Vol. 18 Núm. 4 (2016)
Artículo original

Modelación hidrológica semidistribuida en la región hidrográfica del Titicaca: caso de estudio cuenca del río Ramis, Perú

Efrain Lujano Laura
Servicio Nacional de Meteorología e Hidrología, Perú
esus David Sosa Sarmiento
Servicio Nacional de Meteorología e Hidrología, Perú
Apolinario Lujano Laura
Servicio Nacional de Meteorología e Hidrología, Perú
Rene Lujano Laura
Servicio Nacional de Meteorología e Hidrología, Perú

Publicado 2016-12-20

Palabras clave

  • RS-MINERVE,
  • rio Ramis,,
  • modelo sacramento,
  • modelización semidistribuida

Cómo citar

Lujano Laura, E. ., Sosa Sarmiento, esus D. ., Lujano Laura, A. ., & Lujano Laura, R. . (2016). Modelación hidrológica semidistribuida en la región hidrográfica del Titicaca: caso de estudio cuenca del río Ramis, Perú. Revista De Investigaciones Altoandinas - Journal of High Andean Research, 18(4), 431-438. https://doi.org/10.18271/ria.2016.217

Resumen

La presente investigación se realizó en la cuenca del río Ramis, ubicado en la región hidrográfica del Titicaca, Perú, con el objetivo de calibrar y validar el modelo hidrológico Sacramento (SAC-SMA) desde un enfoque semidistribuido. La información hidrometeorológica utilizada de precipitación pluvial, temperatura y caudal, corresponden a una serie de registro 2005 – 2016. La metodología de interpolación espacial de datos meteorológicos en la estación virtual, fue estimada mediante el procedimiento de Shepard y la evapotranspiración potencial por el modelo de Turc, estas metodologías vienen incorporados en la plataforma RS-MINERVE y son estimaciones automatizadas. La fase de calibración y validación del modelo, se realizó de forma aleatoria con el 70% y 30% del total de datos respectivamente. La evaluación estadística de eficiencia y error fueron medidos a través del coeficiente de Nash, coeficiente de Nash para valores del logaritmo y raíz del error medio cuadrático relativo. Los resultados son satisfactorios y se afirma que las salidas del modelo hidrológico representan adecuadamente los caudales de avenida y estiaje, constituyéndose como una alternativa para el fortalecimiento del pronóstico hidrológico a paso de tiempo diario del rio Ramis.

Referencias

  1. AghaKouchak, A., y Habib, E. (2010). Application of a Conceptual Hydrologic Model in Teaching Hydrologic Processes. International Journal of Engineering Education, 26(4), 963-973.
  2. Anderson, R. M., Koren, V. I. y Reed, S. M. (2006). Using SSURGO data to improve Sacramento Model a priori parameter estimates. Journal of Hydrology, 320, 103–116.
  3. Astorayme, M. A., Garcia, J., Suares, W., Felipe, O., Huggel, C., y Molina, W. (2015) Modelización Hidrológica con un enfoque semidistribuido en la cuenca del rio Chillón, Perú. Revista Peruana Geo-Atmosferica, 4, 109-124.
  4. Ajami, N., Gupta, H., Wagener, T., y Sorooshian, S. (2004). Calibration of a semidistributed hydrologic model for streamflow estimation along a river system. Journal Using SSURGO data to improve Sacramento Model a priori parameter estimates. Journal of Hydrology, 320, 103-116.
  5. Burnash, R. J., Ferral, R., y McGuire, R. A. (1973). A generalized streamflow simulation system – Conceptual modelling for digital computers. US Department of Commerce, National Weather Service and State of California, Department of Water Resources, p 204.
  6. Burnash, R. J. (1995). The NWS River Forecast System - catchment modeling. In: Singh, V. P. (Ed.). Computer Models of Watershed Hydrology, 311-366.
  7. Duan, Q., Sorooshian, S. y Gupta, V. (1992). Effective and Efficient Global Optimization for Conceptual Rainfall-Runoff Models. Water Resources Management, 28(4), 1015-1031.
  8. Feyen, L., Vázquez, R., Christiaens, K., Sels, O., y Feyen, J. (2000). Application of a distributed physically-based hydrological model to a medium size catchment. Hydrology and Earth System Sciences, 4(1), 47-63.
  9. Gan, T, Y., y Burges, S. J. (2006). Assessment of soil-based and calibrated parameters of the Sacramento model and parameter transferability. Journal of Hydrology, 320, 117–131.
  10. García, J., Paredes, J., Foehn, A., y Roquier, B. (2015). RS MINERVE–Technical manual v1.14. RS MINERVE Group, Switzerland.
  11. García, J., Schleiss, A., y Boillat, J. (2011). Decision Support System for the hydropower plants management: the MINERVE project.
  12. Gordon, W., y Wixom, J. (1978). Shepard’s method of “metric interpolation” to bivariate and multivariate interpolation. Math. of Computation, 32(141),253–264.
  13. Jordan, F., García, J, Boillat, J. L., Bieri, M., De Cesare, G., y Schleiss, A. (2012). Prévision des crues sur le Yangtsé –Application du concept MINERVE. Wasser Energie Luft, 104,282-288.
  14. Krause, P., Boyle, D. P. y Bäse, F. (2005). Comparison of different efficiency criteria for hydrological model assessment. Advances in Geosciences, 5, 89-97.
  15. Liu, Y. (2009). Automatic calibration of a rainfall–runoff model using a fast and elitist multi-objective particle swarm algorithm. Expert Systems with Applications, 36, 9533–9538.
  16. Liu, Y., Khu, S. T., y Savic, D. A. (2004). A fast hybrid optimisation method of multi-objective genetic algorithm and k-nearest neighbour classifier for hydrological model calibration. Lecture Notes in Computer Science, 3177, 546–551.
  17. Madsen, H. (2000). Automatic calibration of a conceptual rainfall-runoff model using multiple objectives. Journal of Hydrology, (235), 276-288.
  18. Masmoudi, M. y Habaieb, H. (1993). The performance of some real-time statistical flood forecasting models seen through multicriteria analysis. Water Resources Management, 7(1), 57-67.
  19. McCuen, R.H., Knight, Z. y Cutter, A.G. (2006). Evaluation of the Nash Sutcliffe Efficiency Index. Journal of Hydrologic Engineering, 11, 597-602.
  20. Moriasi, D.N., Arnold, J.G., Van Liew, M. W., Bingner, R.L., Harmel, R.D., y Veith, T.L. (2007). Model evalutation guidelines for systematic quantification of accuracy in watershed simulations. American Society of Agricultural and Biological Engineers, 50(3), 885-900.
  21. Nash, J. E., y Sutcliffe J. V. (1970), River flow forecasting through conceptual models, I, A discussion of principles, Journal of Hydrologiy, 10(3), 282-290.
  22. Nóbrega, M. T., Collischonn, W., Tucci, C.E.M., y Paz, A.R. (2011). Uncertainty in climate change impacts on water resources in the Rio Grande Basin, Brazil. Hydrology and Earth System Sciences, 15, 585–595.
  23. Refsgaard, J., y Knudsen, J. (1996). Operational validation and intercomparison of different types of hydrological models. Water Resources Research, (32), 2189 – 2202.
  24. Ritter, A. y Muñoz-Carpena, R. (2013). Performance evaluation of hydrological models: Statistical significance for reducing subjectivity in goodness-of-fit assessments, Journal of Hydrology, 480, 33-45.
  25. Shepard, D. (1968). A two-dimensional interpolation function for irregularly-spaced data. In Proc. ACM National Conference, 517–524.
  26. Schaefli, B., Hingray, B., Niggli, M., y Musy, A. (2005). A conceptual glacio-hydrological model for high mountainous catchments. Hydrology and Earth System Sciences Discussions, 2, 73-117.
  27. Sorooshian, S., Duan, Q., y Gupta, V.K., (1993). Calibration of rainfall runoff models: application of global optimization to the Sacramento Soil Moisture Accounting model. Water Resour. Res. 29, 1185–1194.
  28. Turc, L. (1955). Le bilan de l'eau des sols. Relations entre les precipitations, l'evaporation et l'ecoulement. Ann. Agro., (6), 5-152.
  29. Yapo P.O., Gupta H.V., y Sorooshian S. (1998). Multi-objective global optimization for hydrologic models. Journal of Hydrology, 181, 23-48