Tesis Balance Hidrico

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA
Gestin de Calidad y Auditora Ambiental
Ciclo Optativo de Especializacin y Profesionalizacin
BALANCE HDRICO FUTURO EN LA CUENCA DEL RIO LURIN

A TRAVS DE LA MODELACIN HIDROLGICA ANTE EL
CAMBIO CLIMTICO
Trabajo de Titulacin para Optar el Ttulo Profesional de:
INGENIERO AMBIENTAL
Alvarez Pealoza, Tatiana Gracia
INGENIERO AGRCOLA
Villaverde Valderrama, Raisa Luca
Lima - Per
2015
I. NDICE
I. NDICE ........................................................................................................................... I
1.1 ndice de tablas ..............................................................................................................
1.2 ndice de figuras ......................................................................................................... III
1.3 ndice de anexos...................................................................................................... VIII
II. RESUMEN ..................................................................................................................... 1
III. INTRODUCCIN ...................................................................................................... 2
IV. REVISIN DE LITERATURA ................................................................................. 4
4.1 Geoestadstica ......................................................................................................... 4
4.1.1 Variograma ...................................................................................................... 4
4.1.2 Interpolacin por el mtodo AURELHY......................................................... 8
4.2 Modelo hidrolgico STREAM ............................................................................. 17
4.2.1 Simulacin, calibracin y validacin del modelo hidrolgico STREAM ..... 19
4.2.2 Indicadores de eficiencia en la modelacin hidrolgica ..................................... 20
4.3 Cambio climtico .................................................................................................. 21
4.3.1 Escenarios de emisin para cambio climtico ............................................... 22
4.3.2 Modelos de circulacin general (GCM) ........................................................ 25
4.3.3 Regionalizacin estadstica de escenarios climticos en el Per ................... 26
4.3.4 Futuro climtico regional para el Per .......................................................... 29
V. MATERIALES Y MTODOS .................................................................................... 31
5.1 Zona de estudio: cuenca Lurn .............................................................................. 31
5.1.1 Aspectos generales ........................................................................................ 31
5.1.2 Caractersticas geomorfolgicas .................................................................... 32
5.1.3 Climatologa .................................................................................................. 33
5.2 Materiales.............................................................................................................. 35
5.3 Metodologa .......................................................................................................... 37
5.3.1 Preparacin del .................................................................................................... 37
modelo de elevacin digital (MED) ............................................................................. 37
I
5.3.2 Preparacion de informacion hidromtrica .......................................................... 38
5.3.3 Interpolacin de la precipitacin y temperatura ............................................ 40
5.3.4 Evapotranspiracin por el mtodo Hargreaves .................................................. 49
5.3.5 Oferta hdrica con el modelo hidrolgico STREAM ......................................... 49
5.3.6 Balance hdrico actual y futuro .......................................................................... 54
VI. RESULTADOS Y DISCUSIN .............................................................................. 55
6.1. Anlisis preliminar ................................................................................................ 55
6.1.1 Precipitacin ........................................................................................................ 55
6.1.2 Temperatura mxima........................................................................................... 68
6.1.3 Temperatura mnima ........................................................................................... 75
6.2. Oferta hdrica con el modelo hidrolgico STREAM ............................................ 81
6.2.1 Simulacin inicial ................................................................................................ 81
6.2.2 Calibracin .......................................................................................................... 82
6.2.3 Validacin ........................................................................................................... 85
6.3. Balance hdrico actual ........................................................................................... 86
6.4. Oferta hdrica futura con el modelo hidrolgico STREAM ................................. 87
6.4.1 Anlisis de la variacin del caudal y la temperatura futura ............................... 90
6.5. Balance hdrico futuro........................................................................................... 95
VII. CONCLUSIONES .................................................................................................. 107
VIII. RECOMENDACIONES ........................................................................................ 109
IX. REFERENCIAS BIBLIOGRFICAS ................................................................... 110
X. ANEXOS .................................................................................................................... 113
II
1.1 ndice de tablas
Tabla 1: Secuencia de diferencias sucesivas para 7 observaciones ..................................... 13

Tabla 2: Parmetros calibracin del modelo hidrolgico STREAM ................................... 20
Tabla 3: Niveles de rendimiento de un modelo hidrolgico en funcin del ndice E y RSR
............................................................................................................................................. 21
Tabla 4: Principales caractersticas para los cuatro escenarios de cambio climtico RCP:
RCP 2.6, RCP 4.5, RCP 6.0 y RCP 8.5 .............................................................................. 23
Tabla 5: Caractersticas de modelos climticos globales (GCMs) empleados para la
regionalizacin estadstica de escenarios climticos en el Per. ........................................ 28
Tabla 6: Parmetros geomorfolgicos de la cuenca Lurn .................................................. 32
Tabla 7: Estaciones de precipitacin y temperatura empleadas en el estudio. .................... 33
Tabla 8: Valores recomendados para los parmetros de los variogramas de precipitacin y
temperatura .......................................................................................................................... 44
Tabla 9: Lista de experimentos del anlisis preliminar a la precipitacin en el periodo de
enero de 1980 a diciembre del 2006 .................................................................................... 56
Tabla 10: Lista de experimentos del anlisis preliminar para precipitacin ....................... 57
Tabla 11: Lista de experimentos de anlisis preliminar realizado para temperatura mxima
en el periodo de enero de 1980 a diciembre del 2006. ........................................................ 69
Tabla 12: Lista de experimentos del anlisis preliminar para temperatura mxima ........... 70
Tabla 13: Lista de experimentos de anlisis preliminares realizados para temperatura
mnima en el periodo de enero de 1980 a diciembre del 2006. ........................................... 75
Tabla 14: Lista de experimentos del anlisis preliminar para temperatura mnima ............ 76
Tabla 15: Diferencias porcentuales para los valores de caudal para las cuatro proyecciones
de cambio climtico analizadas respecto a los valores histricos 1980-2006 ..................... 92
Tabla 16: Diferencias porcentuales en la temperatura para los cuatros escenarios
proyectados respecto a los valores histricos 1980-2006. ................................................... 94
Tabla 17: Caudales en m3/s en el punto de la estacin hidromtrica Manchay para el
periodo 1980-2006. ............................................................................................................ 113
Tabla 18: Proyeccin de caudales (m3/s) con el modelo climtico CanESM2 y escenario
RCP 4.5, en el punto de la estacin hidromtrica Manchay para el periodo 2010-2065 . 115
Tabla 19: Proyeccin de caudales (m3/s) con el modelo climtico CanESM2 y escenario
RCP 8.5, en el punto de la estacin hidromtrica Manchay para el periodo 2010-2065. 117
Tabla 20: Proyeccin de caudales (m3/s) con el modelo climtico MPI-ESM-MR y
escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay para el periodo 2010-
2065. .................................................................................................................................. 119
2065. .................................................................................................................................. 121
Tabla 22: Proyeccin de temperaturas medias (C) en el punto de la estacin Manchay
para el periodo 1980-2006. ................................................................................................ 123
Tabla 23: Proyeccin de temperaturas medias (C) con el modelo climtico CanESM2 y
2065. .................................................................................................................................. 124
Tabla 24: Proyeccin de temperaturas medias (C) con el modelo climtico CanESM2 y
2065. .................................................................................................................................. 126
Tabla 25: Proyeccin de temperaturas medias (C) con el modelo climtico MPI-ESM-MR
y escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay para el periodo
2010-2065. ......................................................................................................................... 128
Tabla 26: Proyeccin de temperaturas medias (C) con el modelo climtico MPI-ESM-MR
y escenario RCP 8.5, en el punto de la estacin hidromtrica Manchay para el periodo
2010-2065. ......................................................................................................................... 130
Tabla 27: Demanda agrcola para el ao 2006. ................................................................. 132
Tabla 28: Demanda agrcola proyectada (demanda agrcola presente incrementada en
50%)................................................................................................................................... 132
Tabla 29: Balance hdrico mensual presente en el punto de la estacin hidromtrica
Manchay para el periodo de 1980 al 2006. ........................................................................ 133
Tabla 30: Balance hdrico futuro mensual (caso 1) con el modelo climtico CanESM2 y
escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay. ............................ 134
Tabla 32: Balance hdrico futuro mensual (caso 1) con el modelo climtico MPI-ESM-MR
y escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay .......................... 135
I
II
1.2 ndice de figuras
Figura 1: Elementos del variograma: pepita (Co), rango (a) y meseta (C). .......................... 6
Figura 2: Modelos del variograma: (a) efecto pepita; (b) exponencial; (c) esfrico y (d)
gaussiano. Donde (h) indica la expresin matemtica correspondiente al variograma. ..... 7
Figura 3: Ejemplo del PCA: representacin de la dispersin de veinte puntos. Derecha:
representacin sobre un plano. Izquierda: representacin tridimensional ............................ 9
Figura 4: Vectores que describen diferentes tipos de paisajes. ........................................... 15
Figura 5: Esquema conceptual vertical de la produccin de escorrenta en el modelo
hidrolgico STREAM en cada celda. .................................................................................. 18
Figura 6: Variacin de la temperatura global proyectado al 2100 para cuatro escenarios de
cambio climtico. Siendo el escenario con emisiones ms bajas el RCP 2.6 (lnea azul) y el
escenario con emisiones ms altas el RCP 8.5 (lnea roja) ............................................... 24
Figura 7: Variacin de la precipitacin y temperatura media, entre los periodos de 1986-
2005 y 2081-2100: para los escenarios RCP 8.5 (ms altos) y RCP 2.6 (ms bajos).
Izquierda: Variacin de temperatura media en la superficie. Derecha: Variacin de
precipitacin media.............................................................................................................. 25
Figura 8: Esquema de los GCM. ......................................................................................... 26
Figura 9: Puntos azules indican la ubicacin de las 265, 105 y 102 estaciones para las
variables de precipitacin, temperatura mxima y temperatura mnima. ............................ 27
Figura 10: Proyecciones para la precipitacin, la temperatura mxima y la temperatura
mnima con tres modelos GCMs con respecto a la informacin histrica 1971-2000. Cada
escenario RCP 4.5 en lnea slida y RCP 8.5 en lnea punteada. El sombreado en gris
marca el periodo entre el fin de la simulacin histrica y el inicio de los escenarios. ........ 28
Figura 11: Lmite y altitud de la cuenca Lurn obtenido a partir del MED de 30 m de pixel
de ASTER GDEM. .............................................................................................................. 31
Figura 12: Precipitacin promedio mensual para el periodo 1980-2006............................. 35
Figura 13: Descripcin de los componentes del sistema MOSAICC. ................................. 36
Figura 14: Ventanas del MOSAICC a seleccionar para ingreso del MED. Ventana superior:
Seleccin del Upload/Grid Data. Ventana inferior: carga del DEM de la cuenca Lurn. ... 37
Figura 15: Formato excel que debe usarse para insertar la ubicacin geogrfica de la
estacin hidrmetrica Manchay. .......................................................................................... 39
Figura 16: Ventana de insercin de la ubicacin geogrfica de la estacin hidrometrica
Manchay. ............................................................................................................................. 39
III
Figura 17: Formato excel que debe usarse para insertar los datos de la estacin
hidromtrica Manchay en m3/s. .......................................................................................... 39
Figura 18: Ventana de seleccin del area de estudio. Derecha: Ventana que permite
nombrar el rea de estudio. Izquierda: Seleccin del departamento de Lima como rea de
estudio para la cuenca Lurn. El color rosado indica que se ha activado la correspondiente
area de estudio. .................................................................................................................... 40
Figura 19: Ventana del MOSAICC correspondiente al PCA. ............................................. 41
Figura 20: Men del MOSSAIC Data Interpolation. ....................................................... 42
Figura 21: Ventana del anlisis preliminar para la seleccin de los predictores y los
parmetros del variograma. ................................................................................................. 43
Figura 22: Relacin de archivos de salida obtenidos del anlisis preliminar. ..................... 44
Figura 23: Diagramas de salida obtenidos del anlisis preliminar: (a) histograma de
componentes principales, (b) diagrama de cajas y (c) variograma...................................... 45
Figura 24: Men de interpolacin de datos en MOSAICC ................................................. 46
Figura 25: Parmetros caractersticos de los variogramas en la interpolacin con
AURELHY de (a) Precipitacin y (b) temperatura mxima y mnima. .............................. 47
Figura 26: Ventana donde figuran los predictores, las estaciones, los valores de los
componentes y el tipo de variograma, tanto para precipitacin como para temperaturas. .. 48
Figura 27: Distribucin espacial obtenida con el mtodo AURELHY para (a) precipitacin,
(b) temperatura mnima y (c) temperatura mxima. ............................................................ 48
Figura 28: Ventana del men MOSAICC para la obtencin de la Evapotranspiracin de
Referencia (PET). ................................................................................................................ 49
Figura 29: Entorno del STREAM en MOSAICC. ............................................................... 50
Figura 30: Ventanas que muestran los tems a seleccionar para la correcta simulacin
hidrolgica: (a) Seleccin del punto de aforo a simular y (b) Seleccin de la informacin
climtica de entrada y los parmetros de calibracin manual. ........................................... 51
Figura 31: Ejemplo de los resultados de la primera simulacin realizada con el modelo
STREAM para la cuenca Lurn. .......................................................................................... 52
Figura 32: Ejemplo de resultado de la simulacin con la informacin climtica futura para
el modelo climtico CANESM2-RPC4.5 en el perodo 2010-2100.................................... 53
Figura 33: Ubicacin de las estaciones de precipitacin en la cuenca Lurn y cercanas..... 55
Figura 34: Hidrograma del caudal observado y simulado por el modelo hidrolgico
STREAM en la estacin hidromtrica Manchay de la cuenca Lurn. Periodo de anlisis:
Enero 1980 a Diciembre 2006. ............................................................................................ 82
IV
Figura 35: Hidrogramas del caudal observado y simulado en las pruebas de calibracin 1,
2, 3 y 4 en la estacin hidromtrica Manchay para el periodo de enero 1980 a diciembre de
1984 (lado izquierdo). Indicadores de eficiencia de la calibracin (lado derecho). ............ 83
Figura 36: Hidrogramas del caudal observado y simulado en las pruebas de calibracin 5, 6
y 7 en la estacin hidromtrica Manchay para el periodo de enero 1980 a diciembre de
1984 (lado izquierdo). Indicadores de eficiencia de la calibracin (lado derecho). En rojo
los valores finales de los parmetros calibrados del modelo hidrolgico STREAM .......... 84
Figura 37: Hidrograma observado y simulado de la validacin temporal en la estacin
hidromtrica Manchay para un periodo de enero de 1985 a diciembre del 2006. ............... 85
Figura 38: Balance hdrico en la cuenca Lurn para el periodo de Enero de 1980 a
Diciembre del 2006: (a) Oferta hdrica y demanda agrcola y (b) disponibilidad hdrica.. 86
Figura 39: Balance hdrico promedio a nivel mensual de enero 1980 a diciembre 2006 para
la cuenca Lurn. Izquierda: oferta hdrica y demanda agrcola. Derecha: disponibilidad
hdrica. ................................................................................................................................. 87
Figura 40: Caudal promedio anual para el periodo histrico (linea ploma) y futuro en las
cuatro proyecciones analizados: CANES M2 RCP 4.5 (linea azul), CANES M2 RCP 8.5
(linea roja), MPI-ESM-MR RCP 4.5 (linea celeste) y MPI-ESM-MR 8.5 (linea naranja). 88
Figura 41: Evaluacin de temperatura promedio anual histrico y futuro para el modelo
CANESM2 en los escenarios RCP 4.5 y RCP 8.5. Lnea naranja: temperatura promedio
anual del periodo histrico. Lnea azul: Escenario RCP 4.5. Lnea roja: Escenario RCP 8.5.
............................................................................................................................................. 89
Figura 42: Evaluacin de temperatura promedio anual histrico y futuro para el modelo
MPI-ESM-MR en los escenarios RCP 4.5 y RCP 8.5. Lnea naranja: temperatura
promedio anual del periodo histrico. Lnea azul: Escenario RCP 4.5. Lnea roja:
Escenario RCP 8.5. .............................................................................................................. 89
Figura 43: Variacin del caudal a nivel mensual entre el periodo histrico y futuro para las
cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): a) CANESM2
RCP 4.5, (b) CANESM2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y (d) MPI-ESM-MR 8.5.
Lnea ploma: Caudal histrico en m3/s. Lnea verde: Caudal futuro en m3/s. ..................... 91
Figura 44: Variacin de la temperatura media a nivel mensual entre el periodo histrico y
futuro para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): a)
CANESM2 RCP 4.5, (b) CANESM2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y (d) MPI-
ESM-MR 8.5. Lnea naranja: Temperatura histrica en C. Lnea azul: Temperatura futura
en C. ................................................................................................................................... 93
V
Figura 45: Evaluacin de la oferta hdrica futura y demanda agrcola presente para las
cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): (a) CANESM2
RCP 4.5, (b) CANESM2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y (d) MPI-ESM-MR 8.5.
Lnea naranja: Oferta hdrica futura en MMC. Lnea verde: Demanda agrcola presente en
MMC. .................................................................................................................................. 96
Figura 46: Evaluacin de la oferta hdrica presente y futura para las cuatro proyecciones de
cambio climtico analizadas (2 GCM x 2 RCP): CANES M-2 RCP 4.5 (lnea roja),
CANESM-2 RCP 8.5 (lnea verde), MPI-ESM-MR RCP 4.5 (lnea naranja) y MPI-SM-
MR RCP 8.5 (lnea celeste). ................................................................................................ 97
Figura 47: Disponibilidad hdrica presente (lnea azul) y futura para las cuatro
proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): CANES M-2 RCP 4.5
(lnea naranja), CANESM-2 RCP 8.5 (lnea roja), MPI-ESM-MR RCP 4.5 (lnea celeste) y
MPI-SM-MR RCP 8.5 (lnea verde).................................................................................... 98
Figura 48: Evaluacin de la oferta hdrica futura y demanda agrcola presente a nivel
mensual para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP):
(a) CANESM2 RCP 4.5, (b) CANESM2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y (d) MPI-
ESM-MR 8.5. Lnea naranja: Oferta hdrica futura en MMC. Lnea verde: Demanda
agrcola presente en MMC. ................................................................................................. 99
Figura 49: Disponibilidad hdrica futura a nivel mensual para las cuatro proyecciones de
cambio climtico analizadas (2 GCM x 2 RCP): CANESM2 RCP 4.5 (lnea punteada
naranja), CANESM2 RCP 8.5 (lnea slida naranja), MPI-ESM-MR RCP 4.5 (lnea
punteada verde), MPI-ESM-MR 8.5 (lnea solida verde). ................................................ 100
Figura 50: Evaluacin de la oferta hdrica futura y demanda agrcola proyectada para las
cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): (a) CANES M-2
RCP 4.5, (b) CANES M-2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y (d) MPI-ESM-MR 8.5.
Lnea azul: oferta hdrica en MMC. .................................................................................. 102
Figura 51: Disponibilidad hdrica presente (lnea azul) y futura para las cuatros
proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): CANES M-2 RCP 4.5
(lnea celeste), CAN ESM-2 RCP 8.5 (lnea roja), MPI-ESM-MR RCP 4.5 (lnea naranja)
y MPI-SM-MR RCP 8.5 (lnea verde)............................................................................... 104
Figura 52: Evaluacin de la oferta hdrica futura y demanda agrcola proyectada a nivel
mensual para cada uno de las cuatro proyecciones de cambio climtico analizadas (2 GCM
x 2 RCP): (a) CANES M-2 RCP 4.5, (b) CANES M-2 RCP 8.5, (c) MPI-ESM-MR RCP
VI
4.5 y (d) MPI-ESM-MR 8.5. Lnea azul: Oferta hdrica futura en MMC. Lnea verde:
Demanda agrcola proyectada en MMC. ........................................................................... 105
Figura 53: Disponibilidad hdrica futura a nivel mensual para cada uno de las cuatros
proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): CANESM2 RCP 4.5
(lnea punteada azul), CANESM2 RCP 8.5 (lnea slida azul), MPI-ESM-MR RCP 4.5
(lnea punteada verde), MPI-ESM-MR 8.5 (lnea solida verde). ...................................... 106
VII
1.3 ndice de anexos
Anexo 1: Resultado de la oferta hdrica presente en la cuenca Lurn ............................... 113

Anexo 2: Resultado de la oferta hdrica futura en la cuenca Lurn para los cuatro escenarios
analizados (2GCMs x 2 RCPs) .......................................................................................... 115
Anexo 3: Resultado de la temperatura media presente en la cuenca Lurn ....................... 123
Anexo 4: Resultado de la temperatura media futura en la cuenca Lurn para los cuatro
escenarios analizados (2GCMs x 2 RCPs). ....................................................................... 124
Anexo 5: Tablas de demanda agrcola presente y proyectada. ......................................... 132
Anexo 6: Clculos para obtener el Balance hdrico mensual presente. ............................. 133
Anexo 7: Clculos para obtener el balance hdrico mensual futuro (caso 1: oferta agrcola
proyectada vs demanda agrcola presente) en la cuenca Lurn, para los cuatro escenarios
analizados (2GCMs x 2 RCPs). ......................................................................................... 134
Anexo 8: Clculos para obtener el balance hdrico mensual futuro (caso 2: oferta agrcola
proyectada vs demanda agrcola proyectada) en la cuenca Lurn, para los cuatro escenarios
analizados (2GCMs x 2 RCPs). ......................................................................................... 136
VIII
II. RESUMEN
Es sabido que han ocurrido modificaciones climticas durante el ltimo siglo, y que sin
duda han afectado a nuestro pas, en relacin a las alzas sostenidas en las temperaturas
medias, por el aumento de los gases de efecto invernadero, a efectos del desarrollo
econmico, y social, el cual se manifiesta a travs del incremento de la poblacin. Estos
cambios afectan sin duda a la dinmica de las cuencas hidrogrficas, dentro de variaciones
del comportamiento hidrolgico, expresada en trminos de disponibilidad hdrica, que para
el presente estudio, se encuentra enfocada en riego, relacionndolo con la produccin de
alimentos, lo cual es vital para asegurar la supervivencia y sostenibilidad de las futuras
generaciones.
El presente trabajo de titulacin tuvo el principal objetivo de obtener la disponibilidad hdrica

presente y futura en la cuenca Lurn utilizando el modelo hidrolgico STREAM. Para ello,
se realiz un anlisis preliminar de la informacin climtica, para luego ser procesada por
la interpolacin y posteriormente utilizada para la simulacin dentro del modelo
hidrolgico STREAM, a fin de obtener los balances hdricos, a travs de la calibracin y la
validacin del modelo. El balance hdrico presente, obtenido con los datos de descarga en
el periodo de aos de 1980-2006, y la demanda agrcola actualizada al 2006, ha servido
como lnea de base para observar los cambios que podran darse segn los resultados
proyectados de los balances hdricos futuros, los cuales corresponden al perodo de aos de
2010-2065, obtenidos bajo la simulacin de dos modelos climticos, CanESM2 y MPI-
ESM-MR, en dos escenarios climticos RCP 4.5 y RCP 8.5, los que corresponden a un
nivel de radiacin solar media, y mayor respectivamente. De este anlisis, se han obtenido
cuatro conjuntos de proyecciones, para la cuenca en estudio.
Con el resultado de este estudio se pudo determinar que en la cuenca Lurn habr un gran
incremento en la disponibilidad del recurso hdrico (aumento de caudales) as como
variaciones trmicas hacia el ao 2065. Cabe mencionar que existe cierta incertidumbre
asociada a cada modelo climtico, como tambin aquella asociada a los escenarios
susceptibles de ocurrir.
1
III. INTRODUCCIN
El Per es el pas con mayor disponibilidad de agua dulce por habitante en Amrica Latina,
sin embargo, tiene una aguda escasez por su limitada accesibilidad y una mala gestin del
recurso (PNUD, 2013). Por lo que, la estimacin de la disponibilidad del recurso hdrico de
sus diferentes cuencas hidrogrficas puede contribuir al desafo de una buena
gobernabilidad y gestin integrada de los recursos hdricos en el pas.
En este sentido, el modelamiento hidrolgico permite manejar hiptesis suficientemente

realistas o previsibles que ofrezcan un cierto grado de confianza en la toma de decisiones
ya sea en: (i) la determinacin del caudal hdrico necesario para reas bajo riego sometidas
a efectos del cambio climtico; (ii) la ordenacin del territorio en torno a los ros o (iii)
para proponer criterios de diseo de obras capaces de soportar y funcionar adecuadamente
en situaciones de emergencia.
El modelo hidrolgico STREAM (Spatial Tools for Riverbasins and Environment and
Analysis of Management options) es una herramienta que permite realizar el balance
hdrico de la cuenca, adems del anlisis de los impactos del cambio climtico y de uso del
suelo en la hidrologa con nfasis en aspectos de gestin. Este modelo se aplic con xito
en diversas cuencas y subcuencas como: Rin (Alemania), Ganges-Brahmaputra (India),
Yangtze (China) (Aerts et al., 1999); Krishna (Bouwer et al., 2006); Zambezi (frica)
(Winsemius et al., 2006); Meuse (Francia) (Ward et al., 2008, Ward et al., 2011);
Moulouya, Tensift, Sebou, entre otras cuencas de Marruecos (Balagui et al., 2014).
Actualmente, este modelo ha sido incorporado como componente hidrolgico al Proyecto

AMICAF (Analysis & Mapping of impacts under Climate Change for Adaptation & Food
Security), el cual est dirigido por la Organizacin de las Naciones Unidas para la
Alimentacin y la Agricultura (FAO, por sus siglas en ingls). Este proyecto se encuentra
en el desarrollo de su primera fase, tiene como objetivo apoyar a los pases en desarrollo de
la agricultura, como Per y Filipinas, abordando la evaluacin y adaptacin al cambio
climtico y, de esta manera, contribuir con la seguridad alimentaria.
2
La cuenca en estudio corresponde a la de Lurn, la cual est ubicada en la costa central del
Per, representa el 0.4 por ciento de agua del total que posee el Per. Su principal
problema es la escasez de agua en periodos de sequa, a pesar que en pocas de avenidas se
pierde agua que va al Ocano Pacfico, las cuales podran ser reguladas (MINAG 2004).
Asimismo, a pesar de la baja disponibilidad hdrica en la cuenca, existen reas destinadas a
la agricultura que abastecen al mercado limeo; sin embargo la expansin urbana, la
sobreexplotacin del agua subterrnea, el uso ineficiente de este recurso y la inexistencia
de obras de regulacin que permitan mejorar el riego del valle de Lurn, se han convertido
en una amenaza para la conservacin de este recurso. Adems, se sabe que el Per es uno
de los pases ms afectados por el cambio climtico, debido a la repercusin de fenmenos
hidrometereolgicos relacionados con el Fenmeno de El Nio, y la variabilidad y los
extremos climticos de la regin. Por ello, el cambio climtico afectar las condiciones
hdricas y ambientales necesarias en el desarrollo agrcola en la zona en estudio, debido a
que esta cuenca se encuentra inherentemente ligada a la disponibilidad de agua de riego.
En vista de la problemtica en la cuenca Lurn, el objetivo principal de la presente

investigacin es obtener la disponibilidad hdrica actual y futura de la cuenca Lurn
utilizando el modelo hidrolgico STREAM. Esto a travs de los siguientes objetivos
especficos: (i) Calibrar y validar el modelo STREAM con el caudal de la estacin de aforo
en la cuenca Lurn, (ii) Obtener y evaluar el balance hdrico actual y futuro de la cuenca
Lurn y (iii) Simular escenarios futuros de cambio climtico en la cuenca para recomendar
mejoras en la gestin del agua.
Los resultados del estudio son de utilidad a fin de tomar acciones frente a escenarios
futuros de cambio climtico, por lo tanto sirven como una lnea base para futuras
investigaciones, que analicen y formulen planes de adaptacin en la agricultura, la cual
est ligada a la seguridad alimentaria.
3
IV. REVISIN DE LITERATURA
4.1 Geoestadstica
La Geoestadstica es una ciencia que comprende un conjunto de herramientas y tcnicas

que sirven para analizar y predecir los valores de una variable que est distribuida en el
espacio de una forma continua, es conocida tambin como estadstica espacial. La
aplicacin de la geoestadstica o estadstica relacionada con datos geogrficos, est
orientada a los SIG Sistemas de informacin Geogrfica (conjunto de programas
informticos que sirven para captar, almacenar, recuperar, transformar, mostrar y analizar
diversos tipos de datos espaciales). Segn Moral (2004) en un anlisis estadstico es
necesario llevar a cabo los pasos siguientes (i) anlisis exploratorio de los datos (se
analizan los datos puros sin tener en cuenta su distribucin geogrfica en el espacio,
anlisis de normalidad o anlisis de la transformada de los datos si fuera necesario), (ii)
anlisis estructural (se estudia la continuidad espacial a travs de los variogramas que
expliquen la variabilidad espacial y posible ajuste a un variograma terico) y (iii) Kriging
(estima la variable en los puntos no muestrales, considerando la estructura de correlacin
espacial seleccionada e integrando la informacin obtenida de forma directa en los puntos
muestrales).
4.1.1 Variograma
El variograma es una herramienta que permite analizar el comportamiento espacial de una

variable sobre una zona dada y modela como dos valores en el espacio se ponen en
correlacin. Es un estimador de la varianza poblacional, por lo tanto debe tener una
tendencia de estacionalidad y es un soporte para las tcnicas del Kriging ya que permite
representar cuantitativamente la variacin de un fenmeno regionalizado en el espacio. Al
respecto Veliz (2006) indica que el variograma est relacionado con la direccin y la
distancia (h).
4
Journel y Huijbregts, citado por Pacheco (2008) indica que el variograma es la media
aritmtica de todos los cuadrados de las diferencias entre pares de valores experimentales
separados por una distancia h (o lo que es lo mismo, la varianza de los incrementos de la
variable regionalizada en las localizaciones separadas por una distancia h. A continuacin
se muestra la ecuacin que describe al variograma:
1 ()
2() = =1 [( ) ( + )]2
()
Donde: 2(h) es la expresin matemtica del variograma; Np (h) es el nmero de pares a la

distancia h; h es el incremento de la distancia; Z (xi) son los valores experimentales; Xi
son las localizaciones donde son medidos los valores Z(xi).
Cabe mencionar que de acuerdo a Ovalles (1991), la variable regionalizada es una funcin
que describe un fenmeno natural geogrficamente distribuido. La caracterstica
fundamental que distingue a este tipo de variables, adems de su valor, es una posicin en
el espacio (Matheron, 1970). Matemticamente, la variable regionalizada es una funcin
Z(x) donde x es un punto o un vector en Rn. La finalidad es encontrar las caractersticas
de la funcin Z(x) para hacer las estimaciones de posibles puntos desconocidos. Segn
Veliz (2006) toda variable regionalizada est formada por dos componentes, una
estructurada (marca la relacin entre el valor de la variable y puntos prximos) y un
segunda componente aleatoria (representa un valor desconocido).
El variograma est compuesto por tres elementos: pepita o nugget, rango o alcance y
meseta o sill. Ver Figura 1
Pepita o nugget (Co): es una discontinuidad de salto en el origen, representa la

discontinuidad en el semivariograma para distancias que sean menores que la
menor distancia dada entre los puntos mustrales. Esta discontinuidad se puede dar
tambin debido a errores en la medicin o a una pobre precisin analtica.
Rango o alcance (a): es la distancia a la cual el variograma se estabiliza y las
muestras se relacionan espacialmente.
Meseta o sill (C): es el valor mximo que alcanza el semivariograma cuando la
variable es estacionaria.
5
(h)
Sill C
Ct
Nugget Co Rango a h
Figura 1: Elementos del variograma: pepita (Co), rango (a) y meseta (C).
Fuente: Adaptado de Goovaerts (1997)
4.1.1.1 Modelos del variograma
Los modelos tericos se ajustan a un modelo de variograma experimental y son capaces de

explicar los diferentes comportamientos que pueden tener las variables en el espacio. Las
dos caractersticas ms importantes en el modelado de variogramas son (i) su
comportamiento en el origen, el cual puede ser lineal, parablico y con efecto de pepita; y
(ii) la presencia o ausencia de meseta. Los modelos ms comunes se detallan a
continuacin, de acuerdo a la Figura 2:
a. Modelo efecto pepita puro: Representa un fenmeno completamente aleatorio,

conocido tambin como ruido blanco, en el cual no hay correlacin espacial en las
muestras independiente de cual sea la distancia h que las separe. S representa el valor
del sill.
b. Modelo exponencial: En este modelo la ecuacin crece inicialmente ms rpido y

despus se estabiliza de forma asinttica. Como la meseta no se alcanza a una distancia
finita, se usa con fines prcticos el alcance efectivo o alcance prctico. Se
considera que el rango a, es la distancia para la cual el valor del variograma es el 95
por ciento de la meseta.
c. Modelo esfrico: Por lo general es de todos los modelos el ms utilizado para anlisis
geoestadstico, tal que es una expresin polinomial simple. El crecimiento de su
ecuacin es casi lineal y despus a cierta distancia finita del origen se alcanza una
estabilizacin, la meseta.
6
d. Modelo gaussiano: Este es un modelo continuo, inicialmente presenta un
comportamiento parablico en el origen, despus al igual que en el modelo
Exponencial se alcanza la meseta de forma asinttica. Constituye el nico modelo
estacionario con un punto de inflexin.
3h
h s1 exp
si h 0 a
0

h

si h 0
Variograma
Variograma
a) Distancia b) Distancia
3
Variograma
3
Variograma
h 1 h
s si h a
2 a 2 a3

h 2

h s1 exp 3h2
s si h a a

c) d)
Distancia Distancia
Figura 2: Modelos del variograma: (a) efecto pepita; (b) exponencial; (c) esfrico y (d)
gaussiano. Donde (h) indica la expresin matemtica correspondiente al
variograma.
Fuente: Adaptado de Goovaerts (1997)
Cabe sealar que el objetivo no es lograr el mejor ajuste de una funcin a una serie de
puntos; se debe seleccionar el modelo que mejor explique el patrn de variabilidad espacial
de la variable investigada, aunque ste no sea el mejor desde un punto de vista estadstico.
Cuando el modelo ha sido identificado, se dice que el variograma ha sido calibrado o
validado (Moral, 2004).
7
4.1.1.2 Isotropa y anisotropa
Cuando un variograma ha sido calculado suponiendo una condicin isotrpica, quiere decir
que la variacin es la misma en todas las direcciones del plano, lo cual generalmente no
ocurre. Por el contrario, si se considera una variacin de las mediciones como funcin de la
direccin, entonces debe definirse un variograma para cada punto de los ejes del plano es
decir, una condicin anisotrpica.
En caso de que el variograma sea calculado en todas las direcciones posibles, se

seleccionan los mejores que tengan caractersticas que reflejen el mejor comportamiento de
correlacin espacial entre las muestras. En ese sentido, por ejemplo para el caso de la
estimacin de la variabilidad de mediciones hidrolgica, Gutierrez-Lopez et al., (2011)
mencionan que para realizar el anlisis de la precipitacin en Villahermosa-Mxico se
llev a cabo un riguroso estudio espacio-temporal de las precipitaciones en la zona de
estudio para un intervalo de tiempo y espacio seleccionado, requiriendo considerar
anisotropa en los registros de precipitacin.
4.1.2 Interpolacin por el mtodo AURELHY
Segn Bnichou y Breton (1986), el mtodo AURELHY es un anlisis que utiliza la

topografa para guiar la interpolacin espacial de variables climticas como precipitacin y
temperatura. Este mtodo resulta ms adecuado en la interpolacin de datos mensuales de
series de tiempo extenso. El proceso de interpolacin es sensible a la cantidad de
estaciones y su ubicacin geogrfica, la calidad de la informacin disponible, y de datos
faltantes (El Hairech, 2011).
Este mtodo es utilizado dentro del sistema MOSAICC, para ello principalmente se
requiere una preparacin de datos de entrada, el cual se realiza mediante el anlisis de
componentes principales y el anlisis preliminar.
8
4.1.2.1 Anlisis de componentes principales (PCA)
Guo y Mason (2009) indican que el PCA es un mtodo general de anlisis para
correlacionar conjunto de datos multivariados. Se lleva a cabo una transformacin lineal de
un conjunto de vectores aleatorios correlacionados para que sean representados en un
nuevo espacio de tal manera que no estn correlacionados. El nuevo espacio de
coordenadas est relacionado con el original por una rotacin alrededor del origen, de tal
manera que los ejes de coordenadas nuevas estn alineadas con las direcciones dominantes
de dispersin (los componentes principales) de datos (Unsalan y Boyer, 2011).
El objetivo ms frecuente en la aplicacin del PCA es el de reducir la dimensionalidad de

la matriz de datos, con el fin de evitar redundancias y destacar relaciones entre variables,
construir variables no observables (indicadores sintticos) a partir de variables observables
(Castro, 2002). Otros objetivos del PCA pueden ser, descubrir interrelaciones entre los
datos, proponer la utilizacin de los componentes incorrelacionados hallados como datos
de entrada para otros anlisis estadsticos ms apropiados. Asimismo, Villardn (2002)
describe que el PCA consiste en encontrar transformaciones ortogonales de las variables
originales para conseguir un nuevo conjunto de variable incorreladas (componentes). Se
puede analizar mediante un ejemplo en el cual un programa de ordenador permita el
movimiento de una dispersin de veinte puntos representado inicialmente en dos planos y
luego en forma tridimensional, de acuerdo a la Figura 3, se puede observar las posiciones
relativas de los puntos representados. Se cierta agrupacin en la que la nube de puntos
estar prcticamente sobre un plano en funcin de su relacin entre s.
Figura 3: Ejemplo del PCA: representacin de la dispersin de veinte puntos.

Derecha: representacin sobre un plano. Izquierda: representacin tridimensional
Fuente: Villardon (2002).

9
Cuando encontremos este plano de referencia se definen dos vectores perpendiculares
(ortogonales), uno de ellos (y) escogido en la direccin en que ms varan los datos y el
otro (x) recogiendo la mayor variabilidad posible. Sobre este plano ortogonal es factible
interpretar las distancias entre los puntos en trminos de similitud, buscar conjuntos de
individuos similares, etc., con la garanta de que la prdida de informacin es mnima y de
que hemos recogido las fuentes de variabilidad ms importantes en el conjunto de datos.
La prdida de informacin se entiende como la diferencia en las interdistancias calculadas
entre los puntos del espacio original y las calculadas en la proyeccin sobre el plano de
referencia, o sea, la variabilidad del conjunto de puntos.
Las caractersticas principales de los componentes principales, segn Schlens (2014) son
(i) Son mutuamente independientes (no estn correlacionadas entre s), (ii) Mantienen la
misma informacin que las variables originales y (iii) Tienen la mxima varianza posible
con las limitaciones anteriores.
Lo que se quiere lograr con el PCA es identificar las bases ms significativas para re-
expresar el conjunto de datos, y se espera que esta nueva base filtre el ruido y revele la
estructura oculta. En este sentido, de acuerdo al PCA aplicado dentro de MOSAICC, los
archivos resultantes de este anlisis comprenden:
La mscara de interpolacin, que es la rejilla de referencia para todos interpolacin

La rejilla de la distancia al mar (en grados), una posible variable predictora para
AURELHY
Los componentes principales del paisaje, tambin es posible variables de
prediccin para AURELHY
Tabla (archivo de texto) con las estadsticas sobre la PCA (contribucin de cada PC
a la varianza).
10
4.1.2.2 Anlisis preliminar
Dentro del sistema MOSAICC, el anlisis preliminar permite llevar a cabo una serie de
diagnsticos para apoyar a la seleccin de las estaciones y la definicin de los modelos
lineales y modelos de variograma para la interpolacin. Los diagnsticos incluidos en el
anlisis preliminar son:
Resumen de las correlaciones entre las variables de prediccin y los datos a
interpolar, a travs de toda la serie temporal.
Diagnstico de multicolinealidad y el factor de inflacin de la varianza (VIF), para
las variables predictoras.
Validacin de los modelos de regresin: prueba de bondad de ajuste, test de Fisher,
prueba de Shapiro-Wilk y anlisis de distancia de Cook.
Comparaciones de las distribuciones de los componentes principales del muestreo
por las estaciones meteorolgicas, para evaluar visualmente cmo se representan
las distribuciones.
Prueba de los parmetros del modelo de variograma utilizando valores medios de
toda la serie temporal.
En este sentido, para optimizar y validar esta etapa previa a la interpolacin, se emplean
los siguientes indicadores de validacin: (a) multicolinealidad, (b) factor de inflacin de la
varianza, (c) prueba de Fisher, (d) test de Shapiro-Wilk y (e) distancia Cook.
a) Multicolinealidad
El proceso o trmino de multicolinealidad es una situacin en la que se presenta una fuerte

correlacin entre variables explicativas del modelo. La correlacin ha de ser fuerte, ya que
siempre existir correlacin entre dos variables explicativas en un modelo, es decir, la no
correlacin de dos variables es un proceso idlico, que slo se podra encontrar en
condiciones de laboratorio.
En el modelo: Yt = 0 + 1X1 + 2X2 + t, la multicolinealidad (o colinealidad) se

presenta cuando hay correlacin lineal entre las variables explicativas X1 y X2, de modo
que ambas variables, en el fondo, estn midiendo el mismo fenmeno.
11
La presencia de alta colinealidad entre las variables explicativas X1 y X2 impide que se
pueda estimar con precisin los coeficientes de la regresin, es decir, el efecto de cada una
de estas variables sobre Y, debido a que no se puede "separar" el efecto de X1 sobre Y, y el
efecto de X2 sobre Y. As, se esperan relativamente altos errores estndar para los
coeficientes (Ziga, 2004).
b) Factor de inflacin de la varianza (VIF)
El VIF permite diagnosticar la multicolinealidad de las variables, valorar la falta de

independencia entre ellas, y medir la redundancia entre las variables explicativas. Si las
variables explicativas no son redundantes, entonces el VIF es igual a la unidad. Valores del
VIF mayores que 4 sugieren la existencia de multicolinealidad, y valores mayores a 10
indican la existencia de multicolinealidad grave. Como regla prctica, las variables
explicativas asociadas con los valores del VIF mayores que 7,5 deben quitarse (de a uno
por vez) del modelo de regresin. Por ejemplo, se tiene una variable de poblacin (la
cantidad de personas) y una variable de empleo (la cantidad de personas con empleo) en el
modelo de regresin, probablemente estas variables estn asociadas con valores altos de
VIF, lo que indicara que ambas variables estn proporcionando la misma informacin, y
que se debe quitar una del modelo de regresin (Cohen et al., 2013).
c) Test de Fisher
La prueba F de Fisher se utiliza para probar la consistencia o homogeneidad en la variancia

de una muestra con respecto a otra. La prueba consiste en determinar en primer lugar los
valores de S12 y S22.
Los estadsticos sern:
Fcal = S1/S2 ; si S1 > S2
Fcal = S2/S1 ; si S2 > S1
El valor de F tabla se obtiene con alfa =0.05
Grados de libertad del numerador = n1-1 Grados de libertad del denominador = n2-1
Los criterios de decisin sern:
Si: Fcal <= Ftabla S1 equivalente S2 (Existe consistencia en la variancia)
Fcal > Ftabla S1 <> S2 (No existe consistencia en la variancia)
12
d) Test de Shapiro Wilk
Delgado (2004) afirma que esta prueba de normalidad se basa en estudiar el ajuste de los
datos graficados sobre un grfico probabilstico, en el que cada dato es un punto, cuyo
valor de abscisa es el valor observado de probabilidad para un valor determinado de la
variable, y el de ordenada es el valor esperado de probabilidad.
El test de Shapiro-Wilk (Wc) es un contraste de ajuste que se utiliza para comprobar si

unos datos determinados (X1, X2,, Xn) han sido extrados de una poblacin normal. Los
parmetros de la distribucin no tienen por qu ser conocidos, y est adecuado para
muestras de pequeos grupos de datos, as como para grandes grupos de datos. Un
contraste de ajuste tiene como objetivo comprobar si con base en la informacin
suministrada por una muestra se puede aceptar que la poblacin de origen sigue una
determinada distribucin de probabilidad, en nuestro caso, la distribucin normal.
La Hiptesis que sigue el Test de Shapiro Wilk es:
H0 (hiptesis nula): La variable aleatoria no tiene una distribucin normal

H1(hiptesis alterna): La variable aleatoria tiene una distribucin normal;
Estadstico de prueba:

=
=1( )
Tabla 1: Secuencia de diferencias sucesivas para 7 observaciones
Valores Xi
Observacin i ((+1) )
ordenados en orden ascendente
1 X1 X7 X1
2 X2 X6 X2
3 X3 X5 X3
4 X4 X4 X4
5 X5 X3 X5
6 X6 X2 X6
7 X7 X1 X7
Fuente: Delgado (2004)
La zona de aceptacin (ZA) para Ho est formada por todos los valores del estadstico de
prueba Wc menores al valor esperado o tabulado W (1 ; n).
13
ZA = {W/W calculado W (1 ; n)}
Donde Wn, es un valor de la tabla de Shapiro-Wilk correspondiente a un tamao

muestral n y a un nivel de significacin .
e) Distancia Cook
La distancia Cook mide el cambio que se produce en las estimaciones de los coeficientes
de regresin al ir eliminando cada caso de la ecuacin de regresin. Una distancia de Cook
grande (mayor a 1) indica que ese caso tiene un peso considerable en la estimacin de
coeficientes de regresin. Para evaluar estas distancias puede utilizarse la distribucin, con
p+1 y n-p-1 grados de libertad (p se refiere al nmero de variables independientes y n al
tamao de la muestra). En general, una distancia de Cook superior a 1 debe ser revisado
(Cook, 1997).
4.1.2.3 AURELHY
Este mtodo se explica mediante la ecuacin P (Si), que describe la descomposicin de la

precipitacin observada (P) en las correspondientes coordenadas geogrficas de su
posicin Si (x,y), considerando los parmetros topogrficos (simbolizados por el vector R).
() = (, , ) = () + (, )
regresin residuos
Para la explicacin de este este mtodo, se tomar como ejemplo el caso aplicado en
Francia por Bnichou y Breton (1987), donde se realiz los siguientes cuatro pasos:
i. Anlisis de terreno por componentes principales
Se mapea las diferencias relativas de altitud para homogenizar las topografas locales. Las
variables del paisaje corresponden a la diferencia de altura entre cada punto de la
cuadrcula y los puntos vecinos distribuido regularmente alrededor del punto de la
cuadrcula.
14
Se realiza el anlisis de componentes principales (PCA) de las variables topogrficas
locales con fin de proporcionar un sistema reducido de parmetros con una perdida
mnima de informacin (ver seccin 4.1.2.1). Para ello se utiliza predictores ortogonales
(las puntuaciones de PC) como insumos para la prediccin estadstica; y requiere el ajuste
de slo un nmero relativamente pequeo de parmetros (Gyalistras, 2003).
Supongamos que se tiene un punto G, debido a que el paisaje no se puede describir

directamente, se utiliza el trmino paisaje relativo para describir las variables topogrficas
locales, siendo: =
=1 ().
Dnde: N es el nmero de componente principales; Cj es el componente principal del

paisaje; Vj es el vector propio aparece como un tipo de paisaje (Ver ).
Figura 4: Vectores que describen diferentes tipos de paisajes.
Fuente: Benichou y Breton (1987)
Por lo que cada sitio G es ahora codificado por un vector que contiene N+1 predictores:
La elevacin media Z de punto G
Los primeros N componentes principales C1. . ., CN paisaje con respecto a G.
Anlogamente para el caso aplicado en Suiza por Gyalistras (2003), los predictores
utilizados para el ajuste a las regresiones orogrficas fueron (1) Elevacin del punto, (2)
superficie media elevacin; y (3) un nmero variable de Componente principal.
ii. La regresin de la variable climtica con relacin al relieve
Del paso anterior, donde se realiza la homogenizacin en la base y en el relieve a travs de

los parmetros seleccionados, se obtiene la ecuacin de regresin P (Si) por lo que esta
tcnica de regresin debe: (i) reducir del nmero de predictores, (ii) garantizar la
significancia de los coeficientes de la regresin y (iii) garantizar la normalidad de los
residuales, que es una condicin importante para Kriging.
15
Por consiguiente, para asegurar el procedimiento anterior se debe hacer uso de trminos
estadsticos como la multicolinealidad, para ello se puede aplicar las herramientas como la
distancia Cook, el factor de inflacin de la varianza (VIF), el test de Shapiro Wilk (ver
seccin 4.1.1.2).
iii. La interpolacin espacial de los residuos por Kriging
El Kriging es un mtodo de interpolacin geoestadstico (Kriging en la literatura inglesa,

en honor de Danie Krige, quien formul por primera vez esta metodologa en 1951), tiene
la ventaja de asegurar que el error de estimacin sea cero y desviacin estndar sea
mnima. Como resultado, el conocimiento de esta desviacin estndar permite ver de una
manera racional la separacin de las isolneas del mapa dibujado. Se considera la
siguiente frmula para el clculo de kriging:

(, ) =
=1
Dnde: n es el nmero de muestras obtenidas, f i es el valor obtenido en el punto i y wi es

el peso designado al punto i. A fin de obtener los pesos de cada uno de los n puntos, para
cada uno de ellos se realiza un clculo de w1, w2, wn. Tal procedimiento depende del tipo
de kriging que est siendo utilizado (ordinario o simple).
iv. Obtencin del mapa final
Finalmente se obtiene un mapa por la adicin de la grilla predicha por la regresin y la

grilla de residuales obtenida a travs del mtodo Kriging (El Hairech, 2011).
En la aplicacin del mtodo original de AURELHY por Gyalistras (2003) en Suiza, el

autor se adapt a las dos principales desventajas respecto al mtodo, los cuales son (1) que
considera una nica escala de variabilidad orogrfica, tal como se define por el tamao y la
geometra de las pequeas reas utilizadas para el Anlisis de Componentes Principales y
(2) que asume una relacin de relieve - predictor constante a lo largo todo el dominio. Con
respecto al primer problema, ya que la calidad orogrfica de los vectores de elevacin
utilizados para el Anlisis de Componentes Principales, varan fuertemente con la
temporada y la regin, el autor decide subdividir la regin suiza en pequeos subsectores
(40 subsectores de 50 a 50 km aplicada a 3 escalas espaciales diferentes). Con relacin al
segundo problema (2), en vista que tiempo atrs Neidhfer (2002) enfrent a esta misma
16
incgnita definiendo 7 subregiones y utilizando regresiones variables regionales, no logr
capturar la variabilidad espacial de la relacin relieveprecipitacin suficientemente bien,
ya encontr grandes discontinuidades en la interpolacin de la precipitacin en los lmites
subregin; por lo que Gyalistras (2003) realiz unas ecuaciones de regresin por cada
sitio especfico, determinados por separado por cada punto objetivo de la malla de cada
interpolacin de media a largo plazo. Esta aproximacin fue adoptada tanto para la
temperatura y la precipitacin, obteniendo como conclusin de aquella investigacin que
los patrones espaciales de largo plazo, como tambin la variabilidad temporal de los
campos de anomalas es capturada generalmente bien por las interpolaciones.
En conclusin, el mtodo AURELHY se basa en los siguientes tres puntos: (1) Deteccin
automtica de la relacin estadstica entre la lluvia y el terreno circundante existente, (2) El
uso ptimo de estas estadsticas puntos de conexin donde no hay valor medido y (3)
Generacin de un mapa de precipitaciones regionales, con la incorporacin de los efectos
debidos al relieve (El Hairech, 2014).
4.2 Modelo hidrolgico STREAM
Es un modelo distribuido de lluvia - escorrenta que se basa en la utilizacin del SIG que
permite la simulacin de las descargas de los ros para la obtencin de la disponibilidad de
hdrica en las cuencas fluviales. Este modelo permite el clculo del balance hdrico a partir
del balance de agua de cada celda de la cuadrcula de la cuenca bajo estudio, la cual se
acumula en la direccin local del drenaje, derivados del modelo de elevacin digital
(MED) hasta el punto de salida, donde se encuentra la estacin de medicin) (Aerts et al.,
1999).
Este modelo hidrolgico consta de tres depsitos de almacenamiento: almacenamiento de

nieve, almacenamiento de humedad del suelo y las aguas subterrneas de almacenamiento,
dividiendo al flujo de salida en un componente rpido y un componente lento. El
componente rpido se ve afectado por el almacenamiento de humedad del suelo y el
componente lento por el almacenamiento de agua del suelo, ambos se comportan como
reservorios lineales. Asimismo la acumulacin de nieve es igual a la precipitacin cuando
la temperatura est por debajo de cero grados centgrados, el derretimiento de la nieve
depende linealmente de la temperatura. Los flujos rpido y lento, se encaminan a la salida
17
de la cuenca por la acumulacin de flujo bajo el supuesto de una velocidad constante de
flujo (Hurkmans et al., 2008).
Aerts et al., (1999) indicaron que el balance hdrico en el modelo hidrolgico STREAM se
calcula en la posicin (x, y) en el mes (t) a travs de las ecuaciones:
R x,y,t= P x,y,t E x,y,t+ dSx,y,t

S x,y,t= SS x,y,t GWS x,y,t+ SNS x,y,t .
Dnde: R es la escorrenta (mm/mes); P es la precipitacin (mm/mes); S es el volumen de

agua almacenada en el suelo, la nieve y el agua subterrnea (mm/mes); E es la prdida de
agua debido a la evapotranspiracin real (mm/mes); DS es el cambio en el volumen de
agua almacenada (mm/mes); SS es el agua almacenada en el suelo como las aguas
subterrneas poco profundas (mm/mes); GWS es el agua almacenada en acuferos y aguas
subterrneas profundas (mm/mes); SNS es la cantidad de agua almacenada en la cobertura
de nieve (mm/mes). El carcter espacial del modelo hidrolgico STREAM permite el
anlisis de los patrones de disponibilidad de agua y los cambios en estos patrones, de
acuerdo con las medidas artificiales (cambios de uso del suelo como la deforestacin y el
riego) y las influencias externas como el cambio climtico.
En la Figura 5 se puede visualizar los principales compartimientos de almacenamiento y
los flujos de agua, que en conjunto determinan la disponibilidad de hdrica por cada celda
de la cuadrcula obtenida del MED.
PRECIPITACIN
COBERTURA DE
TEMPERATURA NIEVE
TIPO DE SUELO
CAPA DE SUELO
USO DE SUELO
ESCORRENTA
CAPA DE AGUA
EVAPOTRANSPIRACIN
SUBTERRANEA
Figura 5: Esquema conceptual vertical de la produccin de escorrenta en el modelo

hidrolgico STREAM en cada celda.
Fuente: Aerts et al. (1999).

18
La FAO (2006) indica que la ecuacin Hargreaves es una alternativa para el clculo de la
evapotranspiracin de referencia (ETo), ya que toma en consideracin solo la temperatura
como el principal parmetro de entrada; su clculo se obtiene con la siguiente ecuacin:
= 0.0023( + 17,8)( )0,5 0

Dnde: Ro es la radiacin solar extraterrestre, en mm/da (tabulada); Tmedia es
temperatura media; Tmax es la temperatura mxima.
Con la informacin pluviomtrica y de evapotranspiracin obtenida de la ecuacin de

Hargreaves, el modelo hidrolgico STREAM comienza a realizar los balances de agua,
celda por celda, siguiendo las ecuaciones para cada punto (x,y) pertenecientes a la cuenca,
mencionados lneas arriba. As es como finalmente, cada resultado del anlisis celda a
celda, seguir el flujo de drenaje de la cuenca obtenido del MED, para obtener finalmente
la escorrenta total en el punto final de la cuenca, dato que corresponde a la disponibilidad
hdrica final.
4.2.1 Simulacin, calibracin y validacin del modelo hidrolgico STREAM
La simulacin parte de un "sistema" en cual presenta una posible realidad, y a travs de

clculos o intercambio de valores en las variables, se pueden tomar decisiones segn el
comportamiento que tenga el "sistema" en la simulacin.
Este proceso consiste en conocer si existe proximidad entre el comportamiento del sistema
real (caudales observados) y el modelo hidrolgico STREAM, de manera que este ltimo
pueda sustituir al sistema real en cualquier punto de aforo de la cuenca.
El proceso de calibracin est orientado a obtener un orden aceptable de confiabilidad en

los resultados obtenidos con el modelo hidrolgico STREAM, mediante el ajuste de sus
parmetros de calibracin. Este proceso resulta muy importante en la metodologa de la
estimacin de los parmetros hidrolgicos, ya que involucra una serie de incertidumbres,
debido a la cantidad, calidad y grado de definicin espacial de la informacin bsica
empleada (Ramos, 2013).
Los parmetros de calibracin del modelo hidrolgico STREAM, as como los efectos de
ajustar dichos parmetros se muestran en la Tabla 2.
19
Tabla 2: Parmetros calibracin del modelo hidrolgico STREAM
Parmetro Significado Ajuste Efecto
Factor de cultivo, es decir lo que refleja el Superior Descarga inferior
CropF efecto de la cobertura de la tierra en la
Inferior Descarga ms alta
Evapotranspiracin potencial.
Baja pico
Parmetro de calibracin relacionado a la Superior
Cola superior
C capacidad de retencin de la descarga en el
Pico ms alto
tiempo. Inferior
Bajo la cola
Superior Descarga inferior
WATERH Capacidad de retencin de agua del suelo Descarga ms alta
Inferior
Pico comienza antes
TOGW Pico ms alto
Superior
factor (to Relacionado al flujo de las aguas Bajo la cola
ground subterrneas. Baja pico
Inferior
water) Cola superior
Fuente: Aerts, Bouwer y Van (2005)
La validacin del modelo hidrolgico STREAM determina la credibilidad del modelo, y

cuando resulte aceptable es posible obtener conclusiones aceptables al nivel de toma de
decisiones acerca del sistema real.
4.2.2 Indicadores de eficiencia en la modelacin hidrolgica
Estos indicadores, permiten evaluar el desempeo del modelo hidrolgico, es decir que tan
cerca est el funcionamiento del modelo del funcionamiento del sistema real.
El coeficiente de eficiencia de Nash y Sutcliffe (1970), es uno de los ms usados en

Hidrologa. Es la relacin entre el error cuadrtico medio de los valores simulados y la
varianza en los modelos observados, restados de la unidad. Sus valores adimensionales
varan de menos infinito uno y se calcula con la siguiente ecuacin:
2
=1(, )
= 1 2
=1(, )
20
Dnde: Qobs y Qsim son los caudales observados y simulados en el tiempo t; es el valor
promedio de los datos observados; n es el nmero de intervalos temporales.
Otro estadstico normalizado es el ndice RSR relaciona la raz del error cuadrtico medio
y la desviacin estndar de las observaciones; cuyos valores adimensionales varan de cero
al infinito (Moriasi, citado por Ramos, 2013). El RSR se calcula con la siguiente ecuacin:
2
=1( )
=
2
=1( )
Donde: Qobs y Qsim son los datos observados y simulados en el tiempo t; Qprom es el valor
promedio de los datos observados; n es el nmero de intervalos temporales.
De acuerdo a los dos ndices estadsticos mencionados anteriormente, a continuacin se

presenta la clasificacin del nivel de rendimiento de estos ndices con el fin que sean
utilizados para medir la eficiencia de cualquier modelo hidrolgico. Ver Tabla 3.
Tabla 3: Niveles de rendimiento de un modelo hidrolgico en funcin del ndice E y

RSR
Rendimiento RSRa E
Muy bueno 0.00 RSR 0.50 0.75 < E 1.00
Bueno 0.50 < RSR 0.60 0.65 < E 0.75
Satisfactorio 0.60 < RSR 0.70 0.50 < E 0.65
Insatisfactorio RSR > 0.70 E 0.50
Fuente: Moriasi et. Al. (2007) y Donigian y Inmhoff (2002), citados por Ramos
(2013).
4.3 Cambio climtico
Las proyecciones de los cambios en el sistema climtico se elaboran empleando una

jerarqua de modelos climticos, que van desde modelos climticos sencillos a otros
integrales. Estos modelos climticos son simuladores del sistema climtico (Atmsfera,
21
Hidrsfera, Crisfera, Bisfera y Litsfera) mediante la resolucin de las ecuaciones de las
leyes y principios de la fsica que gobiernan los procesos en cada componente del sistema
y los intercambios de energa y masa entre s (SENAMHI, 2015).
Estos modelos climticos se encuentran en pleno desarrollo desde el AR4 (Cuarto Informe
de Evaluacin del Panel Intergubernamental sobre el cambio climtico - 2007) y sus
avances permiten los clculos pertinentes para adecuarse a las polticas medioambientales,
como por ejemplo para el dixido de carbono (CO2), compatible con una meta de
estabilizacin climtica especificada.
Luego del AR4, el ltimo avance que el IPCC ha aprobado en su XXXVI reunin plenaria
realizada en setiembre 2013, fue la contribucin al Quinto Informe de Evaluacin (AR5,
de sus siglas en ingls) del Grupo de Trabajo I, dedicado a las bases cientficas fsicas del
cambio climtico. En trminos generales, se puede decir que, en lo referente a las bases
fsicas, el AR5 confirma y refuerza, los resultados del anterior informe. Este informe se
basa en nuevas evidencias extradas de un mayor nmero de observaciones, modelos
climticos mejorados, una mejor comprensin de los procesos y retroalimentaciones del
sistema climtico, y un mayor nmero de proyecciones de cambio climtico.
4.3.1 Escenarios de emisin para cambio climtico
Un escenario climtico futuro es una representacin plausible que indica cmo

posiblemente se comportar el clima en una regin en una cierta cantidad de aos,
tomando en cuenta datos histricos y usando modelos matemticos de proyeccin,
generalmente para precipitacin y temperatura (IPCC, 2007). El uso de mltiples
escenarios y modelos climticos han permitido describir una amplia gama de posibles
evoluciones futuras del clima de la Tierra.
Para las nuevas simulaciones de modelos climticos, realizados en el marco de la quinta

fase del Proyecto de comparacin de modelos acoplados (CMIP5) del Programa Mundial
de Investigaciones Climticas, se ha utilizado un nuevo conjunto de escenarios: las rutas
representativas de concentracin (RCP, de sus siglas en ingls), cabe sealar que algunos
nuevos RPC pueden contemplar efectos de las polticas orientadas a limitar el cambio
climtico del siglo XXI, a diferencia de los escenarios de emisin utilizados en el AR4
(denominados SRES, de sus siglas en ingls). En todas las RCP, las concentraciones
22
atmosfricas de CO2 son ms elevadas en el 2100 respecto al da de hoy, como resultado
de un mayor aumento de las emisiones de CO2 acumuladas en la atmsfera durante el siglo
XXI. En este nuevo tipo de escenarios se han definido fijar los niveles de forzantes
radiativas hacia el ao 2100, en vez de considerarse ciertos niveles futuros de emisin de
GEI. La forzante radiativa (FR) se define como la diferencia entre la radiacin entrante a la
Tierra versus la radiacin que se entrega de vuelta al espacio, lo que implica que si la
diferencia es positiva se tendr calentamiento, producto de la acumulacin de energa en la
superficie terrestre. La FR total para el ao 2100 vara desde 2,6 a 8,5 W/m2, tal como se
aprecia en la Tabla 4. De igual modo se observa segn el tipo de RCP un cambio de
temperatura superficial media muy significativa, con rangos desde 0.4C hasta 2.6C para
el periodo de 2046 -2065 y de 0.3C hasta 4.8C para el periodo de 2081-2100.
Segn el Quinto informe de evaluacin del IPPC (2013), cada RCP tiene asociada una base
de datos de alta resolucin espacial de emisiones de sustancias contaminantes (clasificadas
por sectores), de emisiones y concentraciones de gases de efecto invernadero y de usos de
suelo hasta el ao 2100, basada en una combinacin de modelos de distinta complejidad de
la qumica atmosfrica y del ciclo del carbono. De acuerdo a la Error! No se encuentra
el origen de la referencia.Figura 6Tabla 4, se visualiza los cuatro escenarios que
comprenden las RCP, uno donde los esfuerzos en mitigacin conducen a un nivel de
forzamiento muy bajo (RCP 2.6), dos escenarios de estabilizacin (RCP 4.5 y RCP 6.0) y
un escenario con un nivel muy alto de emisiones de GEI (RCP 8.5).
Tabla 4: Principales caractersticas para los cuatro escenarios de cambio climtico

RCP: RCP 2.6, RCP 4.5, RCP 6.0 y RCP 8.5
Rango probable para el Cambio
[CO2]en de temperatura superficial media
RCP FR Tendencia del FR (C)
2100
2046 -2065 2081-2100
RCP 2.6 2.6 W/m2 Decreciente en 2100 421 ppm 0.4 1.6 0.3 -1.87
RCP 4.5 4.5 W/m 2
Estable en 2100 538 ppm 0.9 -2.0 1.1 2.6
RCP 6. 0 6,0 W/m 2
creciente 670 ppm 0.8 1.8 1.4 3.1
RCP 8.5 8.5 W/m 2
creciente 936 ppm 1.4 2.6 2.6 4.8
Fuente: IPCC (2013)
23
Figura 6: Variacin de la temperatura global proyectado al 2100 para cuatro
escenarios de cambio climtico. Siendo el escenario con emisiones ms bajas el RCP
2.6 (lnea azul) y el escenario con emisiones ms altas el RCP 8.5 (lnea roja)
Fuente: IPPCC (2013)
De acuerdo a la Figura 7 (izquierda), se visualiza que en la mayora de las regiones habr

ms episodios relacionados con extremos de altas temperaturas y menos relacionados con
extremos de bajas temperaturas, causando que la tierra se va a calentar ms rpido que el
ocano, y el rtico se calentar ms rpido que los trpicos. Por otro lado, de acuerdo a la
misma Figura 7 (derecha), se observa que el contraste en la precipitacin estacional media
entre las regiones secas y hmedas aumentar en la mayor parte del globo. Las regiones
situadas en latitudes altas y en el ocano Pacfico ecuatorial vern incrementarse sus
precipitaciones.
24
T (C) PP
(%)
Figura 7: Variacin de la precipitacin y temperatura media, entre los periodos de

1986-2005 y 2081-2100: para los escenarios RCP 8.5 (ms altos) y RCP 2.6 (ms
bajos). Izquierda: Variacin de temperatura media en la superficie. Derecha:
Variacin de precipitacin media.
Fuente: IPPCC (2013)
Por consiguiente, el aumento en las forzantes radiactivas para las prximas dcadas y
decenios hace imperante la necesidad de modelar los posibles efectos a nivel hidrolgico y
la consecuente modificacin en la disponibilidad de recursos hdricos en las cuencas a
nivel global, herramientas necesarias en la gestin y explotacin de los recursos hdricos en
el mediano y largo plazo.
4.3.2 Modelos de circulacin general (GCM)
Segn la definicin del IPCC (2007), los modelos de circulacin general (GCM, de sus
siglas en ingls) constituyen una simplificacin e idealizacin del sistema climtico, por lo
que es considerada como la herramienta ms avanzada disponible en la simulacin de la
respuesta global a las concentraciones de gases de efecto invernadero cada vez mayores.
Estos modelos tienen como resultados series de tiempo de variables meteorolgicas como
temperatura y precipitacin. Para ello, los GCM representan procesos fsicos en la
atmsfera, crisfera y superficie terrestre; utilizando una grilla tridimensional del globo,
con resoluciones horizontales tpicas del orden de 250 a 600 km y de 10 a 20 capas
verticales en la atmsfera, llegando incluso a 30 capas en el ocano (ver Figura 8). La
grilla es por tanto bastante gruesa, siendo imposible de modelar los procesos que ocurren a
menores escalas (como formacin de nubes y procesos hidrolgicos a nivel de cuenca).
25
Figura 8: Esquema de los GCM.
Fuente: Data Distribution Centre - IPPC (2013)
Entonces los GCM muestran buena habilidad para simular la evolucin de las circulaciones
de escala global, esta bondad no es muy til para el estudio de impactos locales debido a
que la resolucin espacial de esos modelos est por encima de la escala de los impactos
locales que se desean analizar. Existen dos aproximaciones para lidiar con esta diferencia
de escala e informacin: los mtodos de reduccin de escala estadstica y dinmica
(Amador et al., 2008).
La regionalizacin estadstica asume una relacin entre las variables a una gran escala
espacial y el clima local, como precipitacin y temperatura. Se utiliza la ecuacin de
transferencia (por ejemplo regresin lineal) para determinar esa relacin. Por otra parte con
respecto al segundo mtodo, la regionalizacin dinmica usa la informacin de modelos
globales pero se ejecuta con una mayor resolucin espacial en un proceso llamado
anidacin (SENAMHI, 2015).
4.3.3 Regionalizacin estadstica de escenarios climticos en el Per
En contraste con la resolucin grosera de los actuales GCMs (200 km), casi todos los
impactos climticos ocurren a escala local (100 m 1 km) y su modelacin requiere
26
resolucin de mesoescala. Este ajuste de escala es particularmente importante en regiones
de topografa compleja: montaas, zonas costeras, lagos, etc. como es el caso del Per.
La regionalizacin climtica son tcnicas las cuales permiten derivar informacin a escala
ms fina desde las salidas de los GCM para estudios de impacto. Por lo tanto, considerando
la experiencia desarrollada en la regionalizacin de escenarios de cambio climtico en el
Per, el Servicio Nacional de Meteorologa e Hidrologa del Per (SENAMHI, en
adelante) de acuerdo al Marco conceptual del Proyecto AMICAF, ha usado de tcnicas
de regionalizacin o de disminucin de escala downscaling, lo que ha permitido obtener
informacin adaptadas a las caractersticas especficas del Per. En este sentido, para el
desarrollo de dicha tcnica fue necesario una base de datos observacionales para
desarrollar y validar los diferentes modelos de regionalizacin estadstica, por lo que el
SENAMHI proporcion la informacin diaria de las variables climticas: precipitacin,
temperatura mxima y temperatura mnima, para el conjunto de estaciones a nivel nacional
(Ver Figura 9).
Precipitacin Temperatura Mxima Temperatura Mnima
Figura 9: Puntos azules indican la ubicacin de las 265, 105 y 102 estaciones para las
variables de precipitacin, temperatura mxima y temperatura mnima.
Fuente: SENAMHI (2015)
El SENAMHI proporcion proyecciones de precipitacin, temperatura mxima y

temperatura mnima, hacia el perodo 2050 (media centrada del periodo 20362065) para
27
un conjunto de 6 posibles escenarios (3 GCM X 2 RCPs). Para ello us tres GCMs
(CanESM, CNRM-CM5 y MPI-ESM-MR, ver Tabla 5) y dos RCPs (RCP4.5 y RCP8.5).
Tabla 5: Caractersticas de modelos climticos globales (GCMs) empleados para la

regionalizacin estadstica de escenarios climticos en el Per.
Nombre GCM Instituto Resolucin Referencia
CanESM2 CCCMA 2.8 x 2.8 Chylek et al (2011)
CNRM-CM5 CNRM-CERFACS 1.4 x 1.4 Voldoire et al (2011)
Raddatz et al (2007);
MPI-ESM-MR MPI 1.8 x 1.8
Jungclauss et al (2010)
En los resultados obtenidos por el SENAMHI, de acuerdo a la Figura 10, se observa que
se tiene un incremento medio (respecto a 1971-2000) en todo el pas entre 2C a 3C y
4C a 6C para la temperatura mxima y mnima, respectivamente. En relacin a la
precipitacin, a pesar de su variabilidad espacial, se proyecta un incremento medio a nivel
nacional de entre 10 a 20 por ciento.
Precipitacin: 265 estaciones T. Mxima: 105 estaciones T. Mnima: 102 estaciones
Figura 10: Proyecciones para la precipitacin, la temperatura mxima y la

temperatura mnima con tres modelos GCMs con respecto a la informacin histrica
1971-2000. Cada escenario RCP 4.5 en lnea slida y RCP 8.5 en lnea punteada. El
sombreado en gris marca el periodo entre el fin de la simulacin histrica y el inicio
de los escenarios.
28
4.3.4 Futuro climtico regional para el Per
En el estudio del IPCC (2013) se muestran las evaluaciones regionales de cambio

climtico, principalmente sobre temperatura de aire superficial y precipitaciones, basado en
un conjunto de mltiples modelos de proyecciones. Segn el estudio, para el caso de Sur
Amrica se ve afectado por varios fenmenos climticos. Todas las variaciones del clima
que el Per exhibe de un ao a otro es conocido como variabilidad interanual, estn
determinadas en gran medida por la presencia de El Nio/Oscilacin Sur (ENOS) y los
eventos extremos asociados a ste, los que causan grandes prdidas econmicas por sus
impactos.
SENAMHI (2009) indica que los eventos ENOS ms intensos modulan el comportamiento
interanual, generando anomalas positivas de diferente intensidad a lo largo del Per. De
manera que en la Sierra Central y Sur muestran una variabilidad interanual muy similar,
pero con tendencias opuestas, donde los eventos ENOS parecen ser la principal fuente
dinmica que modula, con mayor intensidad, estas regiones. Las tendencias lineales de la
temperatura mxima media anual y estacional muestran un predominio de valores positivos
(aumento) sobre todo el territorio con valores de +0,2C/dcada en promedio y, en general,
estos son estadsticamente significativos en las zonas altas del sur del Per. De igual modo
las tendencias anuales y estacionales de las temperaturas mnimas promedio son en su
mayora positivas con valores de 0,1- 0,2 C/dcada, con excepcin de varias estaciones
ubicadas al norte del lago Titicaca.
La distribucin temporal de la temperatura mnima muestra su dependencia de las fases del

fenmeno ENOS, que altera la variabilidad interanual, dependiendo de su intensidad. Las
tendencias de las temperaturas mnimas medias se incrementaron, en promedio,
ligeramente en menor proporcin que las temperaturas mximas. Estas tendencias
observadas se encuentran dentro del rango estimado por el IPCC4 para todo la Tierra,
entre los aos de 1981 a 2005 (0,18 C/dcada). Asimismo tambin se analiza que estas
tendencias de las temperaturas presentan valores regionales muy particulares que,
posiblemente, adems de la influencia antropognica, existan otros aspectos tales como las
islas de calor, crecimiento de las ciudades, alteraciones de las propiedades del suelo,
deforestacin, etc., las que originan comportamientos diferenciados en las tendencias
observadas en las estaciones meteorolgicas de una misma regin (SENAMHI, 2009).
29
En el caso de la precipitacin total anual para el Per se presenta incrementos (tendencias
positivas) en el perodo de 1965 al 2006, marcados sobre la costa norte, con valores entre
30 y 40 por ciento sobre sus promedios, mientras que la selva norte presenta disminuciones
(tendencias negativas) desde la dcada de 1960 hasta fines del siglo pasado, con valores
entre 20 y 30 por ciento sobre sus promedios con significancia estadstica. (SENAMHI,
2009).
30
V. MATERIALES Y MTODOS
5.1 Zona de estudio: cuenca Lurn
5.1.1 Aspectos generales
La cuenca Lurn se encuentra localizada en la costa central del Per. Geogrficamente, se

encuentra entre los paralelos 11 5031 y 12 1634de Latitud Sur, y meridianos
761711 y 765433 de Longitud Oeste, extendindose entre el nivel del mar y los
5300 msnm; hidrogrficamente pertenece a la vertiente del Pacfico y tiene una direccin
Sur-Oeste, limitando por Norte, con la cuenca del ro Rmac, por el Este, con la cuenca del
ro Mala, por el Sur, con la cuenca del ro Chilca y, por el Sur-Oeste, con el Ocano
Pacfico. Ver Figura 11.
Figura 11: Lmite y altitud de la cuenca Lurn obtenido a partir del MED de 30 m de
pixel de ASTER GDEM.
Fuente: Elaboracin propia
31
La cuenca Lurn tiene su origen en los deshielos del nevado Surococha de la cordillera de
los Andes a 5300 msnm, desemboca en el ocano pacfico. Cuenta con un rea aproximada
de 1659 Km2. Esta cuenca, recibe en su recorrido, el aporte de numerosos ros o quebradas,
siendo las ms importantes: Taquia, Lahuaytambo, Langa, Sunicancha y Tinajas, por la
margen izquierda y Chamacha, por la margen derecha (MINAG, 2004).
La principal actividad econmica de la cuenca Lurn es la agricultura ganadera, siendo

la produccin de cultivos como la chala verde, frutales, maz choclo y chala y hortaliza, los
que juegan un rol importante en el mercado mayorista del rea de Lima Metropolitana.
Cabe mencionar que el turismo en esta cuenca no reviste mayor importancia desde el punto
de vista econmico, muy a pesar que la cuenca tiene recursos gran de valor, orientados al
turismo cientfico como de esparcimiento y ecolgico (Alfaro y Claveras, 2010).
5.1.2 Caractersticas geomorfolgicas
La respuesta hidrolgica de la cuenca est influenciada por sus caractersticas

geomorfolgicas, las cuales se resumen en la Tabla 6, a partir del MED y la red
hidrogrfica de la cuenca. Por ello, se puede concluir que la cuenca Lurn tiene una
pendiente de 4.76 por ciento. Presenta la forma general de un cuerpo alargado, es decir
tiene una baja capacidad receptora de precipitaciones pluviales, de acuerdo al valor 0,13
del factor de forma. Asimismo la cuenca est bien drenada, y por consiguiente tiene una
respuesta hidrolgica satisfactoria frente a las precipitaciones pluviales, de acuerdo al valor
de 0.81 Km/Km2 de la densidad de drenaje.
Tabla 6: Parmetros geomorfolgicos de la cuenca Lurn
Descripcin Medida
rea (km2) 1659
Longitud (km) 78.23
Permetro (km) 236.54
Cota mxima 5300
Cota mnima 0
Factor de forma 0.13
Coeficiente de compacidad 1.16
Pendiente % 4.76
rea total de drenaje (km2) 1113.35
Densidad de drenaje 0.81
Fuente: Obtenida a partir del MED

32
5.1.3 Climatologa
La informacin de precipitacin y temperatura empleada en el estudio, corresponden a 25

estaciones pluviomtricas y 13 estaciones termomtricas proporcionadas por el SENAMHI
para el periodo de enero de 1980 a diciembre del 2006. La ubicacin geogrfica y altitud
de estas estaciones, se detallan en la Tabla 7.
Tabla 7: Estaciones de precipitacin y temperatura empleadas en el estudio.
Variable climtica
Estacin Meteorolgica Longitud Latitud Altitud Periodo
PP Tmx Tmin
Alcantarilla -77.55 -11.05 120 1980-2006 x x
Hacienda Bernales -75.97 -13.76 294 1980-2006 x x
Hunuco -76.24 -9.97 2090 1980-2006 x x
Huarochir -76.23 -12.13 3182 1980-2006 x x
Huayan -77.12 -11.45 350 1980-2006 x x x
Huayao -75.32 -12.04 3360 1980-2006 x x
Jauja -75.48 -11.78 3360 1980-2006 x x
Marcapomacocha -76.33 -11.40 4479 1980-2006 x x x
Matucana -76.38 -11.84 2431 1980-2006 x x x
aa -76.84 -11.99 523 1980-2006 x x
Picoy -76.73 -10.92 3075 1980-2006 x x
Tarma -75.69 -11.40 3200 1980-2006 x x
Tunel Cero -75.08 -13.25 4475 1980-2006 x x
Pilchaca -75.08 -12.41 3650 1980-2006 x
Pariacancha -76.50 -11.38 4146 1980-2006 x
Carhuacayan -76.28 -11.20 4150 1980-2006 x
Yantac -76.40 -11.33 4684 1980-2006 x
Santa Cruz -76.63 -11.20 3590 1980-2006 x
Pallac -76.80 -11.35 2570 1980-2006 x
Huamantanga -76.75 -11.50 3368 1980-2006 x
Santa Eulalia -76.67 -11.92 945 1980-2006 x
Pirca -76.65 -11.23 3300 1980-2006 x
Lachaqui -76.62 -11.55 3895 1980-2006 x
Huaros -76.57 -11.40 3741 1980-2006 x
Carampoma -76.52 -11.66 3426 1980-2006 x
Santiago De Tuna -76.52 -11.98 3230 1980-2006 x
Ricran -75.53 -11.54 3687 1980-2006 x
Antioquia -76.50 -12.08 1839 1980-2006 x
San Lazaro De Escomarca -76.35 -12.18 3840 1980-2006 x
Huanec -76.14 -12.29 3194 1980-2006 x
Ayaviri -76.13 -12.38 3228 1980-2006 x
Tanta -76.02 -12.12 4355 1980-2006 x
Carania -75.87 -12.34 3875 1980-2006 x
Vilca -75.83 -12.11 3810 1980-2006 x
Fuente: SENAMHI a travs del Sistema MOSAICC
33
Las temperaturas promedio de la cuenca Lurn, registradas en las estaciones disponibles,
presentan dos pocas bien marcadas durante el ao: son mayores en verano (para los meses
de Enero a Marzo), siendo el valor ms alto en el mes de febrero (24.6C) y decrecen en
invierno (considerado de Junio a Setiembre), con un valor ms bajo en los meses de Julio y
Agosto (14.9C). Tomando en consideracin la altitud en metros sobre el nivel del mar de
la ubicacin de las estaciones, se puede decir que la temperatura en estas reas vara en
promedio, entre 10 C a nivel de los 3,500 m.s.n.m. y 3C por encima de los 4,500
m.s.n.m. La latitud interviene como un factor decisivo en la ocurrencia de temperaturas
bajas o heladas, las que, gradualmente, conforme se asciende hacia el rea de paredes
naturales, van limitando la actividad agrcola de la zona
La precipitacin en la cuenca de estudio es fundamentalmente orogrfica, ocasionada por

el traslado de masas de aire que impulsa el Anticicln del Atlntico sur y llegan a
sobrepasar la Cordillera Andina (MINAG , 2004).
En la Figura 12 se puede visualizar los registros de precipitacion promedio mensual para el

periodo de 1980-2006 de las estaciones San Lazaro de Escomarca, Santiago De Tuna,
Huarochiri, Matucana, Antioquia, Santa Eulalia. Se observa que las estaciones
pluviometricas con mayores precipitaciones son las de San Lazaro de Escomarca (con
altitud sobre los 3848 msnm) y Huarochiri (con altitud sobre los 3182 msnm) con una
precipitacin mensual promedio de 137.81 mm y 112.13 mm en el mes de Febrero,
respectivamente. Asimismo se observa que las estaciones pluviometricas que registran las
precipitaciones mensuales menores son: Antioquia (con altitud sobre los 1839 msnm) con
22.82 mm y Santa Eulalia (con altitud sobre los 945 msnm) con 9.86 mm para el mes de
Febrero. Por otro lado, de acuerdo a la misma figura se puede visualizar que las lluvias
tienen sus inicios en los meses primaverales y van cobrando mayor intensidad en el mes de
Febrero, para luego decrecer casi bruscamente durante el mes de Abril, en que se inicia un
periodo de estiaje que se caracteriza por la ocurrencia de precipitaciones muy escasas o por
la ausencia definitiva de estas en algunos meses, especialmente durante los meses ms fros
de Junio y Agosto.
34
Santa Eulalia Santiago De Tuna
Antioquia San Lazaro De Escomarca
Matucana Huarochiri
160
140
Precipiracion (mm)
120
100
80
60
40
20
0
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Figura 12: Precipitacin promedio mensual para el periodo 1980-2006.
Fuente: Elaborado con informacin de SENAMHI a travs del Sistema MOSAICC
5.2 Materiales
Sistema MOSAICC, creado por la FAO en asociacin con otras instituciones europeas
especializadas, es un paquete integrado de modelos para la realizacin de estudios de
evaluacin de los impactos del cambio climtico en la agricultura a nivel nacional.
MOSAICC puede ser utilizado para llevar a cabo diversos tipos de anlisis: impactos
del cambio climtico en los recursos hdricos, rendimiento de los cultivos, etc; siendo
su objetivo primordial la evaluacin de los efectos las variaciones de rendimiento de
los cultivos y su relacin con la economa nacional. Ver Figura 13.
El acceso al sistema MOSAICC se encuentra disponible en el siguiente enlace:

http://190.102.144.105/mosaicc/index.php?q; para acceder al sistema se debe solicitar
un usuario a la oficina de la FAO en Per.
35
Figura 13: Descripcin de los componentes del sistema MOSAICC.
Fuente: Portal FAO (2011)
Del sistema MOSAICC, se emple el mdulo referido a "Interpolacin climtica con

AURELHY" y "Modelacin hidrolgica STREAM"
Mapa de uso de la tierra y uso del suelo proporcionados por la FAO.

Informacin hidrometeorolgica de la zona de estudio: datos de precipitacin y
temperatura proporcionados por SENAMHI; e informacin hidromtrica
proporcionados por el ANA.
Modelo de elevacin digital (MED) de la cuenca Lurn, el cual se descarg en el
siguiente enlace: http://gdem.ersdac.jspacesystems.or.jp/.
Informacin de precipitacin y temperatura futura para diferentes modelos climticos y
escenarios de simulacin. Proporcionados por SENAMHI (2015).
Software de anlisis de imgenes satelitales: ArcGIS 10.0.
36
5.3 Metodologa
5.3.1 Preparacin del modelo de elevacin digital (MED)
Se sigui las siguientes instrucciones:
i. Preparar al MED en formato tiff , para luego ser comprimido en formato zip
ii. Ingresar al sistema MOSAICC y seleccionar del men la opcin DATA/Upload y
elegir el tipo dato grid (Work Mode Grid). Ver Figura 14 (Ventana superior).
iii. Ingresar el nombre del experimento (LURINX).
iv. Seleccionar en la opcion Content type al DEM .
v. Activar Upload para cargar al MED automaticamente al sistema. Ver Figura 14
(ventana inferior).
Figura 14: Ventanas del MOSAICC a seleccionar para ingreso del MED. Ventana
superior: Seleccin del Upload/Grid Data. Ventana inferior: carga del DEM de la
cuenca Lurn.
Fuente: Sistema MOSSAIC (2015)
37
5.3.2 Preparacion de informacion hidromtrica
Se prepar los datos de la estacion hidrmetrica Manchay con las siguientes instrucciones:
i. Preparar el punto de ubicacin geografica de la estacin mediante una hoja de

clculo Excel en formato delimitado por comas y comprimirla a formato zip. Ver
Figura 15. Figura 15
ii. Ingresar al sistema MOSAICC y seleccionar del men la opcin DATA/Upload y
elegir el tipo dato points (Work Mode Points).
iii. Ingresar el nombre de la estacin (M1_LURIN).
iv. Seleccionar Weather station location en la opcionContent type.
v. Seleccionar en la opcin Data Reference a FAOCLIM NET (FAO) e indicar
el periodo de aos (1980 -2006) de datos observados de precipitacin mensual que
se ingresaran al sistema. Ver Figura 16.
vi. Activar Upload para cargar la ubicacin de la estacin automticamente al
sistema.
vii. Preparar los datos observados de la estacin Manchay mediante una hoja de clculo
excel en formato .csv y comprimirla a formato zip. Ver Figura 17.
viii. Repetir los pasos ii y iii.
ix. Seleccionar Weather observations at station level en la opcin Content type,
x. Repetir los pasos v y vi.
38
Figura 15: Formato excel que debe usarse para insertar la ubicacin geogrfica de la
estacin hidrmetrica Manchay.
Figura 16: Ventana de insercin de la ubicacin geogrfica de la estacin

hidrometrica Manchay.
Figura 17: Formato excel que debe usarse para insertar los datos de la estacin
hidromtrica Manchay en m3/s.
39
Respecto a la informacin climtica de precipitacin para la cuenca Lurn, la sistema
MOSAICC cuenta con la informacin proveniente de 45 estaciones climticas que el
SENAMHI insert para el perodo de 1980-2006. En relacin a las variables de
temperatura mxima y mnima se ha contado con 13 y 12 estaciones respectivamente. La
lista de estaciones se detall en la seccin de 5.1.3.
5.3.3 Interpolacin de la precipitacin y temperatura
Para el proceso de informacin se realizaron los siguientes pasos: seleccin del rea de
estudio, anlisis PCA, anlisis preliminar, interpolacin con AURELHY. A continuacin
se detalla el procedimiento:
5.3.3.1 Seleccin del rea de estudio:
i. Seleccionar en la columna de opciones del MOSAICC, el item Study Area

ii. Ingresar el nombre del area de estudio (LURIN_01_)
iii. Seleccionar al departamento de Lima como rea de estudio de la cuenca Lurn (Ver
Figura 18).
Figura 18: Ventana de seleccin del area de estudio. Derecha: Ventana que permite
nombrar el rea de estudio. Izquierda: Seleccin del departamento de Lima como
rea de estudio para la cuenca Lurn. El color rosado indica que se ha activado la
correspondiente area de estudio.
40
5.3.3.2 Anlisis de componentes principales (PCA)
i. Seleccionar en la columna de opciones del MOSAICC el item PCA y dar click en

la opcin Star working with Grid.
ii. Elegir el DEM y el rea de estudio establecido en los paso anteriores,
iii. Ingresar el nombre del area de la corrida PCA
(PCA_LURIN_1KMRESOLUCION)
iv. Definir la resolucin espacial del rea de estudio (1 Km).
v. Ingresar el valor de 1.0 en la opcion step , este termino resulta ser un
multiplicador para la resolucin del MED inicial utilizado para ajustar la resolucin
de la mscara de la interpolacin. Ver Figura 19.
Figura 19: Ventana del MOSAICC correspondiente al PCA.
41
5.3.3.3 Anlisis preliminar
Este procedimiento se realiz primero para la precipitacin, luego, para las temperaturas
mximas y mnimas que posteriormente fueron utilizadas para el clculo de la
evapotranspiracin con el mtodo Hargreaves. A continuacin se detalla el procedimiento:
i. Seleccionar en la columna de opciones del MOSAICC el item Data Interpolation

y dar click en la opcin Star working with points.
ii. Seleccionar la opcin Preliminary Analisis of the data y escoger el experimento
correspondiente al PCA del paso anterior (Ver Figura 20).
iii. Ingresar el nombre del experimento.
iv. Seleccionar el tipo de variable a analizar (Precipitacin), la serie temporal a evaluar
monthly, la referencia que proviene de la base de datos climtica del SENAMHI,
el periodo de aos a evaluar (1980 -2006), el total de variables predictoras a
considerar (latitud, longitud, elevacin, distancia al mar y componentes
principales), y las estaciones meteorolgicas a considerar para el anlisis. Ver
Figura 21.
v. Seleccionar los parmetros para el modelo de variograma: el tipo de modelo
(esfrico, exponencial, gaussiano), los componentes del variograma (nugget, sill y
range), y el modelo anisotrpico opcional (ver seccin 4.1.1).
vi. Repetir los pasos de i al v, para las variables de temperatura mxima y mnima.
Figura 20: Men del MOSSAIC Data Interpolation.
42
Figura 21: Ventana del anlisis preliminar para la seleccin de los predictores y los
parmetros del variograma.
Como punto de partida para la optimizacin del anlisis preliminar se seleccionaron todas
las opciones por defecto, de manera que de acuerdo a la evaluacin de los resultados, se
fueron desactivando los componentes principales y estaciones que no cumplieron con el
rango estadstico, as como tambin se fueron variando los valores de los parmetros del
variograma. Cabe mencionar que estos valores fueron ajustados de acuerdo a la Tabla 8, la
cual indica el rango de valores de acuerdo al tipo de variable climtica (Precipitacin y
Temperaturas).
43
Tabla 8: Valores recomendados para los parmetros de los variogramas de
precipitacin y temperatura
Valores Valores para precipitacin

Parmetro
(Temperaturas) Clima rido Clima tropical
Pepita 0.2 to 1 0.02 to 0.2 0.5 to 2
Meseta 1 to 3 0.1 to 1 1 to 5
Rango 2 to 4 2 to 4 2 to 4
Fuente: Delobel (2014)
Como resultado de cada experimento se obtiene los archivos de salida (ver Figura 22 ),
donde figuran las distribuciones de los componentes principales, los diagramas de caja de
la distribucin de los predictores, el variograma y el archivo prec_prelim_out.txt, este
ltimo corresponde al archivo que resume el anlisis estadstico. Estos archivos se pueden
visualizar en la Figura 23, tal que (a) son las distribuciones de componentes principales, la
cual contiene los histogramas que se trazan para cada componente principal (barras grises),
y los valores de las estaciones (barras rojas); (b) representa la distribucin de las
puntuaciones de correlacin entre las variables de prediccin y los datos para interpolar; y
(c) corresponde al variograma que se obtiene de acuerdo al tipo y los parmetros elegidos
durante la ejecucin del anlisis preliminar de cada variable climtica.
Figura 22: Relacin de archivos de salida obtenidos del anlisis preliminar.
44
a) b)
c)
Figura 23: Diagramas de salida obtenidos del anlisis preliminar: (a)

histograma de componentes principales, (b) diagrama de cajas y (c)
variograma.
45
5.3.3.4 Aplicacin del mtodo AURELHY
Una vez concluido el anlisis preliminar, se procedi a realizar la interpolacin de los

datos (precipitacin, temperatura mxima y mnima) utilizando el mtodo AURELHY.
Para ello se siguieron las siguientes instrucciones:
i. Seleccionar en la columna de opciones del MOSAICC el item Data Interpolation,

dar click en la opcin Interpolation of the data starting from a preliminary
analysis y elegir el experimento proveniente del Anlisis Preliminar (Ver Figura
24).
ii. Ingresar el nombre del experimento.
iii. Seleccionar el mtodo de interpolacin AURELHY.
iv. Si la variable climtica a interpolar corresponde a la de precipitacin, escoger el
valor mximo y mnimo para los valores resultantes de la interpolacin de los datos
(ver Figura 25) . En contraste, si la variable climtica a interpolar corresponde a la
temperatura mxima (mnima) seleccionar el experimento de la variable anloga
temperatura mnima (mxima) proveniente del Anlisis preliminar correspondiente
a la variable anloga (ver Figura 25).
v. Activar Run para la interpolacion automatica al sistema.
Figura 24: Men de interpolacin de datos en MOSAICC
46
a)
b)
Figura 25: Parmetros caractersticos de los variogramas en la interpolacin

con AURELHY de (a) Precipitacin y (b) temperatura mxima y mnima.
Cabe mencionar que en la misma ventana, tanto para precipitacin como para las
temperaturas, aparecen los predictores, las estaciones, los valores de los componentes y el
tipo de variograma que fue utilizado para la interpolacin de los datos con AURELHY.
Ver Figura 26.
Como resultado de la interpolacin, se obtendrn los mapas de precipitacin, temperatura

mnima y temperatura, los cuales representan los valores obtenidos en cada una de sus
celdas. Ver Figura 27.
47
Figura 26: Ventana donde figuran los predictores, las estaciones, los valores de los
componentes y el tipo de variograma, tanto para precipitacin como para
temperaturas.
Cuenca Departamento Departamento

Lurn de Lima de Lima
a) b) c)
Figura 27: Distribucin espacial obtenida con el mtodo AURELHY para (a)
precipitacin, (b) temperatura mnima y (c) temperatura mxima.
48
5.3.4 Evapotranspiracin por el mtodo Hargreaves
Para el clculo de la evapotranspiracin se utiliz el mtodo Hargreaves, para ello se sigui

las siguientes instrucciones:
i. Seleccionar en la columna de opciones del MOSAICC el item PET-Hargreaves y

dar click en con la opcin Work mode is Grid.
ii. Ingresar el nombre del experimento.
iii. Seleccionar monthly como la serie temporal a evaluar.
iv. Seleccionar como datos de entrada, las interpolaciones de temperatura mxima y
mnima realizadas con el mtodo AURELHY (Ver Figura 28).
v. Activar Next para el calculo de la Evapotranspiracion en el sistema.
Figura 28: Ventana del men MOSAICC para la obtencin de la Evapotranspiracin

de Referencia (PET).
5.3.5 Oferta hdrica con el modelo hidrolgico STREAM
Para el presente anlisis, se utiliz una resolucin espacial de 1km y resolucin temporal
de un mes. Asimismo, se cont con informacin hidromtrica de la estacin Manchay para
un periodo de tiempo de enero 1980 a diciembre del 2006. Para obtener la oferta hdrica se
utiliz la interpolacin de la precipitacin, obtenida por el mtodo AURELHY, y la
evapotranspiracin, obtenida por el mtodo Hargreaves.
49
5.3.5.1 Simulacin del modelo STREAM en el tiempo presente
La simulacin se realiz en la estacin hidrometrica Manchay para el periodo de tiempo

de enero de 1980 a diciembre del 2006, para ello se sigui las siguientes instrucciones:
i. Seleccionar en la columna de opciones del MOSAICC el item STREAM, dar

click en la opcin Simulation from the scratch, elegir el MED correspondiente a
la cuenca en estudio, y verificar la zona geogrfica a la que pertenece la cuenca (18,
para la cuenca Lurn). Ver Figura 29.
ii. Seleccionar el punto de la cuenca a simular (estacin hidromtrica Manchay),
activar la opcin Add as a Dam/Outlet, colocar el nombre del punto a simular
(Punto_descarga) y activar save. Ver Figura 30 (a).
iii. Ingresar el nombre al experimento y seleccionar monthly como la serie temporal
a evaluar.
iv. Seleccionar la informacin climtica obtenida previamente, correspondiendo a la
precipitacin generada por el comando AURELHY y la Evapotranspiracin
generada por el comando PET-HARGREAVES. Ver Figura 30 (b).
v. Colocar los valores para los parmetros de calibracin manual del modelo
STREAM, tales como Crop Factor, Groundwater Fraction, Waterholding layer, C
el factor de calibracin, de manera que sus valores permanecieron por defecto para
la primera simulacin. Ver Figura 30 (b).
Figura 29: Entorno del STREAM en MOSAICC.

50
a)
b)
Figura 30: Ventanas que muestran los tems a seleccionar para la correcta
simulacin hidrolgica: (a) Seleccin del punto de aforo a simular y (b)
Seleccin de la informacin climtica de entrada y los parmetros de
calibracin manual.
Como resultado de la simulacin (Ver Figura 31), se obtiene una grfica de descarga en
m3/s de acuerdo al periodo de aos evaluados del punto seleccionado. Asimismo se
obtiene una tabla de descargas en m3/s, precipitacin (mm/mes) y temperatura media (C).
51
Figura 31: Ejemplo de los resultados de la primera simulacin realizada con el
modelo STREAM para la cuenca Lurn.
5.3.5.2 Calibracin y validacin temporal
La calibracin se realiz en el periodo de aos en que la simulacin del punto de la

estacin hidromtrica Manchay, se ajust ms a la tendencia real de descargas.
El procedimiento de calibracin ha constado en cambiar los valores de los parmetros de

calibracin (Crop Factor, Groundwater Fraction, Waterholding layer, C) con el fin que el
modelo hidrolgico STREAM pueda adaptarse a las condiciones de campo de la cuenca
Lurn. La calibracin fue un proceso iterativo de comparar el comportamiento del modelo
y el sistema real utilizando las diferencias observadas entre los dos, hasta que el caudal
simulado se acerque a los valores observados, evaluando la eficiencia de los modelos a
travs de indicadores de eficiencia: de forma visual, grfica y el coeficiente de Nash-
Sutcliffe (E) y el ndice RSR (ver seccin 4.2.2)
La validacin temporal se realiz en la estacin hidromtrica Manchay para todo el

periodo de tiempo no utilizado por la calibracin, para ello se us los parmetros
resultantes de la calibracin manual. Asimismo al igual que el proceso de calibracin, se
evalu la eficiencia del modelo con los indicadores: coeficiente de Nash-Sutcliffe (E) y el
ndice RSR.
52
Una vez aplicada la validacin, se procedi a obtener la simulacin final en la estacin
Hidromtrica de Manchay, para ello se realiz una nueva simulacin con los parmetros
obtenidos de la calibracin manual para todo el periodo de aos de estudio (1980-2006).
Como resultado, se obtuvo la informacin de descarga, precipitacin y temperatura media,
siendo la informacin necesaria para el balance hdrico presente.
5.3.5.3 Simulacin con la data futura
Una vez terminado el anlisis de los datos presentes, se procedi a realizar la simulacin de
la informacin climtica futura para el periodo 2010- 2065, utilizando las mismas
caractersticas usadas para la precipitacin y evapotranspiracin obtenidas del Anlisis
preliminar e interpolacin de datos, as como el uso de los parmetros optimizados de la
calibracin para los modelos climticos CANESM2-RCP4.5, CANESM2-RCP8.5, MPI-
ESM-MR-RCP4.5, y MPI-ESM-MR-RCP8.5 (ver Figura 32)
Figura 32: Ejemplo de resultado de la simulacin con la informacin climtica

futura para el modelo climtico CANESM2-RPC4.5 en el perodo 2010-2100.
53
5.3.6 Balance hdrico actual y futuro
Con los datos obtenidos de la simulacin presente y futura de la simulacin hidrolgica, se

procedi a efectuar los clculos tanto para el balance hdrico actual y futuro.
Se utiliz como oferta hdrica a la informacin del punto de final de descarga de la cuenca
Lurn, tanto para realizar la simulacin con la informacin presente como la futura. Por
otra parte, para el caso de la demanda presente, se tom en consideracin slo la demanda
agrcola presente de la cuenca, procedente del estudio de PROFODUA (2006); ya que el
consumo de agua poblacional en la cuenca de estudio se realiza mediante pozos
subterrneos. Asimismo, respecto a la demanda agrcola proyectada se tom en cuenta
una demanda incrementada en 50 por ciento, tomando en consideracin el crecimiento
exponencial de la poblacin, la cual conlleva mayores requerimientos de alimentos,
evaluando la disponibilidad hdrica, la ampliacin de la frontera agrcola, para elaborar
propuestas y toma de decisiones donde se busque principalmente asegurar la nutricin de
la poblacin manteniendo el concepto de seguridad alimentaria bajo escenarios de cambio
climtico.
Se procedi a realizar el balance hdrico presente y futuro, hallando la diferencia entre la

oferta y demanda para la cuenca Lurn.
54
VI. RESULTADOS Y DISCUSIN
Los resultados y discusin se presentan teniendo en consideracin la siguiente secuencia:

anlisis preliminar, oferta hdrica presente (simulacin, calibracin validacin), balance
hdrico presente, oferta hdrica futura y balance hdrico futuro.
6.1. Anlisis preliminar
6.1.1 Precipitacin
En el anlisis preliminar de la precipitacin, se trabaj con 25 estaciones dentro y fuera de

la cuenca. Ver Figura 33.
Figura 33: Ubicacin de las estaciones de precipitacin en la cuenca Lurn y

cercanas.
55
Se realizaron un total de veinte experimentos para la optimizacin del anlisis preliminar
de la variable precipitacin, sin embargo fueron nueve de ellos los que ms se ajustaron a
los indicadores estadsticos. Ver Tabla 9.
Tabla 9: Lista de experimentos del anlisis preliminar a la precipitacin en el periodo

de enero de 1980 a diciembre del 2006
Cdigo Nombre Tipo

5561 PRE_AREA_TODO Mensual, 25 estaciones
5562 PRE_AREA_ROSA Mensual. 23 estaciones
5563 PRE_AREA_ROSA_MOD Mensual, 24 estaciones
5708 ANALISIS_PRE_VERDE Mensual, 20 estaciones
5710 ANALISIS_PRE_VERDE_CLARO Mensual, 20 estaciones.
5578 ANALISIS_FUCSIA Mensual, 21 estaciones
5580 ANALISIS_FUCSIA_ESFERICO Mensual, 21 estaciones
A continuacin, en la se muestran a detalle los siete experimentos que se han realizado

para ajustar los modelos de regresin y el variograma como parte del anlisis preliminar
realizado para la precipitacin. Se pueden apreciar los diagramas de cajas y los
histogramas del anlisis de componentes principales.
56
Tabla 10: Lista de experimentos del anlisis preliminar para precipitacin
Experimento N 5561
N Estaciones: 25 Parmetros del variograma exponencial:
N Componentes principales: 12 Sill 1, Range 10, Nugget 0.5
Perfil de la regresin (anlisis estadstico) Grficas resultantes de los predictores
Modelos de regresin: resumen del ajuste Anlisis de componentes principales

del R
"Min." 0.07083
"1st Qu." 0.5889
"Median" 0.7324
"Mean" 0.7067
"3rd Qu." 0.8489
"Max." 0.985
Test de Fisher:
Percentage of significant model: 98.5
Percentage of non-significant model: 1.5
Test de Shapiro Wilk:

Percentage of normal residual: 90.6
Percentage of non-normal residual: 9.4
Factor de Inflacin de la Varianza (VIF)

para cada variable predictiva:
"x" 588.142 "PC6" 6.13 Diagrama de Cajas
"y" 191.388 "PC7" 15.671
"z" 10.194 "PC8" 9.113
"PC1" 3.629 "PC9" 3.116
"PC2" 4.735 "PC10" 5.555
"PC3" 2.95 "PC11" 10.082
"PC4" 12.335 "PC12" 2.599
"PC5" 6.699 "seadist" 464.721
Distancia de Cook sobre 0.5 y 1 Km. por

estacin
Jauja 3-1
Huayan 94-57
Matucana 6-1
Marcapomacocha 0-0
Huarochiri 2-2
Pariacancha 0-0
Carhuacayan 0-0
Yantac 0-0
Santa Cruz 0-0
Pallac 12-3
Huamantanga 22-4
Santa Eulalia 53-23
Pirca 4-1
Lachaqui 2-0
Huaros 1-0
Carampoma 6-2
57
Continuacin
Santiago De Tuna 12-2 Variograma
Ricran 19-8
Antioquia 34-10
San Lazaro de Escomarca 11-2
Huaec 9-7
Ayaviri 5-0
Tanta 1-0
Carania 11-2
Vilca 7-2
Experimento N 5562
N Estaciones:22 Parmetros del variograma exponencial:

del R
"Min." 0.1786
"1st Qu." 0.5853
"Median" 0.7188
"Mean" 0.6897
"3rd Qu." 0.8347
"Max." 0.9698
Test de Fisher:


"x" 22.775 "PC6" 8.439
"y" 17.733 "PC7" 38.229
"z" 21.831 "PC8" 6.853
"PC1" 12.6 "PC9" 6.745
"PC2" 19.991 "PC10" 10.081
"PC3" 3.321 "PC11" 13.111
"PC4" 19.043 "PC12" 3.275
"PC5" 9.967
58
Continuacin
Distancia de Cook sobre 0,5 y 1 Km. por Diagrama de cajas
estacin
Jauja 44-29
Matucana 21-7
Marcapomacocha 0-0
Huarochiri 13-4
Pariacancha 0-0
Carhuacayan 2-0
Yantac 0-0
Santa Cruz 1-0
Pallac 23-6
Santa Eulalia 57-31
Pirca 5-2
Lachaqui 3-1
Huaros 2-1
Carampoma 13-5
Santiago De Tuna 27-6 Variograma exponencial
Antioquia 55-29
San Lazaro De Escomarca 18-8
Huaec 12-7
Ayaviri 8-1
Tanta 3-2
Carania 23-5
Vilca 23-7
Experimento N5563
Anlisis de componentes principales
Modelos de regresin: resumen del ajuste
del R
"Min." 0.1515
"1st Qu." 0.5726
"Median" 0.7172
"Mean" 0.6796
"3rd Qu." 0.8282
"Max." 0.9464
Test de Fisher:

59
Continuacin
Factor de Inflacin de la Varianza (VIF) Diagrama de cajas
"x" 13.95 "PC6" 5.821
"y" 7.797 "PC7" 19.337
"z" 14.533 "PC8" 8.466
"PC1" 7.32 "PC9" 3.769
"PC2" 12.391 "PC10" 6.339
"PC3" 3.026 "PC11" 9.798
"PC4" 12.866 "PC12" 2.30
"PC5" 5.776
Distancia de Cook sobre 0,5 y 1 Km. por

estacin
Jauja 8-0
Matucana 18-3
Marcapomacocha 0-0
Huarochiri 6-2
Pariacancha 0-0 Variograma Exponencial
Carhuacayan 1-0
Yantac 1-0
Santa Cruz 1-0
Pallac 22-8
Huamantanga 21-3
Santa Eulalia 52-37
Pirca 5-2
Lachaqui 2-0
Huaros 2-0
Carampoma 4-1
Santiago De Tuna 15-2
Ricran 22-6
Antioquia 49-28
Huaec 10-6
Ayaviri 11-1
Tanta 2-0
Carania 17-5
Vilca 9-1
Experimento N5708
Modelos de regresin, resumen del ajuste
del R
"Min." 0
"1st Qu." 0.4897
"Median" 0.6293
"Mean" 0.6003
"3rd Qu." 0.7328
"Max." 0.962
60
Continuacin
Test de Fisher: Anlisis de componentes principales
Percentage of significant model: 92
Percentage of non-significant model: 8

Percentage of normal residual: 92
Percentage of non-normal residual: 8

para cada variable predictiva
"x" 96.29 "PC5" 9.803

"y" 85.046 "PC6" 9.7
"z" 64.406 "PC7" 93.043
"PC1" 24.976 "PC8" 8.866
"PC2" 153.596 "PC9" 12.541
"PC3" 5.049 "PC10" 18.927
"PC4" 15.161 "PC11" 13.53
"PC12" 5.92
Diagrama de Cajas
estacin
Jauja 20-12
Matucana 37-21
Marcapomacocha 0-0
Huarochiri 23-6
Pariacancha 0-0
Carhuacayan 3-0
Yantac 0-0
Santa Cruz 1-0
Pallac 33-14
Pirca 10-6
Lachaqui 10-4
Huaros 3-3
Carampoma 9-5
Santiago De Tuna 24-10 Variograma
Huaec
Ayaviri 19-9
Tanta 25-11
Carania 3-1
Vilca 18-6
22-7
61
Continuacin
Experimento N5710
del R
"Min." 0
"1st Qu." 0.4714
"Median" 0.6053
"Mean" 0.5822
"3rd Qu." 0.7241
"Max." 0.9462
Test de Fisher:

Factor de Inflacin de la Varianza (VIF) Diagrama de Cajas
"x" 7.219 "PC6" 5.253
"y" 3.562 "PC8" 6.28
"z" 11.85 "PC9" 5.028
"PC1" 9.486 "PC10" 2.835
"PC3" 2.335 "PC11" 7.773
"PC4" 3.554 "PC12" 5.862
"PC5" 6.637
estacin
Jauja 28-11
Matucana 28-14
Marcapomacocha 0-0
Huarochiri 17-6
Pariacancha 0-0
Carhuacayan 0-0 Variograma
Yantac 2-0
Santa Cruz 1-1
Pallac 42-21
Pirca 11-6
Lachaqui 6-3
Huaros 4-3
Carampoma 10-6
Huaec 15-9
Ayaviri 33-15
Tanta 3-1
Carania 11-6
Vilca 17-5
62
Continuacin
Experimento N5710
del R
"Min." 0
"1st Qu." 0.4714
"Median" 0.6053
"Mean" 0.5822
"3rd Qu." 0.7241
"Max." 0.9462
Test de Fisher:

Factor de Inflacin de la Varianza (VIF) Diagrama de cajas
"x" 7.219 "PC6" 5.253
"y" 3.562 "PC8" 6.28
"z" 11.85 "PC9" 5.028
"PC1" 9.486 "PC10" 2.835
"PC3" 2.335 "PC11" 7.773
"PC4" 3.554 "PC12" 5.862
"PC5" 6.637
estacin
Jauja 28-11
Matucana 28-14
Marcapomacocha 0-0
Huarochiri 17-6
Pariacancha 0-0
Carhuacayan 0-0 Variograma
Yantac 2-0
Santa Cruz 1-1
Pallac 42-21
Pirca 11-6
Lachaqui 6-3
Huaros 4-3
Carampoma 10-6
San Lazaro De 16-7
Escomarca
Huaec 15-9
Ayaviri 33-15
Tanta 3-1
Carania 11-6
Vilca 17-5
63
Continuacin
Experimento N5578
del R
"Min." 0.206
"1st Qu." 0.5774
"Median" 0.7237
"Mean" 0.6939
"3rd Qu." 0.8378
"Max." 0.9831
Test de Fisher:

Factor de Inflacin de la Varianza (VIF) :

"x" 63.273 "PC6" 16.312 Diagrama de cajas
"y" 56.671 "PC7" 82.498
"z" 73.918 "PC8" 19.463
"PC1" 27.255 "PC9" 5.557
"PC2" 24.31 "PC10" 12.838
"PC3" 3.449 "PC11" 13.621
"PC4" 53.243 "PC12" 4.294
"PC5" 13.427
estacin
Jauja 36-20
Matucana 17-4
Marcapomacocha 0-0
Huarochiri 14-3
Pariacancha 0-0
Carhuacayan 3-0
Yantac 1-0 Variograma
Santa Cruz 1-0
Santa Eulalia 68-38
Pirca 6-2
Lachaqui 9-0
Huaros 4-1
Carampoma 11-2
Antioquia 64-40
Huaec 19-14
Ayaviri 16-4
Tanta 2-1
Carania 27-7
Vilca 21-8
64
Continuacin
Experimento N5580
Perfil de la Regresin (anlisis estadstico) Grficas resultantes de los predictores
Modelos de regresin: resumen del ajuste Anlisis de Componentes Principales
del R
"Min." 0.206
"1st Qu." 0.5774
"Median" 0.7237
"Mean" 0.6939
"3rd Qu." 0.8378
"Max." 0.9831
Test de Fisher:

Diagrama de cajas
"x" 63.273 "PC6" 16.312
"y" 56.671 "PC7" 82.498
"z" 73.918 "PC8" 19.463
"PC1" 27.255 "PC9" 5.557
"PC2" 24.31 "PC10" 12.838
"PC3" 3.449 "PC11" 13.621
"PC4" 53.243 "PC12" 4.294
"PC5" 13.427
estacin
Jauja 36-20
Matucana 17-4
Marcapomacocha 0-0
Huarochiri 14-3
Pariacancha 0-0 Variograma
Carhuacayan 3-0
Yantac 1-0
Santa Cruz 1-0
Santa Eulalia 68-38
Pirca 6-2
Lachaqui 9-0
Huaros 4-1
Carampoma 11-2
Antioquia 64-40
Huaec 19-14
Ayaviri 16-4
Tanta 2-1
Carania 27-7
Vilca 21-8
65
El experimento N 5561 fue considerado como una lnea de base de los parmetros y
aspectos estadsticos para la optimizacin del anlisis preliminar, dando inicio a la
realizacin de experimentos adicionales, en los cuales se han ido modificando los tems
que caracterizan al experimento, como el nmero de estaciones, componentes principales,
as como el tipo y parmetros de variograma. Se puede observar que en este experimento
se obtienen buenos porcentajes para el test de Fisher y Shapiro Wilk (debido a que van
arriba del 90 por ciento en el porcentaje de significancia), siendo sus valores respectivos
de 98.5 por ciento para la significancia del modelo y 90.6 por ciento para la normalidad de
residuales. Estos valores nos indican que la informacin que ha sido procesada en el
anlisis preliminar, por parte de las variables predictoras (X, Y, Z, distancia al mar y
los componentes principales) se encuentra bastante ajustada en su distribucin respecto a
los residuales. Asimismo la mediana obtenida del ajuste de regresin R2 fue de 0.7324, lo
que resulta un valor bastante aceptable debido a que este valor se encuentra por encima de
0.5. Sin embargo, con respecto al factor de inflacin de la varianza (VIF), se visualiza que
las variables predictoras distancia al mar, X e Y; presentan un valor muy por encima
de lo normal o aceptable, que en este caso es el valor de 10. El hecho que estos predictores
mantengan un VIF elevado, indican una redundancia de informacin en las variables
predictoras, es decir, se tiene la misma informacin (de datos para la interpolacin) con
alta variabilidad en estos componentes principales.
La distancia de Cook para 0.5 y 1 Km. es un parmetro que indica cuan variable en
informacin es una estacin respecto a las dems y ha sido evaluado para cada una de las
estaciones pluviomtricas. Es as que las estaciones Huayn, Huamantanga, Santa Eulalia,
Ricran, Antioquia, presentan un ndice de Cook mayor al aceptable, notndose alta
variabilidad respecto al total de las estaciones. Lo ideal es que los valores que se obtengan
para las estaciones oscilen en un rango de 0 a 1, sin embargo por la gran cantidad de
informacin (324 meses para el perodo de 1980 al 2006) as como por la sugerencia del
equipo MOSAICC - Marruecos que trabaj con anterioridad el modelo, se consider el
cinco por ciento de la totalidad de datos mensuales como parmetro adecuado para
distancia Cook. Del clculo del cinco por ciento de 324 datos, se obtuvo un valor mximo
de 16 para dicho parmetro.
En el anlisis de componentes principales, se observaron que los histogramas que se han

obtenido tras los experimentos, reflejan cuanta de la informacin de las estaciones se han
contenido en cada uno de los componentes principales, sirviendo como gua referencial
66
para tomar slo a aquellos componentes principales que aglomeren en un porcentaje mayor
el total de la informacin. Asimismo, en el diagrama de cajas se puede considerar como
gua referencial de los componentes principales a utilizar, ya que refleja la distribucin de
las puntuaciones de correlacin entre las variables de prediccin y los datos, tal que las
variables predictoras han sido ordenadas segn el valor absoluto de su correlacin
mediana. En cuanto a un buen ajuste, la mediana deber encontrarse al centro de las cajas
y si tienden a alejarse de cero indicaran una buena correlacin y simetra de la distribucin
de los datos.
Los aspectos mencionados han sido tomados en cuenta para realizar los experimentos
adicionales. Como primer paso a tomar, se elimin el predictor "distancia al mar" ya que se
ha probado el comportamiento como variable redundante, haciendo que los valores de X
e Y se disparen. Como segundo punto de partida se tom en consideracin quitar
aquellas estaciones que han obtenido una distancia Cook superior al indicado por el equipo
de Marruecos, pero teniendo cuidado de no vulnerar la informacin disponible de la
Cuenca Lurn. Por ello, las estaciones Santa Eulalia y Antioqua se mantuvieron en el
anlisis a pesar de tener un valor de distancia Cook elevado, ya que la primera estacin se
encuentra muy cercana a la cuenca, mientras que la segunda forma parte de las cuatro
estaciones que se localizan dentro de la cuenca. Con respecto al modelo de variograma a
utilizar, fue el variograma exponencial el que se ajust mejor a la correlacin de los datos,
tomando en consideracin el intervalo de los parmetros descritos en la Tabla 8 de la
seccin 0.3. Asimismo, se consider el modelo anisotrpico para la representacin de la
informacin, debido a que toma en cuenta la distribucin espacial y temporal, reflejando
un mejor comportamiento de correlacin espacial entre las muestras a diferencia del
modelo isotrpico (ver seccin 4.1.1.2).
Las mejores correlaciones se muestran en los experimentos N5562, N 5563 y N 5578,

dado que las cajas se tienden a alejar del cero, tanto para el lado positivo y negativo. Este
detalle es un indicador de que las correlaciones se han ajustado mejor al modelo de
regresin, evitando una fuerte multicolinealidad de datos que har redundancia en la
informacin de las estaciones meteorolgicas.
En los experimentos N 5708, N 5710, N 5578, N 5580, se ha considerado restar en su

totalidad a las estaciones que haban resultado con un alto ndice de distancia Cook, sin
embargo no representaban un mejor ajuste de los variogramas, como s lo representa el
67
experimento elegido N 5563. Cabe mencionar que a pesar que las estaciones que se
encuentran dentro de la cuenca Lurn, que por trminos de variabilidad en altitud y
caracterstica de los datos, generaban altos valores de distancia de Cook, se consideraron
importantes para el para la interpolacin con el mtodo AURELHY, adecuando mejor a las
caractersticas reales de la cuenca; por consiguiente se opt por escoger el experimento que
haya considerado un mayor nmero de estaciones meteorolgicas.
Del anlisis de los parmetros estadsticos, el experimento N5563 fue el que mejor se
ajust en cuanto a la informacin de la cuenca Lurn. Este experimento fue formulado con
las variables predictoras: X, Y y los doce componentes principales, de manera que se
omiti la variable predictora distancia al mar, ya que esta se comportaba como una
variable redundante al tener un elevado valor de VIF. Asimismo, se consider un total de
24 estaciones, omitindose la estacin Huayn, la cual presentaba el mayor valor para el
parmetro de distancia de Cook en el primer experimento. Respecto al variograma, se
utiliz el tipo de variograma exponencial con los parmetros modificados (Sill 1, Range 4,
Nugget 0.2), considerndose el ms ptimo respecto al variograma esfrico y gausiano.
Como resultado del experimento se obtuvo una mediana del ajuste de regresin R2 de
0.712, test de Fisher de 95.7 por ciento para la significancia del modelo, y test de Shapiro
Wilk igual a 92.6 por ciento.
6.1.2 Temperatura mxima
Para el anlisis preliminar de la temperatura mxima, se trabaj con 13 estaciones

meteorolgicas alrededor de la cuenca, en el periodo de 1980 al 2006.
Se realizaron un total de treinta experimentos para la optimizacin del anlisis preliminar

de la variable temperatura mxima, sin embargo fueron nueve de ellos los que ms se
ajustaron a los indicadores estadsticos (ver Tabla 11).
68
Tabla 11: Lista de experimentos de anlisis preliminar realizado para temperatura
mxima en el periodo de enero de 1980 a diciembre del 2006.
Cdigo Nombre Tipo

5249 enero7_tmax_ani_esf_todo_A Mensual, 14 estaciones
5251 enero7_tmax_ani_exp_todo_A Mensual, 14 estaciones
5252 enero7_tmax_ani_gau_todo_A Mensual, 14 estaciones
5238 enero7_tmax_ani_sferic_sdist_A Mensual, 14 estaciones
5241 enero7_tmax_ani_exp_sdist_A Mensual, 14 estaciones
5239 enero7_tmax_ani_gau_sdist_A Mensual, 14 estaciones
5226 enero6_tmax_ani_sferic_sdist_huanc Mensual, 13 estaciones
5247 enero7_tmax_ani_exp_sdist_huanc_A Mensual, 13 estaciones
5245 enero7_tmax_ani_gau_sdist_huanc_A Mensual, 13 estaciones
A continuacin en la Tabla 12, se muestran a detalle los siete experimentos que se han
realizado para ajustar los modelos de regresin y el variograma como parte del anlisis
preliminar realizado para la temperatura mxima. Se pueden apreciar los diagramas de
cajas y los histogramas del anlisis de componentes principales.
69
Tabla 12: Lista de experimentos del anlisis preliminar para temperatura mxima
Experimento N 5249, 5251 y 5252

N Estaciones: 13
N Componentes principales: 12
Tipo de variograma: esfrico (N 5249), exponencial (N5251) y gaussiano (N 5252).
Parmetros del variograma: Sill 1, Range 2, Nugget 0.2
Perfil de la regresin (anlisis estadstico) Variogramas
Modelos de regresin: Anlisis de componentes principales Esfrico (N 5249)

resumen del ajuste del
R
"Min." 0.2676
"1st Qu." 0.8756
"Median" 0.9341
"Mean" 0.8972
"3rd Qu." 0.9678
"Max." 0.9964
Test de Fisher
Percentage of
significant model: 99.1
Percentage of non- Exponencial (N 5251)
Test de Shapiro-Wilk
Percentage of normal
residuals: 96.6 Diagrama de cajas
Percentage of non-
normal residual: 3.4
Distancia de Cook
sobre 0,5 y 1 Km. por
estacin
Hunuco 44-22 Gausiano (N 5152)

Alcantarilla 16-3
Jauja 6-1
Huayan 9 -3
Picoy 29-12
aa 6-0
Matucana 65- 31
Marcapomac 57 -24
ocha
Tarma 18 - 5
Huarochiri 27 - 7
Tunel Cero 50- 8
Hacienda 52 - 20
Bernales 24 - 11
Huayao 8-0
70
Continuacin

N Estaciones: 14
Modelos de regresin: Anlisis de componentes principales Esfrico (N 5238)

resumen del ajuste del
R
"Min." 0.2676
"1st Qu." 0.8256
"Median" 0.8916
"Mean" 0.8644
"3rd Qu." 0.9387
"Max." 0.9953
Test de Fisher
Percentage of
significant model:
98.8 Exponencial (N 5241)
Percentage of non-
significant model:
1.2
Test de Shapiro-Wilk Diagrama de cajas

residuals: 97.5
Percentage of non-
normal residuals:
2.5
Distancia de Cook
sobre 0,5 y 1 Km. por Gaussiano (N 5239)
estacin
Huanuco 26-11
Alcantarilla 12-3
Jauja 0-0
Huayan 1-0
Picoy 25-12
aa 6-1
Matucana 81-41
Marcapomac 66-25
ocha
Tarma 15-4
Huarochiri 15-4
Tunel Cero 61-8
Hacienda
Bernales 78-30
Huayao 8-0
71
Continuacin

N Estaciones: 13
Modelos de Anlisis de componentes principales Esfrico (N 5226)
regresin: resumen
del ajuste del R
"Min." 0.3845
"1st Qu." 0.7959
"Median" 0.8785
"Mean" 0.8519
"3rd Qu." 0.9334
"Max." 0.996
Test de Fisher
Percentage of
significant model: Exponencial (N 5247)
97.5
Percentage of non-
Test de Shapiro-Wilk Diagrama de cajas

residuals: 98.1
Percentage of non-
normal residuals:1.9
Distancia de Cook
estacin
Alcantarilla 7-0
Jauja 7-0 Gausiano (N 5245)
Huayan 1-0
Picoy 43-26
aa 6-2
Matucana 72-35
Marcapomac 55-28
ocha
Tarma 40-18
Huarochiri 27-13
Tunel Cero 118-
20
Hacienda
Bernales 36-13
Huayao 13-0
72
Los experimentos N 5249, N 5251 y N 5252 han sido considerados como lnea de
partida, ya que se han seleccionado a todas las estaciones que se encontraban dentro del
rea de estudio, como tambin el total de las variables predictoras: X, Y, Z, distancia
al mar y los doce componentes principales. Asimismo se utilizaron los mismos parmetros
de variograma (Sill 1, Range 2, Nugget 0.2) para los tres experimentos, los cuales fueron
elegidos de acuerdo a los criterios de la Tabla 8 en la seccin 5.3.3.3. Cabe sealar que la
nica diferencia entre los tres experimentos fue el tipo de variograma utilizado: esfrico
(N 5249), exponencial (N5251) y gaussiano (N5252).
Se han obtenido muy buenos porcentajes para el Test Fisher y Shapiro Wilk en los
resultados estadsticos de los tres experimentos, (debido a que van arriba de 95 por ciento
en el porcentaje de significancia), tal que sus valores corresponden 99.1 por ciento para la
significancia del modelo de Fisher y a 96.6 por ciento para la normalidad de residuales de
Shapiro-Wilk. Estos valores nos indican que la informacin por parte de las variables
predictoras se encuentra bastante ajustada en su distribucin respecto a los residuales.
Asimismo la mediana obtenida del ajuste de regresin R2es de 0.934 , por lo que resulta ser
un valor bastante aceptable debido a que este valor se encuentra muy por encima de 0.5.
Con respecto al resultado del parmetro estadstico distancia Cook, este result ser muy
elevado para la mayora de estaciones, lo cual se traduce en que la informacin de los
datos mensuales de temperatura mxima present una alta variabilidad. Las estaciones con
un mayor valor para este parmetro son: Matucana, ana, Huarochiri, Tunel Cero y
Hunuco, donde las tres primeras estaciones mencionadas son las ms cercanas a la
cuenca. Es preciso sealar que el sistema MOSAICC para esta variable, no registr
ninguna estacin meteorolgica dentro de la cuenca Lurn, por ello se consideraron a las
estaciones ms cercanas como las ms importantes, ya que estas contienen datos que
describen mejor las caractersticas reales de la cuenca. Por consiguiente, si bien la distancia
Cook no fue un parmetro determinante para la eleccin del experimento, ya que sus
valores registrados fueron muy elevados, si fue un indicador clave para observar la
variabilidad de la informacin.
Respecto a las grficas resultantes de los mismos experimentos, se puede observar en el

histograma de componentes principales que el PC6 es el componente que mejor representa
la variable predictora al tener sus barras grises y rojas distribuidas similarmente. Este
indicador estadstico sirvi como una gua referencial del contenido y distribucin de
73
informacin en cada componente principal, por lo que no se elimin ningn componente
principal en los posteriores anlisis. De igual modo se observa en el diagrama de cajas, que
los rectngulos se encuentran alejados de cero, tanto para el lado positivo y negativo, esto
indica que las correlaciones se han ajustado bien al modelo de regresin, evitando la
multicolinealidad.
posteriores. Como primer paso a tomar, se elimin el predictor "distancia al mar", como se
hizo con la optimizacin de la variable precipitacin, ya que se quera probar el
comportamiento de la ausencia de esta variable predictora. Como resultado de estos
experimentos (N 5238, 5241 y 5239) se obtuvo una mediana de la regresin de R2 de
0.8916, Test de Fisher de 98.8 por ciento para la significancia del modelo, y Test de
Shapiro Wilk igual a 97.5 por ciento para la normalidad de residuales, siendo este ltimo
indicador estadstico el que se increment con respecto a los primeros experimentos
realizados. Asimismo para el parmetro distancia Cook, se observa que el valor se
incrementa ligeramente para las estaciones que obtuvieron un mayor valor en los
experimentos anteriores y disminuye significativamente para las otras estaciones.
Asimismo, respecto a los variogramas, se observa que estos mejoraron, siendo el tipo
gaussiano (N5239) el que mejor se ajust a la correlacin de los datos.
Seguidamente se tom en consideracin descartar aquellas estaciones que han obtenido

una distancia Cook superior, pero teniendo cuidado de no vulnerar la informacin
disponible de la cuenca Lurn; por ello en los experimentos N 5526, 5247 y 5245 se
elimin la estacin Hunuco, la cual es la ms lejana entre todas las estaciones
consideradas por el sistema MOSAICC. Como resultado de estos experimentos, se obtuvo
una mediana de la regresin de R2 de 0.8785, Test de Fisher de 97.5 por ciento para la
significancia del modelo, y Test de Shapiro Wilk igual a 98.1 por ciento para la
normalidad de residuales, siendo este ltimo indicador estadstico el que se increment an
ms con respecto a los primeros experimentos realizados. Respecto al parmetro distancia
Cook, se observa que el valor se incrementa ligeramente para las estaciones con mayor
valor y disminuye para las otras estaciones.
Del anlisis de los experimentos, se opt por escoger el experimento N5245, si bien se
obtuvieron valores estadsticos muy buenos en todos los experimentos, el parmetro
determinante fue el variograma; por consiguiente el variograma gaussiano de este
74
Experimento fue el que alcanz el mejor ajuste de una funcin a una serie de puntos as
como tambin fue el que mejor explic el patrn de variabilidad espacial de la variable
investigada. Este experimento fue formulado con 12 componentes principales en total,
donde no se ha considerado la variable predictora distancia al mar, as como a la estacin
Hunuco debido a que al inicio del experimento, se obtuvo un valor elevado de distancia
Cook y adems es la estacin ms lejana de la cuenca. Se utiliz el tipo de variograma
exponencial con los parmetros modificados (Sill 1, Range 2, Nugget 0.2).
6.1.3 Temperatura mnima
Para el anlisis preliminar de la variable climtica temperatura mnima, se trabaj con 12

estaciones meteorolgicas alrededor de la cuenca.
Se realizaron un total de veinte experimentos para la optimizacin del anlisis preliminar

de la variable temperatura mnima, sin embargo fueron nueve de ellos los que ms se
ajustaron a los indicadores estadsticos (ver Tabla 13).
Tabla 13: Lista de experimentos de anlisis preliminares realizados para temperatura

mnima en el periodo de enero de 1980 a diciembre del 2006.
Cdigo Nombre Tipo
5133 enero3_tmin_ani_esfr_T Mensual, 12 estaciones
5134 enero3_tmin_ani_exp_T Mensual, 12 estaciones
5135 enero3_tmin_ani_gau_T Mensual, 12 estaciones
5278 enero8_Tmin_ani_esf_sdist_R4 Mensual, 12 estaciones
5281 enero8_tmin_ani_exp_sdist_R4 Mensual, 12 estaciones
5143 enero3_tmin_ani_gau_sdist Mensual, 12 estaciones
5181 enero5_tmin_ani_esf_sdist_alcant_huanuc_R Mensual, 11 estaciones
5291 enero8_tmin_ani_exp_sdist_huanc_alcantar_D Mensual, 11 estaciones
5262 enero8_tmin_ani_gau_sdist_alcantarillla_huanc Mensual, 11 estaciones
A continuacin en la Tabla 14 se muestran a detalle los siete experimentos que se han

realizado para ajustar los modelos de regresin y el variograma como parte del anlisis
preliminar realizado para la temperatura mnima. Se pueden apreciar los diagramas de
cajas y los histogramas del anlisis de componentes principales.
75
Tabla 14: Lista de experimentos del anlisis preliminar para temperatura mnima

N Estaciones: 12
Tipo de variograma: esfrico (N 5133), exponencial (N5134) y gaussiano (N 5135)
Parmetros del variograma: Sill 1, Range 4, Nugget 1

regresin: resumen
del ajuste del R
"Min." 0.7601
"1st Qu." 0.9311
"Median" 0.9569
"Mean" 0.9459
"3rd Qu." 0.9754
"Max." 0.9987
Test de Fisher
Percentage of
significant model:100
Percentage of non- Exponencial (N 5134)
significant model: 0
residuals: 95.1
Percentage of non- Diagrama de cajas
normal residuals: 4.9
Distancia de Cook
estacin
Hunuco 95-41 Gaussiano (N 5135)
Alcantarilla 10-1
Huayan 2-0
Picoy 31-22
aa 21-3
Matucana 83-21
Marcapomac 94-46
ocha 9-3
Tarma 28-3
Tunel Cero 13-1
Pilchaca
Hacienda 22-1
Bernales 22-1
Huayao
76
Continuacin

N Estaciones: 11

regresin: resumen
del ajuste del R
"Min." 0.7701
"1st Qu." 0.9011
"Median" 0.9363
"Mean" 0.9262
"3rd Qu." 0.959
"Max." 0.9941
Test de Fisher
Percentage of
significant model:100 Exponencial (N 5281)
Percentage of non-
significant model: 0
residuals: 95.4
Percentage of non-
normal residuals:4.6 Diagrama de cajas
Distancia de Cook
estacin
Hunuco 93-45
Alcantarill 14-9 Gaussiano (N 5143)
a 8-0
Huayan 71-54
Picoy 24-8
aa 73-43
Matucana 43-13
Marcapom
acocha 2-1
Tarma 17-1
Tunel Cero 10-0
Pilchaca
Hacienda 32-5
Bernales 4-1
Huayao
77
Continuacin

N Estaciones: 12
Parmetros del variograma: Sill 1, Range 4, Nugget 1

regresin: resumen
del ajuste del R
"Min." 0.7025
"1st Qu." 0.8983
"Median" 0.9319
"Mean" 0.9235
"3rd Qu." 0.9619
"Max." 0.9979
Test de Fisher
Percentage of
significant model:
99.7
Percentage of non-
significant model:0.3 Exponencial (N 5291)
residuals: 93.2
Diagrama de cajas
Percentage of non-
normal residuals:6.8
Distancia de Cook
estacin
Huayan 14-7
Picoy 38-26
aa 20-1
Matucana 48-13
Marcapomac 27-9 Gaussiano (N 5262)
ocha
Tarma 20-2
Tunel Cero 74-14
Pilchaca 17-0
Hacienda
Bernales 46-8
Huayao 14-4
78
Los experimentos N 5133, N5134 y N5135 han sido considerados como una lnea base
de los parmetros y aspectos estadsticos, ya que fue realizado con todas las estaciones y
variables predictoras. Para los tres experimentos se utilizaron los mismos parmetros de
variograma (Sill 1, Range 4, Nugget 1), los cuales fueron elegidos de acuerdo a los
criterios de la Tabla 8 de la seccin 5.3.3.3; cabe sealar que se utiliz el tipo de
variograma esfrico para el N 5133, exponencial para el N 5134 y gaussiano para el N
5135. Pues bien, se puede observar en los resultados de estos experimentos que se
obtuvieron elevados porcentajes para el Test de Fisher un porcentaje de significancia del
modelo de 100 por ciento y para la normalidad de los residuales de Shapiro Wilk 95.1
por ciento, estos valores elevados nos indican que la informacin que ha sido procesada en
el anlisis preliminar, por parte de las variables predictoras (X, Y, Z, distancia al
mar y los componentes principales) se encuentran bastante ajustados en su distribucin
respecto a los residuales. Asimismo la mediana obtenida del ajuste de regresin R2 es de
0.9569 lo que resulta un valor bastante aceptable debido a que este valor se encuentra muy
por encima de 0.5.
En el caso del parmetro estadstico distancia Cook, este result elevado para la mayora
de estaciones, siendo los valores ms altos para las estaciones de Hunuco, Matucana y
Marcapomacocha, lo cual indica que estas estaciones presentan alta variabilidad en sus
datos con respecto a los datos mensuales de las dems estaciones. El sistema MOSAICC
no identific ninguna estacin meteorolgica dentro de la cuenca Lurn, al igual que para
la realizacin del anlisis preliminar de la variable de temperatura mxima, por ello se
consider a las estaciones ms cercanas como las ms importantes, ya que estas describen
mejor las caractersticas reales de la cuenca. Por consiguiente, si bien la distancia Cook no
fue el parmetro estadstico determinante para la eleccin del experimento, ya que sus
valores registrados fueron muy elevados, si fue un indicador clave para observar la
variabilidad de la informacin. De igual modo se observa en el diagrama de cajas, que los
rectngulos se encuentran alejados de cero, tanto para el lado positivo y negativo, esto
indica que las correlaciones se han ajustado bien al modelo de regresin, evitando la
multicolinealidad. Respecto al variograma, se observa que ninguno de los tres tipos de
variograma se ajust bien a la correlacin de los datos.
El Factor de inflacin de la varianza no ha sido presentado en la Tabla 14, debido que el

sistema MOSAICC presenta a este parmetro de forma no convencional; sin embargo, es
importante mencionar que el predictor distancia al mar present un elevado valor (mayor a
79
90), por lo que, se decidi excluir, para evitar la redundancia de los datos de la
informacin.
posteriores. Como primer paso a tomar, se elimin el predictor "distancia al mar", como se
hizo con la optimizacin de la variable precipitacin, ya que se quera probar el
comportamiento de la ausencia de esta variable predictora. Como resultado de los
experimentos N 5278, N 5281 y N 5143, se obtuvo una mediana de la regresin de R 2
de 0.9363, test de Fisher de 100 por ciento para la significancia del modelo, y Test de
Shapiro Wilk igual a 95.1 por ciento para la normalidad de residuales, siendo los valores
de estos dos ltimos parmetros estadsticos iguales a la serie de experimentos anteriores.
Asimismo para el parmetro distancia Cook, se observa que los valores de algunas
estaciones se elevan ligeramente, con excepcin de Huayan y ana, sin embargo los
valores de otras estaciones bajan significativamente como es el caso de Matucana y
Marcapomacocha. Asimismo, respecto a los variogramas se observa que estos mejoraron,
siendo el tipo exponencial (N5281) el que mejor se ajust a la correlacin de los datos.
Para los siguientes experimentos, se consider descartar aquellas estaciones que han
obtenido un distancia Cook elevado, sin embargo ya que la mayora de estaciones tiene
este parmetro elevado, se elimin las estaciones ms lejanas a la cuenca (estaciones
Hunuco y Alcantarilla) con el fin de no vulnerar la informacin disponible de la Cuenca
Lurn. Por ello, como resultado de estos experimentos N 5181, N 5291 y N 5262 se
obtuvo una mediana de la regresin de R2 de 0.9319, test de Fisher de 99.7 por ciento para
la significancia del modelo, y test de Shapiro Wilk igual a 93.2 por ciento para la
normalidad de residuales, sin embargo a pesar que haya disminuido estos valores
estadsticos con respecto a los anteriores experimentos, se aprecia una mejora con el
parmetro distancia Cook, se observa que los valores de algunas estaciones se elevan
ligeramente, con excepcin de Tarma; sin embargo los valores de otras estaciones bajan
significativamente como es el caso de las que se encuentran ms cercanas a la cuenca:
Matucana, Marcapomacocha y ana. Tambin observa una mejora en los variogramas
resultantes, respecto a los variogramas obtenidos en el inicio del anlisis, se puede sealar
que estos mejoraron, siendo el variograma tipo exponencial (N5291) el que mejor se
ajust a la correlacin de los datos de todos los experimentos realizados.
80
El experimento N5291 fue el que mejor ajusto en cuanto a la informacin de la cuenca.
Este experimento ha sido formulado con 12 componentes principales en total, donde no se
ha considerado la variable predictora distancia al mar. Asimismo no se tomaron en cuenta
las estaciones Hunuco y Alcantarilla, ya que estas al inicio, presentaban valores elevados
del parmetro distancia Cook adems que estas son las estaciones que se encuentran ms
alejadas de la cuenca. Se utiliz el tipo de variograma exponencial con los parmetros
modificados (Sill 1, Range 4, Nugget 1), considerndose el variograma exponencial ms
ptimo respecto a los otros tipos de modelos de variograma.
Cabe indicar que para realizar la interpolacin para las variables precipitacin,
temperatura mxima y mnima con el mtodo AURELHY, se utilizaron las caractersticas
optimizadas del anlisis preliminar. Del mismo modo, para el clculo de la
evapotranspiracin se utilizaron los experimentos correspondientes a la interpolacin
AURELHY de temperatura mxima y mnima. Estos archivos se encontraban internamente
en el Sistema MOSAICC para su seleccin posterior.
6.2. Oferta hdrica con el modelo hidrolgico STREAM
6.2.1 Simulacin inicial
Una primera simulacin del modelo se realiz en la estacin Manchay para el periodo de
enero 1980 a diciembre del 2006, obtenindose la Figura 34, en que se visualiza el caudal
simulado (m3/mes), el caudal observado (m3/mes) y la precipitacin (mm/mes). Se observa
que, aunque si bien es notorio que algunos de los picos de los caudales observados son
muy elevados respecto a los del caudal simulado en las siguientes fechas: 1982-02, 1987-
02, 1989-02, 1991-03, 1993-02, 1994-02, 1997-02,1998-01, 1993-03 y 2001-03; el caudal
simulado mantiene la misma tendencia que el del observado a lo largo de todo el periodo.
Asimismo, se obtuvo un ndice de Nash de 0.404 y RSR de 0.77, lo cual refleja una
simulacin muy cercana ser satisfactoria segn Tabla 3.
81
Qobservado Qsimulado Precipitacion
50 0
E = 0.404 50
40 100
RSR = 0.77 150
30 200
mm/mes
m3/mes
250
20 300
350
10 400
450
0 500
1980-ene
1980-ene
1982-ene
1983-ene
1984-ene
1985-ene
1986-ene
1987-ene
1988-ene
1989-ene
1990-ene
1991-ene
1992-ene
1993-ene
1994-ene
1995-ene
1996-ene
1997-ene
1998-ene
1999-ene
2000-ene
2001-ene
2002-ene
2003-ene
2004-ene
2005-ene
2006-ene
t= 1 mes
Figura 34: Hidrograma del caudal observado y simulado por el modelo hidrolgico
STREAM en la estacin hidromtrica Manchay de la cuenca Lurn. Periodo de
anlisis: Enero 1980 a Diciembre 2006.
6.2.2 Calibracin
Se calibraron los cuatro parmetros del modelo hidrolgico STREAM en la estacin

hidromtrica Manchay para un periodo de duracin de Enero de 1980 a Diciembre de
1984. Los parmetros se fueron ajustando a travs de la mejora de los ndices de Nash y
RSR. Para ello se realizaron siete pruebas, utilizando en cada una, diferentes valores de
parmetros de calibracin. Ver Figura 35 y Figura 36.
En las siete pruebas se ha mantenido el valor del parmetro CropFactor igual a 1, debido a
que su influencia dentro de la simulacin con el modelo hidrolgico STREAM no es
significante, pues, este parmetro se ha recalculado automticamente cuando se efectu el
clculo de la evapotranspiracin con Hargreaves, de modo que el modelo ya lo ha
incorporado.
La ltima prueba (N 7) result ser la ms ajustada para el proceso de calibracin, pues

obtuvo el ms alto ndice de Nash igual a 0.631 y RSR 0.608, estos valores indican que la
simulacin fue satisfactoria bajo los parmetros de calibracin seleccionados. Por
consiguiente los valores de estos parmetros (CropFactor = 1, Groundwater fraction= 0.4,
Waterholding layer = 1, y C Factor = 1), fueron utilizados para validar la simulacin en el
siguiente paso.
82
50 0
10
40 20
30 Prueba N1 -Parmetros
E = 0.585 40
de calibracin
mm/mes
30 50
m3/s
RSR = 0.644 60 CropFactor 1

20 70 Groundwater 0.3
80
90 Waterholding
10 1
100 Layer
110 C 1.5
0 120
1980-ene 1980-ene 1982-ene 1983-ene 1984-ene
t= 1 mes

50 0
20
40
30 de calibracin
E = 0.573
40 CropFactor 1
mm/mes
m3/s
RSR = 0.653 60
20 70 Waterholding
80 0.8
Layer
90
10 100 C 1.5
110
0 120
t= 1 mes

50 0
10
40
30 de calibracin
E = 0.621 40
CropFactor 1
mm/mes
30 50
m3/s
RSR = 0.616
60 Groundwater 0.4
20 70
80 Waterholding
1
10
90 Layer
100
110 C 0.8
0 120
t= 1 mes

50 0
20
40
E = 0.543 30 de calibracin
40 CropFactor 1
mm/mes
30 50
m3/s
RSR = 0.676 60 Groundwater 0.4

20 70 Waterholding
80 0.8
90 Layer
10 100 C 0.8
110
0 120
t= 1 mes
Figura 35: Hidrogramas del caudal observado y simulado en las pruebas de

calibracin 1, 2, 3 y 4 en la estacin hidromtrica Manchay para el periodo de enero
1980 a diciembre de 1984 (lado izquierdo). Indicadores de eficiencia de la calibracin
(lado derecho).
83
50 0
E = 0.552 10 Prueba N5 -Parmetros
40 20 de calibracin
30
RSR = 0.669 40 CropFactor 1
mm/mes
m3/s
60 Waterholding
20 70 0.8
80 Layer
90 C 0.7
10 100
110
0 120
t= 1 mes
Qobservado Qsimulado Precipitacin

50 0
10
E = 0.629 20
40
30
RSR = 0.609 40 Prueba N6 -Parmetros
30
mm/mes
50 de calibracin
m/s
60
70 CropFactor 1
20
80 Groundwater 0.4
90 Waterholding
10 100 1.1
110 Layer
0 120 C 0.7
t= 1 mes

50 0
10
40 20
E= 0.631
mm/mes
30 40 de calibracin
RSR = 0.608
m3/s
50
CropFactor 1
20 60
70 Groundwater 0.4
10 80 Waterholding
1
90 Layer
0 100 C 1
t= 1 mes
Figura 36: Hidrogramas del caudal observado y simulado en las pruebas de

calibracin 5, 6 y 7 en la estacin hidromtrica Manchay para el periodo de enero
1980 a diciembre de 1984 (lado izquierdo). Indicadores de eficiencia de la calibracin
(lado derecho). En rojo los valores finales de los parmetros calibrados del modelo
hidrolgico STREAM
84
6.2.3 Validacin
Se realiz la validacin temporal del modelo hidrolgico STREAM en la estacin

hidromtrica Manchay para un periodo de enero de 1985 a diciembre del 2006
obtenindose los hidrogramas que se visualizan en la Figura 37. Los parmetros empleados
en la validacin, son los obtenidos de la calibracin: CropFactor = 1, Groundwater
fraction= 0.4, Waterholding layer = 1, y C Factor = 1.

60 0
50
50
100
E = 0514
150
40
RSR = 0.697 200
mm/mes
m/s
30 250
300
20
350
400
10
450
0 500
1985-ene 1989-may 1993-sep 1998-ene 2002-may 2006-sep
Figura 37: Hidrograma observado y simulado de la validacin temporal en la estacin

hidromtrica Manchay para un periodo de enero de 1985 a diciembre del 2006.
Se obtuvo un valor del ndice de Nash de 0.514 y un ndice RSR igual a 0.697, los cuales
se encuentran dentro del rango satisfactorio. Por otro lado, se tienen caudales mensuales
simulados que van desde 0.11 a 24.34 m/s.
85
6.3.Balance hdrico actual
El resultado de la simulacin final en el punto de aforo de la estacin hidromtrica

Manchay para el periodo de Enero de 1980 a Diciembre del 2006, se puede visualizar en la
Figura 38 (a), donde se observa la oferta hdrica y la demanda agrcola presente. Por lo
que se calcul la diferencia entre la oferta y demanda, obteniendo el balance hdrico para
dicho periodo. De acuerdo a la Figura 38 (b), se observa que en promedio los mayores
valores de dficit hdrico han sido durante los aos 1988 (-53.46 MMC), 1990 (-67.28
MMC) y 1992 (-43.55 MMC). Los aos con supervit hdrico debido a eventos de
Fenmeno del nio han sido: 1982 (23.71 MMC) y 1983 (18.1 MMC), 1997 (108.54
MMC) y 1998 (100.39 MMC).
Oferta Demanda agrcola

70
60
50
MMC
40
30
20
10
0
1982-ene
1988-ene
2001-ene
1980-ene
1981-ene
1983-ene
1984-ene
1985-ene
1986-ene
1987-ene
1989-ene
1990-ene
1991-ene
1992-ene
1993-ene
1994-ene
1995-ene
1996-ene
1997-ene
1998-ene
1999-ene
2000-ene
2002-ene
2003-ene
2004-ene
2005-ene
2006-ene
a)
Disponibilidad hdrica
60
40
20
MMC
0
-20
1985-ene
1992-ene
2001-ene
1980-ene
1981-ene
1982-ene
1983-ene
1984-ene
1986-ene
1987-ene
1988-ene
1989-ene
1990-ene
1991-ene
1993-ene
1994-ene
1995-ene
1996-ene
1997-ene
1998-ene
1999-ene
2000-ene
2002-ene
2003-ene
2004-ene
2005-ene
2006-ene
b)
Figura 38: Balance hdrico en la cuenca Lurn para el periodo de Enero de 1980 a
Diciembre del 2006: (a) Oferta hdrica y demanda agrcola y (b) disponibilidad
hdrica
En general, de acuerdo al comportamiento de la oferta hdrica y demanda agrcola a nivel

mensual, as como del balance hdrico (ver Figura 39) se observa que para el periodo de
aos evaluado (1980-2006) se mantiene una mayor disponibilidad hdrica durante los
meses de Enero a Marzo, tal que su valor mximo de 18.27 MMC. Asimismo se observa
86
que el dficit hdrico se inicia partir de finales de Julio a inicios de Diciembre, siendo su
valor mximo de 5MMC.
Oferta Demanda Agrcola Disponibilidad Hdrica

35 20
30 15
25 10
MMC
MMC
20
5
15
10 0
5 -5
0 -10
Septiembre
Febrero
Marzo
Abril
Mayo
Noviembre
Octubre
Diciembre
Febrero
Marzo
Enero
Junio
Julio
Agosto
Mayo
Septiembre
Noviembre
Abril
Octubre
Diciembre
Julio
Junio
Enero
Agosto
Figura 39: Balance hdrico promedio a nivel mensual de enero 1980 a diciembre 2006
para la cuenca Lurn. Izquierda: oferta hdrica y demanda agrcola. Derecha:
disponibilidad hdrica.
6.4. Oferta hdrica futura con el modelo hidrolgico STREAM
Un escenario climtico futuro es una representacin plausible, que indica cmo

posiblemente se comportar el clima en una regin en una cierta cantidad de aos,
tomando en cuenta datos histricos y usando modelos climticos de proyeccin (IPCC,
2007). Para el presente estudio, el periodo futuro a proyectar fue de Enero del 2010 a
Diciembre del 2065 con los modelos climticos CANESM2 y MPI-ESM-MR y dos
escenarios de emisin RCP4.5 y RCP8.5. Por lo que se obtuvieron un conjunto de cuatro
(4) proyecciones pausibles.
Se han utilizado los datos de precipitacin y evapotranspiracin interpolados, ajustados con

los mismos parmetros obtenidos de la calibracin del perodo de 1980-1984, para el punto
de descarga ubicado en la estacin hidromtrica Manchay. Es preciso mencionar que las
proyecciones resultantes no son una declaracin frrea de lo que va a ocurrir en el intervalo
de aos futuros evaluados, sino que pretende dar una idea de las condiciones que podran
presentarse dentro de la cuenca Lurn para efecto de toma de decisiones rpidas en
referencia al contexto del cambio climtico por parte de los actores principales de la
cuenca. A continuacin se muestran los resultados, en la Figura 40.
87
Caudal 1980-2006 Caudal 2010-2065 CanESM2-RCP 4.5
Caudal 2010-2065 CanESM2 - RCP 8.5 Caudal 2010-2065 MPI-ESM-MR RCP 4.5
Caudal 2010-2065 MPI-ESM-MR RCP 8.5
22.5
Caudal promedio anual (m3/s)
20
17.5
15
12.5
10
7.5
5
2.5
0
2064
1980
1989
1998
2010
2019
2028
2037
2046
2055
Figura 40: Caudal promedio anual para el periodo histrico (linea ploma) y futuro en
las cuatro proyecciones analizados: CANES M2 RCP 4.5 (linea azul), CANES M2
RCP 8.5 (linea roja), MPI-ESM-MR RCP 4.5 (linea celeste) y MPI-ESM-MR 8.5
(linea naranja).
De acuerdo a la figura anterior, se observa un incremento del caudal promedio anual hacia
el periodo 2065 en 2.8 m3/s. dentro de lo que corresponde al escenario CANESM2- RCP
4.5. En dicho escenario, el caudal mantiene la misma tendencia hacia el periodo 2040,
siendo a partir de este ao que se incrementa ligeramente, tal que llega a un caudal maximo
de 13.01 m3/s. Con respecto al escenario CANESM2-RCP 8.5, este result ser el escenario
con el caudal mayor entre los cuatro analizados, evidencindose un mximo valor de 15
m3/s en el periodo 2025-2040 y de 21.5 m/s2 el periodo 2040-2065, siendo este ltimo
periodo en el que se observa un mayor incremento.
En constraste, en el modelo climtico MPI-ESM-MR para el escenario RCP 8.5, se

observ un menor incremento de caudal anual promedio respecto al modelo CANESM2 -
RCP 8.5 , siendo su maximo valor de caudal 12,1 m/s2 durante el periodo 2025-2040, y de
17 m/s2 el periodo 2040-2065, siendo este ltimo tramo donde se observa un mayor
incremento. Finalmente, respecto el escenario MPI-ESM-MR-RCP 4.5, se visualiza que el
caudal promedio anual crece ligeramente respecto al caudal anual mximo histrico,
manteniendo la misma tendencia durante todo el periodo 2025-2065. Cabe sealar que el
presente escenario result tener los menores incrementos de caudales, entre los cuatro
escenarios analizados, siendo el valor de su caudal anual promedio mximo y mnima de
10.7 m/s2 y 4.2 m/s2 respectivamente.
88
Para el caso de las temperaturas en la cuenca Lurn, se analizaron las temperaturas medias
promedio anual (C) histrico y futuro para los cuatro proyecciones (CANESM2 RCP 4.5,
CANESM2-RCP 4.5, MPI-ESM-MR- RCP 4.5 y MPI-ESM-MR RCP 8.5), tal como se
muestra en la
Figura 41 y Figura 42.
1980 - 2010 Modelo GCM1 CanESM2 - RCP 4.5

Modelo GCM1 CanESM2 - RCP 8.5
26
Anual Promedio (C)
Temperatura Media
24
22
20
18
16
2026
2050
1980
1983
1986
1989
1992
1995
1998
2001
2004
2011
2014
2017
2020
2023
2029
2032
2035
2038
2041
2044
2047
2053
2056
2059
2062
2065
Figura 41: Evaluacin de temperatura promedio anual histrico y futuro para
el modelo CANESM2 en los escenarios RCP 4.5 y RCP 8.5. Lnea naranja:
temperatura promedio anual del periodo histrico. Lnea azul: Escenario RCP
4.5. Lnea roja: Escenario RCP 8.5.
1980 - 2010 Modelo GSM 3 MPI-ESM-MR RCP 4.5

Modelo GSM 3 MPI-ESM-MR RCP 8.5
26
Temperatura Anual
Promedio (C)
24
22
20
18
16
1986
2001
1980
1983
1989
1992
1995
1998
2004
2011
2014
2017
2020
2023
2026
2029
2032
2035
2038
2041
2044
2047
2050
2053
2056
2059
2062
2065
Figura 42: Evaluacin de temperatura promedio anual histrico y futuro para

el modelo MPI-ESM-MR en los escenarios RCP 4.5 y RCP 8.5. Lnea naranja:
temperatura promedio anual del periodo histrico. Lnea azul: Escenario RCP
4.5. Lnea roja: Escenario RCP 8.5.
De acuerdo a la Figura 41, en el escenario CANESM2 -RCP 4.5 se observa un incremento

de 1.5 C respecto al promedio histrico hasta el ao 2029. En el tramo de aos del 2030 al
2038 se aprecia un incremento en promedio de 0.7 C, luego regresa al comportamiento
inicial hasta el ao 2050, donde las temperaturas se vuelven a incrementar ligeramente con
89
un valor mximo registrado de 22.82 C para el ao 2050 y mnimo de 21.96 C para el ao
2065.
En el caso del escenario CANESM2 - RCP 8.5 (ver Figura 41) la tendencia es constante
hasta el ao 2038, con una temperatura media promedio mnima de 20.73 C y mxima de
23.6 C. A partir del ao 2040, la tendencia de temperaturas medias se incrementa con un
mayor gradiente, llegando a una temperatura mxima de 25 C para el ao 2061.
Lgicamente los incrementos de temperatura media han sido mayores para este escenario
en comparacin al escenario RCP 4.5 por las condiciones de aumento constante de
emisiones de CO2 hacia el ao 2100, que representa el escenario climtico.
De acuerdo a la Figura 42, en el escenario MPI-ESM-MR - RCP 4.5, los valores de

temperatura promedio mantienen un comportamiento estable hasta el ao 2028, con
valores que oscilan entre 20 y 21.7 C. En el periodo proyectado de 2029-2049 se observa
el incremento de 0.6 C respecto al tramo anterior, con una temperatura mnima de 20.6 y
mxima de 22.3. A partir del ao 2050 al 2065 las temperaturas medias anuales llegan a un
pico de 21.7C, evidencindose un incremento promedio de 1C respecto al tramo inicial
comprendido del 2010-2028.
En el caso del escenario MPI-ESM-MR RCP 8.5 (ver Figura 42), la tendencia de
incremento es bastante constante, comenzando con valores de temperatura promedio anual
de 21.3C para el ao 2010 y 22.6 C para el ao 2034. Durante el ao 2035 la temperatura
promedio tiende a descender 0.5 C, manteniendo un ritmo inestable trmico hasta el ao
2043, siendo el ao 2042 donde se alcanzara un pico de 22.12 C. Hacia el ao 2044 en
adelante, los incrementos de temperatura son ms constantes, estando alrededor de los 23
C hasta alcanzar 24.2 C hacia el ao 2062.
6.4.1 Anlisis de la variacin del caudal y la temperatura futura
Para un anlisis ms exhaustivo de los resultados, se calcul las diferencias porcentuales

para los datos mensuales de caudales y temperatura media, obtenidos del periodo 1980-
2006 frente a los resultados mensuales de 2010-2065 obtenidos para los cuatro escenarios
analizados: CANESM2 - RCP 4.5, CANESM2 - RCP 8.5 y MPI-ESM-MR - RCP 4.5 y
MPI-ESM-MR - RCP 8.5.
90
Caudales
Se puede observar en la Figura 43 el contraste que se presenta para el caudal en la serie

histrica 1980-2006 frente al escenario futuro 2010- 2065. Asimismo en la
Tabla 15, se visualiza el clculo de la diferencia porcentual entre el valor histrico y los
cuatro escenario evaluados (CANESM2 RCP 4.5, CANESM2 RCP 8.5 y MPI-ESM-MR
RCP 4.5 y MPI-ESM-MR RCP 8.5).
Histrico 1980-2006 Histrico 1980-2006

CanESM2 RCP 4.5 2010-2065 30 CaneESM2 RCP 8.5 2010-2065
25
25
Caudal m3/s
20
Caudal m3/s
20
15
15
10 10
5 5
0 0
Enero
Junio
Julio
Agosto
Octubre
Diciembre
Abril
Noviembre
Mayo
Febrero
Marzo
Septiembre
Enero
Agosto
Junio
Julio
Octubre
Abril
Mayo
Diciembre
Noviembre
Febrero
Marzo
Septiembre
a) b)

MPI-ESM-MR RCP 4.5 2010-2065 MPI-ESM-MR RCP 8.5 2010-2065
20 25
Caudal m3/s
20
Caudal m3/s
15
15
10
10
5 5
0 0
Enero
Agosto
Junio
Julio
Octubre
Abril
Diciembre
Noviembre
Febrero
Marzo
Mayo
Septiembre
Enero
Agosto
Junio
Julio
Octubre
Diciembre
Abril
Noviembre
Mayo
Febrero
Marzo
Septiembre
c) d)
Figura 43: Variacin del caudal a nivel mensual entre el periodo histrico y futuro
para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): a)
ESM-MR 8.5. Lnea ploma: Caudal histrico en m3/s. Lnea verde: Caudal futuro en
m3/s.
91
Tabla 15: Diferencias porcentuales para los valores de caudal para las cuatro
proyecciones de cambio climtico analizadas respecto a los valores histricos 1980-
2006
Q (%) Q (%) Q (%) MPI- Q (%) MPI-
Meses CaneESM2 CaneESM2 ESM-MR ESM-MR
RCP 4.5 RCP 8.5 RCP 4.5 RCP 8.5
Enero 118.11 237.91 53.32 128.39
Febrero 82.41 149.58 51.71 94.60
Marzo 66.16 108.85 41.54 77.13
Abril 65.09 117.12 44.31 72.81
Mayo 81.36 149.52 55.82 94.04
Junio 112.57 252.55 131.42 183.67
Julio 109.95 273.34 113.56 168.74
Agosto 86.49 312.22 125.27 175.81
Septiembre 91.21 346.52 135.34 224.60
Octubre 10.20 264.35 59.99 193.34
Noviembre 12.15 259.47 21.67 148.96
Diciembre 89.07 303.69 40.10 145.95
Para el escenario RCP 4.5 del Modelo CanESM2, se observa un incremento de los
caudales proyectados para los meses de Enero a Junio, siendo la mxima diferencia
porcentual de 118 por ciento. En contraste, durante los meses de Agosto a Noviembre si
bien tambin se tiende a un incremento de caudales, este es ms moderado respecto a los
anteriores meses, registrndose la menor diferencia porcentual para los meses de Octubre
(10 por ciento) y Noviembre (12 por ciento). Con respecto a la comparacin del escenario
RCP 8.5 del Modelo CanESM2 con la data histrica, se observa que el incremento de
caudales durante toda la serie mensual es el mayor respecto a los dems escenarios
analizados, la diferencia porcentual corresponde desde 108 por ciento para el mes de
Marzo hasta 346 por ciento para el mes de Setiembre; esto se evidencia con la diferencia
de los valores del caudal proyectado respecto a valores histricos van de 5 a 18 m3/s y de
1.4 a 6 m3/s.
Por otro lado, para el escenario RCP 4.5 modelo MPI-ESM-MR, se han registrado
incrementos que van desde 21.7 por ciento para el mes de Diciembre hasta 135.5 por
ciento para el mes de Setiembre. Ello indica un aumento sustancial de las recargas para los
meses en donde no se sola disponer de mucho recurso hdrico. Adems, se observa que el
incremento de caudales en general ha sido menor para todos los meses de la serie en este
escenario, comparndolo con el total de escenarios analizados.
92
En lo que concierne al escenario RCP 8.5 del mismo modelo, se observa que los
incrementos porcentuales varan desde 72.8 por ciento para Abril hasta 224.6 por ciento
para setiembre. Es este ltimo escenario (RCP 8.5) donde se mantiene en constante
incremento de emisiones de CO2, las tendencias de incremento son mayores de Junio a
Noviembre, coincidiendo tambin el aumento de caudales en los meses secos, realizando
un contraste con la informacin procesada para el perodo de 1980-2006.
Temperatura
Realizado el anlisis de diferencias porcentuales para los valores de temperatura media

promedio anual, se puede apreciar de la Figura 44. el contraste que se presenta para la
variable en la serie histrica 1980-2006 frente al escenario futuro 2010- 2065.

CanESM2 RCP 4.5 2010-2065 CaneESM2 RCP 8.5 2010-2065
27.50 27.50
Temperatura Media (C)
25.00 25.00
22.50 22.50
20.00 20.00
17.50 17.50
Novie
Diciem
Septie
15.00
Dicie
Novie
Septie
15.00
Enero
Julio
Agosto
Junio
Octubre
Abril
Mayo
Febrero
Marzo
Enero
Julio
Agosto
Junio
Octubre
Abril
Mayo
Febrero
Marzo
a) b)

MPI-ESM-MR RCP 4.5 2010-2065 MPI-ESM-MR RCP 8.5 2010-2065
25.00 27.50
22.50 25.00
22.50
20.00
20.00
17.50
17.50
Noviem
Septie
15.00
Novie
Diciem
Septie
15.00
Enero
Agosto
Junio
Julio
Octubre
Diciembre
Abril
Mayo
Febrero
Marzo
Enero
Agosto
Junio
Julio
Octubre
Abril
Mayo
Febrero
Marzo
c) d)
Figura 44: Variacin de la temperatura media a nivel mensual entre el periodo

histrico y futuro para las cuatro proyecciones de cambio climtico analizadas (2
GCM x 2 RCP): a) CANESM2 RCP 4.5, (b) CANESM2 RCP 8.5, (c) MPI-ESM-MR
RCP 4.5 y (d) MPI-ESM-MR 8.5. Lnea naranja: Temperatura histrica en C.
Lnea azul: Temperatura futura en C.
93
Tabla 16: Diferencias porcentuales en la temperatura para los cuatros escenarios
proyectados respecto a los valores histricos 1980-2006.
T (%) T (%) T (%) MPI- T (%) MPI-
Meses CaneESM2 CaneESM2 ESM-MR ESM-MR
RCP 4.5 RCP 8.5 RCP 4.5 RCP 8.5
Enero 3.70 9.94 1.74 6.75
Febrero 2.00 8.26 0.54 4.85
Marzo 1.10 6.13 -1.17 3.44
Abril 2.58 10.05 0.07 4.95
Mayo 5.02 12.85 1.03 6.06
Junio 11.23 20.06 4.18 10.34
Julio 9.25 18.34 4.37 9.62
Agosto 9.64 19.63 5.27 12.11
Septiembre 7.46 16.91 4.80 12.05
Octubre 6.72 15.83 4.50 12.03
Noviembre 6.56 14.83 2.94 9.85
Diciembre 4.27 11.34 1.16 6.06
La temperatura media en la serie histrica presenta incrementos desde 1.1 por ciento para
el mes de Marzo, hasta 11.23 por ciento para el mes de Junio. En general, viendo el
contraste que se presenta para la serie de 1980-2006 frente al escenario futuro 2010- 2065
en el escenario RCP 4.5 del modelo climtico CanESM2, se observa un incremento de 1.3
C aproximadamente para los meses de Junio a Noviembre. En el escenario RCP 8.5 del
modelo climtico CanESM2, se observa un incremento que vara desde 6.13 por ciento en
el mes de Marzo hasta 19.63 por ciento durante el mes de Agosto. Para este escenario el
incremento de temperatura en general es de 2.4 C. Para el modelo climtico MPI-ESM-
MR RCP 4.5 las diferencias porcentuales van desde - 1.17 por ciento para el mes de
Marzo, hasta 4.8 por ciento para el mes de Septiembre. El incremento promedio de
temperatura en relacin al periodo histrico es de 0.8 C.
Dentro de lo observado en el escenario climtico RCP 8.5 para el mismo modelo, se tiene
una variacin porcentual mxima de 12.11 por ciento para el mes de Agosto, y una mnima
de 3.44 por ciento para el mes de Marzo, respecto al periodo histrico. Esto quiere decir en
general que los meses con menor temperatura que son de Junio a Octubre, se harn ms
clidos, respecto a los meses de Enero a Marzo, cuyos incrementos porcentuales son
menores. Esto indudablemente afectara todo lo que respecta al periodo de siembra los
tipos de cultivos, que se desarrollen futuramente en la cuenca, as como los rendimientos
de cultivos.
94
6.5. Balance hdrico futuro
Se realiz el balance hdrico futuro en el punto de aforo correspondiente al punto estacin

hidromtrica Manchay, para dos casos en particular:
Caso 1: La oferta futura corresponde al caudal mensual obtenido de la simulacin

del periodo 2010-2065 frente a la demanda hdrica futura considerada igual a la
demanda agrcola presente, tal como se describe en el estudio de PROFODUA
(2006), suponiendo que esta se mantiene en el tiempo.
Caso 2: La oferta futura corresponde al caudal mensual obtenido de la simulacin
del periodo 2010-2065 frente a la demanda hdrica futura considerada igual a la
demanda agrcola presente incrementada al 50 por ciento.
6.5.1 Caso 1: Oferta hdrica futura y demanda agrcola constante
Se puede visualizar en la Figura 45 el comportamiento de la Oferta hdrica futura y la

demanda agrcola futura, considerando que esta ltima se mantiene igual desde la
actualidad. Asimismo se puede observar el comportamiento de estos componentes para las
cuatro proyecciones de cambio climticos analizadas: CANESM2 RCP 4.5, CANESM2
RCP 8.5 y MPI-ESM-MR RCP 4.5 y MPI-ESM-MR RCP 8.5. Se observa que en el
periodo 2040-2065, el escenario que tuvo una mayor Oferta hdrica fue el de CANESM2
RCP 8.5, alcanzando un valor mximo de 77.9 MMC. En el periodo 2041-2065, se
observa un incremento de los valores de oferta hdrica del escenario MPI-ESM-MR RCP
8.5, registrando valores en algunos aos ms altos respecto al escenario CANESM2 RCP
8.5, tal que su valor mximo en dicho periodo fue de 88.1 MMC. En contraste, las
menores Ofertas hdricas futuras fueron registradas por los escenarios CANESM2 RCP
4.5 y MPI-ESM-MR RCP 4.5, estos escenarios mantienen una tendencia similar en el
periodo 2025-2040, alcanzando un valor mximo de 63.6 MMC y 64 MMC
respectivamente. Cabe mencionar que en el periodo 2041-2065, el escenario MPI-ESM-
MR RCP 4.5 fue el que registro las menores descargas (ofertas) respecto a los cuatros
escenarios analizados, de manera que su mximo valor alcanzado para dicho periodo fue
de 58.36 MMC.
95
MMC MMC MMC MMC
c)
a)
d)
b)
0
20
40
60
80
0
20
40
60
80
100
0
20
40
60
80
100
100
0
20
60
80
40
100
2010-ene 2010-ene 2010-ene 2010-ene
2012-ene 2012-ene 2012-ene 2012-ene
2014-ene 2014-ene 2014-ene 2014-ene
2016-ene 2016-ene 2016-ene 2016-ene
2018-ene 2018-ene 2018-ene 2018-ene
2020-ene 2020-ene 2020-ene 2020-ene
2022-ene 2022-ene 2022-ene 2022-ene
2024-ene 2024-ene 2024-ene 2024-ene
2026-ene 2026-ene 2026-ene 2026-ene
2028-ene 2028-ene 2028-ene 2028-ene
2030-ene 2030-ene 2030-ene 2030-ene
2032-ene 2032-ene 2032-ene 2032-ene
2034-ene 2034-ene 2034-ene 2034-ene
Oferta CanESM2 - RCP 8.5
96
2036-ene 2036-ene
Oferta MPI-ESM-MR- RCP 8.5

2036-ene 2036-ene
Oferta MPI-ESM-MR - RCP 4.5

2038-ene 2038-ene 2038-ene 2038-ene

2040-ene 2040-ene 2040-ene 2040-ene
2042-ene 2042-ene 2042-ene 2042-ene
2044-ene 2044-ene 2044-ene 2044-ene
agrcola presente en MMC.

2046-ene 2046-ene 2046-ene 2046-ene
2048-ene 2048-ene 2048-ene 2048-ene
2050-ene 2050-ene
2050-ene 2050-ene
2052-ene 2052-ene
2052-ene 2052-ene
2054-ene 2054-ene
2054-ene 2054-ene
2056-ene 2056-ene
2056-ene 2056-ene
Demanda agrcola presente
2058-ene 2058-ene
2058-ene 2058-ene
2060-ene 2060-ene
2060-ene Demanda agrcola presente 2060-ene
2062-ene 2062-ene
2062-ene 2062-ene
las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): (a)

2064-ene 2064-ene
2064-ene 2064-ene
Figura 45: Evaluacin de la oferta hdrica futura y demanda agrcola presente para
ESM-MR 8.5. Lnea naranja: Oferta hdrica futura en MMC. Lnea verde: Demanda
De acuerdo a la Figura 46, se observa el crecimiento del promedio de la oferta total hdrica anual de las proyecciones en los cuatro escenarios
analizados (2010 al 2065) respecto a del histrico (1980 al 2006), siendo los escenarios RCP 8.5 los que tendran un mayor crecimiento. Se
proyecta un periodo ms hmedo en los prximos 55 aos, evaluado dentro de los de Enero, Febrero y Marzo, debido al gran incremento de la
oferta hdrica total que variar de 22.12 MMC hasta 55.44 MMC (escenario CanESM2 RCP 8.5). Para el periodo seco histrico, evaluado dentro
de los meses de Junio, Julio, Agosto y Setiembre, se observa una oferta hdrica anual promedio de 15.79 MMC, sin embargo en la proyeccin de
los escenarios CanESM2 RCP 4.5 y MPI-ESM-MR RCP 4.5 tendran una disminucin por debajo de este valor, alcanzando un valor de 11.24
MMC y de 12.55 MMC, respectivamente; esto quiere decir que en el futuro, bajo estos escenarios, se tendran periodos ms secos.
Oferta hdrica1980-2006 Oferta hdrica 2010-2065 CanESM2 RCP 4.5 Oferta hdrica 2010-2065 CanESM2 RCP 8.5
100 Oferta hdrica 2010-2065 MPI-ESM-MR RCP 4.5 Oferta hdrica 2010-2065 MPI-ESM-MR RCP 8.5
90
Oferta (MMC)
80
70
60
50
40
30
20
10
0
2004-ene
2010-ene
1980-ene
1982-ene
1984-ene
1986-ene
1988-ene
1990-ene
1992-ene
1994-ene
1996-ene
1998-ene
2000-ene
2002-ene
2006-ene
2008-ene
2012-ene
2014-ene
2016-ene
2018-ene
2020-ene
2022-ene
2024-ene
2026-ene
2028-ene
2030-ene
2032-ene
2034-ene
2036-ene
2038-ene
2040-ene
2042-ene
2044-ene
2046-ene
2048-ene
2050-ene
2052-ene
2054-ene
2056-ene
2058-ene
2060-ene
2062-ene
2064-ene
Figura 46: Evaluacin de la oferta hdrica presente y futura para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2
RCP): CANES M-2 RCP 4.5 (lnea roja), CANESM-2 RCP 8.5 (lnea verde), MPI-ESM-MR RCP 4.5 (lnea naranja) y MPI-SM-MR
RCP 8.5 (lnea celeste).
97
Del clculo de la diferencia de la oferta hdrica futura y la demanda agrcola futura, se obtuvo el balance hdrico para los cuatro escenarios
analizados. El resultado se puede visualizar en la Figura 47, de acuerdo a esta se observa que en el futuro predominar el supervit con respecto
al dficit del recurso agua debido a que de acuerdo a la proyeccin 2020-2065 habr una mayor descarga futura. Asimismo, se observa que a
partir del ao 2040, de acuerdo al escenario CANESM2 RCP 8.5, no existir dficit en este punto de la cuenca Lurn; mientras que de acuerdo al
escenario MPI-ESM-MR RCP 8.5, el dficit se presentar espordicamente. Por otro lado, los escenarios CANESM2 RCP 4.5 y MPI-ESM-MR
RCP 4.5 mantendrn una tendencia similar, en donde si bien predominar el Supervit del recurso agua, tambin habr meses de dficit de dicho
recurso.
Disponibilidad hdrica 1980-2006 Disponibilidad hdrica 2010-2065 CanESM2 RCP 4.5

Disponibilidad hdrica 2010-2065 CanESM2 RCP 8.5 Disponibilidad hdrica 2010-2065 MPI-ESM-MR RCP 4.5
Disponibilidad hdrica 2010-2065 MPI-ESM-MR RCP 8.5
80
70
Disponibilidad hdrica
60
50
40
30
20
10
0
-10
-20
1982-ene
1986-ene
1990-ene
1980-ene
1984-ene
1988-ene
1992-ene
1994-ene
1996-ene
1998-ene
2000-ene
2002-ene
2004-ene
2006-ene
2008-ene
2010-ene
2012-ene
2014-ene
2016-ene
2018-ene
2020-ene
2022-ene
2024-ene
2026-ene
2028-ene
2030-ene
2032-ene
2034-ene
2036-ene
2038-ene
2040-ene
2042-ene
2044-ene
2046-ene
2048-ene
2050-ene
2052-ene
2054-ene
2056-ene
2058-ene
2060-ene
2062-ene
2064-ene
Figura 47: Disponibilidad hdrica presente (lnea azul) y futura para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2
RCP): CANES M-2 RCP 4.5 (lnea naranja), CANESM-2 RCP 8.5 (lnea roja), MPI-ESM-MR RCP 4.5 (lnea celeste) y MPI-SM-MR
RCP 8.5 (lnea verde).
98
El resultado del comportamiento estacional de la oferta hdrica futura y la demanda
agrcola futura para los cuatro escenarios analizados, se puede visualizar en la Figura 48.
Se observa que el comportamiento de oferta hdrica tiene un mayor valor durante los
meses de Febrero a Abril, siendo su disminucin de esta a partir de finales de Julio a
inicios de Diciembre, es decir el ciclo hidrolgico para la cuenca se atrasar un mes para
los cuatros escenarios futuros. Asimismo, se aprecia que en los escenarios CANESM2
RCP 4.5 y MPI-ESM-MR RCP 4.5, la oferta hdrica futura no satisface la demanda
agrcola durante los meses de agosto a noviembre, sobre todo para el primer escenario
mencionado. Por otro lado, se observa que en los escenarios CANESM2 RCP 8.5 y MPI-
ESM-MR RCP 8.5, la demanda agrcola es cubierta totalmente por la oferta hdrica futura,
sobre todo para el escenario CANESM2 RCP 8.5, ya que ste dispone de una mayor oferta
hdrica.
Oferta hdrica- CanESM2 - RCP 4.5 Oferta hdrica CanESM2 - RCP 8.5
Demanda agrcola presente Demanda agrcola presente
70 70
60 60
50 50
MMC
MMC
40 40
30 30
20 20
10 10
0 0
Agosto
Diciembre
Enero
Marzo
Junio
Julio
Septiembre
Octubre
Mayo
Febrero
Abril
Noviembre
Agosto
Marzo
Diciembre
Enero
Junio
Julio
Octubre
Septiembre
Febrero
Abril
Mayo
Noviembre
a) b)
Oferta hdrica MPI-ESM-MR - RCP 4.5 Oferta MPI-ESM-MR - RCP 8.5

Demanda agrcola presente Demanda agrcola presente
70 70
60 60
50 50
MMC
MMC
40 40
30 30
20 20
10 10
0 0
Agosto
Marzo
Enero
Junio
Julio
Diciembre
Septiembre
Octubre
Febrero
Abril
Mayo
Noviembre
Agosto
Enero
Marzo
Junio
Julio
Octubre
Septiembre
Diciembre
Mayo
Febrero
Abril
Noviembre
c) d)
Figura 48: Evaluacin de la oferta hdrica futura y demanda agrcola presente a nivel
mensual para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2
RCP): (a) CANESM2 RCP 4.5, (b) CANESM2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y
(d) MPI-ESM-MR 8.5. Lnea naranja: Oferta hdrica futura en MMC. Lnea verde:
Demanda agrcola presente en MMC.
99
En la Figura 49, se puede visualizar el balance hdrico futuro para las proyecciones
analizadas (CANESM2 RCP 4.5, CANESM2 RCP 8.5 y MPI-ESM-MR RCP 4.5 y MPI-
ESM-MR RCP 8.5), en donde se aprecia que Marzo es el mes donde ocurre el mayor
supervit, anlogamente para los meses Setiembre-Octubre ocurre el mayor dficit de
agua en la Cuenca. Se obtuvo como resultado que para los escenarios ms optimistas de
impacto climtico CanESM2- RCP 4.5 y MPI-ESM-MR- RCP 4.5 se tendra un supervit
de hasta 39 y 31.3 MMC de agua disponible en promedio para los meses de avenida y un
dficit de -4.48 y -1.85 MMC en promedio para los meses de estiaje, respectivamente; por
lo que el supervit y dficit del recurso agua ser mayor en el escenario CANES M-2 RCP
4.5. Con respecto al escenario pesimista RCP 8.5, donde las emisiones continuarn en
aumento, los modelos CanESM2 y MPI-ESM-MR tendran un supervit de hasta 55.41 y
42.46 MMC de Agua en promedio disponible para los meses de avenida, y un dficit de -
3.13 MMC de agua en promedio para los meses de estiaje para ambos modelos.
Disponibilidad hdrica futura CanESM2 - RCP 4.5 (caso1)

Disponibilidad hdrica futura CanESM2 - RCP 8.5 (caso1)
Disponibilidad hdrica futura MPI-ESM-MR - RCP 4.5 (caso1)
Disponibilidad hdrica futura MPI-ESM-MR- RCP 8.5 (caso1)
60
50
40
MMC
30
20
10
0
-10
Febrero
Marzo
Abril
Mayo
Septiembre
Noviembre
Octubre
Diciembre
Enero
Junio
Julio
Agosto
Figura 49: Disponibilidad hdrica futura a nivel mensual para las cuatro proyecciones
de cambio climtico analizadas (2 GCM x 2 RCP): CANESM2 RCP 4.5 (lnea
punteada naranja), CANESM2 RCP 8.5 (lnea slida naranja), MPI-ESM-MR RCP
4.5 (lnea punteada verde), MPI-ESM-MR 8.5 (lnea solida verde).
100
6.5.2 Caso 2: Oferta hdrica futura y demanda agricola proyectada
En la Figura 50. se observa el comportamiento de la oferta hdrica futura, obtenida por la

simulacin del modelo hidrolgico STREAM, respecto a la demanda agrcola futura, la
cual representa a la demanda agrcola presente con un incremento del 50 por ciento,
elaborado para los escenarios: CANESM2 RCP 4.5, CANESM2 RCP 8.5 y MPI-ESM-
MR RCP 4.5 y MPI-ESM-MR RCP 8.5.
La oferta hdrica para el escenario CanESM2-RCP 4.5 respecto a la demanda proyectada,

para todos los meses de Mayo a Setiembre presentarn un dficit, debido a que la lnea de
oferta se encuentra por debajo de la lnea de demanda. Ahora bien, los aos con mayor
proyeccin de oferta hdrica para los meses de Marzo, son 2030 (63.9 MMC), 2053 (68
MMC), 2057 (68.6 MMC) y 2065 (68.4). Los aos que presentan menor oferta hdrica son
2018-2021 (en los meses de Mayo a Setiembre). La oferta hdrica en menores proporciones
para dichos meses, es bastante compensada por los meses de elevada oferta hdrica,
superando en ms del 100 por ciento a lo necesitado por la demanda agrcola. Para la
simulacin del mismo modelo climtico CanESM2 en el escenario RCP 8.5, se visualizan
mayores valores de oferta hdrica a partir del ao 2018, mantenindose estable hasta el ao
2050 con valores de hasta 67.4 y 77.9 MMC ofertados para los meses de Marzo. A partir
del ao 2050, la oferta hdrica proyectada supera totalmente a la demanda agrcola
proyectada con un valor de 90 MMC mensual para el perodo hmedo y 19.63 MMC para
el perodo seco.
Para el escenario MPI-ESM-MR RCP 4.5 las ofertas identificadas son menores que las
encontradas en el anterior modelo, pues el valor mximo encontrado es de 60 MMC para el
mes de Marzo del ao 2033. Cabe mencionar que los valores de oferta hdrica se
mantienen mayores en los meses de mayor demanda agrcola proyectada, cubrindola por
completo, considerando que el valor mximo de demanda agrcola es de 15 MMC. Los
aos 2016, 2028, 2031, 2037, 2039, 2041, 2046, 2047, y 2059 se proyectan como los aos
con menor oferta hdrica para todo el perodo evaluado, con 30 MMC en promedio para
sus meses de mayor oferta hdrica y 7 MMC para los meses de menor oferta hdrica,
evidencindose un dficit de 8 MMC frente al valor mximo de demanda agrcola
proyectada. Por otra parte, respecto al escenario MPI-ESM-MR RCP 8.5, se observa un
comportamiento proyectado creciente constante del 2010-2047, con valores mximos de
oferta hdrica para los meses de Marzo en los aos 2028 (60.80 MMC), 2034 (62.96
101
MMC MMC MMC MMC
c)
a)
d)
b)
100
0
20
40
60
80
0
20
60
80
20
40
60
0
40
60
80
40
100
0
80
100
20
100
2010-ene
2010-ene 2010-ene 2010-ene
2012-ene
2012-ene 2012-ene 2012-ene
2014-ene
2014-ene 2014-ene 2014-ene
2016-ene
2016-ene 2016-ene 2016-ene
2018-ene
2018-ene 2018-ene 2018-ene
2020-ene
2020-ene 2020-ene 2020-ene
2022-ene
2022-ene 2022-ene 2022-ene
2024-ene
2024-ene 2024-ene 2024-ene
2026-ene
2050, 2053, 2055, 2058 y 2065.
2026-ene 2026-ene 2026-ene

2028-ene
2028-ene 2028-ene 2028-ene
2030-ene
2030-ene 2030-ene 2030-ene
2032-ene
Oferta MPI-ESM-MR- RCP 8.5

2032-ene 2032-ene 2032-ene
2034-ene
2034-ene 2034-ene 2034-ene
Oferta MPI-ESM-MR - RCP 4.5

2036-ene
2036-ene 2036-ene 2036-ene
102
2038-ene
2038-ene 2038-ene 2038-ene
2040-ene
2040-ene 2040-ene 2040-ene
2042-ene
2042-ene 2042-ene 2042-ene
2044-ene
2044-ene 2044-ene 2044-ene
2046-ene
2046-ene 2046-ene 2046-ene
2048-ene
2048-ene 2048-ene 2048-ene
2050-ene
2050-ene 2050-ene 2050-ene
2052-ene
2052-ene 2052-ene 2052-ene
2054-ene
2054-ene 2054-ene 2054-ene
Lnea verde: demanda agrcola proyectada en MMC.

2056-ene
MPI-ESM-MR 8.5. Lnea azul: oferta hdrica en MMC.

2056-ene 2056-ene 2056-ene
Demanda agrcola proyectada
2058-ene

2058-ene 2058-ene 2058-ene
2060-ene
2060-ene 2060-ene 2060-ene

2062-ene
2062-ene 2062-ene 2062-ene
2064-ene
2064-ene 2064-ene 2064-ene
Figura 50: Evaluacin de la oferta hdrica futura y demanda agrcola proyectada
CANES M-2 RCP 4.5, (b) CANES M-2 RCP 8.5, (c) MPI-ESM-MR RCP 4.5 y (d)
para las cuatro proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): (a)
valores de demanda agrcola proyectada, a diferencia de los meses de estiaje de los aos
MMC), 2038 (61.83 MMC) y 2044 (63.19 MMC). A partir del ao 2048 los valores de
oferta hdrica para todos los meses en la mayora de los aos del perodo superan a los
Del clculo de la diferencia de la oferta hdrica futura y la demanda agrcola proyectada, se
obtuvo el balance hdrico para los cuatro escenarios analizados. El resultado del balance
hdrico se puede visualizar en la Figura 51.
De acuerdo a la figura mencionada, se observa que en el escenario CanESM2 RCP 4.5,

los meses de estiaje se presentan desde Mayo hasta Noviembre, tal que se tiene un dficit
mayor para los aos 2015, 2018, 2019, 2031, 2049, 2053, 2060, con 10 MMC en
promedio, y los aos que se proyectan con mayor oferta hdrica son 2017, 2023, 2042,
2053, 2057 y 2065, entre los meses de Febrero Abril con valores por encima de 40
MMC. Para el escenario RCP 8.5 del Modelo CanESM2, se mantiene un comportamiento
similar en el rango de aos del 2010 2044, con dficits de -5 MMC en los meses de
octubre y ofertas de 55 MMC en promedio para los meses de Marzo. A partir del ao 2048
al 2065 el dficit se reduce en el intervalo de 0 a - 0.7 MMC, aumentando la oferta hasta en
70 MMC.
Asimismo se observa en el escenario MPI-ESM-MR RCP 4.5, menores valores

proyectados para la oferta hdrica, tenindose 40 MMC como valor mximo de oferta
hdrica mensual durante todo el periodo. Los valores de dficit hdrico en todo el periodo
proyectado oscilan entre 0 y -10 MMC. En lo que respecta al escenario RCP 8.5 para el
mismo modelo climtico, el comportamiento estacional de la oferta y la demanda con
valores en promedio de 40 MMC y 6MMC se mantienen hasta el ao 2048, con la
excepcin de los aos 2017-2020, cuyas ofertas hdricas fueron menores de 20 MMC.A
partir del ao 2048 las ofertas hdricas aumentaron en el orden de los 60 MMC,
evidencindose que no habra mayor dficit hdrico, salvo en los aos 2058, 2059, 2063 y
2065. Como se observa, ambos modelos climticos, proyectan a la obtencin de mayores
caudales en lo que respecta a la cuenca Lurn, cambios en los comportamientos de las
descargas en los meses, prolongando las descargas elevadas hasta abril y retrasando el
perodo de sequa en algunos aos hasta el mes de Enero
103
Disponibilidad hdrica 1980-2006 Disponibilidad hdrica 2010-2065 CanESM2 RCP 4.5
Disponibilidad hdrica 2010-2065 CanESM2 RCP 8.5 Disponibilidad hdrica 2010-2065 MPI-ESM-MR RCP 4.5
Disponibilidad hdrica 2010-2065 MPI-ESM-MR RCP 8.5
80
Disponibilidad Hdrica
70
60
50
40
30
20
10
0
-10
-20
2022-ene
2064-ene
1980-ene
1982-ene
1984-ene
1986-ene
1988-ene
1990-ene
1992-ene
1994-ene
1996-ene
1998-ene
2000-ene
2002-ene
2004-ene
2006-ene
2008-ene
2010-ene
2012-ene
2014-ene
2016-ene
2018-ene
2020-ene
2024-ene
2026-ene
2028-ene
2030-ene
2032-ene
2034-ene
2036-ene
2038-ene
2040-ene
2042-ene
2044-ene
2046-ene
2048-ene
2050-ene
2052-ene
2054-ene
2056-ene
2058-ene
2060-ene
2062-ene
Figura 51: Disponibilidad hdrica presente (lnea azul) y futura para las cuatros proyecciones de cambio climtico analizadas (2 GCM x
2 RCP): CANES M-2 RCP 4.5 (lnea celeste), CAN ESM-2 RCP 8.5 (lnea roja), MPI-ESM-MR RCP 4.5 (lnea naranja) y MPI-SM-MR
RCP 8.5 (lnea verde).
104
En la Figura 52, se puede visualizar el balance hdrico futuro estacional para los
escenarios analizados (CANES M-2 RCP 4.5, CANES M-2 RCP 8.5 y MPI-ESM-MR
RCP 4.5 y MPI-ESM-MR RCP 8.5), donde se proyect a Marzo como el mes donde
ocurrir el mayor supervit. Del mismo modo, desde fines de Agosto a inicio de Diciembre
se proyecta el mayor dficit de agua en la cuenca, considerando el escenario RCP 4.5 para
ambos modelos climticos.
Para el caso del escenario RCP 8.5 para ambos modelos, el incremento de la oferta se
aprecia desde Enero a Marzo, decreciendo hasta finales de Agosto, aun as cubrira la
demanda agrcola proyectada para dichos meses en el caso del modelo climtico
CanESM2, pero en el caso del modelo climtico MPI-RSM-MR, quedara igualada la
demanda con la oferta para los meses de Setiembre, Octubre y Noviembre.
Oferta hdrica CanESM2 - RCP 4.5 Oferta hdrica CanESM2 RCP - 8.5
Demanda agrcola proyectada Demanda agrcola proyectada
70 70
60 60
50 50
MMC
MMC
40 40
30 30
20 20
10 10
Septiem
0 0
Agosto
Enero
Marzo
Junio
Julio
Octubre
Diciembre
Febrero
Noviembre
Abril
Mayo
Agosto
Enero
Marzo
Junio
Julio
Septiembre
Octubre
Diciembre
Mayo
Febrero
Abril
Noviembre
a) b)
Oferta hdrica MPI-ESM-MR RCP 4.5 Oferta hdrica MPI-ESM-MR RCP 8.5
Demanda agrcola proyectada Demanda agrcola proyectada
70 70
60 60
50 50
MMC
MMC
40 40
30 30
20 20
10 10
0
Septiem
0
Agosto
Enero
Marzo
Octubre
Junio
Julio
Septiembre
Diciembre
Mayo
Febrero
Abril
Noviembre
Agosto
Enero
Marzo
Junio
Julio
Octubre
Diciembre
Mayo
Febrero
Abril
Noviembre
c)
d)
Figura 52: Evaluacin de la oferta hdrica futura y demanda agrcola proyectada a

nivel mensual para cada uno de las cuatro proyecciones de cambio climtico
analizadas (2 GCM x 2 RCP): (a) CANES M-2 RCP 4.5, (b) CANES M-2 RCP 8.5, (c)
MPI-ESM-MR RCP 4.5 y (d) MPI-ESM-MR 8.5. Lnea azul: Oferta hdrica futura en
MMC. Lnea verde: Demanda agrcola proyectada en MMC.
105
De la Figura 53 se puede visualizar el balance hdrico mensual futuro estacional para los
escenarios analizados. El balance hdrico proyectado con menor dficit y mayor oferta, ha
sido el simulado bajo es el CanESM2 RCP 8.5, y el balance hdrico con menor oferta ha
sido obtenido bajo el modelo climtico MPI-ESM-MR RCP 4.5. Se obtuvo una proyeccin
con un supervit y dficit promedio para los meses de avenida y estiaje de 32.48 y -5.51
MMC de agua para el escenario CanesM2 RCP 4.5; y de 24.75 y -6.99 MMC de agua para
el escenario MPI-MR- RCP 4.5. Para el caso del escenario RCP 8.5, se tendr un supervit
de 45.9 y 3.79 MMC de agua en promedio para los meses de avenida y estiaje para el
modelo CanesM2, y de 35.9 y 0.03 MMC de agua en promedio para el modelo MPI-ESM-
MR.
Disponibilidad hdrica futura CanESM2- RCP 4.5 (caso 2)

Disponibilidad hdrica futura CanESM2- RCP 8.5 (caso 2)
Disponibilidad hdrica futura MPI-ESM-MR - RCP 4.5 (caso 2)
Disponibilidad hdrica futura MPI-ESM-MR - RCP 8.5 (caso 2)
50
40
30
MMC
20
10
0
-10
-20
Marzo
Febrero
Mayo
Abril
Septiembre
Noviembre
Octubre
Diciembre
Junio
Julio
Enero
Agosto
Figura 53: Disponibilidad hdrica futura a nivel mensual para cada uno de las cuatros
proyecciones de cambio climtico analizadas (2 GCM x 2 RCP): CANESM2 RCP 4.5
(lnea punteada azul), CANESM2 RCP 8.5 (lnea slida azul), MPI-ESM-MR RCP
4.5 (lnea punteada verde), MPI-ESM-MR 8.5 (lnea solida verde).
106
VII. CONCLUSIONES
Las conclusiones del presente trabajo son producto del anlisis a partir de la obtencin de
la disponibilidad hdrica presente y futura de la cuenca Lurn a travs de la simulacin del
modelo hidrolgico STREAM.
Este modelo utiliza el modelo de elevacin digital de la cuenca hidrogrfica en estudio y el
anlisis preliminar para la interpolacin de los datos de precipitacin, temperatura mxima
y mnima (para efectos del clculo de la Evapotranspiracin utiliz el mtodo Hargreaves)
como requerimientos principales, por lo que los resultados de estos anlisis fueron de vital
importancia para el logro de los objetivos planteados. Cabe mencionar que este modelo, al
igual que cualquier otro, simula los fenmenos que ocurren en la realidad, por lo que no
existe un modelo hidrolgico excelente ni tampoco ineficiente, o que represente a la
perfeccin los procesos complejos que involucra a la hidrologa, debido a errores que se
pueden cometer desde la toma de datos de la estacin meteorolgica, factores de
calibracin del modelo, calidad del MED, afinamiento de las interpolaciones de los
principales predictores; sin embargo gracias al modelo hidrolgico STREAM se pudo
realizar un bosquejo rpido de la situacin hdrica presente y futura de la Cuenca, tomando
en cuenta los cambios climticos que modifican el comportamiento hidrolgico,
permitiendo as, una evaluacin rpida de los recursos hdricos disponibles,
principalmente, para uso agrcola con proyeccin a futuro, gracias a los modelos climticos
que se encontraban disponibles dentro de su interface. Las conclusiones del presente
trabajo de titulacin se presentan a continuacin:
7.1. Se calibr el periodo de enero del 1980 a diciembre del 1984, obtenindose un
ndice de Nash igual a 0.631 y RSR igual a 0.608, los cuales indican un rendimiento
satisfactorio para el modelo. Asimismo, se realiz la validacin temporal para el
periodo de aos desde enero del 1985 a diciembre del 2006, obtenindose un valor de
Nash de 0.514 y un ndice RSR igual a 0.697.
107
7.2. La disponibilidad hdrica presente (1980-2006) en el punto de aforo de la estacin
hidromtrica de Manchay, alcanz un valor mximo de 18.27 MMC en el mes de
Marzo, as como un valor mnimo de -5.02 MMC para el mes de Octubre.
7.3. Los resultados de la proyeccin del caudal mensual (2010-2065) en los cuatro
escenarios climticos analizados reflejan un gran incremento respecto a los caudales
presentes, tal que varan desde 10 y 135 por ciento para el escenario ms optimista
RCP 4.5; y de 73 y 347 por ciento para el escenario pesimista RCP 8.5. Los periodos
hmedos tienden a proyectarse como ms intensos en el futuro, sucediendo del mismo
modo con los periodos secos. Entonces se infiere que en el futuro los ecosistemas
podran sufrir alteraciones, ocasionando un incremento de plagas en los cultivos as
como problemas de infiltracin en suelos, por exceso de aplicacin en la lmina de
riego. En consecuencia, probablemente disminuira progresivamente el rendimiento de
los cultivos, as como se incrementaran los costos de inversin en plaguicidas o en
medidas de control biolgico, y con ello se afectara el desarrollo sustentable de la
cuenca.
7.4. Pico de Lurn valores mximo entonces La proyeccin de la gran disponibilidad

hdrica podra aumentar el riesgo de ocurrencia de desastres naturales como huaycos,
deslizamientos, etc. e inundaciones en zonas costeras por la elevacin del mar, a causa
de desborde del ro Lurn; considerando que al ser una zona costera, existen suelos sin
proteccin. Por esta razn no deben desestimarse acciones preventivas de proteccin de
defensas ribereas as como la ubicacin adecuada de cultivos para el desarrollo
agrcola.
7.5. Con el fin de compensar el dficit hdrico de la cuenca Lurn durante los meses de
Julio a Diciembre, se recomienda la construccin infraestructura de captacin de
escorrenta superficial, tomando en cuenta las altas descargas (m3/s) en los meses de
Enero a Abril, las cuales deberan ser aprovechadas. Complementario a ello, para
asegurar el bienestar econmico del Valle, se recomienda la realizacin de talleres
participativos donde se pueda brindar informacin y capacitacin continua a los
agricultores de la cuenca, con el objetivo de mejorar las condiciones de riego durante
los meses de dficit adaptndose a las condiciones del cambio climtico.
108
VIII. RECOMENDACIONES
8.1.Debido a que el modelo hidrolgico STREAM se encuentra en su fase preliminar,

se recomienda la mejora del modelo con el fin de dar continuidad al presente
estudio y optimizar los resultados, por lo que se incide en la activacin de todas las
opciones que brinda el modelo, como la calibracin automtica, pues gracias a
esta, se reducira sustancialmente el tiempo de calibracin manual, obteniendo
calibraciones de mejor calidad en respuesta a la sensibilidad de los parmetros.
8.2.Se recomienda desarrollar una metodologa para proyectar las demandas hdricas
futuras en la cuenca, considerando no slo a la demanda agrcola, sino tambin a la
demanda poblacional, industrial, as como realizar el clculo del caudal ecolgico,
con el fin de realizar un anlisis comparativo de la disponibilidad hdrica con
mayor exactitud, para hacer frente a los impactos climticos que afectaran a la
cuenca Lurn.
8.3. Utilizar otro modelo hidrolgico "distribuido" (por ejemplo el Tetis) a fin de
comparar los resultados entre modelos, debido que es la primera vez que el modelo
hidrolgico STREAM se aplica en el Per. Estos modelos alternativos se
encuentran disponibles en: http://lluvia.dihma.upv.es/ES/software/software.html
I.
109
IX. REFERENCIAS BIBLIOGRFICAS
1. Aerts, J.; Bouwer, L.; Van, G y Ward, P. 2005. STREAM MANUAL. Version 3.0.
53 p.
2. Aerts, J.; Kriek, M. y Schepel, M. 1999. STREAM (Spatial Tools for River Basins and
Environment and Analysis of Managements Options): Set up and Requirements.
Phys. Chem. Earth (B) 24(6): 591-595
3. Alfaro, J; Claveras R. 2010. Diagnostico Socio Econmico de la Cuenca del Ro Lurn
CGGD-CIED. Lima. 53 p.
4. Amador, J.; Alfaro, E. 2009. Mtodos de reduccin de escala: Aplicaciones al tiempo,
clima, variabilidad climtica y cambio climtico. Revista Iberoamericana de Economa
Ecolgica 11: 39-52.
5. Balaghi, R.; El Hairech,T.; Arrach, R.; Alaouri, M.; Moutaouakkil, S.;
Benabdelouahab, T.; Abderrafik, M.; Delobel, F. 2014. Rapport dvaluation et
dutilisation du systme MOSAICC au Maroc. 72 p.
6. Bnichou, P. y Le Breton, O. 1987. Prise en compte de la topographie pour la
cartographie des champs pluviomtriques statistiques. La Mtorologie (7 srie) no.
19: 23-34.
7. Castro, J. 2002. Indicadores de Desarrollo Sostenible: Una aplicacin para Andaluca.
Tesis doctoral. Mlaga, Espaa. Universidad de Mlaga. 540 p
8. Cohen, J.; Cohen, P.; West, S. y Aiken, L. 2003. Applied Multiple
Regression/Correlation Analysis for the Behavioral Sciences. 3 ed. Lawrence Erlbaum
Associates. Inc. Publishers, Mahwah, NJ, USA.736 p.
9. Cook, R.D. 1977. Detection of Influential Observations in Linear Regression.
Technometrics 19:15-18.
10. Delgado, R. 2004. Iniciacin a la probabilidad y la estadstica. Barcelona: Universidad
Autnoma de Barcelona. 315 p.
11. Delobel, F. 2014. La interpolacin de datos agro-climtico de MOSAICC: tutorial
Francois. 8 p.
110
12. FAO (Organizacin de las Naciones Unidas para la Alimentacin y la
Agricultura).2006. Evapotranspiracin de referencia (ETo) (en lnea). Consultado 4
ene. 2015. Disponible en ftp://ftp.fao.org/docrep/fao/009/x0490s/x0490s01.pdf
13. Goovaerts, P. 1997. Geostatistics for Natural Resources Evaluation. New York. Oxford
University Press. 483 p.
14. Guo, J. y Mason, P. 2009. Essential Image Processing and GIS for Remote Sensing.
Oxford, UK. Wiley-Blackwell.462 p.
15. Gutierrez-Lopez, A.; Ramirez, A.; Lebel, T.; Santillan, O. y Fuentes, C. 2011. El
variograma y el correlograma, dos estimadores de la variabilidad de mediciones
hidrolgicas. Rev. Fac. Ing. Univ. Antioquia no. 59:193-202.
16. Gyalistras, D. 2003. Development and validation of a high-resolution monthly gridded
temperature and precipitation data set for Switzerland (19512000). Climate Research
25: 5583.
17. Hurkmans, R.; De Moel, H.; Aerts, J. y Troch, P. 2008. Water Balance versus land
Surface model in the simulation of Rhine river discharges. Water Resources Research
44: 1-14.
18. IPCC (Informe del Grupo Intergubernamental de Expertos sobre el Cambio Climtico).
2013. Cambio Climtico 2013 Bases Fsicas. Universidad de Cambridge, USA. 1535 p.
19. Data Distribution Centre - IPPC. 2013. What is a GCM (en lnea). Consultado 4 ene.
2015. Disponible en http://www.ipcc-data.org/guidelines/pages/gcm_guide.html.
20. Matheron, G. 1970. La Theorie des Variables Regionalisees et ses aplications Les
Cachiers du Centre de Morphologie Mathematique de Fontainebleau, Fascile 5, Ecole
de Mines de Paris, 212 p.
21. MINAG (Ministerio de Agricultura). 2004. Estudio Hidrolgico de la cuenca del ro
Lurn, Informe Final. Lurn, Per. 141 p.
22. Moral, F. J. 2004. Aplicacin de la geoestadstica en las ciencias ambientales.
Ecosistemas XIII (1): 1-11.
23. Nash, J. y Sutcliffe, J. 1970. River flow forecasting through conceptual models part I
A discussion of principles. Journal of Hidrology, 10: 282-290.
24. Neidhfer, F. 2000. Interpolation and downscaling of precipitation in the Alps. PhD
thesis, Institute of Geography, University of Bern.
25. Ovalles, F. 1991. Evaluacin de la variabilidad de suelos a nivel de parcela, para el
establecimiento en lotes experimentales en el estado de Cojedes. Agronoma Tropical
41(1-2):5-22. Consultado 6 ene. 2015. Disponible en
111
http://sian.inia.gob.ve/repositorio/revistas_ci/Agronomia%20Tropical/at4112/Arti/ovall
es_f.htm.
26. Pacheco, P. 2008. Anlisis Estadstico de Datos de Contaminacin Ambiental del Lago
Valencia. Tesis para optar al grado de Magister Scientiarum en Modelos Aleatorios.
Universidad Central de Venezuela, facultad de ciencias. 135 p.
27. PNUD (Programa de las Naciones Unidas para el Desarrollo). 2013. Informe de las
Naciones Unidas sobre Desarrollo Humano. Nueva York. 216 p.
28. PROFODUA (Programa de Formalizacin de Derechos de Uso de Agua). 2006.
Propuesta de Asignacin de Agua Superficial Valle Medio y Alto Lurn. 117 p.
29. Ramos F, L. 2013. Estudio de la utilidad de la lluvia estimada de satlite en la
modelacin hidrolgica distribuida. Tesis Doctoral. Departamento de Ingeniera
Hidrulica y Medioambiente. UPV. Espaa. 216 p.
30. Schlens, J. 2014. A tutorial on principal components. Cornell University Library. 20 p.
31. SENAMHI (Servicio Nacional de Meteorologa e Hidrologa). 2009. Escenarios
Climticos en el Per para el ao 2030, Segunda Comunicacin Nacional de Cambio
Climtico. Lima, Per. 15 p.
32. SENAMHI (Servicio Nacional de Meteorologa e Hidrologa). 2015. Regionalizacin
estadstica de escenarios climticos en el Per. 10 p
33. Shapiro, S. y Wilk, M. 1965. An analysis of variance for normality (complete samples).
Biometrika 52: 1-20.
34. nsalan, C. y Boyer, K. 2011. Multispectral Satellite Image Understanding. New York,
US. Springer. 203 p.
35. Vliz, E. 2006. Anlisis espacial para medir el ndice de infeccin de la sigatoka negra
(mycosphaerella fijiensis) en una hacienda bananera en el ltimo trimestre del ao
2005. Tesis De Grado. Escuela superior politcnica del litoral, Instituto de Ciencias
Matemticas, Ingeniera en Estadstica Informtica. 168 p.
36. Villardon, J. 2002. Anlisis de Componentes Principales. Catalua: UOC,
Departamento de Estadstica. 32 p.
37. Wigge, P. 2013. Temperature and Plant Development. John Wiley & Sons, UK 2014.
240 p.
38. Ziga, S. 2004. Econometra prctica con Excel. Universidad Catlica del Norte.
Chile. 168 p.
112
X. ANEXOS
Anexo 1: Resultado de la oferta hdrica presente en la cuenca Lurn
Tabla 17: Caudales en m3/s en el punto de la estacin hidromtrica Manchay para

el periodo 1980-2006.
Promedio
Ao Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Anual
(m3/s)
1980 4.08 3.86 3.65 5.45 1.84 1.23 0.82 0.55 0.36 3.03 5.75 6.44 3.09
1981 5.08 10.31 18.33 5.82 3.74 3.10 1.80 2.36 1.06 0.70 2.70 5.69 5.06
1982 2.53 6.81 9.97 3.17 2.10 1.40 1.23 1.23 0.58 0.98 3.10 0.86 2.83
1983 3.95 2.98 8.51 2.41 1.96 1.15 0.77 0.51 0.34 1.60 1.01 5.19 2.53
1984 9.63 17.42 22.88 9.25 8.11 4.17 2.78 1.85 1.46 1.98 7.20 9.34 8.01
1985 3.90 3.06 2.85 12.04 3.28 2.19 1.46 0.97 0.65 0.43 7.44 2.63 3.41
1986 6.02 16.21 23.74 12.79 6.07 4.05 2.70 1.80 3.65 1.34 0.90 0.84 6.67
1987 1.99 7.04 3.17 1.53 1.02 0.68 0.45 0.30 0.20 0.13 0.13 0.51 1.43
1988 0.22 0.43 3.61 10.69 12.90 4.10 2.87 1.85 1.23 0.82 0.55 0.37 3.30
1989 2.39 4.14 7.81 8.30 2.85 1.90 1.27 1.82 0.78 0.64 0.48 0.27 2.72
1990 0.35 0.70 1.13 1.71 0.54 0.36 0.41 0.20 0.13 0.86 0.90 1.31 0.72
1991 3.92 2.82 5.04 6.75 2.25 1.95 1.09 0.73 0.49 0.99 0.42 0.26 2.22
1992 3.35 4.06 5.75 13.88 4.60 2.76 1.84 1.23 0.82 0.78 1.24 6.49 3.90
1993 6.65 13.11 17.76 12.60 7.68 4.07 2.72 1.81 1.21 0.80 1.61 0.84 5.90
1994 1.11 5.43 8.44 2.50 6.05 6.94 2.47 1.65 1.10 1.23 5.47 5.26 3.97
1995 9.14 13.33 11.62 14.45 12.17 5.01 3.34 2.23 1.49 1.75 1.94 4.89 6.78
1996 9.14 13.33 11.62 14.45 12.17 5.01 3.34 2.23 1.49 1.75 1.94 4.89 6.78
1997 8.24 14.28 9.77 6.81 3.56 2.27 1.51 3.00 5.06 4.84 3.95 7.63 5.91
1998 9.86 9.40 14.57 17.38 6.05 4.01 2.68 1.78 1.19 0.81 0.53 0.38 5.72
1999 0.63 7.81 13.60 12.41 15.24 5.37 3.79 3.66 1.93 4.90 6.82 8.13 7.02
2000 9.38 14.10 19.09 16.40 10.47 5.19 3.46 2.31 1.57 3.84 4.50 4.12 7.87
2001 10.22 10.57 18.73 7.66 4.73 2.95 1.97 1.31 1.97 1.48 3.24 3.67 5.71
2002 4.50 2.95 11.74 10.02 10.54 3.97 2.64 1.76 2.16 7.25 9.03 4.84 5.95
2003 6.31 9.05 15.67 9.03 13.35 4.82 3.21 2.14 1.43 2.33 2.84 7.20 6.45
2004 7.44 10.98 7.43 5.76 3.25 1.93 1.29 0.86 1.80 3.07 7.11 9.31 5.02
113
Continuacin
Promedio
Ao Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. Anual
(m3/s)
2005 9.57 6.66 16.16 16.26 5.80 3.87 2.58 1.72 1.15 0.76 0.51 1.65 5.56
2006 9.40 16.72 23.52 18.10 7.28 4.86 3.24 2.16 1.44 4.06 1.43 3.23 7.95
Promedi
o
5.52 8.43 11.71 9.54 6.28 3.31 2.14 1.63 1.36 1.97 3.06 3.93
Mensual
(m3/s)
114
Anexo 2: Resultado de la oferta hdrica futura en la cuenca Lurn para los cuatro
escenarios analizados (2GCMs x 2 RCPs)
Tabla 18: Proyeccin de caudales (m3/s) con el modelo climtico CanESM2 y

escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay para el periodo
2010-2065
Promedio
(m3/s)
2010 10.58 9.58 14.73 13.29 9.16 4.33 3.45 2.40 2.53 1.87 3.85 7.97 6.98
2011 9.78 11.18 19.97 18.53 12.39 5.86 3.88 2.59 1.72 3.61 1.33 1.49 7.69
2012 4.25 10.80 13.27 6.65 4.78 2.56 1.79 1.55 2.84 1.42 2.40 7.35 4.97
2013 14.94 14.66 18.21 13.73 12.34 6.41 3.80 4.20 4.04 1.81 3.03 3.96 8.43
2014 8.17 6.36 15.09 11.30 9.38 9.85 4.84 7.89 3.03 4.13 1.89 7.34 7.44
2015 10.27 13.33 15.84 16.32 10.78 7.30 3.89 2.59 1.73 1.15 2.35 3.05 7.38
2016 10.70 13.61 19.53 16.11 10.23 9.25 4.32 2.88 3.34 3.11 3.47 7.36 8.66
2017 8.80 12.64 13.88 21.70 14.24 6.50 4.23 2.82 1.90 2.61 3.72 9.01 8.50
2018 15.37 17.06 21.16 15.07 6.93 4.76 3.04 2.05 3.00 1.27 1.07 2.65 7.79
2019 3.53 11.18 16.10 11.32 6.19 3.46 2.69 1.62 1.08 0.72 2.63 2.14 5.22
2020 4.01 9.63 13.40 10.00 7.43 3.46 2.31 4.97 7.68 2.50 2.84 7.53 6.31
2021 17.31 23.02 19.01 19.00 11.57 6.21 4.01 2.67 1.78 3.60 3.52 1.67 9.45
2022 10.17 15.07 18.35 8.57 7.14 7.42 7.36 3.10 2.06 1.37 2.83 9.57 7.75
2023 14.97 20.71 23.03 21.55 16.57 7.40 4.93 3.29 2.19 1.46 1.89 6.60 10.38
2024 11.64 16.12 17.13 7.55 8.22 6.44 3.14 2.08 1.41 3.04 3.20 5.36 7.11
2025 10.96 13.24 12.84 6.70 6.34 4.16 2.41 1.54 1.03 3.47 3.01 5.96 5.97
2026 8.62 14.84 20.14 11.52 11.14 6.57 3.63 2.73 1.68 1.27 3.99 6.84 7.75
2027 8.86 14.31 19.68 21.56 14.69 9.75 7.86 4.02 2.68 2.60 2.40 6.31 9.56
2028 13.90 14.88 20.53 17.01 16.20 7.46 4.60 3.42 2.18 1.43 1.76 5.98 9.11
2029 7.27 12.16 19.50 19.16 14.07 6.20 4.14 2.76 1.84 1.93 0.97 5.65 7.97
2030 12.10 17.93 23.89 14.37 14.84 6.30 7.52 3.53 2.35 1.57 3.31 10.02 9.81
2031 8.79 11.18 15.66 10.30 9.33 4.60 2.85 1.90 1.27 1.04 2.94 8.44 6.53
2032 11.11 17.48 19.57 10.56 11.03 7.32 3.77 3.17 2.59 3.56 3.30 6.39 8.32
2033 15.35 18.90 22.02 20.78 11.36 6.10 4.40 2.78 1.85 3.03 5.79 12.23 10.38
2034 15.80 21.20 21.44 20.15 9.50 6.24 3.90 2.62 2.62 2.15 2.82 6.35 9.57
2035 11.39 10.72 16.36 19.64 9.56 5.31 3.96 2.42 3.46 1.66 3.63 3.85 7.66
2036 13.01 15.74 17.66 15.45 11.82 9.50 4.50 3.00 2.00 1.60 3.50 7.11 8.74
2037 11.80 9.68 15.96 13.33 11.17 4.83 3.22 2.15 1.43 1.69 4.72 6.33 7.19
2038 9.95 13.59 20.77 14.17 8.34 5.56 3.26 2.17 1.56 0.99 2.26 8.74 7.61
2039 17.39 19.46 24.05 16.95 8.74 5.24 3.50 2.33 2.38 1.22 6.04 6.87 9.51
115
Continuacin
Promedio
(m3/s)
2040 10.35 10.63 21.08 19.43 8.59 5.09 3.40 2.57 5.89 2.01 4.05 7.90 8.42
2041 7.44 14.12 19.52 10.78 10.10 4.55 3.03 2.02 1.35 2.10 2.46 9.23 7.23
2042 13.05 24.11 20.12 23.21 14.47 7.02 4.68 3.12 4.54 1.93 1.86 7.90 10.50
2043 19.03 19.04 21.21 16.96 9.19 8.21 4.14 2.76 1.88 1.24 2.57 5.35 9.30
2044 6.35 15.97 20.11 13.96 14.35 9.41 4.69 3.13 2.08 1.51 4.31 11.16 8.92
2045 15.88 13.79 17.95 17.97 15.65 6.50 4.33 2.89 1.93 1.28 3.15 6.06 8.95
2046 11.90 14.25 21.09 17.33 9.92 5.25 3.50 2.34 1.56 1.04 4.34 11.14 8.64
2047 17.62 14.31 15.19 10.09 10.54 10.61 4.41 2.92 4.42 2.93 5.00 8.28 8.86
2048 11.56 15.80 22.02 23.75 17.61 15.23 11.92 5.67 3.78 5.44 8.46 10.44 12.64
2049 14.61 14.06 18.67 15.80 11.93 6.55 3.90 2.62 1.74 1.16 3.33 8.97 8.61
2050 15.39 20.77 19.70 19.11 16.84 9.86 5.42 5.03 4.66 3.93 8.46 15.21 12.03
2051 17.68 19.98 24.01 22.12 15.75 14.22 7.76 4.58 3.06 5.12 7.39 14.49 13.01
2052 14.60 16.61 19.11 13.01 10.99 6.64 5.02 2.81 1.86 3.21 2.97 9.88 8.89
2053 15.27 16.96 25.41 19.37 8.59 5.45 3.63 2.92 1.72 1.15 1.45 2.92 8.74
2054 5.84 12.44 19.91 12.93 12.29 5.43 6.45 3.04 2.01 1.34 5.35 13.15 8.35
2055 16.68 19.96 22.36 13.83 13.31 7.65 6.69 3.50 2.29 1.67 2.43 9.27 9.97
2056 9.42 14.85 20.23 21.91 15.64 9.29 5.15 3.43 5.07 2.14 4.34 5.55 9.75
2057 13.09 19.28 25.62 21.75 12.60 11.40 5.47 3.64 2.43 1.62 1.68 5.42 10.33
2058 10.89 12.55 19.84 13.10 11.51 6.72 3.76 3.02 6.60 2.26 3.67 8.99 8.58
2059 15.99 20.21 21.77 18.69 14.52 10.10 5.18 3.45 2.30 1.90 3.96 10.52 10.72
2060 17.09 23.52 22.60 16.99 11.89 5.97 3.98 2.65 1.77 1.66 4.98 6.78 9.99
2061 12.81 18.32 19.82 12.38 10.36 4.90 5.96 3.19 1.94 2.63 3.61 9.78 8.81
2062 13.55 12.98 23.36 14.90 8.60 4.83 3.55 2.22 1.86 1.64 1.52 2.61 7.63
2063 10.17 14.65 17.29 14.97 13.90 8.83 4.50 3.00 2.00 2.02 2.40 7.10 8.40
2064 14.95 16.12 23.38 19.74 12.06 10.63 5.09 3.39 2.94 3.53 4.78 10.87 10.62
2065 17.15 24.03 25.57 17.60 9.17 5.57 3.71 2.48 1.65 2.41 6.55 9.16 10.42
Promedio
Mensual 12.13 15.53 19.57 15.79 11.35 7.00 4.47 3.03 2.58 2.17 3.49 7.47
(m3/s)
116
Tabla 19: Proyeccin de caudales (m3/s) con el modelo climtico CanESM2 y
2010-2065.
Promedio
(m3/s)
2010 13.41 15.94 16.90 16.83 11.26 12.20 5.09 4.49 8.31 3.73 4.15 7.75 10.00
2011 9.66 16.76 17.16 12.07 10.67 11.21 6.61 3.52 2.35 3.85 1.67 4.89 8.37
2012 12.07 17.56 23.03 21.19 17.78 9.74 5.51 3.68 2.45 1.63 3.86 9.48 10.66
2013 14.49 22.48 21.04 20.37 11.42 6.09 4.98 2.91 1.94 1.29 0.90 1.68 9.13
2014 8.02 15.19 15.29 15.36 14.74 9.43 4.69 3.13 2.09 2.15 1.83 5.46 8.12
2015 13.64 14.55 25.42 22.19 16.95 12.69 6.50 4.90 3.22 2.45 4.75 6.28 11.13
2016 14.03 17.98 18.75 12.14 9.57 10.76 4.46 2.98 2.42 1.90 5.60 13.46 9.51
2017 22.07 21.57 24.44 11.02 11.61 5.91 3.73 3.20 1.82 1.21 2.79 10.37 9.98
2018 11.82 20.65 27.16 20.04 18.95 8.20 5.44 3.63 2.40 2.25 5.54 8.45 11.21
2019 15.51 17.53 20.85 20.70 11.94 9.94 10.65 4.56 3.04 2.03 3.67 7.01 10.62
2020 10.26 14.45 24.68 20.07 11.83 8.16 4.52 4.29 2.29 2.60 3.74 11.74 9.89
2021 13.22 23.10 27.16 21.98 14.83 7.44 4.89 3.26 2.17 2.34 4.68 11.27 11.36
2022 11.92 17.27 19.59 23.05 14.45 7.17 4.84 4.12 3.11 5.63 5.17 7.43 10.31
2023 17.16 20.69 22.23 19.05 17.28 13.67 6.28 5.58 9.73 9.41 8.18 9.39 13.22
2024 14.30 14.76 25.16 15.86 13.76 6.70 4.25 3.82 2.11 6.46 8.24 13.84 10.77
2025 19.58 20.23 27.69 21.97 18.32 8.71 5.53 3.69 2.48 2.07 5.30 12.54 12.34
2026 11.30 17.48 19.69 18.54 8.80 6.48 3.73 2.49 1.88 1.81 4.50 7.00 8.64
2027 11.91 16.04 24.11 11.35 12.38 6.58 3.86 2.64 2.95 1.42 5.40 14.53 9.43
2028 18.85 17.35 23.42 21.35 19.38 10.10 5.81 3.87 2.58 3.15 6.04 11.66 11.96
2029 15.00 18.97 24.52 24.42 19.33 12.62 6.51 8.43 4.51 5.89 8.95 11.10 13.35
2030 18.89 19.56 21.24 17.40 15.56 7.91 4.74 4.75 6.33 2.77 6.17 12.08 11.45
2031 18.63 18.79 27.21 22.48 16.39 8.41 5.27 3.59 5.15 2.19 7.00 16.90 12.67
2032 15.07 18.36 17.72 20.57 17.12 10.28 5.48 3.73 6.90 6.02 11.78 18.17 12.60
2033 16.41 19.81 26.40 20.72 15.21 7.21 10.87 4.55 6.38 11.43 18.73 20.74 14.87
2034 24.97 25.24 29.09 25.47 15.21 11.59 9.04 6.88 4.21 5.41 7.64 13.86 14.88
2035 17.92 20.41 24.58 11.88 10.63 7.91 4.15 2.74 1.83 4.47 9.17 11.71 10.62
2036 18.21 21.22 23.15 10.93 17.60 6.64 4.43 2.95 2.77 5.55 11.87 17.22 11.88
2037 21.60 27.42 24.36 22.90 13.25 9.49 5.29 8.86 4.97 12.88 11.76 17.18 15.00
2038 22.41 19.04 25.68 25.70 19.48 13.07 6.75 4.50 3.04 2.01 6.50 13.38 13.46
2039 21.23 20.93 24.96 20.39 13.11 9.49 5.08 3.39 3.77 5.87 8.97 11.56 12.40
2040 16.55 20.19 19.65 14.21 11.74 5.51 3.66 2.97 3.59 3.50 10.59 21.90 11.17
2041 17.18 20.62 26.93 21.63 16.39 11.06 13.76 8.26 4.99 4.28 12.60 20.41 14.84
2042 21.44 25.61 24.06 25.13 10.07 13.31 5.88 6.16 3.59 8.19 14.30 16.32 14.50
117
Continuacin
Promedio
(m3/s)
2043 21.77 24.05 27.88 24.05 17.85 11.29 9.04 8.35 3.98 4.48 10.24 14.89 14.82
2044 19.71 16.29 24.28 25.74 14.78 15.39 9.32 5.20 7.52 3.80 11.91 20.47 14.54
2045 17.94 23.44 27.07 23.89 14.20 9.94 5.51 8.84 9.09 8.00 11.93 21.08 15.08
2046 23.31 17.99 27.22 26.86 19.24 12.53 6.69 9.00 6.01 10.55 15.67 20.41 16.29
2047 23.78 19.83 28.70 23.23 20.64 14.04 8.18 4.95 3.34 8.02 9.66 19.35 15.31
2048 11.29 19.45 23.75 22.60 15.78 11.56 6.72 4.14 5.64 8.24 14.81 19.90 13.66
2049 17.63 22.31 20.71 11.38 16.62 17.21 12.15 5.99 11.11 12.85 15.85 20.06 15.32
2050 24.11 29.19 28.99 29.14 15.80 14.07 13.98 10.01 4.98 5.49 12.93 19.90 17.38
2051 22.49 23.89 27.45 21.55 20.25 13.58 11.87 14.45 12.64 6.68 17.10 21.75 17.81
2052 21.61 18.05 20.30 23.63 19.28 13.39 12.21 14.43 12.30 13.20 19.28 20.68 17.36
2053 25.49 22.47 21.36 21.87 11.42 15.32 6.26 7.80 10.28 10.84 17.96 23.81 16.24
2054 26.20 23.72 22.02 25.05 22.15 12.27 8.41 10.73 11.61 13.16 18.24 22.14 17.98
2055 25.21 24.53 24.53 22.77 11.71 13.56 8.31 9.67 4.54 8.73 13.01 20.57 15.60
2056 23.66 27.88 22.42 24.10 19.88 19.87 14.44 12.42 19.75 20.66 24.05 24.10 21.10
2057 26.03 22.66 22.94 18.85 19.69 12.51 13.94 5.95 4.51 10.81 16.98 17.91 16.07
2058 23.05 26.43 33.63 21.23 22.85 18.47 18.27 18.72 15.83 16.02 19.78 23.28 21.46
2059 17.12 23.91 24.15 14.84 9.85 16.04 10.67 16.11 12.43 14.69 17.58 24.75 16.84
2060 27.87 28.53 30.83 24.79 20.09 16.00 10.99 10.53 13.36 13.34 20.48 25.50 20.19
2061 22.22 25.11 29.17 24.64 14.64 14.13 14.08 17.93 9.03 11.56 15.84 20.30 18.22
2062 24.89 30.78 30.65 22.03 17.45 19.01 11.23 11.61 9.59 13.63 19.89 21.85 19.38
2063 23.14 26.74 33.02 26.42 18.86 18.99 18.40 7.88 12.44 16.82 20.67 22.38 20.48
2064 19.81 25.49 28.07 29.12 22.73 19.58 16.48 14.05 14.34 22.23 21.33 25.15 21.53
2065 27.19 17.45 27.04 23.46 15.15 18.49 7.49 4.99 4.22 10.16 19.52 22.39 16.46
Promedio
Mensual 18.65 21.03 24.46 20.72 15.68 11.66 7.98 6.72 6.07 7.18 11.01 15.88
(m3/s)
118
2010-2065.
Promedio
(m3/s)
2010 7.53 11.38 15.39 13.36 8.86 10.26 7.45 3.51 3.63 2.87 4.45 6.19 7.91
2011 3.86 9.12 15.93 15.81 16.02 6.08 4.05 2.81 1.96 2.54 6.68 7.26 7.68
2012 5.56 11.54 13.58 11.98 5.99 6.72 3.02 2.01 2.96 5.60 2.31 5.47 6.39
2013 8.35 11.77 16.85 9.07 11.62 7.78 5.36 2.91 2.23 2.43 3.57 2.86 7.07
2014 4.03 7.94 12.80 7.68 5.49 2.75 2.15 1.29 2.05 1.63 4.55 9.10 5.12
2015 9.68 17.65 19.28 17.00 7.19 13.46 5.65 3.49 2.33 1.56 3.48 3.15 8.66
2016 7.36 3.36 10.13 13.27 4.31 6.84 5.80 5.40 9.68 3.18 5.36 6.95 6.80
2017 11.35 17.92 23.76 18.98 12.68 8.50 5.32 3.35 2.81 1.60 3.17 6.49 9.66
2018 9.47 13.90 17.83 6.34 5.89 8.13 3.27 2.14 1.71 6.98 2.71 6.40 7.07
2019 6.86 15.26 19.52 20.09 9.70 5.56 5.00 2.72 1.82 2.60 1.80 4.02 7.91
2020 3.81 7.06 14.25 8.62 5.50 4.62 3.69 1.85 2.85 1.22 3.40 2.56 4.95
2021 10.56 15.60 20.22 14.95 9.73 6.17 3.57 8.23 5.36 2.95 1.79 2.67 8.48
2022 7.64 12.84 16.70 11.79 9.66 5.14 3.09 2.06 2.85 1.53 2.48 1.48 6.44
2023 7.83 12.40 14.18 8.09 8.72 8.14 3.44 6.29 2.72 1.68 2.58 3.41 6.62
2024 9.52 16.42 13.65 10.70 6.49 3.52 2.35 1.57 5.70 5.70 2.31 2.88 6.73
2025 8.96 12.89 15.51 12.24 9.58 8.33 3.81 5.00 2.24 2.45 1.39 4.96 7.28
2026 9.72 11.42 14.68 11.42 12.67 5.55 3.42 5.91 2.33 5.29 2.36 2.49 7.27
2027 6.60 9.57 14.16 8.92 6.48 3.39 2.18 6.26 2.27 1.55 4.30 2.19 5.65
2028 8.12 6.62 11.74 5.63 10.15 5.50 4.74 7.03 3.38 4.34 2.26 5.57 6.26
2029 12.05 12.18 17.02 12.99 12.78 10.08 7.96 3.80 5.34 5.32 2.70 2.33 8.71
2030 4.36 9.00 18.11 19.36 6.63 18.07 5.98 3.99 2.66 4.99 4.21 8.59 8.83
2031 6.88 8.76 18.27 7.96 12.78 6.16 4.66 6.95 2.69 3.76 7.29 6.58 7.73
2032 10.78 9.52 17.97 11.81 9.11 6.19 3.75 2.49 1.57 3.75 9.37 13.66 8.33
2033 17.89 17.53 22.62 20.26 10.11 6.82 4.10 2.73 3.39 2.75 3.11 1.68 9.42
2034 8.31 12.52 20.37 21.71 13.04 12.13 5.48 3.77 2.47 3.56 1.52 5.45 9.19
2035 8.03 12.77 15.31 9.47 8.54 5.01 3.40 2.01 1.42 3.49 2.68 7.69 6.65
2036 8.17 13.15 18.14 11.53 13.10 13.85 5.40 6.21 2.98 3.66 9.05 14.59 9.99
2037 14.92 17.22 22.56 13.56 11.19 11.59 4.96 3.30 2.20 1.54 4.60 6.03 9.47
2038 5.11 12.30 17.59 18.43 10.24 6.70 3.91 6.47 2.79 2.07 1.58 3.14 7.53
2039 5.03 12.62 11.25 5.49 4.45 4.05 1.99 1.30 1.20 0.65 0.46 2.70 4.27
2040 8.50 15.38 16.96 11.51 5.70 10.85 4.06 2.67 3.38 4.65 2.24 3.05 7.41
2041 3.616 6.176 10.591 9.393 8.142 3.375 2.250 1.500 5.981 2.475 1.435 3.464 4.866
119
Continuacin
Promedio
(m3/s)
2042 6.46 14.47 13.99 13.95 8.51 4.24 7.59 2.99 2.13 1.35 1.57 0.81 6.50
2043 4.33 7.92 12.47 14.57 9.64 8.44 3.80 2.53 2.86 2.06 3.12 6.01 6.48
2044 2.47 14.11 16.96 17.88 12.95 7.59 7.19 3.48 2.32 2.56 1.43 4.50 7.79
2045 10.31 17.93 17.17 20.78 15.12 10.27 8.99 4.64 7.02 3.30 5.41 7.69 10.72
2046 7.63 10.08 13.27 9.67 8.31 3.69 2.46 1.64 1.10 0.73 0.51 2.00 5.09
2047 6.42 11.90 13.24 10.72 8.27 6.26 3.60 3.51 4.25 8.38 9.69 12.29 8.21
2048 18.43 11.24 20.61 16.89 7.31 10.85 7.42 3.64 3.13 7.07 11.22 5.94 10.31
2049 15.49 20.78 19.47 22.40 15.39 7.08 4.72 5.39 5.16 2.81 2.56 3.03 10.36
2050 6.53 13.45 15.83 16.90 6.94 6.85 3.41 2.27 1.74 1.06 2.61 3.13 6.73
2051 7.99 14.72 13.08 17.12 13.37 14.54 10.50 6.89 3.70 2.47 5.14 9.65 9.93
2052 7.53 10.64 16.91 12.35 12.61 9.19 4.99 3.02 2.02 1.73 2.45 7.78 7.60
2053 10.71 11.76 14.35 12.65 7.16 3.83 2.60 4.40 1.75 2.03 1.99 3.37 6.38
2054 10.51 16.11 18.10 16.83 13.77 8.66 4.70 3.07 2.19 3.88 2.82 1.79 8.54
2055 4.52 8.32 14.64 11.39 10.29 4.44 2.89 4.02 4.11 2.77 3.66 1.58 6.05
2056 7.56 15.86 14.45 15.45 9.73 4.72 3.15 3.48 4.18 1.69 2.10 6.37 7.39
2057 6.86 16.65 20.56 19.13 10.95 13.39 5.73 4.07 2.55 3.35 3.87 5.31 9.37
2058 11.55 17.79 20.22 21.88 10.52 7.49 4.27 4.54 5.55 2.73 2.29 2.41 9.27
2059 3.87 11.30 12.97 11.87 7.89 9.34 3.75 2.56 2.87 1.89 4.95 4.71 6.50
2060 9.26 11.92 15.45 15.57 8.46 7.59 3.69 2.45 1.63 3.63 4.32 8.77 7.73
2061 9.89 12.97 19.75 18.61 14.53 8.13 4.68 3.09 2.93 3.74 6.42 8.94 9.47
2062 7.84 12.82 20.33 15.71 11.38 5.69 4.85 2.69 3.88 4.76 9.86 13.41 9.43
2063 15.69 14.47 19.29 11.50 5.92 6.10 3.76 2.24 4.34 4.59 3.67 12.69 8.69
2064 14.00 19.33 21.79 15.51 15.49 10.76 6.36 5.02 3.94 3.34 2.23 2.19 10.00
2065 7.53 15.73 16.27 12.39 11.13 8.12 5.33 2.93 4.86 4.16 3.69 9.24 8.45
Promedio
Mensual 8.46 12.79 16.57 13.77 9.79 7.65 4.57 3.67 3.20 3.15 3.73 5.51
(m3/s)
120
2010-2065.
Prome
dio
Anual
(m3/s)
2010 5.39 11.39 20.44 16.65 13.71 11.78 5.23 3.48 2.45 1.60 3.87 5.63 8.47
2011 10.97 14.40 18.94 16.56 9.16 8.63 4.10 2.83 1.84 1.23 2.82 8.78 8.36
2012 3.78 12.54 15.95 7.19 5.02 2.95 1.96 2.57 1.14 0.76 2.57 3.85 5.02
2013 9.65 15.60 14.63 7.67 10.86 11.53 4.44 2.96 2.15 3.08 5.08 8.85 8.04
2014 11.02 13.23 17.33 18.84 15.68 11.34 5.45 4.05 3.33 4.63 3.27 9.94 9.84
2015 10.09 14.82 19.62 16.86 9.49 5.47 4.35 3.50 2.38 3.28 3.25 6.35 8.29
2016 13.28 14.18 13.15 10.05 10.69 5.52 3.17 2.11 3.80 1.77 5.78 7.66 7.60
2017 15.65 17.27 19.15 14.09 9.97 6.97 3.75 2.50 4.49 6.95 3.13 3.31 8.94
2018 8.50 6.96 11.91 5.05 9.02 5.32 2.63 1.94 4.81 9.29 3.01 5.18 6.14
2019 8.31 13.10 13.71 8.62 4.45 4.80 5.25 6.97 5.15 2.56 3.78 8.00 7.06
2020 4.61 16.00 19.51 13.23 13.82 9.88 4.70 3.16 2.09 2.90 7.96 10.62 9.04
2021 8.22 11.03 18.00 13.13 9.79 5.88 3.36 2.24 1.49 1.63 7.85 3.04 7.14
2022 5.93 13.74 18.52 8.38 6.02 4.43 7.59 2.81 2.44 1.50 4.33 3.49 6.60
2023 13.98 20.66 15.40 19.70 7.14 4.96 3.22 2.24 1.45 2.71 8.25 9.28 9.08
2024 9.69 15.88 15.02 15.84 9.33 4.75 3.16 2.11 1.41 1.25 4.48 7.83 7.56
2025 8.53 10.84 16.49 19.05 7.05 5.47 4.93 2.63 2.89 3.82 2.53 5.02 7.44
2026 12.03 13.32 17.63 13.77 12.46 5.89 3.66 3.00 1.94 2.86 2.47 8.93 8.16
2027 12.29 10.30 14.15 19.89 13.66 6.21 4.03 2.87 1.83 5.11 2.70 4.34 8.12
2028 12.03 12.58 22.71 12.32 10.73 7.64 3.91 2.61 1.74 1.17 3.74 2.34 7.79
2029 7.22 9.21 14.93 17.43 18.34 17.44 8.32 6.37 8.52 6.36 7.27 6.69 10.68
2030 8.25 10.16 16.31 19.09 16.62 8.55 9.71 4.31 8.62 4.55 11.00 9.44 10.55
2031 9.47 14.08 20.85 18.04 16.67 7.83 4.93 3.22 2.14 2.25 5.28 3.26 9.00
2032 5.60 11.74 20.84 10.44 15.48 13.31 8.65 4.36 4.77 10.87 8.73 9.33 10.34
2033 10.81 9.60 20.96 20.29 17.12 15.27 8.10 4.70 3.14 5.51 11.35 6.43 11.11
2034 14.95 19.38 23.51 22.09 13.91 10.63 5.43 4.57 3.93 4.97 8.75 13.09 12.10
2035 16.33 19.48 18.73 20.16 11.06 8.61 4.52 3.98 2.23 5.74 2.04 8.39 10.11
2036 13.37 14.19 18.95 12.32 10.16 6.02 3.45 6.13 7.83 8.74 9.48 14.46 10.42
2037 11.55 16.27 19.72 20.66 14.49 10.20 6.05 3.66 4.38 5.67 6.27 11.99 10.91
2038 16.68 22.98 23.08 15.08 8.53 5.74 3.52 3.18 4.91 5.25 2.00 3.63 9.55
2039 5.74 12.60 18.15 11.27 11.82 6.28 3.55 2.40 1.59 5.30 3.38 4.79 7.24
2040 8.30 13.81 20.97 14.63 14.08 5.99 3.94 2.63 1.75 2.93 5.82 9.74 8.71
2041 6.12 14.53 19.41 20.18 11.32 9.49 5.68 6.99 4.32 6.84 8.51 5.66 9.92
121
Continuacin
Prome
dio
Anual
(m3/s)
2042 12.85 17.95 21.44 14.00 12.01 7.45 4.22 2.76 2.39 2.43 6.21 11.38 9.59
2043 12.95 13.15 16.23 11.87 14.77 10.68 6.85 3.68 8.57 11.15 16.15 10.11 11.34
2044 18.43 14.81 23.59 13.66 8.65 10.37 4.45 8.09 6.10 9.04 9.60 8.98 11.32
2045 11.90 15.37 20.59 9.45 13.00 5.19 3.46 2.31 3.22 6.22 6.79 7.83 8.78
2046 6.14 17.13 20.68 13.72 15.91 8.38 5.37 5.91 11.09 5.76 7.73 11.39 10.77
2047 17.26 14.83 20.02 10.96 10.02 16.29 7.80 4.55 9.09 5.53 9.82 16.41 11.88
2048 18.13 22.53 20.45 20.95 19.70 17.79 9.09 6.28 5.89 8.00 14.73 15.72 14.94
2049 11.19 20.80 29.87 27.00 11.40 16.06 9.46 5.09 12.69 13.86 14.53 18.02 15.83
2050 17.65 22.70 23.36 12.55 6.99 4.53 3.02 2.01 3.71 1.42 7.66 9.51 9.59
2051 12.41 20.03 24.42 21.05 13.27 13.81 6.17 4.05 2.70 8.01 11.41 14.95 12.69
2052 15.24 29.81 25.90 23.44 20.86 12.10 12.32 7.77 6.04 12.12 12.96 19.39 16.50
2053 15.54 13.70 18.45 11.01 8.92 8.37 4.12 2.61 3.52 2.82 4.30 4.87 8.19
2054 10.72 14.12 18.16 20.10 8.98 13.17 6.60 7.71 6.97 12.51 12.74 9.25 11.75
2055 18.08 22.71 29.70 15.85 9.76 9.02 4.54 7.56 3.04 6.25 6.18 8.14 11.74
2056 15.21 14.22 18.71 21.77 10.34 8.29 4.47 3.57 3.24 6.01 13.35 18.88 11.51
2057 20.51 26.78 30.31 17.85 18.64 15.86 12.50 14.91 12.83 11.29 9.75 12.55 16.98
2058 13.70 21.53 27.64 24.76 17.44 10.79 6.02 4.01 3.40 5.36 8.52 9.63 12.73
2059 19.89 23.82 30.57 19.66 15.15 9.23 5.32 6.45 3.37 10.18 13.57 13.34 14.21
2060 16.92 22.87 28.91 17.67 15.02 9.44 6.62 3.79 9.89 10.40 9.96 18.99 14.21
2061 24.04 18.49 22.11 21.53 15.01 18.19 9.61 10.50 4.76 9.82 17.86 19.47 15.95
2062 22.69 19.38 25.72 23.48 16.88 14.88 14.44 12.06 5.45 9.78 15.89 19.92 16.71
2063 21.27 26.58 32.86 27.89 12.18 12.03 6.81 4.23 3.09 5.05 7.19 10.20 14.11
2064 16.77 18.31 23.17 21.48 9.56 10.75 8.83 5.20 6.87 8.47 9.98 11.82 12.60
2065 17.96 20.95 29.90 23.11 10.56 7.93 4.88 3.58 2.21 8.96 9.53 11.74 12.61
Prome
dio
Mensu 12.60 16.40 20.74 16.49 12.19 9.38 5.74 4.50 4.41 5.78 7.63 9.68
al
(m3/s)
122
Anexo 3: Resultado de la temperatura media presente en la cuenca Lurn
Tabla 22: Proyeccin de temperaturas medias (C) en el punto de la estacin

Manchay para el periodo 1980-2006.
Promedio
(C)
1980 23 23 23 24 23 22 18 18 19 19 20 21 21.08
1981 21 24 24 22 21 14 16 16 17 20 20 23 19.83
1982 23 24 25 23 21 18 16 16 19 20 22 23 20.83
1983 20 24 25 24 23 26 20 13 13 13 19 21 20.08
1984 22 23 24 21 21 19 17 18 17 19 20 22 20.25
1985 23 23 24 22 19 19 16 16 18 18 17 22 19.75
1986 22 24 24 21 19 16 17 18 19 18 19 20 19.75
1987 25 24 22 22 20 16 17 17 17 18 19 22 19.92
1988 21 24 23 22 20 16 17 16 16 17 19 20 19.25
1989 24 24 24 21 19 17 16 18 17 19 19 21 19.92
1990 23 24 23 21 21 19 18 19 18 18 19 20 20.25
1991 22 22 24 23 20 18 19 16 18 19 19 20 20.00
1992 24 25 26 23 23 18 17 18 17 18 19 21 20.75
1993 23 24 25 23 21 19 17 17 20 19 19 22 20.75
1994 24 25 24 22 21 18 17 19 19 19 20 21 20.75
1995 24 24 25 23 21 18 18 16 18 19 20 21 20.58
1996 22 23 23 21 20 17 17 17 17 19 19 20 19.58
1997 22 23 24 22 22 22 21 20 20 20 22 23 21.75
1998 25 26 25 23 21 20 18 18 18 19 19 21 21.08
1999 22 23 23 23 21 18 18 18 18 19 20 21 20.33
2000 23 23 23 23 21 20 18 18 19 20 18 22 20.67
2001 23 24 25 23 20 19 18 17 19 18 19 21 20.50
2002 22 23 24 22 21 19 18 18 19 19 21 22 20.67
2003 23 25 24 23 20 18 18 18 19 19 20 21 20.67
2004 23 23 24 22 20 17 18 18 18 20 21 21 20.42
2005 22 23 24 22 19 18 17 17 18 18 20 20 19.83
2006 24 24 24 22 20 19 19 19 19 20 20 22 21.00
Promedio
Mensual 22.78 23.74 24.00 22.33 20.67 18.52 17.63 17.37 18.00 18.67 19.59 21.26
(C)
123
Anexo 4: Resultado de la temperatura media futura en la cuenca Lurn para los
cuatro escenarios analizados (2GCMs x 2 RCPs).
Tabla 23: Proyeccin de temperaturas medias (C) con el modelo climtico CanESM2
y escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay para el
periodo 2010-2065.
Promedio
Anual (C)
2010 23 23 24 23 21 19 19 19 19 19 20 22 20.97
2011 23 24 24 23 20 20 19 19 19 20 21 22 21.43
2012 24 25 24 22 22 19 18 18 18 19 19 21 20.74
2013 22 23 23 21 20 19 19 19 19 19 20 22 20.66
2014 23 24 24 22 20 19 18 18 18 19 19 21 20.43
2015 22 23 23 21 21 19 19 19 19 19 20 22 20.74
2016 24 24 25 23 21 20 19 19 19 19 20 21 21.35
2017 23 24 24 23 22 20 19 19 19 19 20 22 21.35
2018 23 24 24 23 21 19 19 19 19 19 20 22 21.12
2019 23 24 24 23 21 20 19 19 19 19 20 22 21.12
2020 23 24 23 22 21 20 19 19 19 19 21 22 21.12
2021 24 25 25 24 22 20 19 19 19 19 20 21 21.43
2022 23 23 23 22 21 19 19 19 19 20 21 22 21.20
2023 24 24 25 23 23 20 19 19 19 19 20 22 21.66
2024 23 24 23 21 21 19 18 18 19 19 19 21 20.43
2025 23 23 24 22 20 20 19 19 19 19 21 22 21.12
2026 24 24 24 22 21 20 19 18 19 19 20 21 20.97
2027 23 24 24 23 22 19 19 19 19 19 20 21 21.04
2028 23 23 23 22 21 20 19 19 19 19 20 22 20.97
2029 23 25 24 23 22 21 19 19 20 20 21 22 21.81
2030 24 25 26 24 22 22 20 19 19 20 20 21 22.05
2031 23 24 24 23 21 21 19 19 19 20 21 23 21.66
2032 24 24 25 23 21 20 20 19 19 19 21 22 21.66
2033 24 24 25 23 21 21 20 20 20 20 21 23 22.05
2034 24 25 25 23 22 21 19 19 19 20 20 22 21.81
2035 23 24 24 23 21 20 19 18 19 19 20 21 21.04
2036 23 24 23 23 21 20 19 19 19 20 20 22 21.20
2037 24 24 24 23 23 22 19 19 19 20 21 21 21.66
2038 23 24 24 23 21 21 19 19 19 20 21 22 21.58
2039 24 25 25 23 21 21 20 19 19 19 21 22 21.81
2040 24 24 24 23 21 20 19 19 19 20 21 22 21.51
124
Continuacin
Promedi
Ao Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. o Anual
(C)
2041 23 25 24 23 22 21 19 19 19 20 20 22 21.58
2042 24 25 24 23 21 20 19 19 19 20 20 23 21.66
2043 24 24 24 22 20 20 19 19 19 19 21 21 21.04
2044 23 24 24 23 21 20 19 19 19 20 21 23 21.58
2045 24 24 24 23 22 20 19 19 19 19 20 21 21.28
2046 23 24 24 22 21 20 19 19 20 20 21 22 21.51
2047 24 25 25 23 22 21 20 19 20 20 21 22 22.05
2048 23 24 24 24 23 21 19 19 20 20 21 22 21.89
2049 24 24 24 22 21 19 19 19 19 20 22 22 21.43
2050 25 25 25 24 23 22 21 20 21 21 22 23 22.82
2051 25 25 25 24 23 22 20 19 19 20 21 22 22.28
2052 23 24 24 22 21 20 19 19 19 20 20 22 21.20
2053 23 24 25 23 22 20 19 19 19 19 20 22 21.51
2054 24 24 25 23 23 21 19 19 20 20 21 22 21.97
2055 24 24 25 22 23 21 20 19 20 21 22 23 22.20
2056 24 25 25 24 23 22 21 20 20 20 21 23 22.51
2057 24 24 25 23 20 20 19 19 19 20 21 22 21.51
2058 24 25 25 23 22 21 20 19 20 20 22 23 22.20
2059 25 25 25 24 24 21 20 20 20 20 21 23 22.51
2060 24 25 24 23 21 20 19 19 19 19 21 22 21.51
2061 23 23 23 22 20 20 19 19 19 19 20 22 20.89
2062 23 24 24 22 21 20 19 19 19 19 20 22 21.12
2063 23 24 24 23 22 20 19 19 19 20 21 22 21.58
2064 24 25 25 23 22 22 20 19 20 20 21 23 22.20
2065 25 25 25 23 21 21 19 19 19 20 22 22 21.97
Promedi
o 23.6 24.2 24.2 22.9 21.7 20.6 19.2 19.0 19.3 19.9 20.8 22.1
Mensual 2 2 6 1 0 0 6 5 4 2 8 7
(C)
125
Tabla 24: Proyeccin de temperaturas medias (C) con el modelo climtico CanESM2
y escenario RCP 8.5, en el punto de la estacin hidromtrica Manchay para el
periodo 2010-2065.
Ene Dic Promedio

Ao Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov.
. . Anual (C)
2010 22 23 23 22 21 19 19 19 19 19 20 21 20.74
2011 23 24 24 23 22 21 20 20 20 20 21 24 22.05
2012 25 26 26 23 23 21 19 19 19 19 21 22 22.05
2013 23 23 23 22 20 19 19 19 19 19 20 21 20.74
2014 24 24 23 22 21 19 19 19 19 19 20 22 21.04
2015 24 25 24 23 21 19 19 19 19 19 20 22 21.28
2016 23 24 24 22 21 20 19 19 19 20 20 22 21.28
2017 23 24 24 23 21 20 19 19 19 20 21 23 21.58
2018 24 25 25 24 23 22 20 20 19 20 21 22 22.28
2019 25 25 25 23 23 21 19 19 19 20 21 22 21.97
2020 24 24 25 23 22 20 19 20 20 20 21 23 21.97
2021 24 25 24 23 21 21 19 19 19 20 21 23 21.81
2022 24 25 25 23 22 21 20 20 20 20 21 23 22.20
2023 24 25 25 23 22 20 19 19 19 20 21 22 21.81
2024 24 24 25 23 22 20 19 19 19 21 21 23 21.89
2025 25 25 26 25 22 21 20 20 20 21 22 23 22.66
2026 24 25 24 23 21 20 19 19 20 20 21 23 21.81
2027 24 25 24 23 22 21 20 20 20 21 22 23 22.28
2028 25 26 25 24 23 21 20 19 19 21 21 22 22.35
2029 23 25 25 24 22 21 20 19 20 21 22 22 22.20
2030 25 26 25 24 22 21 20 20 20 21 22 23 22.59
2031 24 26 25 24 24 22 21 21 21 22 22 23 23.05
2032 25 25 26 24 24 22 21 20 20 20 22 24 22.89
2033 25 26 26 25 25 23 21 20 21 21 22 23 23.28
2034 25 26 25 24 24 23 21 20 20 21 22 23 22.97
2035 24 25 25 23 21 21 19 19 19 19 21 23 21.81
2036 24 25 25 24 23 21 20 20 20 21 22 23 22.51
2037 25 25 25 24 22 21 21 21 21 22 22 23 22.82
2038 26 27 26 26 24 24 21 21 21 22 22 23 23.66
2039 26 26 26 24 22 21 20 19 19 20 21 22 22.35
2040 24 25 25 23 21 20 19 20 20 21 22 23 22.12
2041 25 26 26 25 23 23 21 21 22 22 22 24 23.43
126
Continuacin
Promedi
Ao Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. o Anual
(C)
2042 28 27 27 27 26 26 23 23 22 23 24 26 25.13
2043 26 26 26 23 22 20 19 19 19 20 21 23 22.12
2044 24 25 25 24 22 21 20 21 21 21 23 24 22.74
2045 25 26 25 25 23 22 21 21 22 22 22 25 23.36
2046 26 26 25 26 24 23 21 21 22 22 23 24 23.66
2047 26 27 26 26 24 22 21 21 21 22 23 24 23.66
2048 24 26 26 25 24 23 22 22 22 23 24 24 23.82
2049 26 26 27 27 25 24 23 22 23 23 23 25 24.51
2050 26 27 26 26 25 24 22 22 22 23 24 25 24.36
2051 26 26 26 25 23 22 21 21 21 21 23 24 23.36
2052 25 26 26 26 24 24 21 22 22 23 24 25 24.05
2053 26 27 27 27 26 24 22 23 22 23 24 24 24.59
2054 26 28 26 26 25 24 21 22 22 23 25 26 24.51
2055 26 27 27 27 26 26 22 22 23 23 24 24 24.74
2056 26 27 27 27 24 24 23 22 22 23 23 24 24.36
2057 27 26 26 25 24 23 21 22 22 23 23 25 23.97
2058 26 26 26 25 24 23 23 22 23 23 24 25 24.20
2059 27 28 27 27 26 24 22 23 24 24 26 27 25.36
2060 27 29 28 28 26 25 22 22 23 23 24 26 25.21
2061 26 27 28 26 24 23 23 22 22 23 23 24 24.28
2062 27 28 27 28 25 25 23 22 22 24 26 27 25.28
2063 29 28 28 26 26 24 22 22 23 23 25 24 24.98
2064 26 27 27 26 26 24 24 23 23 24 25 26 25.05
2065 28 28 27 27 26 25 23 22 23 23 24 25 25.05
Promedi
o 25.0 25.7 25.4 24.5 23.3 22.2 20.8 20.7 21.0 21.6 22.5 23.6
Mensual 4 0 7 8 2 3 6 8 4 2 0 7
(C)
127
Tabla 25: Proyeccin de temperaturas medias (C) con el modelo climtico MPI-
ESM-MR y escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay
para el periodo 2010-2065.
Promedio
Ao Ene. Feb. Mar. Abr. May. Jun Jul. Ago. Sep. Oct. Nov. Dic.
Anual (C)
2010 22 24 23 21 20 19 19 19 19 19 20 21 20.66
2011 23 23 23 22 21 19 19 18 18 19 19 21 20.43
2012 22 23 23 22 21 19 18 18 19 19 20 21 20.35
2013 23 24 24 22 20 19 19 19 19 19 19 20 20.50
2014 22 23 23 21 20 18 19 18 19 19 19 21 20.12
2015 23 23 23 21 20 19 18 18 19 19 20 20 20.35
2016 22 23 22 22 20 19 19 19 19 19 20 21 20.43
2017 23 23 23 22 20 19 18 18 19 19 19 21 20.35
2018 23 24 24 21 20 19 19 19 19 20 19 21 20.74
2019 22 24 23 22 20 19 19 19 19 19 20 22 20.74
2020 22 23 24 22 21 19 19 19 19 20 20 21 20.81
2021 23 23 23 22 20 19 19 19 20 20 20 21 20.89
2022 24 24 24 22 20 19 19 19 19 19 19 22 20.74
2023 23 23 24 22 21 19 17 18 18 18 19 21 20.12
2024 23 23 23 21 19 19 19 18 19 19 19 21 20.20
2025 23 23 23 22 21 20 19 19 19 19 20 20 20.97
2026 23 24 24 22 20 19 18 18 18 19 19 20 20.27
2027 22 23 22 21 20 19 19 19 19 19 19 21 20.27
2028 23 24 23 21 20 19 19 18 19 19 19 21 20.35
2029 23 24 24 22 21 20 19 19 19 19 20 21 21.04
2030 23 23 24 22 21 19 19 18 19 19 19 21 20.58
2031 23 24 24 23 21 20 19 19 20 20 21 22 21.58
2032 24 24 24 23 21 20 19 20 21 21 22 23 22.05
2033 24 24 25 23 21 20 19 18 19 19 19 21 21.04
2034 23 24 23 23 21 19 18 18 19 19 19 22 20.74
2035 23 24 24 22 20 19 19 19 19 21 20 22 21.20
2036 24 24 24 22 22 20 19 19 20 21 22 22 21.81
2037 24 25 25 24 22 20 19 19 19 19 20 21 21.58
2038 23 24 24 23 21 19 18 18 19 19 20 21 20.66
2039 23 23 23 21 20 19 19 18 19 19 19 21 20.43
2040 23 24 24 22 20 19 19 19 19 19 19 21 20.74
2041 23 23 24 22 21 19 19 19 19 19 20 22 20.89
128
Continuacin
Promedi
May
Ao Ene. Feb. Mar. Abr. Jun. Jul. Ago. Sep. Oct. Nov. Dic. o Anual
.
(C)
2042 23 24 24 21 20 19 19 18 18 19 19 21 20.43
2043 23 24 23 22 21 19 19 19 19 20 20 22 20.97
2044 24 25 24 23 21 21 18 19 19 20 20 22 21.43
2045 23 24 24 23 21 19 19 19 19 20 20 21 21.12
2046 23 24 24 22 21 19 19 19 19 20 20 22 21.20
2047 23 24 23 22 20 19 19 19 19 19 21 21 20.97
2048 23 24 24 23 21 20 19 19 19 20 20 21 21.12
2049 23 24 24 22 20 19 19 18 19 19 19 21 20.50
2050 22 23 23 22 20 18 18 16 19 19 21 21 20.20
2051 23 24 24 22 21 20 19 20 20 22 21 22 21.74
2052 24 25 24 24 21 20 19 19 19 21 21 22 21.66
2053 23 25 25 23 20 19 18 19 19 19 20 22 21.04
2054 23 24 24 23 20 19 19 18 19 19 20 21 20.74
2055 23 24 23 22 20 19 18 18 19 19 19 21 20.43
2056 23 24 23 22 20 19 19 19 19 19 19 21 20.66
2057 23 23 24 22 21 19 19 19 19 19 20 22 20.74
2058 24 25 24 24 22 19 18 19 19 19 21 21 21.28
2059 23 24 24 22 21 20 19 19 19 19 20 22 21.12
2060 23 24 24 22 21 19 19 19 19 19 20 20 20.89
2061 24 25 25 23 21 20 19 19 19 20 21 22 21.66
2062 24 24 24 23 21 19 19 19 19 19 20 21 21.20
2063 23 24 24 22 21 19 18 18 19 19 20 21 20.66
2064 24 24 23 22 21 19 19 18 19 19 19 21 20.58
2065 23 24 23 22 20 20 19 18 19 19 20 22 20.81
Promedi
o 23.1 23.8 23.7 22.3 20.8 19.2 18.4 18.2 18.8 19.5 20.1 21.5
Mensual 7 7 2 5 8 9 0 9 6 1 7 1
(C)
129
Tabla 26: Proyeccin de temperaturas medias (C) con el modelo climtico MPI-
ESM-MR y escenario RCP 8.5, en el punto de la estacin hidromtrica Manchay
para el periodo 2010-2065.
Promedio
Anual (C)
2010 23 24 24 22 21 20 19 19 20 19 20 22 21.27
2011 23 24 24 22 21 19 19 19 19 19 19 21 20.81
2012 22 24 24 22 21 19 19 19 19 19 20 21 20.81
2013 23 24 23 22 21 19 19 19 19 19 21 22 21.04
2014 23 25 25 23 21 20 19 20 20 19 21 22 21.66
2015 24 25 25 23 21 19 19 19 19 19 19 21 21.19
2016 24 24 24 22 21 20 19 19 19 19 20 22 21.19
2017 24 24 23 22 21 19 18 18 19 19 19 21 20.58
2018 23 23 23 21 21 19 18 18 19 19 19 21 20.27
2019 23 23 23 22 21 20 19 19 19 20 21 21 20.97
2020 23 25 24 22 20 19 19 19 19 19 21 22 21.12
2021 24 24 24 22 20 19 18 18 19 19 20 22 20.81
2022 23 24 24 22 21 19 18 19 19 19 20 21 20.89
2023 24 25 24 23 21 20 19 20 21 21 22 22 22.05
2024 25 25 24 23 20 19 19 19 19 19 20 21 21.19
2025 22 24 23 22 20 18 19 18 19 20 20 22 20.66
2026 23 24 24 22 20 19 19 19 19 20 21 21 20.97
2027 24 25 24 23 21 20 19 19 19 20 20 22 21.51
2028 24 24 24 22 21 19 19 19 19 19 21 22 21.19
2029 24 25 25 24 23 21 20 20 20 21 21 22 22.35
2030 24 25 26 23 21 19 19 19 19 19 20 22 21.28
2031 23 23 24 22 20 19 19 19 20 20 21 22 21.12
2032 24 26 25 24 22 22 20 20 21 22 21 22 22.59
2033 24 25 25 24 22 20 19 19 21 22 21 23 22.28
2034 24 24 24 23 21 19 19 19 19 20 21 22 21.35
2035 24 24 24 22 20 19 19 19 19 22 21 22 21.35
2036 24 25 24 23 22 21 19 20 20 21 22 23 22.20
2037 24 25 24 23 21 19 19 19 19 20 21 22 21.35
2038 24 24 24 22 20 20 19 19 19 20 21 23 21.43
2039 24 25 25 23 22 19 19 19 20 21 21 22 21.82
2040 24 25 25 23 22 21 19 19 21 21 21 23 22.12
2041 25 25 25 24 22 20 19 19 20 19 20 21 21.74
130
Continuacin
Promedio
(C)
2042 24 25 25 24 22 19 19 19 20 21 21 22 21.97
2043 24 24 25 24 23 21 20 20 20 21 22 23 22.43
2044 25 26 25 25 21 20 19 19 21 21 22 23 22.43
2045 24 25 25 23 23 20 20 19 21 22 22 22 22.28
2046 24 25 25 24 22 20 19 19 19 21 22 22 22.05
2047 25 25 26 24 22 21 19 19 20 21 22 23 22.43
2048 26 27 26 25 24 22 20 21 21 22 23 23 23.43
2049 25 26 27 25 23 21 19 19 19 22 22 23 22.74
2050 25 26 25 24 23 20 19 19 20 21 22 23 22.35
2051 26 25 26 24 23 21 21 22 21 22 22 23 23.13
2052 25 26 26 25 22 21 20 20 20 23 22 24 22.97
2053 25 25 25 23 22 20 19 19 19 21 22 22 22.05
2054 25 25 25 24 22 21 20 21 21 21 22 23 22.66
2055 25 26 26 23 22 21 19 20 21 22 22 23 22.66
2056 25 25 25 24 23 22 20 20 22 23 24 24 23.20
2057 26 26 27 25 24 23 21 22 23 22 23 23 23.82
2058 25 25 26 25 22 20 19 20 20 21 22 23 22.51
2059 25 26 26 24 23 21 19 20 20 22 22 24 22.82
2060 25 26 26 25 22 21 19 20 21 23 23 24 23.05
2061 26 25 26 24 23 23 22 21 21 22 24 24 23.51
2062 27 27 27 26 24 23 22 21 23 23 23 24 24.20
2063 25 26 26 25 23 21 21 20 21 21 21 24 22.97
2064 25 26 26 25 22 21 19 20 21 21 22 23 22.74
2065 27 26 26 25 23 22 20 21 21 22 23 23 23.356
Promedio
Mensual 24.31 24.89 24.83 23.44 21.92 20.43 19.33 19.47 20.17 20.91 21.52 22.55
(C)
131
Anexo 5: Tablas de demanda agrcola presente y proyectada.
Tabla 27: Demanda agrcola para el ao 2006.

rea rea
rea fsica
N Comisin de regantes sembrada fsica Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
bajo riego
(Has) (Has)
1 SISCAYA 289.56 14.93 12.38 0.88 0.93 0.86 0.53 0.33 0.08 0.06 0.31 0.44 0.72 0.85 0.89
2 SUB SECTOR CIENEGUILLA 259.75 138.26 105.32 0.54 0.59 0.57 0.04 0.23 0.11 0.05 0.27 0.43 0.66 0.70 0.41
3 TOLEDO 157.80 80.00 80.00 0.31 0.29 0.28 0.22 0.17 0.13 0.12 0.15 0.18 0.30 0.28 0.32
4 CIENEGUILLA 480.25 102.93 73.29 1.26 1.50 1.51 1.04 0.48 0.31 0.23 0.45 0.65 0.84 0.77 1.13
5 CONDOR HUACA - MOLINO 218.26 93.15 66.72 0.33 0.23 0.25 0.23 0.13 0.07 0.02 0.20 0.41 0.61 0.53 0.31
6 TAMBO INGA 247.48 77.52 56.83 0.62 0.75 0.58 0.37 0.26 0.12 0.02 0.23 0.37 0.55 0.56 0.48
7 JATOSISA-SOTELO 235.55 80.04 56.26 0.61 0.86 0.62 0.36 0.17 0.08 0.01 0.12 0.20 0.24 0.25 0.53
8 CAA HUECA 311.64 120.41 82.27 0.52 0.70 0.59 0.27 0.14 0.07 0.02 0.25 0.54 0.73 0.53 0.51
9 SAN FERNANDO 458.86 4.64 3.70 0.98 1.15 0.79 0.39 0.35 0.28 0.10 0.60 0.96 1.05 0.72 0.98
10 PAN DE AZUCAR 417.18 111.10 77.09 0.67 0.89 0.99 0.48 0.29 0.13 0.04 0.30 0.64 0.62 0.39 0.48
11 MEJORADA 772.83 74.36 50.14 1.19 1.57 2.45 1.29 0.26 0.09 0.07 0.59 1.27 1.33 1.29 0.55
12 VENTUROSA 338.94 199.88 142.30 0.69 0.90 0.74 0.46 0.14 0.11 0.05 0.29 0.54 0.65 0.63 0.60
13 LURN 1,055.45 550.30 390.87 1.52 2.07 2.87 2.05 0.98 0.45 0.35 0.93 1.68 2.00 2.11 1.97
10.1 12.4 13.0 10.2
Demanda presente total (MMC) 7.73 3.92 2.04 1.13 4.68 8.31 9.61 9.16
0 1 9 9
Fuente: PROFODUA (2006)
Tabla 28: Demanda agrcola proyectada (demanda agrcola presente incrementada en 50%).
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
15.1515 18.618 19.632 11.59095 5.886 3.054 1.6965 7.0185 12.459 15.435 14.415 13.737
Fuente: Elaborado a partir de PROFODUA (2006)
132
Anexo 6: Clculos para obtener el Balance hdrico mensual presente.
Tabla 29: Balance hdrico mensual presente en el punto de la estacin hidromtrica

Manchay para el periodo de 1980 al 2006.
Consumo
Bruto de Oferta Total
Oferta - Acumulado
MES Agua de Agua
Demanda (MMC)
(Cultivos) (MMC)
MMC
Enero 10.10 14.780 4.68 4.68

Febrero 12.41 20.389 7.98 12.66
Marzo 13.09 31.362 18.27 30.93
Abril 7.73 24.733 17.01 47.94
Mayo 3.92 16.827 12.90 60.84
Junio 2.04 8.572 6.54 67.38
Julio 1.13 5.726 4.59 71.97
Agosto 4.68 4.366 -0.31 71.66
Septiembre 8.31 3.523 -4.78 66.87
Octubre 10.29 5.275 -5.02 61.86
Noviembre 9.61 8.206 -1.40 60.45
Diciembre 9.16 10.537 1.37 61.83
133
Anexo 7: Clculos para obtener el balance hdrico mensual futuro (caso 1: oferta
agrcola proyectada vs demanda agrcola presente) en la cuenca Lurn, para los
Tabla 30: Balance hdrico futuro mensual (caso 1) con el modelo climtico CanESM2
y escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay.
Consumo bruto de Oferta total

Oferta - Acumulado
Mes agua (Cultivos) de agua
Demanda (MMC)
MMC (MMC)
Enero 10.10 32.24 22.14 22.14
Febrero 12.41 37.19 24.78 46.92
Marzo 13.09 52.11 39.02 85.94
Abril 7.73 40.83 33.10 119.04
Mayo 3.92 30.52 26.59 145.64
Junio 2.04 18.22 16.19 161.82
Julio 1.13 12.02 10.89 172.71
Agosto 4.68 8.14 3.46 176.18
Septiembre 8.31 6.74 -1.57 174.61
Octubre 10.29 5.81 -4.48 170.13
Noviembre 9.61 8.91 -0.70 169.43
Diciembre 9.16 19.92 10.76 180.18
Consumo bruto de Oferta total

Oferta - Acumulado
Mes Agua (Cultivos) de agua
Demanda (MMC)
MMC (MMC)
Enero 10.10 49.94 39.84 39.84
Febrero 12.41 56.34 43.93 83.77
Marzo 13.09 65.50 52.41 136.18
Abril 7.73 55.49 47.76 183.94
Mayo 3.92 41.99 38.06 222.01
Junio 2.04 31.23 29.19 251.20
Julio 1.13 21.38 20.25 271.45
Agosto 4.68 18.00 13.32 284.76
Septiembre 8.31 16.26 7.95 292.71
Octubre 10.29 19.22 8.93 301.64
Noviembre 9.61 29.50 19.89 321.53
Diciembre 9.16 42.54 33.37 354.90
134
Tabla 32: Balance hdrico futuro mensual (caso 1) con el modelo climtico MPI-ESM-
MR y escenario RCP 4.5, en el punto de la estacin hidromtrica Manchay
Consumo bruto
Oferta total de Oferta - Acumulado
Mes de agua
agua (MMC) Demanda (MMC)
(Cultivos) MMC
Enero 10.10 22.66 12.56 12.56
Febrero 12.41 30.93 18.52 31.08
Marzo 13.09 44.39 31.30 62.38
Abril 7.73 35.69 27.96 90.35
Mayo 3.92 26.22 22.30 112.64
Junio 2.04 19.84 17.80 130.44
Julio 1.13 12.23 11.10 141.54
Agosto 4.68 9.83 5.16 146.70
Septiembre 8.31 8.29 -0.01 146.68
Octubre 10.29 8.44 -1.85 144.83
Noviembre 9.61 9.66 0.05 144.88
Diciembre 9.16 14.76 5.60 150.48
Consumo bruto
Oferta total de Oferta - Acumulado
Mes de agua
agua (MMC) Demanda (MMC)
(Cultivos) MMC
Enero 10.10 33.76 23.66 23.66
Febrero 12.41 39.68 27.26 50.92
Marzo 13.09 55.55 42.46 93.38
Abril 7.73 42.74 35.01 128.40
Mayo 3.92 32.65 28.73 157.12
Junio 2.04 24.32 22.28 179.41
Julio 1.13 15.39 14.26 193.66
Agosto 4.68 12.04 7.36 201.02
Septiembre 8.31 11.44 3.13 204.15
Octubre 10.29 15.47 5.18 209.34
Noviembre 9.61 19.77 10.16 219.50
Diciembre 9.16 25.92 16.75 236.25
135
Anexo 8: Clculos para obtener el balance hdrico mensual futuro (caso 2: oferta
agrcola proyectada vs demanda agrcola proyectada) en la cuenca Lurn, para los
Consumo Bruto de Oferta Total

Oferta - Acumulado
Mes Agua (Cultivos) de Agua
Demanda (MMC)
MMC (MMC)
Enero 15.15 32.24 17.09 17.09
Febrero 18.62 37.19 18.57 35.66
Marzo 19.63 52.11 32.48 68.14
Abril 11.59 40.83 29.24 97.38
Mayo 5.89 30.52 24.63 122.01
Junio 3.05 18.22 15.17 137.18
Julio 1.70 12.02 10.32 147.50
Agosto 7.02 8.14 1.12 148.63
Septiembre 12.46 6.74 -5.72 142.91
Octubre 15.44 5.81 -9.62 133.28
Noviembre 14.42 8.91 -5.51 127.77
Diciembre 13.75 19.92 6.18 133.95
Consumo Bruto
Oferta Total de Oferta - Acumulado
MES de Agua
Agua (MMC) Demanda (MMC)
(Cultivos) MMC
Enero 15.15 49.94 34.79 34.79
Febrero 18.62 56.34 37.72 72.51
Marzo 19.63 65.50 45.87 118.38
Abril 11.59 55.49 43.90 162.28
Mayo 5.89 41.99 36.10 198.38
Junio 3.05 31.23 28.18 226.56
Julio 1.70 21.38 19.68 246.24
Agosto 7.02 18.00 10.98 257.22
Septiembre 12.46 16.26 3.80 261.01
Octubre 15.44 19.22 3.78 264.80
Noviembre 14.42 29.50 15.08 279.88
Diciembre 13.75 42.54 28.79 308.67
136
Consumo bruto Oferta total

Oferta - Acumulado
Mes de agua de agua
Demanda (MMC)
(Cultivos) MMC (MMC)
Enero 15.15 22.66 7.51 7.51
Febrero 18.62 30.93 12.31 19.82
Marzo 19.63 44.39 24.76 44.58
Abril 11.59 35.69 24.10 68.68
Mayo 5.89 26.22 20.33 89.02
Junio 3.05 19.84 16.78 105.80
Julio 1.70 12.23 10.53 116.33
Agosto 7.02 9.83 2.82 119.15
Septiembre 12.46 8.29 -4.17 114.98
Octubre 15.44 8.44 -7.00 107.98
Noviembre 14.42 9.66 -4.75 103.23
Diciembre 13.75 14.76 1.02 104.25
Consumo bruto Oferta total

Oferta - Acumulado
Mes de agua de agua
Demanda (MMC)
(Cultivos) MMC (MMC)
Enero 15.15 33.76 18.61 18.61
Febrero 18.62 39.68 21.06 39.66
Marzo 19.63 55.55 35.92 75.58
Abril 11.59 42.74 31.15 106.73
Mayo 5.89 32.65 26.77 133.50
Junio 3.05 24.32 21.26 154.76
Julio 1.70 15.39 13.69 168.45
Agosto 7.02 12.04 5.02 173.47
Septiembre 12.46 11.44 -1.02 172.45
Octubre 15.44 15.47 0.04 172.49
Noviembre 14.42 19.77 5.35 177.84
Diciembre 13.75 25.92 12.17 190.01
137

Tesis Balance Hidrico

Cargado por

Copyright:

Formatos disponibles

Tesis Balance Hidrico

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Balance Hidrico

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Gestin de Calidad y Auditora Ambiental

Ciclo Optativo de Especializacin y Profesionalizacin

BALANCE HDRICO FUTURO EN LA CUENCA DEL RIO LURIN

Trabajo de Titulacin para Optar el Ttulo Profesional de:

Alvarez Pealoza, Tatiana Gracia

Villaverde Valderrama, Raisa Luca

Tabla 1: Secuencia de diferencias sucesivas para 7 observaciones ..................................... 13

Anexo 1: Resultado de la oferta hdrica presente en la cuenca Lurn ............................... 113

El presente trabajo de titulacin tuvo el principal objetivo de obtener la disponibilidad hdrica

En este sentido, el modelamiento hidrolgico permite manejar hiptesis suficientemente

Actualmente, este modelo ha sido incorporado como componente hidrolgico al Proyecto

En vista de la problemtica en la cuenca Lurn, el objetivo principal de la presente

La Geoestadstica es una ciencia que comprende un conjunto de herramientas y tcnicas

El variograma es una herramienta que permite analizar el comportamiento espacial de una

Donde: 2(h) es la expresin matemtica del variograma; Np (h) es el nmero de pares a la

Pepita o nugget (Co): es una discontinuidad de salto en el origen, representa la

Fuente: Adaptado de Goovaerts (1997)

4.1.1.1 Modelos del variograma

Los modelos tericos se ajustan a un modelo de variograma experimental y son capaces de

a. Modelo efecto pepita puro: Representa un fenmeno completamente aleatorio,

b. Modelo exponencial: En este modelo la ecuacin crece inicialmente ms rpido y

Fuente: Adaptado de Goovaerts (1997)

En caso de que el variograma sea calculado en todas las direcciones posibles, se

4.1.2 Interpolacin por el mtodo AURELHY

Segn Bnichou y Breton (1986), el mtodo AURELHY es un anlisis que utiliza la

El objetivo ms frecuente en la aplicacin del PCA es el de reducir la dimensionalidad de

Figura 3: Ejemplo del PCA: representacin de la dispersin de veinte puntos.

Fuente: Villardon (2002).

La mscara de interpolacin, que es la rejilla de referencia para todos interpolacin

El proceso o trmino de multicolinealidad es una situacin en la que se presenta una fuerte

En el modelo: Yt = 0 + 1X1 + 2X2 + t, la multicolinealidad (o colinealidad) se

b) Factor de inflacin de la varianza (VIF)

El VIF permite diagnosticar la multicolinealidad de las variables, valorar la falta de

La prueba F de Fisher se utiliza para probar la consistencia o homogeneidad en la variancia

Los estadsticos sern:

Fcal = S1/S2 ; si S1 > S2

Fcal = S2/S1 ; si S2 > S1

El valor de F tabla se obtiene con alfa =0.05

Los criterios de decisin sern:

Si: Fcal <= Ftabla S1 equivalente S2 (Existe consistencia en la variancia)

Fcal > Ftabla S1 <> S2 (No existe consistencia en la variancia)

El test de Shapiro-Wilk (Wc) es un contraste de ajuste que se utiliza para comprobar si

H0 (hiptesis nula): La variable aleatoria no tiene una distribucin normal

Tabla 1: Secuencia de diferencias sucesivas para 7 observaciones

Donde Wn, es un valor de la tabla de Shapiro-Wilk correspondiente a un tamao

Este mtodo se explica mediante la ecuacin P (Si), que describe la descomposicin de la

i. Anlisis de terreno por componentes principales

Supongamos que se tiene un punto G, debido a que el paisaje no se puede describir

Dnde: N es el nmero de componente principales; Cj es el componente principal del

Figura 4: Vectores que describen diferentes tipos de paisajes.

Fuente: Benichou y Breton (1987)

ii. La regresin de la variable climtica con relacin al relieve

Del paso anterior, donde se realiza la homogenizacin en la base y en el relieve a travs de

iii. La interpolacin espacial de los residuos por Kriging

El Kriging es un mtodo de interpolacin geoestadstico (Kriging en la literatura inglesa,

Dnde: n es el nmero de muestras obtenidas, f i es el valor obtenido en el punto i y wi es

iv. Obtencin del mapa final

Finalmente se obtiene un mapa por la adicin de la grilla predicha por la regresin y la