See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/360166304

APLICACIÓN DE MODELOS SIMPLIFICADOS LLUVIA-ESCORRENTÍA EN UNA

MICROCUENCA URBANA. CASO DE ESTUDIO CAMPUS UNIVERSIDAD
NACIONAL DE COLOMBIA, SEDE BOGOTÁ

Conference Paper · March 2011

CITATIONS READS

0 119

4 authors, including:

Erasmo Alfredo Rodriguez Luis Alejandro Camacho-Botero

National University of Colombia University of los Andes
85 PUBLICATIONS 937 CITATIONS 63 PUBLICATIONS 574 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Andres F. Rojas-Aguirre on 25 April 2022.

The user has requested enhancement of the downloaded file.

SCI SCI
XIX Seminario Nacional de Hidráulica e Hidrología y el I Foro Nacional sobre
la Seguridad de Embalses
BOGOTÁ D.C. COLOMBIA, 24 y 25 DE MARZO 2011

APLICACIÓN DE MODELOS SIMPLIFICADOS LLUVIA-ESCORRENTÍA

EN UNA MICROCUENCA URBANA. CASO DE ESTUDIO CAMPUS
UNIVERSIDAD NACIONAL DE COLOMBIA, SEDE BOGOTÁ

Andrés F.Rojasa, Juan D.Gonzálezb, Erasmo A.Rodríguez c, Luis A.Camachod

a, b
EstudiantesMSc. en Ingeniería-Recursos Hidráulicos, cdProfesor Universidad Nacional de Colombia. Grupo de
Investigación en Ingeniería de los Recursos Hídricos (GIREH). Universidad Nacional de Colombia. Departamento de
Ingeniería Civil y Agrícola,Ciudad Universitaria, Edificio 408.
a
afrojasa@unal.edu.co, bjdgonzalezpa@unal.edu.co, cearodriguezs@unal.edu.codlacamachob@unal.edu.co

RESUMEN
En este artículo se describe la implementación, calibración, análisis de sensibilidad y validación de
modelos simplificados lluvia – escorrentía en una subcuenca urbana, densamente instrumentada.Los
resultados evidencian que el modelo SISO(del inglés Single Input Single Output) representa de
forma aceptable el proceso lluvia-escorrentía, con baseen características físicas de los eventos y de
la zona de estudio, cuando se presenta una baja variabilidad espacial y temporal en la
precipitación.En cuanto al modelo MISO(del inglés Multiple Input Single Output), se obtuvieron
buenos ajustes en la calibración, no obstantese presenta mayor incertidumbre en la respuesta de la
subcuenca, evidenciando dificultaden asociar las características de los registrospluviográficos a
procesos físicos que suceden dentro de la zona de estudio.

ABSTRACT
This paper describes the calibration, sensitivity analysis and validation results of simplified rainfall-
runoff models in a densely instrumented small urban basin. The results show that the SISO model
(Single Input Single Output) represents adequately the rainfall-runoff process, based on physical
characteristics of the events and the study area, when there is low spatial and temporal rainfall
variability. In MISO models (Multiple Input Single Output) good fits were obtained during
calibration, however a high uncertainty in the response of the basin was observed, showing the
difficulty of associating the characteristics of the gage records to physical processes that occur
within the study area.

PALABRAS CLAVEHidrología Urbana, modelos hidrológicos simplificados

1 INTRODUCCIÓN

La descripción de fenómenos naturales ha llevado al desarrollo de modelos matemáticos complejos,

gracias al auge que ha tenido la informática durante las últimas décadas. Es el caso del proceso
lluvia-escorrentía, en el que se han desarrollado modelos basados en las leyes de la física (modelos
físicamente basados), con un alto grado de complejidad. En ocasiones, estos modelos no reproducen
adecuadamente el fenómeno, debido a la no linealidad de los procesos naturales, y a la interacción
de los parámetros de los diferentes procesos modelados. Así mismo, éstos requieren de una gran
cantidad de información que, en la gran mayoría de los casos, no está disponible. Por tanto, la
ciencia y la ingeniería han enfocado gran parte de su trabajo al desarrollo de modelos más
simples,capaces de encapsular adecuadamente los procesos básicos del fenómeno bajo estudio con
un menor número de parámetros, es decir modelos parsimoniosos.
Los modelos simplificados se caracterizan por involucrar un número reducido de parámetros,
facilitando la identificación de los mismos y evitando la interacción paramétrica que se puede
presentar en suaplicación. Sin embargo, para la implementación de estos modelos, se requiere
información de series de tiempo de buena calidad, y sus resultados son aplicables únicamente sisus
parámetros pueden ser interpretados en términos físicos (Young et al, 1996).
En el presente estudio, se realiza un ejercicio de modelación hidrológica en una subcuenca urbana,
en el que se tienen series de precipitación y escorrentía de buena calidad. Se calibraron los
parámetros de los modelos simplificados SISO y MISO con series de tiempo simultáneas de dos
pluviógrafos distribuidos en la subcuenca, y posteriormente se realizó un análisis de sensibilidad de
los parámetros calibrados. Por último, se efectuó una validación a partir de datos no considerados
durante la etapa de calibración.

2 MODELOS SIMPLIFICADOS

La utilización de los modelos simplificados se caracteriza por los pocos parámetros que describen
los procesos (modelos parsimoniosos), los cuales se pueden asociar a características físicas del
entorno. Este tipo de modelación se conoce como mecanística basada en series de tiempo, DBM
(del inglés Data BasedMechanistic; Young et al., 1996).
La representación más simple de estos modelos, corresponde al modelo SISO. En términos
delmodelo lluvia–escorrentía,este se puede expresar así (Camacho et al., 2002):

Q  t   b0  P  t     a1  Q  t  1 (1)

Donde,Q(t) es el caudal en el tiempo t; P(t-δ) es la precipitación en el tiempo t menos el retraso

advectivo del sistema; y b0,a1sonparámetros del modelo.
Para el caso de modelos con múltiples entradas y una salida (modelos MISO), una aproximación
similar lleva a la siguiente ecuación:

Q  t   b1  P1  t  1   b2  P2  t   2   a1  Q  t  1 (2)

Donde los parámetros biy ai sonparámetros; δi son tiempos de retraso asociados a los pluviógrafos;
yPison las series de precipitación asociadas a estos pluviógrafos.
La Ecuación (1) corresponde a la solución exacta (en tiempo discreto), de la ecuación diferencial en
tiempo continuo definida por:

dQ(t ) 1
  P  t     Q(t )  (3)
dt TR
Donde TR corresponde al tiempo de residencia en el sistema. La Ecuación (3) corresponde a un
modelo conceptual simplificado en el que la precipitación ocurre sobre un embalse lineal, y es
afectada por un retraso τ.
En una forma más general, la Ecuación (3) es conocida como el modelo de zona muerta agregada,
ADZ (AggregatedDeadZone, Beer y Young, 1983), usado para la modelación del transporte de
solutos en corrientes. Los parámetros del modelo SISO pueden ser relacionados con los parámetros
del modelo ADZ, a través de las ecuaciones (4) a (6), y su representación gráfica se aprecia en
laFigura 1.

t
TR  (4)
ln  a1 
  t   (5)
b
SSG  0 (6)
1  a1

Figura 1. Diagrama del modelo ADZ, aplicado al

proceso lluvia-escorrentía. Adaptado de Camacho&
Díaz-Granados, 2003.

Donde a1 y b0 son los parámetros del modelo; TR es el tiempo de residencia en el sistema;Δt es el

intervalo de tiempo (un minuto, para el presente estudio);τ es el tiempo de arribo;δ corresponde al
entero menor del tiempo de retraso advectivo (expresado en intervalos de muestreo); ySSG es el
estado de ganancia estable del sistema, el cual indica la conservación de la masa.
Físicamente, el tiempo de arribo τ corresponde al tiempo que transcurre entre el inicio del evento de
precipitación y el inicio de su correspondiente hidrógrafa o limnigrama. Por otra parte, el tiempo
medio de viaje corresponde a la distancia entre los centroides del hietogramade precipitación y la
hidrógrafa. De la misma forma, el tiempo de residencia TR es la diferencia entre el tiempo y el
tiempo τ, es decir:

TR  t -  (7)

3 METODOLOGÍA

Para cumplir con los propósitos planteados, se sigue un riguroso protocolo de modelación
hidrológica, a través de la aplicación de los modelos simplificados en una subcuenca urbana
localizada en predios de la Universidad Nacional de Colombia, sede Bogotá. Para efectos de la
aplicación, se realizan los procesos de calibración y validación de los modelos SISO y MISO, para
cincuenta (50) eventos ocurridos durante diferentes épocas del año, en un período comprendido
entre octubre de 2007 y noviembre de 2008.
La calibración de cada modelo se realizó mediante la metodología SRIV (Young, 1992), y la
selección de los mejores parámetros se efectuó mediante el Criterio de Información de Young (YIC)
y el coeficiente de Nash (R2).Actualmente, y gracias a la evolución de los computadores, esta
calibración puede ser realizada a través de la maximización o minimización de una función
objetivo.
La función objetivo empleada, corresponde al índice de eficiencia de Nash- Sutcliffe(R2), cuya
expresión matemática se describe a continuación:
 2
 
N ^
  tQ  Q t ( ) 
R 2  1  t 1 N  (8)
 Qt  Q  
2

t 1

Donde: Ө es el vector de parámetros del modelo; Qt esla serie del caudal observado; :
corresponde a la serie de caudal modelado y es el caudal medio observado.
Este coeficiente varía en un rango entre  y 1, donde el valor de uno (1) corresponde a un
excelente ajuste entre los datos observados y los modelados, mientras que valores negativos indican
que la media es un mejor modelo que el analizado.
Una vez estimados los parámetros de los modelos, se procedeefectuar un análisis de sensibilidad de
los resultados obtenidos, con el propósito de evaluar la sensibilidad de cada uno de los parámetros
estimados, así como el grado de incertidumbre en los resultados, asociada con los parámetros
identificados. Para cumplir este propósito se empleó la herramienta Monte Carlo AnalysisToolbox
(MCAT. Lees &Wagener, 2000).
Por último, se realiza el proceso de validación, en el que severifica el ajuste de los modelos
calibrados, con datos que no han sido empleados durante la etapa de calibración. Antes de validar
los modelos SISO y MISO implementados, y con el fin de dar un sentido físico a los parámetros
hallados durante la fase de calibración, se busca relacionar los parámetros de cada modelo con
características físicas de la zona de estudio y de los eventos de precipitación; y así, mediante
regresiones, hallar una relación matemática entre éstos. Estas relaciones se usan para validar
eventos de precipitación diferentes a los calibrados, y analizar la bondad del ajuste obtenido entre
los parámetros calibrados y las características de los eventos y de la zona de estudio.

3.1 Zona de estudio

La zona de estudiose encuentra localizada en los predios de la Universidad Nacional de Colombia,

sede Bogotá. Se caracteriza por contar con un área de aproximadamente 0.41 km2, cuyo sistema de
alcantarillado combinado tiene una longitud aproximada de 1.06 km, con colectores en ladrillo y
concreto, cuyos diámetros varían entre 12” y 48”. La pendiente promedio de la red de drenaje es de
aproximadamente 0.0014. Adicionalmente, esta zona se caracteriza por tener un porcentaje de área
permeable de 55%, aproximadamente, y 45% en zonas impermeables (Figura 2).

PG13-PG14

PG11-PG12

P11

P1

Figura 2. Zona de estudio. Se señala la ubicación de los pluviógrafos (PG) 11, 12, 13 y 14, y los pozos de entrada
(P1) y salida (P11) de la red de alcantarillado. Fuente: Jiménez, 2008
Adicionalmente, el área de estudio cuenta con dos (2) pares de estaciones pluviográficas, ubicadas
en las cubiertas de los edificios de Laboratorio de Hidráulica (PG11 y PG12) e Instituto de Genética
(PG13 y PG14). Así mismo, el pozo de entrada (P1) y de salida (P11) de la red de alcantarillado se
encuentran instrumentadas con sensores de nivel, y sondas multiparamétricas, que permiten medir,
en tiempo real, el nivel y diferentes determinantes de calidad del agua. La siguiente Figura 2
muestra la zona de estudio con los sitios de medición instrumentados.

4 CALIBRACIÓN

Debido a que los modelos simplificados están basados en funciones de transferencia (un pulso a la
entrada genera una respuesta a la salida), es necesario usar como serie de salida únicamente el
caudal aportado por la cuenca, sin considerar el caudal base, ni posibles aportes debidos a eventos
ocurridos aguas arriba de la zona de estudio. Para calcular la escorrentía que aporta la zona de
estudio, se realizó un tránsito de crecientes,para los caudales observados entre el pozo de entrada
(P1) yel de salida (P11).Dicho tránsito se realizó aplicando el modelo MDLC
(Multilineardiscretelag-cascademodel, Camacho & Lees, 1999). La hidrógrafa obtenida como
resultado del tránsito realizado es restada de la hidrógrafa observada en el pozo de salida, y el
Evento diciembre 08/2007
resultado de esta operación es empleado como serie de 1.5 salida de escorrentía para la calibración del
PRECIPITACIÓN LAB. HIDRÁULICA
Precipitación (mm)
modelo. De esta forma, se garantiza que el caudal modelado es el generado únicamente
PRECIPITACIÓN GENÉTICA por
1
escorrentía en la zona de estudio, como resultado del evento de precipitación analizado.
Como muestra de los resultados y de los análisis realizados,
0.5 se describe en detalle la calibración
realizada, para el evento del ocho (8) de octubre de 2007. Las series de precipitación y de caudal
usadas durante la calibración, para este evento, se presentanen
0
0 laFigura
50 3.
100 150 200 250
Minutos
Evento diciembre 08/2007
1.5 2
PRECIPITACIÓN LAB. HIDRÁULICA CAUDAL NETO
Precipitación (mm)

Caudal (m3/S)

PRECIPITACIÓN GENÉTICA 1.5

1
1
0.5
0.5

0 0
0 50 100 150 200 250 0 50 100 150 200 250
Minutos Minutos
2 Figura 3. Series de precipitación y caudal de escorrentía, evento 8 diciembre 2007
CAUDAL NETO
Caudal (m3/S)

1.5
De 1las series de precipitación se evidencia la variabilidad espacio-temporal de la lluvia, entre las
estaciones pluviográficas del Laboratorio de Hidráulica (PG11) e Instituto de Genética (PG13), la
0.5
cual es coherente con Rodríguez etal. (2008) y Jiménez (2008).
0
0 50 100 150 200 250
 Calibración modelo
Minutos
SISO.
La Figura 4, presenta los resultados obtenidos para la calibración de los modelos SISO, usando
como series de entrada individual los datos de precipitación registrados en el Laboratorio de
Hidráulica (PG11) y los registrados en el edificio del Instituto de Genética (PG13). Se puede
observar en general, una dificultad para modelar la curva de recesión de la hidrógrafa. De igual
forma se aprecia que la magnitud delYIC,obtenidos de la calibración de los eventos descritos
anteriormente, muestran una alta eficiencia paramétrica, debido a que su magnitud, para ambos
casos, es menor a -10, evidenciando que el modelo SISO no presenta problemas de sobre-
parametrización.
 SISO__PG11__OCT_08 SISO__PG13__OCT_08
0.7 0.7
Caudal observado Caudal observado
0.6 Caudal simulado 0.6 Caudal simulado
Error Error
0.5
0.5
a = -0.936 0.4 a = -0.934
0.4 b = 0.1080 b = 0.0791
Caudal [m3/s]

Caudal [m3/s]
δ = 10 0.3 δ = 12
R2 = 0.978
0.3 R2 = 0.943
YIC = -11.743 0.2
YIC = -10.134
0.2
0.1

0.1
0
12:08
0 -0.1
12:08
-0.1 -0.2
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Tiempo [min] Tiempo [min]

Figura 4. Calibración modelo SISO, evento 8 de octubre de 2007. Derecha: Con el PG11. Izquierda: con el PG13

De igual formase observa en la Figura 4, quepara el PG11, tanto el caudal como el tiempo al pico,
son modelados con gran precisión, con errores inferiores a 0.1m3/s. En lo referente al PG13, se
presenta un buen ajuste entre la serie modelada y la observada (con un valor de R2 = 0.943), con
ligera diferencia en la estimación del caudal pico.
A partir de los resultados observados, se puede concluir que el modelo SISO, es un modelo que
reproduce de manera acertada la respuesta de la cuenca, sin problemas de sobre-parametrización, no
obstante las posibles limitaciones que puede tener debido a que no considera la variabilidad
espacio-temporal de la precipitación.

 Modelo MISO.
Una muestra de los resultados obtenidos durante la calibración de los modelos MISO, para elevento
ejemplificado, son presentados en laFigura 5.

MISO__OCT_08
0.7
Caudal observado
0.6 Caudal simulado
Error

0.5
a = -0.9894
b0 = -0.0742
0.4 b1 =-0.0338
Caudal [m3/s]

δ1 = 8
0.3 δ2 = 30
R2 = 0.981
0.2 YIC = -10.287

0.1

0
04:09
-0.1
0 50 100 150 200 250 300
Tiempo [min]

Figura 5. CalibraciónModelo MISO. Evento 8 de octubre de 2007.

De acuerdo con la Figura 5, se aprecia en general, un excelente ajuste de los modelos calibrados,
que se hace más evidente en la curva de recesión de la hidrógrafa modelada, en contraste con la
calibración de los modelos SISO, siendo concordantes con Jiménez etal. (2008). Para el evento del
8 de octubre,la curva de recesión en este caso es modelada con gran precisión, pero el caudal pico
es levemente subestimado. En general, el ajuste es bastante bueno con un coeficiente de Nashde
0.98.
4.1 Análisis de sensibilidad

Una vez estimados los parámetros de los modelos simplificados, se procede a efectuar el análisis de
sensibilidad e incertidumbre de los resultados obtenidos.Lo anterior, con el objetivo de
determinarcuáles parámetros gobiernan el comportamiento del modelo, validar su estructura y
estudiar posibles problemas de sobre-parametrización, e interacción paramétrica.
Del análisis de sensibilidad realizado para el modelo SISO (ver Figura 6), se concluye que el
parámetrob, para este evento, es el más identificable en el comportamiento del modelo, y de su
correcta estimación depende en buena forma la adecuada calibración del mismo.
En cuanto al análisis de la incertidumbre, en la Figura 7 se presentan las bandas de confianza (5%-
95%).1 Se observa que la mayoría de los datos registrados
1
se encuentran dentro de los límites de la
banda.0.8 Los errores se presentan principalmente en
0.8 la curva de recesión, probablemente debido a que
el PG11 no considera los aportes de la parte baja de la cuenca. Se aprecia un ancho de banda
0.6
considerableen el caudal pico, hecho que indica0.6 que la incertidumbre en este puntode la hidrógrafa
es la 0.4mayor. 0.4

0.2 1 0.21

0.8 0.8
-0.945 -0.94 -0.935 -0.93 -0.925 0.1 0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18
a b
0.6 0.6

1 0.4 0.4

H
0.2 0.2
0.8

0.6 -0.945 -0.94 -0.935 -0.93 -0.925 0.1 0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18

1-R2
a b

0.4
1
0.2 H
0.8 L

6 7
0.6 8 9 10 11 12 13 14 15

1-R2
delta
0.4

0.2
L

6 7 8 9 10 11 12 13 14 15
delta
Figura 6. Análisis de sensibilidad paramétrica, modelo SISO (PG 11). Evento octubre 08 de 2007.

Model output and associated confidence limits (UCI=0.95, LCI=0.05)

1.4

1.2

0.8 Observed
/s)

Confidence Limits
Output
3
Caudal (m

0.6

0.4

0.2

0
1
dCFL

0.5

0
50 100 150 200 250
Tiempo (min)
Time [samples]

Figura 7. Bandas de confianza, modelo SISO (PG 11). Evento octubre 08 de 2007.
En cuanto al análisis de sensibilidad e incertidumbre, asociado al PG13, se obtuvieron resultados
similares a los obtenidos para el PG11. Así mismo, se realizó un procedimiento similar para el
modelo MISO, cuyos análisis se resumen en la Figura 8 y en la Figura 9.
De acuerdo 1
con la Figura 8, se aprecia 1
una baja identificabilidad 1
de los parámetros (a, b2 y δ2),
generando0.8 una alta incertidumbre paramétrica
0.8 para el modelo0.8 MISO, pues cuenta con cinco
parámetros
0.6 diferentes, de los cuales 0.6 solamentedosson identificables 0.6 (b1 y δ1), para el evento
analizado.
0.4 Dicha incertidumbre dificulta0.4 la validación del modelo,0.4como se discute más adelante.
Así mismo,
0.2 la banda de confianza obtenida
0.2 para el modelo MISO0.2es graficada en la Figura 9, en la
que se observa-0.985
que el modelo
-0.98 -0.975
representa en forma adecuada los caudales
0.04 0.05 0.06 0.07 0.08 0.09
observados, pues todos los
-0.038 -0.036 -0.034 -0.032
datos se encuentran dentro de la banda de confianza. No obstante, hay
a b1 b2 un aumento en la
incertidumbre,
1 comparada con la del modelo1 SISO.
0.8 0.8

1 0.6 1 0.6 1

0.8 0.4 0.8 0.4 0.8

0.6 0.2 0.6 0.2 0.6

0.4 0.4 0.4 H

6 7 8 9 10 26 28 30 32 34
0.2 delta1 0.2 delta2 0.2

-0.985 -0.98 -0.975 0.04 0.05 0.06 0.07 0.08 0.09 -0.038 -0.036 -0.034 -0.032

1-R2
a b1 b2

1 1
0.8 0.8

0.6 0.6
L
0.4 0.4

0.2 0.2

H
6 7 8 9 10 26 28 30 32 34
delta1 delta2
Figura 8.Análisis de sensibilidad paramétrica, modelo MISO. Evento octubre 08 de 2007.

1-R2
Model output and associated confidence limits (UCI=0.95, LCI=0.05)
0.8

0.7

0.6 L

0.5 Observed
Confidence Limits

0.4
Caudal (m /s)
Output

0.3
3

0.2

0.1

-0.1

-0.2
1
dCFL

0.5

0
0 50 100 150 200 250
Tiempo (min)
Time [samples]

Figura 9. Bandas de confianza, modelo MISO. Evento octubre 08 de 2007

4.1.1 Análisis deresultados de calibración y sensibilidad para los 50 eventos analizados

Los resultados de calibración para el modelo SISO, calibrado con el PG11,evidencian que el
parámetro b, en la mayoría de los eventos, presenta una sensibilidad importante; mientras que la
sensibilidad del parámetro a, varía de acuerdo al evento. Los gráficos de sensibilidad, y de
precipitación total para cada evento, permiten deducir que el parámetro b se hace mucho
mássensible, cuando la magnitud de la precipitación es considerable. Como se observa en la
Ecuación (1), el parámetro b está asociado a la transformación de las series de precipitación en
caudales; si la precipitación es pequeña, predomina la dependencia de la serie de caudal rezagada (y
el parámetro a presenta una alta sensibilidad), pero si la magnitud del evento es representativa, el
parámetro b esmás sensible. En muchas ocasiones, los parámetros a y b son sensibles, hecho que se
percibe cuando ocurren eventos de mediana magnitud. En cuanto al parámetro δ, se aprecia
sensibilidad en la mayoría de los modelos SISO.
En lo que respecta al modelo MISO, se observa que la sensibilidad de los parámetros depende del
sitio en el que se haya presentado mayor precipitación. Cabe anotar que si no hay variación espacial
importante en el evento, el parámetro a se convierteen el más sensible, y hay una interacción
paramétrica asociada con los registrosde los dos pluviógrafosinvolucrados en el análisis.

5 VALIDACIÓN

Para cada evento estudiadoen la calibración del modelo, se calcularon las características
determinantes de la precipitación. Así mismo, se hallaron características propias de la cuenca y del
sistema de drenaje de la misma, con el fin de intentar establecer relaciones entre dichas
características, y los parámetros calibrados. La Tabla 1 presenta las características más
importantesque, bajo ciertas hipótesis objetivas, explicarían de la mejor forma el comportamiento
de los parámetros calibrados de los modelos implementados.
Siguiendo la metodología descrita por Luna (2002) (aplicada a los registros de la cuenca del Virrey;
Camacho et al, 2002), se procedió a realizar y comprobar estas hipótesis, para relacionar los
parámetros calibrados con las características mencionadas, para lo cual se construyeron parámetros
adimensionales, mediante la aplicación del teorema de Buckingham (descrito en Streeter&Wylie,
1987).

Tabla 1. Características de los eventos de precipitación y de la zona de estudio

Características Símbolo Unidades
Precipitación total (mm). PT [L]
Características de los Intensidad inicial en los primeros 15 minutos (mm/h). Iini15 [L T-1]
eventos de precipitación Duración evento (min). D [T]
Tiempo seco antecedente (min). ts [T]
Características de la Longitud desde el pozo más cercano al pluviógrafo hasta el punto
L [L]
zona de estudio de registro (m).

Con los parámetros hallados mediante el teorema mencionado, se establecieron regresiones, con
ayuda del software estadístico DATAFIT, versión 9.0.59 (© 1995-2008,OakdaleEngineering), el
cual permite efectuar regresiones tanto lineales como no lineales, y analizar los mejores ajustes
gráfica y analíticamente. A continuación se describen las hipótesis planteadasen el estudio, y los
ajustes obtenidos para cada parámetro.

5.1 Hipótesis para el modelo SISO.

Los parámetros del modelo SISO se pueden relacionar con los del modelo ADZ (aplicados al
proceso lluvia-escorrentía), de acuerdo con las ecuaciones (4) a (6). Como se aprecia en dichas
ecuaciones, TR,τ y SSG están en función de los parámetros calibrados del modelo SISO, siendo
posible buscar relaciones directas entre las características de los eventos y estos parámetros.

 Hipótesis parámetro τ
La hipótesis adoptada se basa en suponer que el parámetro de retraso está en función de ts,Iini15y de
L. Si la zona de estudio se encuentra húmeda por un evento antecedente reciente, la tasa de
infiltración será menor, y por tanto el tiempo que se requiere para compensar las pérdidas será bajo;
esto indica que, bajo estas condiciones, la cuenca responde más rápidamente al evento de
precipitación. Por otra parte,Iini15 es fundamental para la explicación del proceso, debido a que si
ésta es mayor que la capacidad de infiltración del suelo en este lapso de tiempo, se producirá
encharcamiento y el agua podrá escurrir más rápidamente, permitiendo que la zona de estudio
responda en un tiempo menor al evento de precipitación. Es necesario incluir una variable de
longitud, para poder realizar un análisis dimensional entre las variables mencionadas.
Se presentan los parámetros adimensionales hallados, usandoIini15 y t, como variables repetitivas.

 L
1  2 
ts I ini15  ts

Posteriormente, se busca una ecuación que relacione, de manera acertada, estos parámetros
adimensionales, a través del software DATAFIT. El mejor ajuste se seleccionó con base en el valor
de R2 más cercano a la unidad. La ecuación que más se ajustó a la nube de puntos de los 50 eventos
analizados es de tipo potencial, cuyas expresiones para PG11 y PG13, se presentan en lasecuaciones
(9) y (10), respectivamente.

1  0.0793  20.6627 (9)

1  0.0885  20.6721 (10)

La magnitud de los coeficientes de determinación, R2, para estos dos modelos, corresponde a 0.738
(PG11) y 0.643 (PG13) lo que indica un ajuste aceptable entre los datos observados y la regresión
correspondiente.

 Hipótesis parámetro TR
Se supone que este parámetrodepende de las mismas características del tiempo de arribo (por estar
en función de éste, como se observa en laEcuación(7)), y de las características del tiempo de viaje.
En lo referente a este último, se asume que está en función de la duración del eventoD, debido a que
una mayor duración aumenta el tiempo al centroide del evento y viceversa; y por supuesto también
de la magnitud de la precipitación. Siguiendo el procedimiento adoptado para el parámetro τ, se
construyen tres parámetros adimensionales, seleccionando como variables repetitivas L y t,cuyos
resultados se describen a continuación.

TR PT I t D
1  2   3  ini15 s 4 
ts L L ts

Se obtuvo una expresión exponencial para los dos pluviógrafos, cuya expresión se reporta a
continuación:

1  e( a2 b3 c4 d ) (11)

La magnitud de los coeficientes de determinación, para estos dos modelos, es de 0.846 y 0.808, para
los PG11 y PG13, respectivamente, que indican un buen ajuste entre las agrupaciones
adimensionales, relacionando de forma adecuada los parámetros con las características
mencionadas.

 Hipótesis parámetro SSG

Para explicar el SSG, se han seleccionado, como características de los eventos y de la zona de
estudio los parámetrosPT, D, tsy L. De igual forma, la condición de humedad antecedente se tiene en
cuenta, debido a que eventos anteriores generan que el suelo se encuentre más cercano a su grado de
saturación, facilitando la escorrentía superficial; un evento antecedente en un lapso de tiempo muy
corto, generará unas pérdidas iniciales menores, y por tanto un coeficiente de escorrentía
mayor.Con base en lo anterior, se obtienen las siguientes agrupaciones adimensionales,
considerando aPT y ts como variables repetitivas.
D
2 
L 3 
1  SSG P ts

Se obtuvieron coeficientes de correlación de 0.672 y 0.648 para PG11 y PG13 respectivamente; que
reflejan una relación aceptable entre los parámetros adimensionales. El mejor ajuste se logró, para
PG11 con la Ecuación (12), y para PG13 con la Ecuación (13).

b c d e f g
1  a   2 3 4 5  h  32  i  33  j  34  k  35 (12)
 2  2  2  2  2 3
Π1  a  b  ln  Π 2   c  ln  Π 2   d  ln  Π 2   e  ln  Π 2   f  ln  Π 2 
2 3 4 5

(13)
g  ln  Π3   h  ln  Π3   i  ln  Π3   j  ln  Π3 
2 3 4

5.2 Hipótesis para el modelo MISO

La incertidumbre asociada al modelo MISO es mayor que la de los modelos SISO, posiblemente
debido a problemas de interacción paramétrica. Lo anterior se ve reflejado en los coeficientes de
determinación obtenidosenlas regresiones realizadas, entre las características de la precipitación y
de la zona de estudio, y los parámetros de los modelos MISO (a, b1, b2, δ2 yδ2). La baja
identificabilidad de la mayoría de los parámetros, es corroborada con los pobres ajustes obtenidos
en las regresiones realizadas, para la mayoría de las hipótesis adoptadas. A continuación se
describen y se analizan los resultados hallados, para los mejores ajustes obtenidos, manteniendo las
mismas hipótesis usadas en los modelos SISO, para cada pluviógrafo.

 Hipótesis parámetro a
Las agrupaciones obtenidas para este parámetro, corresponden a las siguientes expresiones:

La expresión que presenta el mayor ajuste, con un R2 de 0.64 es:

Π1  a  b  Π2  c  Π22  d  Π23  e  Π24  f  Π25  g  Π3  h  Π32  i  Π33  j  Π34  k  Π35 (14)

 Hipótesis parámetros b1 y b2
Los parámetros adimensionales obtenidos, se describen a continuación:

Las ecuaciones (15) y (16) presentan las expresiones que arrojaron los mejores ajustes, con un R2 de
0.50 y 0.48, para b1 y b2, respectivamente.

Π1  a  b  ln(Π 2 )  c  ln(Π3 )  d  ln(Π 2 ) 2  e  ln(Π3 ) 2  f  ln(Π 2 )  ln(Π 3 )  g  ln(Π 2 ) 3

(15)
 h  ln(Π3 )3  i  ln(Π 2 )  ln(Π3 ) 2  j  ln(Π 2 ) 2  ln(Π 3 )
 b d ln( 3 ) g ln( 3 ) 2
1  a   c  ln( 3 )  2  e  ln( 3 ) 2  f   3  h  ln( 3 )3  i 
2 2 2 2 2
(16)
j  ln( 3 )

 22

 Hipótesis parámetros δ1 y δ2
Los parámetros adimensionales obtenidos, se describen a continuación:

La Ecuación (17), con un R2de 0.84 para δ1, y de0.59 para δ2, presentó el mejor ajuste.

1  a   2b (17)

5.3 Validación de modelos.

Se presenta la validación para el evento del 13 de abril de 2008, como muestra de los resultados de
50 eventos validados. Las principales características de la precipitación, para el evento de interés,se
registran en la Tabla 2. Estas características,sumadas a las de la zona de estudio (Tabla 1),fueron
empleadas para la estimación de los parámetros de los modelos SISO yMISO, a partir de las
expresiones halladas en las diferentes regresiones.

Tabla 2. Caracterización del evento ocurrido en abril 13 de 2008(PG 11 y PG13)

PG11 PG13
Evento 13/04/2008 13/04/2008
Tiempo seco antecedente (min) 168 167
Ptotal (mm) 3.4 5.4
Duración (min) 78 72
Intensidad máxima en 15min (mm/h) 5.5 9.8
Intensidad máxima en 20min (mm/h) 5.5 9.4
Intensidad máxima en 30min (mm/h) 4.8 8.2
Intensidad promedio (mm/h) 2.6 4.5
I15min iniciales (mm/h) 1.3 3.0

5.3.1 Validación modelo SISO.

Aplicando las Ecuaciones (9), (11) y (12), se obtuvieron los parámetros para la validación del
caudal observado a partir delas series de precipitación registradas en los Pluviógrafos PG11 y
PG13, de acuerdo con lo reportado en laTabla 3. Así mismo, en la Figura 10se presentan los
resultados obtenidos en la validación, de acuerdo con los parámetros estimados.

Tabla 3.Parámetros obtenidos, validación los modelos SISO para el evento 13 de abril de 2008
Parámetros a b Δ
PG11 -0.9708 0.0414 30
PG13 -0.9619 0.06525 16

De acuerdo con la validación realizada para el evento del 13 de abril de 2008, mediante registros del
PG11, se observa que el modelo reproduce de manera aceptable los caudales observados,
obteniendo un valor aproximado de R2=0.67. Existen algunas limitaciones en la modelación del
caudal pico, el cual es subestimado. De igual forma se evidencia un desfase entre el tiempo al pico
modelado y el observado, lo que refleja problemas en la estimación del tiempo de retraso. A su vez,
la curva de recesión de la hidrógrafa vuelve a presentar errores (como se observó en la etapa de
 calibración);sin embargo, el ajuste obtenido durante la validación es aceptable, y se obtiene una
estimación de la hidrógrafa relativamente acertada.
En lo referente al ajuste obtenido para el PG13 (Figura 10-Derecha), refleja una simulación poco
satisfactoria, y una importante sobreestimación de la hidrógrafa modelada.

Evento abril 13/2008. PG11. R2= 0.67282 Evento abril 13/2008. PG13. R2= -0.091446
0.12 0.2
modelado modelado
observado 0.18 observado
0.1
0.16

0.14
0.08
(m) /s)

(m3/s)
0.12
3

Nivel (m)
Nivel (m

0.06 0.1
Caudal

Caudal
0.08

0.04 0.06

0.04
0.02
0.02

0
0 0 50 100 150 200 250
0 50 100 150 200 250
Tiempo
Tiempo (s)
(min)
Tiempo (s)
Tiempo (min)
Figura 10. Validación modelo SISO Evento abril 13 de 2008. Derecha: PG11. Izquierda: PG13

5.3.2 Validación modelo MISO

Al aplicar las relaciones determinadas a través de las regresiones del modelo MISO, para el evento
ejemplificado, se obtienen los parámetros mostrados en la Tabla 4:

Tabla 4. Parámetros obtenidos, validación modelo MISO. Evento abril 13 de 2008.

a b1 b2 δ1 δ2
13/04/2008 14:14 -0.9876 0.0411 -0.0124 52 28

Evento abril 13/2008. PG11. R2= -1.1234

0.12
modelado
observado
0.1

0.08

0.06
Nivel (m)

0.04

0.02

-0.02
0 50 100 150 200 250
Tiempo (s)

Figura 11. Validación modelo MISO. Evento abril 13 de 2008.

De acuerdo con la Figura 11, se evidencia que los resultados de las validaciones para los modelos
MISO, para este caso, no son satisfactorios. Los problemas de identificabilidad e interacción de los
parámetros del modelo, que ya han sido descritos anteriormente, llevan a que las simulaciones no
sean muy acertadas. Los valores negativos de coeficiente de determinación, para el evento ocurrido
el 13 de abril, demuestran un resultado poco satisfactorio. Esto se debe a que, los parámetros
hallados para la validación del modelo no son los mejores.

5.3.3 Análisis de validación para los 50 eventos analizados

Los resultados de las validaciones efectuadas para 50 eventos analizados, reflejan buenos ajustes en
la validación del modelo SISO para el PG11, donde los parámetros del modelo son explicados
aceptablemente por las características físicas del evento. No obstante, este buen ajuste se presenta
cuando el campo de precipitación es uniforme en tiempo y espacio. En caso contrario es necesario
incluir los datos del otro pluviógrafo, a través de un análisis tipo MISO.
La incorporación del PG13, para representar la variabilidad espacial y temporal no resultó
adecuada. Los resultados evidencian que el volumen de precipitación incluido por este pluviógrafo,
no es representativo del volumen de escorrentía de la zona de estudio. Esto demuestra que, aunque
las regresiones obtenidas para los modelos que involucran este pluviógrafo sean aceptables
estadísticamente, no se puede dar una interpretación física adecuada a los parámetros asociados a
éste.
Las validaciones del modelo MISO, no son satisfactorias, debido a que no fue posible dar una
interpretación física a los parámetros, por la interacción paramétrica y por la utilización de datos de
entrada de los pluviógrafos ubicados en el Instituto de Genética (PG13), que de acuerdo con lo
mencionado, aparentemente no son representativos para la zona de estudio.

6 CONCLUSIONES

La metodología de calibración SRIV, aplicada en el presente documento, ha demostrado tener una

gran eficiencia, empleando pocos recursos computacionales, y arrojando modelos muy acertados.
La aplicación de dicha metodología, acompañada de un riguroso análisis de sensibilidad de los
modelos calibrados, permite desarrollar con alta precisión modelos parsimoniosos, que se ajustan
muy bien a los registros observados. Esto confirma, una vez más, la gran utilidad de éstos modelos
como herramientas en sistemas de alerta y como determinantes en la operación de estructuras de
control.
Las magnitudes de los coeficientes de determinación de Nash y del criterio de Young (YIC),
indican el gran ajuste y la parsimonia de los parámetros asociados al modelo SISO con el PG11.
Esto indica que los datos de este pluviógrafo, son en términos generales adecuadospara representar
de forma satisfactoria la respuesta hidrológica de la zona de estudio. No obstante, los resultados
reportados en el capítulo de validación, muestran que esta condición es válida, únicamente si hay
una uniformidad en el campo de precipitación. Cuando sucede lo contrario, se requiere de las series
de precipitación de otro pluviógrafo en la zona, para tener en cuenta la variabilidad espacio-
temporal del campo de precipitación.
La suposición de que la variabilidad espacial y temporal podría ser representada con la
incorporación del pluviógrafo PG13 no resulta del todo adecuada; debido a que los resultados
arrojados demuestran que el volumen de precipitación, asociado a los datos de este pluviógrafo, no
es comparable al volumen de escorrentía medido.
Los resultados obtenidos, ratifican que la precipitación en la zona de estudio presenta una gran
variabilidad espacial y temporal. Lo anterior, de alguna forma cuestiona la aplicación de la
metodología del método racional, usado para el diseño de alcantarillados, para áreas menores a 700
ha (RAS-2000-D), puesdicho método asume que la precipitación es constante en espacio y en
tiempo.
 7 BIBLIOGRAFÍA

 Beer & Young. (1983). Longitudinal Dispersion in natural streams. Journal of

Environmental Engineering, Vol 109 No. 5; pp1049-1067.
 Camacho, L. Díaz-Granados, M. (2003). Modelación hidrológica y ambiental de una
subcuenca de la ciudad de Bogotá. Seminario Internacional La Hidroinformática en la
Gestión Integrada de los Recursos Hídricos.
 Camacho, L. Lees, M. (1999). Discrete multilinear-lag for channel routing. Journal of
Hydrology, 30-47.
 Camacho, L; Díaz-Granados, M; Giraldo, E; Saénz, J; Herrera, M. (2002). Instrumentación
y análisis ambiental de una cuenca urbana en Bogotá: Implementación de modelos
simplificados lluvia-escorrentía. XV Nacional de Hidráulica e Hidrología.
 Jiménez, A; Rodríguez, E; Camacho L. (2008). Instrumentación y análisis de la variación
espacial y temporal de la precipitación en la respuesta de una cuenca urbana. Caso de
estudio: Campus Universidad Nacional de Colombia, sede Bogotá. XVIII Seminario
Nacional de Hidráulica e Hidrología.
 Lees, M; Wagener. (2000). Monte-Carlo user manual. London, UK: Civil and
Environmental Engineering Department.
 Luna, A. (2002). Desarrollo e implementación de un modelo simplificado lluvia-escorrentía
en. Bogotá: Uniandes [Tesis para optar el títuo de Ingeniero Civil].
 Ministerio de desarrollo económico, dirección de agua potable y saneamiento básico.
(2000). Reglamento técnico del sector de agua potable y saneamiento básico RAS 2000.
Bogotá D.C.
 Rodríguez, E; Camacho, L; Villarreal, J; Jiménez, A; Santos, C; Duarte, M. (2007). Análisis
de la variabilidad espacio-temporal de la precipitación en una microcuenca urbana. Revista
Colombiana de Geografía No 17, PP 139-153.
 Streeter, V; Wylie, B. (1987). Capítulo 4: Análisis dimensional y similitud dinámica. En
Mecánica de los Fluídos (págs. 162-187). Mc Graw Hill.
 Young, P. (1992). Parallel processes in hydrology and water quality: a unified time-series
approach.
 Young, P; Jakeman, A; Post, D. (1996). Simplicity out of complexity in environmental
modelling: Ocam´s Razor revisted. Journal of applied statistics, Vol 23 No. 223. PP 165-
210.

View publication stats