrían seguir las observaciones del caudal. similar a
Fenicia et al. (2007), múltiples funciones objetivo pueden ser
www.hidrol­earth­syst­sci.net/21/3125/2017/
3139
optimizado en pasos secuenciales para flujos altos, flujos bajos y
momento.
Prefactores espacialmente uniformes para toda Oum er Rbia
cuenca se utilizaron para la variación de los valores de los parámetros en
este estudio. Desarrollar nuevas estrategias de calibración en las que los factores
previos y, por tanto, los parámetros del modelo, varíen según el tipo de suelo y la tierra.
uso, elevación y/u otras características dentro de la cuenca
Sería una ruta de investigación prometedora para investigar. Además, el
presente trabajo compara cinco escenarios de calibración utilizando un método
de fuerza bruta, donde se probaron varias combinaciones de valores de
parámetros y se seleccionó la de mejor rendimiento. Para estas combinaciones,
y debido a limitaciones computacionales, solo se consideraron cuatro
prefactores
lo que lleva a 81 ejecuciones de modelos por producto de precipitación. Usando
más valores previos al factor y, por lo tanto, más ejecuciones pueden mejorar
la estimación de los parámetros óptimos establecidos para cada
escenario de calibración. Una sugerencia para futuros estudios es
utilizar un filtro conjunto de Kalman para calibrar el modelo hidrológico, como
se presentó previamente en la literatura (Moradkhani
et al., 2005; Wanders et al., 2014). Además, la validación de este estudio se
realizó exclusivamente sobre el caudal.
Se pueden utilizar otros enfoques de validación, incluidas las funciones
ortogonales empíricas, el análisis de wavelets o su combinación.
otra vía prometedora hacia una validación más profunda de
modelos hidrológicos distribuidos (Mascaro et al., 2015; Koch
et al., 2015; Fang et al., 2015).
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Machine Translated by Google

3140 P. López López et al.: Calibración de un modelo hidrológico a gran escala

Se obtuvo un método de calibración gradual basado en la evapotranspiración
real de GLEAM y la humedad del suelo CCI de la ESA.
en estimaciones de alta de precisión aceptable (Moriasi et al.,
2007), en comparación con las estimaciones de descarga derivadas de un
modelo que fue calibrado para mediciones de descarga in situ.
Calibración tradicional para mediciones de descarga in situ
resultó en el mayor rendimiento del modelo. Un modelo calibrado únicamente
en base a observaciones de evapotranspiración o humedad del suelo logró un
rendimiento de descarga inferior que cuando
fueron utilizados juntos.
En la comparación entre los tres productos globales de precipitación, el
WFDEI mostró el peor desempeño,
mientras que IE y MSWEP obtuvieron resultados bastante buenos. Aparte de
En el escenario de calibración de descarga in situ, la mayor mejora en la
descarga se obtuvo cuando los dos últimos datos de forzamiento se utilizaron
en combinación con un enfoque de calibración gradual basado en la
evapotranspiración y la humedad del suelo.
observaciones.
métricas de desempeño para analizar la sensibilidad espacial de patrones
simulados de la superficie terrestre (Koch et al., 2017).
Los estudios futuros pueden investigar enfoques de calibración gradual
utilizando la información combinada de múltiples variables del sistema
hidrológico. Incorporando varios datos
productos, diferentes partes o componentes del modelo pueden ser
optimizado para aumentar el rendimiento general del modelo. Otro enfoque
podría ser calibrar el modelo a diferentes
variables con múltiples funciones objetivo – multiobjetivo
calibración (Gupta et al., 1998; Khu y Madsen, 2005; Feni­cia et al., 2007).
Alternativamente, estos hidrometeorológicos
Los datos que están disponibles globalmente pueden usarse para identificar y
desarrollar relaciones entre diferentes cuencas.
utilizando similitudes, marcos de clasificación y escalamiento,
como se presenta en estudios previos (Samaniego et al., 2010;
Kumar et al., 2013).

Los resultados indicaron que el impacto de la precipitación en las Disponibilidad de datos. La ubicación y disponibilidad de todos los datos
estimaciones del caudal fue más significativo que el derivado (forzamiento meteorológico, humedad del suelo basada en satélites y
de calibrar los parámetros del modelo; por lo tanto, la menor calidad evapotranspiración y descarga del suelo) y activos (PCR­GLOBWB – Su­
tanudjaja et al., 2016, 2017; herramientas de reducción de escala de E2O – Schellekens
de WFDEI en comparación con el modelo disminuido de IE y MSWEP
y Weiland, 2017) utilizados para esta investigación se indican en el artículo,
el rendimiento y la calibración estaban sesgados para compensar los errores
incluyendo referencias y enlaces a repositorios.
de precipitación. Una mayor investigación del efecto de
errores de precipitación en la eficiencia del modelo, y también en el modelo
La estimación de parámetros puede ser una ruta interesante para la
investigación hidrológica (Andréassian et al., 2004; Looper et al.,
2012).
Aunque todavía hay margen para más investigaciones, este estudio
demostró que las observaciones de la Tierra disponibles globalmente, como
la evapotranspiración o la humedad del suelo, se pueden utilizar para mejorar
parametrizar modelos hidrológicos a gran escala que proporcionen
estimaciones razonables de descarga a escala regional o de cuenca.
En principio, estos enfoques de calibración se pueden aplicar y
investigado en otras cuencas sin o con limitado in situ
datos hidrometeorológicos terrestres (cuencas no aforadas), para no
estimar el caudal, sino también mejorar el conocimiento de los procesos
hidrológicos en la cuenca. Los resultados sugirieron el potencial del uso de
otros productos satelitales para estudios de modelado hidrológico, incluidos
productos de humedad del suelo como AMSR­E (Njoku et al., 2003) y SMOS
(Kerr).
et al., 2001), productos de evapotranspiración como SEBAL
(Bastiaanssen et al., 1998) y MOD16 (Nishida, 2003), total
productos de almacenamiento de agua como GRACE (Tapley et al., 2004),
etc. La información espacial de estos productos basados en satélites
podría usarse de una manera diferente a la explicada en
este estudio. Por ejemplo, un escenario de calibración basado en un
La comparación píxel por píxel, en lugar del promedio de la cuenca, de la
humedad del suelo de la superficie y las estimaciones y observaciones reales
del modelo de evapotranspiración podría mejorar aún más las estimaciones
de descarga. Este enfoque de calibración tendría que tener en cuenta
tener en cuenta la variabilidad espacial de las variables a lo largo de la cuenca.
Estudios anteriores investigaron cómo incorporar información espacial en
modelos hidrológicos utilizando tecnologías espaciales innovadoras.

Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017 www.hidrol­earth­syst­sci.net/21/3125/2017/

Machine Translated by Google

P. López López et al.: Calibración de un modelo hidrológico a gran escala 3141

Apéndice A

Figura A1. Valores iniciales de los parámetros del modelo para el escenario de calibración S0 (referencia): (a) capacidad total de almacenamiento de agua del suelo (Wmax = SC1 +
SC2 +SC3), (b) conductividad hidráulica saturada de la primera y segunda capa de suelo (Ksat1 y Ksat2), (c) conductividad hidráulica saturada de
tercera capa de suelo (Ksat3) y (d) coeficiente de recesión del flujo base (J).

www.hidrol­earth­syst­sci.net/21/3125/2017/ Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017

Machine Translated by Google
3142 P. López López et al.: Calibración de un modelo hidrológico a gran escala
El suplemento relacionado con este artículo está disponible.
en línea en https://doi.org/10.5194/hess­21­3125­2017­
suplemento.
Conflicto de intereses. Los autores declaran que no tienen ningún conflicto.
de interés.
Agradecimientos. Esta investigación recibió financiación del
Séptimo Programa Marco de la Unión Europea (FP7/2007­2013)
bajo el acuerdo de subvención no. 603608, Observación global de la Tierra para
Evaluación integrada de recursos hídricos: Earth2Observe. Lo haríamos
Me gustaría agradecer a ICARDA por su compromiso y colaboración durante
este trabajo. Por los datos del alta, estamos muy agradecidos a Yves.
Tramblay del Instituto de Investigación para el Desarrollo
(IRD) en Francia y El Mahdi El Khalki y Lahoucine Hanich
del Laboratoire de Géoressources, Departamento de Ciencias
de la Terre, Facultad de Ciencias y Técnicas, Universidad Cadi
Ayyad en Marrakech, Marruecos. Para la evapotranspiración GLEAM
datos, nos gustaría agradecer a VU Amsterdam, Países Bajos
y la Universidad de Gante, Bélgica. Para la humedad del suelo de la ESA CCI,
Estamos en deuda con la Universidad Tecnológica de Viena, Austria. Los
autores también desean agradecer a Markus Hrachowitz,
Remko C. Nijzink y Heye Bogena, que ayudaron a mejorar este
papel considerablemente.
Editado por: Markus Hrachowitz
Revisado por: Remko C. Nijzink y Heye Bogena
Referencias
Andréassian, V., Perrin, C. y Michel, C.: Impacto del imperfecto
Conocimiento potencial de la evapotranspiración sobre la eficiencia y los
parámetros de los modelos de cuencas hidrográficas, J. Hydrol., 286, 19–35, 2004.
Bastiaanssen, W., Menenti, M., Feddes, R. y Holtslag, A.: A
Algoritmo de balance de energía superficial de teledetección terrestre (SE­
BAL). 1. Formulación, J. Hydrol., 212, 198–212, 1998.
Beck, HE, de Jeu, RA, Schellekens, J., van Dijk, AI y Brui­jnzeel, LA: Mejora de
las estimaciones de escurrimiento de tormentas basadas en el número de
curvas utilizando indicadores de humedad del suelo, IEEE J. Sel. Arriba. Aplic., 2,
250–259, 2009.
Beck, HE, van Dijk, AI, de Roo, A., Miralles, DG, McVicar,
TR, Schellekens, J. y Bruijnzeel, LA: Regionalización a escala global de los
parámetros del modelo hidrológico, Water Resour. Res.,
52, 3599–3622, https://doi.org/10.1002/2015WR018247, 2016.
Beck, HE, van Dijk, AIJM, Levizzani, V., Schellekens,
J., Miralles, DG, Martens, B., y de Roo, A.: MSWEP: 3­
Precipitación cuadriculada global de 0,25 ◦ por hora (1979­2015) mediante la
combinación de datos medidos, satelitales y de reanálisis, Hydrol. Sistema Tierra. ciencia,
21, 589­615, https://doi.org/10.5194/hess­21­589­2017, 2017.
Bouchaou, L., Michelot, J., Qurtobi, M., Zine, N., Gaye, C., Ag­garwal, P., Marah,
H., Zerouali, A., Taleb, H. y Vengosh, A.:
Origen y tiempo de residencia de las aguas subterráneas en la cuenca de Tadla
(Marruecos) utilizando múltiples herramientas isotópicas y geoquímicas, J. Hydrol.,
379, 323–338, 2009.
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Brocca, L., Moramarco, T., Melone, F., Wagner, W., Hasenauer, S.,
y Hahn, S.: Asimilación del suelo ASCAT de superficie y zona de raíces.
productos de humedad en modelos de lluvia­escorrentía, IEEE T. Geosci.
Remoto, 50, 2542–2555, 2012.
Campo, L., Caparrini, F. y Castelli, F.: Uso de multiplataforma,
datos de teledetección multitemporal para la calibración de un modelo
hidrológico distribuido: una aplicación en la cuenca del Arno,
Italia, hidrol. Proceso., 20, 2693–2712, 2006.
Dee, DP, Uppala, SM, Simmons, AJ, Berrisford, P., Poli,
P., Kobayashi, S., Andrae, U., Balmaseda, MA, Balsamo, G.,
Bauer, P., Bechtold, P., Beljaars, ACM, van de Berg, L., Bid­lot, J., Bormann,
N., Delsol, C., Dragani, R., Fuentes, M., Geer,
AJ, Haimberger, L., Healy, SB, Hersbach, H., Hólm, EV,
Isaksen, L., Kållberg, P., Köhler, M., Matricardi, M., McNally,
AP, Monge­Sanz, BM, Morcrette, J.­J., Park, B.­K., Peubey,
C., de Rosnay, P., Tavolato, C., Thépaut, J.­N. y Vitart, F.: El
Reanálisis ERA­Interim: Configuración y desempeño del
Sistema de asimilación de datos, QJ Roy. Meteorito. Soc., 137, 553–597,
2011.
Dorigo, W., Gruber, A., De Jeu, R., Wagner, W., Stacke, T., Loew,
A., Albergel, C., Brocca, L., Chung, D., Parinussa, R. y Kidd
R.: Evaluación del producto de humedad del suelo ESA CCI utilizando
observaciones terrestres, Remote Sens. Environ., 162, 380–
395, 2015.
Draper, CS, Walker, JP, Steinle, PJ, De Jeu, RAM,
y Holmes, TRH: Una evaluación del suelo derivado de AMSR­E
humedad sobre Australia, Remote Sens. Environ., 113, 703–710,
https://doi.org/10.1016/j.rse.2008.11.011, 2009.
Fang, Z., Bogena, H., Kollet, S., Koch, J. y Vereecken, H.:
Validación espacio­temporal de simulaciones hidrológicas 3D a largo plazo
de una cuenca boscosa utilizando funciones ortogonales empíricas y análisis
de coherencia wavelet, J. Hydrol., 529, 1754–
1767, 2015.
Fenicia, F., Savenije, HH, Matgen, P. y Pfister, L.: A
comparación de estrategias alternativas de calibración multiobjetivo
para modelado hidrológico, Recursos Hídricos. Res., 43, W03434,
https://doi.org/10.1029/2006WR005098, 2007.
Gupta, HV, Sorooshian, S. y Yapo, PO: Hacia una mejor calibración de modelos
hidrológicos: múltiples y no conmensurables
medidas de información, Recurso Hídrico. Res., 34, 751–763, 1998.
Gupta, HV, Wagener, T. y Liu, Y.: Conciliar la teoría con
observaciones: elementos de un enfoque de diagnóstico para la evaluación
de modelos, Hydrol. Proceso., 22, 3802–3813, 2008.
Gupta, HV, Kling, H., Yilmaz, KK y Martinez, GF: Descomposición del error
cuadrático medio y criterios de desempeño NSE:
Implicaciones para mejorar la modelización hidrológica, J. Hydrol.,
377, 80–91, 2009.
Hafeez, M., van de Giesen, N., Bardsley, E., Seyler, F., Pail, R.,
y Taniguchi, M.: GRACE, teledetección y sistemas terrestres.
Métodos en hidrología multiescala: actas del simposio J­HO1 celebrado
durante IUGG2011, Publicaciones IAHS, 2011.
Hagemann, S. y Gates, LD: Mejora de un esquema de parametrización de
escorrentía de subred para modelos climáticos mediante el uso de datos de
alta resolución derivados de observaciones satelitales, Clim. Dinám., 21 años,
349–359, 2003.
Houdret, A.: Les conflits autour de l'eau au Maroc: origines sociopolitiques et
écologiques et outlooks pour transformation
des conflits, Thèse de doctorat: Sciences politiques, Universität
Duisburgo­Essen, 72 págs., 2008.
www.hidrol­earth­syst­sci.net/21/3125/2017/
Machine Translated by Google
P. López López et al.: Calibración de un modelo hidrológico a gran escala
Hrachowitz, M., Savenije, HHG, Blöschl, G., McDonnell, JJ,
Sivapalan, M., Pomeroy, JW, Arheimer, B., Blume, T., Clark,
MP, Ehret, U., Fenicia, F., Freer, JE, Gelfan, A., Gupta, H.
V., Hughes, DA, Hut, RW, Montanari, A., Pande, S., Tetzlaff,
D., Troch, PA, Uhlenbrook, S., Wagener, T., Winsemius, HC,
Woods, RA, Zehe, E. y Cudennec, C.: Una década de predicciones en
cuencas no medidas (PUB): una revisión, Hydrolog. Ciencia. J.,
58, 1198­1255, 2013.
Huffman, GJ, Bolvin, DT, Nelkin, EJ, Wolff, DB, Adler,
RF, Gu, G., Hong, Y., Bowman, KP y Stocker, EF:
El análisis de precipitación multisatélite (TMPA) del TRMM: estimaciones de
precipitación cuasi globales, multianuales y con sensores combinados en
escamas finas, J. Hydrometeorol., 8, 38–55, 2007.
Immerzeel, W. y Droogers, P.: Calibración de un modelo hidrológico distribuido
basado en la evapotranspiración satelital, J. Hydrol.,
349, 411–424, 2008.
Isenstein, EM, Wi, S., Yang, YE y Brown, C.: Calibración de un
modelo hidrológico distribuido utilizando datos de caudales y sensores
remotos sobre nieve, en: World Environmental and Water Resources
Congreso 2015, ASCE, 973–982, 2015.
Jacobs, JM, Myers, DA y Whitfield, BM: Estimaciones mejoradas de lluvia/
escorrentía utilizando sensores remotos de humedad del suelo, J. Am.
Recurso Acuático. Como., 39, 313–324, 2003.
Jones, A., Breuning­Madsen, H., Brossard, M., Dampha, A., Deck­ers, J.,
Dewitte, O., Gallali, T., Hallett, S., Jones, R., Kilasara ,
M., Le Roux, P., Micheli, E., Montanarella, L., Spaargaren, O.,
Thiombiano, L., Van Ranst, E., Yemefack, M. y Zougmoré,
R.: Atlas de suelos de África, Comisión Europea, Luxemburgo,
https://doi.org/10.2788/52319, 2013.
Joyce, RJ, Janowiak, JE, Arkin, PA y Xie, P.: CMORPH: A
método que produce estimaciones de precipitación global a partir de datos pasivos.
datos de microondas e infrarrojos con alta resolución espacial y temporal, J.
Hydrometeorol., 5, 487–503, 2004.
Kerr, YH, Waldteufel, P., Wigneron, J.­P., Martinuzzi, J., Font,
J. y Berger, M.: Recuperación de la humedad del suelo desde el espacio: el suelo
Misión Humedad y Salinidad del Océano (SMOS), IEEE T. Geosci.
Remoto, 39, 1729­1735, 2001.
Khu, ST y Madsen, H.: Calibración multiobjetivo con
Ordenamiento de preferencias de Pareto: una aplicación a la calibración del
modelo de lluvia­escorrentía, Water Resour. Res., 41, W03004,
https://doi.org/10.1029/2004WR003041, 2005.
Kite, G. y Droogers, P.: Comparación de estimaciones de evapotranspiración
a partir de satélites, modelos hidrológicos y datos de campo, J. Hydrol.,
229, 3–18, 2000.
Koch, J., Jensen, KH y Stisen, S.: Hacia un verdadero modelo espacial
evaluación en modelamiento hidrológico distribuido: estadística Kappa,
Teoría difusa y análisis EOF comparados con la percepción humana y
evaluados con respecto a un estudio de caso de modelado, Water Re­sour.
Res., 51, 1225–1246, 2015.
Koch, J., Mendiguren, G., Mariethoz, G. y Stisen, S.: Análisis de sensibilidad
espacial de patrones simulados de la superficie terrestre en una cuenca
modelo utilizando un conjunto de métricas innovadoras de rendimiento espacial, J.
Hydrometeorol., 18, 1121–1142, https://doi.org/10.1175/JHM­D­16­0148.1 ,
2017.
Kumar, R., Samaniego, L. y Attinger, S.: Implicaciones de la parametrización del
modelo hidrológico distribuido en los flujos de agua en
Múltiples escalas y ubicaciones, Recursos Hídricos. Res., 49, 360–379,
2013.
www.hidrol­earth­syst­sci.net/21/3125/2017/
3143
Liu, Y., Dorigo, WA, Parinussa, R., de Jeu, RA, Wagner, W., Mc­Cabe, MF,
Evans, J. y Van Dijk, A.: Combinación de pasivos que preserva la tendencia
y recuperación activa de humedad del suelo por microondas, Re­mote Sens.
Environ., 123, 280–297, 2012.
Liu, YY, Parinussa, RM, Dorigo, WA, De Jeu, RAM,
Wagner, W., van Dijk, AIJM, McCabe, MF y Evans,
JP: Desarrollo de un conjunto de datos mejorado sobre la humedad del suelo mediante la combinación
recuperaciones pasivas y activas basadas en satélites de microondas, Hydrol.
Sistema Tierra. Ciencia, 15, 425–436, https://doi.org/10.5194/hess­15­
425­2011, 2011.
Lo, M.­H., Famiglietti, JS, Yeh, P.­F. y Syed, T.: Mejora de la estimación de
parámetros y simulación de la profundidad del nivel freático en
un modelo de superficie terrestre que utiliza almacenamiento de agua
GRACE y datos de flujo base estimados, Water Resour. Res., 46, W05517,
https://doi.org/10.1029/2009WR007855, 2010.
Looper, JP, Vieux, BE y Moreno, MA: Evaluación de los impactos del sesgo de
precipitación en la calibración y precisión de la predicción del modelo
hidrológico distribuido, J. Hydrol., 418, 110–122, 2012.
López López, P., Wanders, N., Schellekens, J., Renzullo, LJ, Su­tanudjaja, EH
y Bierkens, MFP: Modelización hidrológica a gran escala mejorada mediante
la asimilación de caudales y
observaciones satelitales reducidas de humedad del suelo, Hydrol. Tierra
Sistema. Ciencia, 20, 3059–3076, https://doi.org/10.5194/hess­20­3059­
2016, 2016.
Loukas, A. y Vasiliades, L.: Métodos de simulación de flujos
para cuencas no calibradas o mal calibradas, Nat. Peligros
Sistema Tierra. Sci., 14, 1641–1661, https://doi.org/10.5194/
nhess­14­1641­2014 , 2014.
Martens, B., Miralles, D., Lievens, H., Fernández­Prieto, D. y
Verhoest, N.: Mejora de las estimaciones de evaporación terrestre durante
Australia continental mediante la asimilación de la humedad del suelo SMOS,
Int. J. Aplica. Earth Obs., 48, 146–162, 2016a.
Martens, B., Miralles, D., Lievens, H., van der Schalie, R., de Jeu,
R., Fernández­Prieto, D. y Verhoest, N.: GLEAM v3: conjuntos de datos
actualizados sobre evaporación de la tierra y humedad del suelo en la zona de las raíces, en:
Resúmenes de la conferencia de la Asamblea General de EGU, vol. 18, pág. 4253,
2016b.
Mascaro, G., Vivoni, ER y Méndez­Barroso, LA: Modelado hidrológico de
hiperresolución en una cuenca regional y su
interpretación utilizando funciones ortogonales empíricas, Adv. Agua
Recurso., 83, 190–206, 2015.
Miralles, DG, De Jeu, RAM, Gash, JH, Holmes, TRH y
Dolman, AJ: Magnitud y variabilidad de la evaporación de la tierra y
sus componentes a escala global, Hydrol. Sistema Tierra. Ciencias, 15 años,
967–981, https://doi.org/10.5194/hess­15­967­2011, 2011a.
Miralles, DG, Holmes, TRH, De Jeu, RAM, Gash, JH,
Meesters, AGCA y Dolman, AJ: Superficie terrestre global
Evaporación estimada a partir de observaciones satelitales, Hydrol.
Sistema Tierra. Ciencia, 15, 453–469, https://doi.org/10.5194/hess­15­
453­2011, 2011b.
Moradkhani, H., Sorooshian, S., Gupta, HV y Houser, PR:
Estimación dual de parámetros de estado de modelos hidrológicos utilizando
Filtro Kalman conjunto, Adv. Recursos hídricos, 28, 135–147, 2005.
Moriasi, DN, Arnold, JG, Van Liew, MW, Bingner, RL,
Harmel, RD y Veith, TL: Directrices de evaluación de modelos para
cuantificación sistemática de la precisión en simulaciones de cuencas hidrográficas,
T. ASABE, 50, 885–900, 2007.
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Machine Translated by Google
3144 P. López López et al.: Calibración de un modelo hidrológico a gran escala
Nash, JE y Sutcliffe, JV: Previsión del caudal de los ríos mediante modelos
conceptuales, parte I: discusión de principios, J. Hydrol., 10, 282–290,
1970.
New, M., Lister, D., Hulme, M. y Makin, I.: Un conjunto de datos de alta
resolución sobre el clima superficial en áreas terrestres globales, Clim.
Res., 21, 1–25, 2002.
Nishida, K.: Validación del prototipo MODIS evapotranspiración (MOD16) en
el este de Asia, en: AGU Fall Meeting Ab­stracts, http://adsabs.harvard.edu/
abs/2003AGUFM.B21E0765N (último acceso: 28 de mayo de 2017 ),
2003.
Njoku, EG, Jackson, TJ, Lakshmi, V., Chan, TK y Nghiem, SV: Recuperación
de la humedad del suelo de AMSR­E, IEEE T. Geosci.
Remoto, 41, 215–229, 2003.
Ouatiki, H., Boudhar, A., Tramblay, Y., Jarlan, L., Benabde­louhab, T.,
Hanich, L., El Meslouhi, MR y Chehbouni, A.: Evaluación del producto de
lluvia TRMM 3B42 V7 encima
la cuenca del Oum Er Rbia en Marruecos, Clima, 5, 1, https://doi.org/
10.3390/cli5010001, 2017.
Parajka, J., Naeimi, V., Blöschl, G., Wagner, W., Merz, R. y Scipal, K.:
Asimilación de datos de humedad del suelo del dispersómetro en modelos
hidrológicos conceptuales a escala regional, Hydrol.
Sistema Tierra. Sci., 10, 353–368, https://doi.org/10.5194/
hess­10­353­2006 , 2006.
Pearson, K.: Contribuciones matemáticas a la teoría de la evolución: sobre
una forma de correlación espuria que puede surgir cuando se utilizan
índices en la medición de órganos, PR Soc. Londres, 60, 489–498, 1896.
Reichle, RH y Koster, RD: Reducción del sesgo en registros cortos de
humedad del suelo por satélite, Geophys. Res. Lett., 31, L19501, https://
doi.org/10.1029/2004GL020938, 2004.
Rientjes, T., Muthuwatta, LP, Bos, M., Booij, M. y Bhatti, H.: Calibración
multivariable de un modelo hidrológico semidistribuido utilizando datos de
caudal y evapotranspiración basada en satélites, J. Hydrol ., 505, 276–
290, 2013.
Roy, A., Royer, A. y Turcotte, R.: Mejora de las simulaciones de caudales
primaverales en un entorno boreal mediante la incorporación de áreas
cubiertas de nieve derivadas de datos de teledetección, J. Hydrol., 390,
35–44, 2010.
Samaniego, L., Kumar, R. y Attinger, S.: Regionalización de parámetros
multiescala de un modelo hidrológico basado en cuadrículas a mesoescala,
Water Resour. Res., 46, W05523, https://doi.org/10.1029/2008WR007327,
2010.
Schellekens, J. y Weiland, F. S.:
Earth2observe/downscaling­tools: 2017.2 Prelanzamiento,
https://doi.org/10.5281/zenodo.545779, 2017.
Seibert, J. y Beven, KJ: Medición de la cuenca no calibrada: ¿cuántas
mediciones de descarga se necesitan?, Hydrol. Sistema Tierra. Sci., 13,
883–892, https://doi.org/10.5194/hess­13­883­2009, 2009.
Seneviratne, SI, Corti, T., Davin, EL, Hirschi, M., Jaeger, EB, Lehner, I.,
Orlowsky, B. y Teuling, AJ: Investigación de las interacciones entre la
humedad del suelo y el clima en un clima cambiante: una revisión ,
Ciencias de la Tierra. Rev., 99, 125–161, 2010.
Sivapalan, M., Takeuchi, K., Franks, S., Gupta, VK, Karambiri, H., Lakshimi,
V., Liang, X., McDonnell, JJ, Mendiondo, E.
M., O'Connell, PE, Oki, T., Pomeroy, JW, Schertzer, D., Uh­lenbrook, S.
y Zehe, E.: Década de predicciones de la IAHS en cuencas no medidas
(PUB), 2003 –2012: Dando forma a un futuro apasionante para las
ciencias hidrológicas, Hydrolog. Ciencia. J., 48, 857–880, 2003.
Hidrol. Sistema Tierra. Ciencia, 21, 3125–3144, 2017
Sutanudjaja, EH, van Beek, LPH, de Jong, SM, van Geer, FC y Bierkens,
MFP: Modelado de aguas subterráneas a gran escala utilizando conjuntos
de datos globales: un caso de prueba para la cuenca Rin­Mosa, Hydrol.
Sistema Tierra. Sci., 15, 2913–2935, https://doi.org/10.5194/
hess­15­2913­2011, 2011.
Sutanudjaja, E., Van Beek, L., De Jong, S., Van Geer, F. y Bierkens, M.:
Calibración de un modelo acoplado de superficie terrestre y agua
subterránea de alta resolución y gran extensión utilizando la humedad y
la descarga del suelo datos, recurso hídrico. Res., 50, 687–705, 2014.
Sutanudjaja, E., van Beek, R., Wada, Y., Bosmans, J., Drost, N., de Graaf, I.,
de Jong, K., López López, P., Pessen­teiner, S. , Oliver, S., Straatsma,
M., Wanders, N., Wisser, D. y Bierkens, M.: PCR­BLOBWB_model,
Zenodo, https://doi.org/10.5281/zenodo.60764, 2016 .
Sutanudjaja, E., van Beek, R., Wada, Y., Bosmans, J., Drost, N., de Graaf, I.,
de Jong, K., López López, P., Pessenteiner, S., Oliver , S., Straatsma, M.,
Wanders, N., Wisser, D. y Bierkens, M.: PCR­BLOBWB_model, disponible
en: https://github.com/ UU­Hydro/PCR ­GLOBWB_model, último acceso :
17 de abril de 2017.
Tapley, BD, Bettadpur, S., Watkins, M. y Reigber, C.: El experimento climático
y de recuperación de la gravedad: descripción general de la misión y
primeros resultados, Geophys. Res. Lett., 31, L09607, https://doi.org/
10.1029/2004GL019920, 2004.
Thirel, G., Salamon, P., Burek, P. y Kalas, M.: Asimilación de datos del área
de cobertura de nieve MODIS en un modelo hidrológico distribuido
utilizando el filtro de partículas, Remote Sensing, 5, 5825–5850, 2013.
Tramblay, Y., Bouaicha, R., Brocca, L., Dorigo, W., Bouvier, C., Camici, S. y
Servat, E.: Estimación de las condiciones de humedad antecedente para
el modelado de inundaciones en el norte de Marruecos, Hidrol. Sistema
Tierra. Sci., 16, 4375–4386, https://doi.org/10.5194/hess­16­4375­2012 ,
2012.
Tramblay, Y., Thiemig, V., Dezetter, A. y Hanich, L.: Evaluación de productos
de lluvia basados en satélites para modelos hidrológicos en Marruecos,
Hydrolog. Ciencia. J., 61, 2509–2519, 2016. van Beek,
L., Wada, Y. y Bierkens, MF: Estrés hídrico mensual global: 1. Balance
hídrico y disponibilidad de agua, recurso hídrico.
Res., 47, W07517, https://doi.org/10.1029/2010WR009791, 2011.
Vereecken, H., Huisman, J., Bogena, H., Vanderborght, J., Vrugt, J. y
Hopmans, J.: Sobre el valor de las mediciones de humedad del suelo en
la hidrología de la zona vadosa: una revisión, Water Resour. Res., 44,
W00D06, https://doi.org/10.1029/2008WR006829, 2008.
Wanders, N., Bierkens, MF, de Jong, SM, de Roo, A. y Karssenberg, D.: Los
beneficios de utilizar la humedad del suelo mediante sensores remotos
en la identificación de parámetros de modelos hidrológicos a gran escala,
Water Resour. Res., 50, 6874–6891, 2014.
Weedon, GP, Balsamo, G., Bellouin, N., Gomes, S., Best, MJ y Viterbo, P.:
El conjunto de datos de forzamiento meteorológico WFDEI: metodología
WATCH Forcing Data aplicada a los datos de reanálisis provisional de
ERA, Recurso Acuático. Res., 50, 7505–7514, 2014.
Weiland, FS, López, P., Van Dijk, A. y Schellekens, J.: Evaporación potencial
de referencia global de alta resolución, en: MODSIM 2015, Actas de la
conferencia, Broadbeach, Queensland, Australia, 2015.
Winsemius, H., Schaefli, B., Montanari, A. y Savenije, H.: Sobre la calibración
de modelos hidrológicos en cuencas no medidas: un marco para integrar
información hidrológica dura y blanda, Water Resour. Res., 45, W12422,
https://doi.org/10.1029/2009WR007706, 2009.
www.hidrol­earth­syst­sci.net/21/3125/2017/