Palabras clave
Resumen
Este artículo presenta la caracterización del impacto en la modelación de inundaciones generado por la cobertura espacial y frecuencia de muestreo de precipitación, en contraste con la distribución de la red pluviométrica de estaciones de Cundinamarca. En general, las redes pluviométricas se caracterizan por tener vacíos en la medición de la precipitación, tanto a nivel espacial como temporal; por lo tanto, se quiso determinar el impacto que estos vacíos ocasionan en la simulación de inundaciones. Para esto se ejecutaron dos fases de investigación: la primera consistió en la identificación de los eventos de inundación entre los años 2014 y 2018 y la segunda en determinar el impacto de la cobertura espacial y temporal de las estimaciones de precipitación en la simulación de inundaciones, junto con los factores espaciales y temporales que influencian dicho impacto. De esta manera, el principal resultado fue que, al utilizar estimaciones de precipitación a una menor frecuencia de medición temporal y una menor cobertura espacial de medición, las simulaciones de caudales de eventos de inundaciones tienden a exhibir mayores errores. La magnitud de estos errores puede verse influenciada por factores espaciales como el área de drenaje, forma del área de drenaje, pendiente media del cauce y la precipitación climatológica de la zona.
Citas
Arnold, C. P., & Dey, C. H. (1986). Observing-Systems Simulation Experiments: Past, Present, and Future. Bulletin of the American Meteorological Society, 67(6), 687-695. https://doi.org/10.1175/15 20-0477(1986)067<0687:OSSEPP>2.0.CO;2
Bedient, P. B., Huber, W. C., & Vieux, B. E. (2013). Hydrology and floodplain analysis (5th ed). Pearson.
Cabrera, J. (2017). Calibración de modelos hidrológicos. Universidad Nacional de ingeniería civil. http://www.imefen.uni.edu.pe/Temas_interes/ modhidro_2.pdf
Caicedo, E. F., y López, J. A. (2017). Una aproximación práctica a las redes neuronales. Programa Editorial Universidad del Valle. http://revistas. univalle.edu.co/omp/index.php/programaeditorial/ catalog/view/64/28/298-1
Caicedo, F. M. (2008). Asimilación de precipitación estimada por imágenes de satélite en modelos hidrológicos aglutinados y distribuidos, caso de estudio afluencias al embalse de Betania (Huila, Colombia). http://repository.javeriana.edu.co/ handle/10554/3807
Clark, R. A., Flamig, Z. L., Vergara, H., Hong, Y., Gourley, J. J., Mandl, D. J., Frye, S., Handy, M., & Patterson, M. (2016). Hydrological Modeling and Capacity Building in the Republic of Namibia. Bulletin of the American Meteorological Society, 98(8), 1697-1715. https://doi.org/10.1175/BAMS-D- 15-00130.1
Estupiñan, R. (2016). Estudio de la variabilidad espacio temporal de la precipitación en Colombia [Tesis de maestría, Universidad Nacionales]. http:// bdigital.unal.edu.co/54014/1/1110490004.2016.pdf
GDAL/OGR contributors, (2020). GDAL/OGR Geospatial Data Abstraction software Library. Open Source Geospatial Foundation. [Librería de software] Recuperado de: https://gdal.org
Gobernación de Cundinamarca. (2014). Estadísticas de Cundinamarca 2011—2013. Panamericana
Gómez, L. C., Muñoz, M. N., y Soto, L. F. (2018). Sistema de Alerta Temprana Ambiental y Efectos en Salud – SATAES: una herramienta para la acción. Informe Quincenal Epidemiológico Nacional, 23(2), 24.
González, J. P., y Jurado, M. C. (2014). Evaluación de la utilidad de estimaciones satelitales de precipitación para la modelación de inundaciones en sistemas de la alerta temprana de cuencas de relieve complejo: Caso de estudio en la cuenca del río Bogotá [Tesis de pregrado]. Universidad El Bosque.
Hernández, J. L., Delgado, M. C., y Espadas, C. (2011). Capitulo 24 Métodos de Interpolación espacial y geoestadística. En Técnicas de muestreo para manejadores de recursos naturales (segunda, pp. 705-734). Universidad Nacional Autónoma de México. https://www.researchgate.net/profile/ Ileana_Ortegon-A znar/publication/323202595_ Ortegon-A znar_I_L_Collado-Vides_G_Montej a n o _ Z u r i t a _ e _ I _ S a n c h e z - M o l i n a - _ 2 0 1 1 _ A l g a s _ c a p _ 1 1 _ 2 9 3 - 3 3 0 _ p p _ e n _ B a u t i s t a - Z u n i g a _ F _ 2 0 1 1 Te c n i c a s _ d e _ M u e s t r e o _ para_manejadores_de_recursos_naturales/ links/5a85e04c0f7e9b1a9548647b/Ortegon-Aznar- I-L-Collado-Vides-G-Montejano-Zurita-e-I-Sanchez- Molina-2011-Algas-cap-11-293-330-pp-en-Bautista- Zuniga-F-2011Tecnicas-de-Muestreo-para-manejadores- de-recursos-naturales.pdf#page=723
Hijmans, R., Cameron, S., Parra, J., Jones, P., & Jarvis, A. (2005). Very high resolution interpolated climate surfaces of global land areas. International Journal of Climatology, 25, 1965-1978. https://doi. org/10.1002/joc.1276
Huffman, G.J., E.F. Stocker, D.T. Bolvin, E.J. Nelkin, Jackson Tan. (2019). GPM IMERG Final Precipitation L3 Half Hourly 0.1 degree x 0.1 degree V06, Greenbelt, MD, Goddard Earth Sciences Data and Information Services Center (GES DISC) [Conjunto de datos de precipitación]. Recuperado de 10.5067/ GPM/IMERG/3B-HH/06
Hurtado, A. F., & Mesa, Ó. J. (2014). Reanalysis of monthly precipitation fields in Colombian territory. DYNA, 81(186), 251-258. https://doi.org/10.15446/ dyna.v81n186.40419
Instituto de Hidrología, Meteorología y Estudios Ambientales y Unidad Nacional para la Gestión del Riesgo de Desastres. (2018). Integración de la red pública y privada de estaciones hidrometereológicas. https://repositorio.gestiondelriesgo.gov.co/ bitstream/handle/20.500.11762/27295/Protocolo_ integraci%C3%B3n_redp%C3%BAblica_ privada. pdf?sequence=4&isAllowed=y
Instituto Geográfico Agustín Codazzi. (2007). Atlas de Cundinamarca. Imprenta Nacional de Colombia.
Instituto Geográfico Agustín Codazzi. (2016). 2,5% del país es “blanco fácil” para las inundaciones. https://igac.gov.co/noticias/25-delpais- es-blanco-facil-para-las-inundaciones
Instituto de Hidrología, Meteorología y Estudios Ambientales. (2019). Catalogo Nacional de Estaciones. https://www.datos.gov.co/ Ambiente-y-Desarrollo-Sostenible/Cat-logo- Nacional-de-Estaciones-del-IDEAM/hp9r-jxuu
International Research Institute for Climate and Society. (2015). Factibilidad del uso de bases de datos climáticos para seguros de índice en América Latina (pp. 3-8). IRI, Earth Institute, Columbia University. https://iri.columbia.edu/wp-content/ uploads/2016/10/Latam_data_feas_es.pdf
Lahura. (2003). El coeficiente de correlación y correlaciones espúreas. http://recursos.salonesvirtuales. com/assets/bloques/Lahura_Erick.pdf
Londoño, C. H. (2001). Cuencas hidrográficas: Bases conceptuales-caracterización-planificaciónadministración. Universidad del Tolima. http:// www.inea.rj.gov.br/cs/groups/public/documents/ document/zwff/mdez/~edisp/inea_013115.pdf [23] López, V. L., Rojas, M. A., y Pérez, K. G. (2019). Propuesta para el mejoramiento de la red agrome18 ¦
Publicaciones e Investigación, 1(0). https://doi. org/10.22490/25394088.3266 [24] Lux, B. (2016). Conceptos básicos de Morfometría de Cuencas Hidrográficas. Universidad de San Carlos de Guatemala. http://biblioteca.ingenieria.usac.edu.gt/
Ly, S., Charles, C., & Degré, A. (2013). Different methods for spatial interpolation of rainfall data for operational hydrology and hydrological modeling at watershed scale: A review. BASE, 3-12.
Masutani, M., Schlatter, T. W., Errico, R. M., Stoffelen, A., Andersson, E., Lahoz, W., Woollen, J. S., Emmitt, G. D., Riishøjgaard, L.-P., & Lord, S. J. (2010). Observing System Simulation Experiments. En Data Assimilation: Making Sense of Observations (pp. 647-679). Springer Berlin Heidelberg. https:// doi.org/10.1007/978-3-540-74703-1_24
Mei, Y., Nikolopoulos, E., Anagnostou, E., & Borga, M. (2015). Evaluating Satellite Precipitation Error Propagation in Runoff Simulations of Mountainous Basins. Journal of Hydrometeorology, 17(5), 1407- 1423. https://doi.org/10.1175/ JHM-D-15-0081.1
Mei, Y., Nikolopoulos, E. I., Anagnostou, E. N., Zoccatelli, D., & Borga, M. (2016). Error Analysis of Satellite Precipitation-Driven Modeling of Flood Events in Complex Alpine Terrain. Remote Sensing, 8(4), 293. https://doi.org/10.3390/rs8040293
Ministerio de Agricultura y Desarrollo Rural. (2006). Desarrollo de la Fruticultura en Cundinamarca. http://www.asohofrucol.com.co/archivos/ biblioteca/biblioteca_106_Plan%20Nal%20frurcundinamarca. pdf
Pardo, R., y Rodríguez, Y. (2014). Clasificación de tormentas tropicales según lluvias asociadas: (2) resultados. Ingeniería Hidráulica y Ambiental, 35(2), 35-51. http://scielo.sld.cu/scielo.php?script=sci_ arttext&pid=S1680-03382014000200003
Pike, R., & Wilson, S. (1971). Elevation-Relief Ratio, Hypsometric Integral, and Geomorphic Area-Altitude Analysis. GSA Bulletin, 82(4), 1079-1084. https://doi. org/10.1130/0016-7606(1971)82[1079:ERHIAG]2.0.CO;2
Quispe, J. C., y Rojas, E. (2015). Diseño del sistema de drenaje pluvial de la comunidad 3 de mayo depucarumi del Distrito de Ascensión—Huancavelica. Universidad Nacional de Huancavelica. http:// repositorio.unh.edu.pe/handle/UNH/268
Ratnayaka, D. D., Brandt, M. J., & Johnson, K. M. (2009). CHAPTER 3—Hydrology and Surface Supplies. En Water Supply (Sixth Edition) (pp. 63-107). Butterworth-Heinemann. https://doi. org/10.1016/B978-0-7506-6843-9.00011-1
Reed, S., Schaake, J., & Zhang, Z. (2007). A distributed hydrologic model and threshold frequency-based method for flash flood forecasting at ungauged locations. Journal of Hydrology, 337(3), 402-420. https://doi.org/10.1016/j.jhydrol.2007.02.015
Reyes, A., Ulises, F., y Carvajal, Y. (2010). Guía básica para la caracterización morfométrica de cuencas hidrográficas. Programa Editorial Universidad del Valle.
Shreve, R. (1974). Variation of mainstream length with basin area in river networks. Water Resources Reasearch. https://agupubs.onlinelibrary.wiley. com/doi/abs/10.1029/WR010i006p01167
Sun, Q., Miao, C., Duan, Q., Ashouri, H., Sorooshian, S., & Hsu, K.-L. (2018). A Review of Global Precipitation Data Sets: Data Sources, Estimation, and Intercomparisons. Reviews of Geophysics, 56(1), 79-107. https://doi.org/10.1002/2017RG000574
Tavera, A. C. (2018). Evaluación del impacto de la resolución de modelado en la simulación del evento de inundación de Mocoa en abril de 2017 [Tesis de pregrado]. Universidad El Bosque. [39] Tian, Y., & Peters, C. D. (2010). A global map of uncertainties in satellite-based precipitation measurements. Geophysical Research Letters, 37(24). https://doi.org/10.1029/2010GL046008
Tropical Rainfall Measuring Mission. (2011). TRMM (TMPA) Rainfall Estimate L3 3 hour 0.25 degree x 0.25 degree V7, Greenbelt, MD, Goddard Earth Sciences Data and Information Services Center (GES DISC) [Conjunto de datos de precipitación]. Recuperado de 10.5067/TRMM/TMPA/3H/7
Análisis de sensibilidad de cobertura espacial y resolución temporal de datos de precipitación en la modelación [41] Ureña, J. E., Vallejos, A. G., Saavedra, O. C., y Escalera, A. C. (2018). Evaluación de la precipitación distruida en la cuenca Katari basado en tecnología satelital y productos derivados. Investigación & Desarrollo, 18(1), 35-51.
Vélez, J., y Nieto, P. (2016). Validación de medidas de evaluación para el pronóstico de la tasa de cambio en colombia [Tesis de maestría, Colegio de Estudios Superiores de Administración CESA]. https://repository.cesa.edu.co/ bitstream/handle/10726/1577/MFC00491.pdf?sequenc
Vergara, H. (2015). Characterizing uncertainty of a hydrologic modeling system for operational flood forecasting over the conterminous United Stated [Disertation, University of Oklahoma]. https:// shareok.org/handle/11244/15505
Vieux, B. E. (2004). Distributed hydrologic modeling using GIS (Second, Vol. 48). Kluwer Academic Publishers.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.