01401sena 36

DIRECTORIO
Ing. Amelia Díaz Pabló

Presidenta Ejecutiva del SENAMHI
Ing. Oscar G. Felipe Obando

Director de la Dirección de Hidrología del SENAMHI
Mg. Sc. Julia Y. Acuña Azarte

Subdirectora de Estudios e Investigaciones Hidrológicas del
SENAMHI
REVISOR DEL ESTUDIO
Mg. Sc. Julia Y. Acuña Azarte

Subdirectora de Estudios e Investigaciones Hidrológicas del
SENAMHI
RESPONSABLE DEL ESTUDIO

Bach. Darwin Santos Villar
Especialista en Hidrología del SENAMHI
Lima-Perú
Noviembre - 2016
OFERTA HÍDRICA SUPERFICIAL DEL RÍO COATA-PUNO
BAJO ESCENARIOS DE CAMBIO CLIMÁTICO
ÍNDICE
RESUMEN ................................................................................................................................................................ 1
1. INTRODUCCIÓN .............................................................................................................................................. 2
1.1. Antecedentes......................................................................................................................................... 2
1.2. Justificación ........................................................................................................................................... 2
1.3. Objetivos................................................................................................................................................ 3
1.3.1. Objetivo General ........................................................................................................................... 3
1.3.2. Objetivos Específicos .................................................................................................................... 3
2. EL MARCO TEÓRICO ....................................................................................................................................... 3
2.1. El Grupo Intergubernamental de Expertos sobre el Cambio Climático ................................................. 3
2.2. El Cambio Climático ............................................................................................................................... 4
2.2.1. Factores causantes del Cambio Climático ..................................................................................... 4
2.2.2. Los Modelos Climáticos Globales .................................................................................................. 5
2.2.3. Predicciones, proyecciones y escenarios climáticos ..................................................................... 1
2.2.4. Corrección de la distribución temporal de las variables ............................................................... 4
2.3. Modelo hidrológico ............................................................................................................................... 5
2.3.1. El proceso de transformación lluvia - escorrentía ........................................................................ 5
2.3.2. Clasificación de los modelos hidrológicos ..................................................................................... 6
2.3.3. Fuentes de incertidumbre ............................................................................................................ 9
2.3.4. Medidas de bondad de ajuste ...................................................................................................... 9
2.3.5. Análisis de sensibilidad ................................................................................................................. 1
2.4. Modelo GR2M ....................................................................................................................................... 1
2.4.1. Descripción ................................................................................................................................... 1
3. MATERIALES Y MÉTODOS ............................................................................................................................... 5
3.1. Área de estudio ..................................................................................................................................... 5
3.2. Aspectos socio-económicos................................................................................................................... 6
3.2.1. Densidad de la población .............................................................................................................. 6
3.2.2. Dinámica de la estructura económica .......................................................................................... 7
3.3. Aspecto físico ambiental ....................................................................................................................... 8
3.3.1. Clima ............................................................................................................................................. 8
3.3.2. Suelo ........................................................................................................................................... 11
3.3.3. Hidrografía .................................................................................................................................. 11
3.4. Materiales ............................................................................................................................................ 11
3.4.1. Información utilizada .................................................................................................................. 11
3.4.2. Programas utilizados ................................................................................................................... 15
3.5. Metodología ........................................................................................................................................ 15
3.5.1. Etapa I: Tratamiento de la información observada .................................................................... 16
3.5.2. Etapa II: Caracterización climatológica ....................................................................................... 17
3.5.3. Etapa III: Análisis de la información de los MCG ......................................................................... 17
3.5.4. Etapa IV: Modelización hidrológica del modelo GR2M .............................................................. 20
DIRECCIÓN DE HIDROLOGÍA i
3.5.5. Etapa V: Generación de escenarios hídricos futuros .................................................................. 23

4. RESULTADOS Y DISCUSIONES ....................................................................................................................... 23
4.1. ETAPA I ................................................................................................................................................ 23
4.1.1. Análisis exploratorio de datos (AED) .......................................................................................... 23
4.1.2. Análisis de consistencia y homogeneidad................................................................................... 26
4.2. ETAPA II ............................................................................................................................................... 31
4.2.1. Precipitación ............................................................................................................................... 31
4.2.2. Temperatura ............................................................................................................................... 32
4.3. ETAPA III .............................................................................................................................................. 33
4.3.1. Selección y validación de la grilla de los MCG para el periodo actual ........................................ 33
4.3.2. Escenarios climáticos .................................................................................................................. 37
4.4. ETAPA IV .............................................................................................................................................. 42
4.4.1. Calibración y validación del modelo GR2M ................................................................................ 42
4.4.2. Análisis de sensibilidad del modelo GR2M ................................................................................. 44
4.5. ETAPA V ............................................................................................................................................... 45
4.5.1. Mediante la curva de duración mensual .................................................................................... 45
4.5.2. Mediante el análisis estacional ................................................................................................... 46
4.5.3. Respuesta hidrológica ante los cambios de precipitación y evapotranspiración ....................... 48
5. CONCLUSIONES ............................................................................................................................................ 49
5.1. Sobre modelos climáticos globales...................................................................................................... 49
5.2. Sobre el modelo hidrológico................................................................................................................ 49
5.3. Sobre Escenarios hídricos .................................................................................................................... 49
6. RECOMENDACIONES .................................................................................................................................... 49
7. REFERENCIAS BIBLIOGRÁFICAS .................................................................................................................... 51
8. ANEXO .......................................................................................................................................................... 54
8.1. Análisis exploratorio de datos ............................................................................................................. 54
8.2. Análisis comparativo del cálculo de la Evapotranspiración potencial mensual .................................. 63
DIRECCIÓN DE HIDROLOGÍA ii
LISTA DE TABLAS
Tabla 2-1 Valores referenciales del criterio de NSE .............................................................................................. 11

Tabla 3-1 Tasa de crecimiento intercensal de 1993 y del 2007 .............................................................................. 7
Tabla 3-2 Factores que intervienen en la formación y modificación de los climas ................................................. 9
Tabla 3-3 Descripción de los modelos climáticos globales seleccionados ............................................................ 12
Tabla 3-4 Red de estaciones hidrológicas para el estudio .................................................................................... 13
Tabla 3-5 Red de estaciones meteorológicas para el estudio ............................................................................... 13
Tabla 3-6 Hoja de cálculo del modelo GR2M ........................................................................................................ 22
Tabla 4-1 Estadística descriptiva de variables hidroclimáticas ............................................................................ 25
Tabla 4-2 Características de la información de las estaciones hidrométricas....................................................... 27
Tabla 4-3 Matriz de correlación de las estaciones pluviométricas. ...................................................................... 28
Tabla 4-4 Características de la información de las estaciones pluviométricas ..................................................... 31
Tabla 4-5 Selección de las grillas de los MCG - precipitación ................................................................................ 34
Tabla 4-6 Selección de las grillas de los MCG - temperatura ................................................................................ 34
Tabla 4-7 Estadísticos de validación entre la información de los MCG y la información observada areal .......... 34
Tabla 4-8 Calibración de parámetros estadísticos del mes de enero del modelo MRI-CGCM3............................ 37
Tabla 4-9 Sesgo en valor absoluto entre el régimen pluviométrico observado y de los MCG .............................. 40
Tabla 4-10 Estadísticas de la calibración y validación del modelo hidrológico ..................................................... 44
Tabla 8-1 Estadística descriptiva de la precipitación mensual Estación Lagunillas a Pucara ................................ 57
Tabla 8-2 Estadística descriptiva de la precipitación mensual Estación Mañazo a Capachica .............................. 58
Tabla 8-3 Estadística descriptiva de la precipitación mensual Estación Puno a Imata ......................................... 59
Tabla 8-4 Estadística descriptiva de la precipitación mensual Estación Pampahuta a Cabanillas ........................ 60
Tabla 8-5 Estadística descriptiva de la temperatura media mensual Estación Lagunillas a Cabanillas ................ 61
Tabla 8-6 Estadística descriptiva de la temperatura media mensual Estación Puno a Imata ............................... 62
DIRECCIÓN DE HIDROLOGÍA iii

LISTA DE FIGURAS
Figura 2-1 Emisiones anuales mundiales de GEI antropógenos, entre 1970-2004 ................................................. 5
Figura 2-2 Evolución de los modelos climáticos globales ....................................................................................... 1
Figura 2-3 Trayectoria de concentraciones de CO2 de los distintos escenarios ..................................................... 3
Figura 2-4 El ciclo hidrológico, evaporación, transpiración y precipitación ............................................................ 5
Figura 2-5 El proceso lluvia - escorrentía ................................................................................................................ 6
Figura 2-6 Clasificación de los modelos hidrológicos según la representación espacial ........................................ 7
Figura 2-7 Efectos de la medida de ajuste sobre la calibración de un modelo ..................................................... 10
Figura 2-8 Esquema de la precipitación de transformación a caudal ..................................................................... 2
Figura 2-9 Esquema conceptual y ecuaciones del modelo GR2M .......................................................................... 3
Figura 3-1 Ubicación geográfica de la cuenca del río Coata ................................................................................... 5
Figura 3-2 Ubicación política de la cuenca del río Coata ........................................................................................ 6
Figura 3-3 Tasa de crecimiento promedio anual de la población total, 1940-2007................................................ 7
Figura 3-4 Factores que intervienen en la formación y modificación de los clima ................................................. 9
Figura 3-5 Red hidrometeorológica de la cuenca del río Coata ............................................................................ 14
Figura 3-6 Esquema metodológico para el desarrollo de los escenarios hídricos ................................................ 16
Figura 4-1 Régimen y variabilidad de caudales medios mensuales registrados en la estación hidrológica -
Unocolla, periodo (1964-1999) ............................................................................................................................. 23
Figura 4-2 a) Diagrama de cajas de la serie de precipitación total anual por estación y b) Diagrama de cajas de la
serie de temperatura media anual por estación. (Símbolo: azul la mediana y rojo la media) ............................. 24
Figura 4-3 Comparación de los hidrogramas de los ríos Coata y Ramis ............................................................... 26
Figura 4-4 a) Índices anuales y b) Suma de índices anuales del vector regional de las estaciones hidrométricas
pertenecientes a la región Titicaca ....................................................................................................................... 27
Figura 4-5 Grupos de índices anuales del vector regional y de las estaciones pluviométricas (Brunet Moret) ... 29
Figura 4-6 Suma de los índices anuales del vector regional y de las estaciones pluviométricas de cada grupo .. 30
Figura 4-7 Variación estacional (a, d); interanual (b,e) y altitudinal (c ,f) de la precipitación y temperatura areal
promediada sobre la cuenca del río Coata ........................................................................................................... 32
Figura 4-8 Ubicación de los centroides de las grillas del MCG-CCSM4 y observado............................................. 33
Figura 4-9 Comparación de la variabilidad y régimen pluviométrico de los MCG y la información observado,
periodo 1964-1989................................................................................................................................................ 35
Figura 4-10 Comparación de índices de precipitación anual observados (rojo) y simulados (verde y azul) del clima
actual, periodo 1964-1989 ................................................................................................................................... 36
Figura 4-11 Comparación de la variabilidad y régimen térmico de los MCG y la información observada actual,
periodo 1964-1989................................................................................................................................................ 37
Figura 4-12 Ajuste probabilísticos de la precipitación y temperatura mensual de los datos observados y simulados
por el MCG ............................................................................................................................................................ 38
Figura 4-13 Sesgo en (%) de la precipitación media multianual de los MCG respecto a la observada. MCG (barra
azul) y su promedio (barra roja) ............................................................................................................................ 39
Figura 4-14 Comparación del régimen pluviométrico observado con los MCG.................................................... 39
Figura 4-15 Sesgo anual de la temperatura media multianual de los MCG (barra azul) y su promedio (barra roja)
respecto a la observada ........................................................................................................................................ 40
Figura 4-16 Comparación de la media mensual de la precipitación observada, de los MCG y su promedio ...... 40
DIRECCIÓN DE HIDROLOGÍA iv
Figura 4-17 Anomalía de la precipitación y temperatura media multianual ........................................................ 41

Figura 4-18 Régimen mensual de la precipitación observada y simulada ............................................................ 41
Figura 4-19 Régimen mensual de la temperatura observada y simulada ............................................................. 42
Figura 4-20 a) Modelamiento hidrológico del río Coata b) Diagramas de dispersión de caudales observados y
simulados .............................................................................................................................................................. 43
Figura 4-21 Dispersión de caudales observados y simulados para el periodo de avenidas diciembre-abril y estiaje
mayo-noviembre ................................................................................................................................................... 43
Figura 4-22 Sensibilidad de los parámetros X1 y X2 ............................................................................................... 44
Figura 4-23 Cambio en magnitud, frecuencia y duración de la respuesta hidrológica debido al cambio climático
para la cuenca del río Coata .................................................................................................................................. 46
Figura 4-24 Régimen estacional de los caudales medios simulados y las proyecciones de los 6 modelos climáticos
de la cuenca del río Coata ..................................................................................................................................... 47
Figura 4-25 Anomalías, de las variables media multianual de la precipitación, evapotranspiración y caudal ..... 48
Figura 8-1 Diagrama de cajas de la precipitación total mensual. Estación Lampa a Estación Taraco ................. 54
Figura 8-2 Diagrama de cajas de la precipitación total mensual. Estación Capachica a Estación Ichuña ............. 55
Figura 8-3 Diagrama de cajas de la temperatura media mensual. Estación Lagunillas a Estación Llalli ............... 56
Figura 8-4 Comparación de la EP mensual calculado a partir de la temperatura diaria y la temperatura mensual,
utilizando la metodología de Oudin ...................................................................................................................... 63
DIRECCIÓN DE HIDROLOGÍA v
RESUMEN
La cuenca del río Coata está ubicado en el departamento de Puno, al sur de Perú; éste podría verse
afectado, ante un potencial cambio futuro principalmente en las condiciones medias del clima, por lo
que es de sumo interés inferir qué cambios se presentarían en el caudal del río Coata, fuente
indispensable dedicada en mayor medida al sector agropecuario.
En este contexto, el estudio ha generado la disponibilidad hídrica superficial del río Coata para el
horizonte 2050-2075; comparado respecto al periodo base 1964-1989. Para ello se utilizó las salidas
de 6 modelos climáticos globales (MCG) descargados del Proyecto de Intercomparación de Modelos
Acoplados – Fase 5 (siglas en inglés, CMIP5) y una Trayectoria de Concentración Representativas (siglas
en inglés, RCP8.5). Debido a la baja resolución espacial de los MCG, se seleccionó la grilla que mejor
simule el clima observado y, a escala temporal, se utilizó la técnica denominada (quantile-mapping)
para corregir el error sistemático de los modelos. Dichos escenarios alimentan al modelo hidrológico
francés Ingeniería Rural de 2 parámetros a paso mensual (GR2M), la cual fue calibrada y validado
obteniendo valores de Nash-Sutcliffe (NSE) de 0.84 y 0.64 respectivamente, lo que representa un
rendimiento muy bueno del modelo.
Los resultados muestran que parte de los modelos seleccionados del CMIP5 representan mejor la
dinámica estacional del clima observado. En base a los MCG seleccionados, la escorrentía superficial
futura en promedio indican: Un aumento la oferta hídrica anual en 6.3%; a nivel mensual, la mayor
anomalía hídrica se presentó en marzo (19.2%) y la menor, en noviembre (-27.4%).
En general, los impactos del cambio climático en la disponibilidad superficial del río Coata, varían según
el MCG, manteniendo una relación directa con los cambios de precipitación, a pesar del aumento de
la evapotranspiración potencial (EP) durante el siglo XXI.
DIRECCIÓN DE HIDROLOGÍA 1
1. INTRODUCCIÓN
1.1. Antecedentes
El Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI), como ente rector en las
actividades hidrológicas y meteorológicas del país; administra una red de observación
hidrometeorológicas que permite el desarrollo de estudios e investigación, que se vienen elaborando
a través de la Dirección de Hidrología, las cuales están relacionados a la disponibilidad del recurso agua.
En el marco del plan operativo 2016 se ha elaborado el estudio “Oferta hídrica superficial del río Coata-
Puno bajo escenarios de cambio climático”.
El área de estudio corresponde a la cuenca del río Coata, que es una de las cuencas de mayor
importancia económica del departamento de Puno debido a las diversas actividades (agricultura,
ganadería etc.) económicas que se desarrollan. En la parte media de la cuenca se ubica una de las
reservas hídricas más importantes del país “Lagunillas” cuyo espejo de agua dulce (65.12 Km2) podría
dotar de agua potable a ciudades grandes como Puno, Juliaca y Lampa; así como ampliar la frontera
agrícola y generar electricidad. El embalse de Lagunillas tiene un almacenamiento de 500 millones de
metros cúbicos disponibles que se renuevan en forma permanente con las lluvias y ha permitido
planificar proyectos de irrigación (Sistema Integral Lagunillas) con un área total bajo riego de 27,450
ha, siendo el mayor sistema regulado de la Región Puno (INRENA, 2007).
El desarrollo del estudio se basó en el uso de las proyecciones de 6 (MCG), para el escenario de
forzamiento radiativo RCP8.5 analizado para un futuro a mediano plazo 2050-2075. La corrección de
la escala temporales de los MCG se basó en la metodología utilizada por Watanabe et al. (2012), la cual
conserva la señal climática de los MCG y corrige el error sistemático mediante la técnica de quantile-
mapping (Panofsky and Brier, 1968). Para la generación de escenarios hídricos se utilizó el modelo
hidrológico GR2M, a paso mensual, que permita acoplar las salidas de los MCG y así evaluar los posibles
efectos que ocasionaría el Cambio Climático en la disponibilidad hídrica futura del río Coata.
1.2. Justificación
Sobre la parte baja de la cuenca del río Coata está ubicado la ciudad de Juliaca considerada la
decimotercera ciudad más poblada del país y una de las más importantes del departamento de Puno,
que albergaba en el 2007, una población de 216,716 habitantes (INEI, 2011). Esta ciudad ha sido
escenario en épocas pasadas de eventos extremos, como lo suscitado en 1982-1983 donde la
población específicamente rural, sufrió los estragos de la escasez de precipitaciones y en épocas donde
las precipitaciones han sido intensas, han ocasionado inundaciones de áreas agrícolas y pastoreo como
lo sucedido en 1984 y 1986, esto debido en gran parte a que los lechos de los ríos presentan riberas
bajas (Océano, 2009).
Todos estos fenómenos se vienen incrementando con el "Cambio Climático" que hoy en día es uno de
las preocupaciones más álgidas de la humanidad. Actualmente el indicador más conocido de cambio
climático es el incremento de la temperatura global, que en el Perú está asociado al retroceso glaciar
considerado un excelente indicador de la evolución del clima (Thompson, 2010). Además, según el
Congreso Nacional del Medio Ambiente en los últimos 22 a 35 años, el Perú ha perdido el 22 por ciento
de la superficie glaciar, lo que es equivalente a 10 años de consumo de agua en Lima (Vargas, 2009).
Por otra parte este incremento de temperatura, aumentaría la evapotranspiración, afectando
seriamente las componentes del ciclo hidrológico, repercutiendo potencialmente en el contenido de
vapor de agua atmosférica causando cambios en los patrones de precipitación a gran escala y la
frecuencia de eventos extremos (Buytaert, 2011).
Es por ello que en las últimas décadas la comunidad científica ha dedicado un gran esfuerzo en tratar
de explicar las posibles razones de este cambio y tratar de predecir las tendencias futuras. Para ello se
han desarrollado herramientas como los MCG, que permite simular la dinámica del sistema climático
e investigar las causas del cambio y predecir sus efectos (Gutiérrez, 2006). Sin embargo, es una labor
compleja y las proyecciones climáticas no son fáciles de incorporar en los estudios hidrológicos debido
a su baja resolución espacial sin mencionar que las proyecciones de los MCG muestran una marcada
diferencias entre ellos. Sin embargo, aunque estos MCG son imperfectos, son las únicas herramientas
eficaces que representan el complejo conjunto de procesos que producirán el cambio climático futuro
(Ardoin et al., 2009).
Ante este contexto, es necesario generar información importante de los posibles efectos del cambio
climático en la escorrentía superficial de la cuenca del río Coata. Cuyos resultados a mediano plazo
serán un complemento a los tomadores de decisiones en lo que respecta a la planificación de la
disponibilidad hídrica futura y una guía para la evaluación de la incertidumbre de los MCG en la
hidrología.
1.3. Objetivos
1.3.1. Objetivo General
Determinar la oferta hídrica superficial mensual del río Coata para futuros escenarios de cambio
climático en el horizonte 2050-2075.
1.3.2. Objetivos específicos
- Validar el escenario climático actual y corregir los escenarios climáticos futuros para la
simulación hidrológica.
- Calibrar y validar el modelo hidrológico GR2M del tipo precipitación - escorrentía para futuros
escenarios climáticos en la cuenca del río Coata.
- Simular la disponibilidad hídrica para el horizonte a mediano plazo (2050-2075)

2. EL MARCO TEÓRICO
2.1. El Grupo Intergubernamental de Expertos sobre el Cambio Climático
Con el objetivo de analizar el problema del cambio climático y evaluar sus consecuencias tanto
medioambientales como socioeconómicas, y de formular estrategias de respuesta realistas, la
Organización Meteorológica Mundial (OMM) y el Programa de las Naciones Unidas para el Medio
Ambiente (PNUMA), fundaron en 1988 el grupo Intergubernamental de Expertos sobre el Cambio
Climatico (IPCC), siendo el principal organismo internacional que se encarga de coordinar todos los
estudios sobre cambio climático y que está organizado en tres grupos; el Grupo I, trabaja sobre los
aspectos científicos; el Grupo II, sobre los impactos; y, el Grupo III, sobre las posibles opciones de
mitigar este cambio (IPCC, 2007a). Hasta la fecha el IPCC ha publicado cinco informes generales, en
1990, 1995, 2001, 2007, y un 5to informe finalizado en el 2014 que constituyen recopilaciones
actualizadas sobre el sistema climático y su variabilidad.
2.2. El Cambio Climático

La Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMUCC), describe a este
proceso como la variación climática atribuida directa o indirectamente a la actividad humana, que
altera la composición de la atmósfera mundial y que se suma a la variabilidad natural del clima,
observada durante periodos comparables (Garcia, 2014).
Para el IPCC (2007a), el término "cambio climático" denota un cambio en el estado del clima
identificable (por ejemplo, mediante análisis estadístico) a raíz de un cambio en el valor medio y/o en
la variabilidad de sus propiedades, y que persiste durante un periodo prolongado, generalmente
cifrado en decenios o en periodos más largos; indica todo cambio del clima a lo largo del tiempo, tanto
si es debido a la variabilidad natural como si es consecuencia de la actividad humana.
2.2.1. Factores causantes del Cambio Climático
Nuestro planeta absorbe la energía de la radiación del Sol, esta energía es redistribuida luego por las
circulaciones atmosférica y oceánica, y es irradiada nuevamente al espacio en longitudes de onda
largas (infrarrojas). En promedio, la energía de la radiación solar que ingresa con la radiación terrestre
saliente se equilibra, y, cualquier factor que altere la radiación recibida del Sol o perdida en el espacio,
o que altere la redistribución de energía dentro de la atmósfera y entre atmósfera, tierra y océano,
puede afectar el clima. Entonces, un cambio en la energía radiativa neta disponible para el sistema
mundial de Tierra-atmósfera se denomina forzamiento radiativos y si son positivos tienden a calentar
la superficie de la Tierra y la atmósfera inferior y negativos tienden a enfriarlas (IPCC-GTI, 2001).
Uno de estos factores causante del cambio climático son las concentraciones de los gases de efecto
invernadero (GEI) y aerosoles, que alteran el balance de energía del sistema climático y afectan la
absorción, dispersión y la emisión de la radiación en la atmósfera y en la superficie de la Tierra. Las
actividades humanas generan emisiones de cuatro GEI de larga permanencia: dióxido de carbono
(CO2), metano (CH4), óxido nitroso (N2O) y halocarbonos que son grupo de gases que contienen flúor,
cloro o bromo (IPCC, 2007b). Por ejemplo, en la Figura 2-1 se observa que los GEI por efecto de la
actividad humana han aumentado desde la era preindustrial, en un 70 por ciento entre 1970 y 2004.
Figura 2-1 Emisiones anuales mundiales de GEI antropógenos, entre 1970-2004

Fuente: IPCC-2013 Cambio climático 2007 Informe de síntesis
2.2.2. Los Modelos Climáticos Globales
Para modelizar la evolución del sistema climático ha sido necesario desarrollar complejos modelos
numéricos, denominados modelos climáticos globales que permiten simular la respuesta del clima a
diferentes escenarios futuros de emisión y así estimar el cambio futuro del sistema con cierta confianza
(Gutiérrez, 2006).
Según el IPCC-GTI (2001), un modelo climático es una representación matemática simplificada del
sistema climático (la atmósfera, los océanos, la superficie terrestre, la criósfera y la biósfera) de la
Tierra y se basan en las leyes de la física tales como la conservación de energía y masa, que son
representadas por ecuaciones matemáticas que se resuelven en modelos tridimensional sobre el globo
terráqueo. Las expresiones matemáticas que configuran un MCG se pueden analizar por separado
dentro de las tres principales partes de que constan estos modelos: la dinámica del sistema del clima,
que describe el movimiento a gran escala de las masas de aire y el transporte de la energía y
momentum; la física del sistema climático, tal como la transmisión de la radiación a través de la
atmósfera, la termodinámica, y la evaporación; y, otros factores, tales como la interacción océano-
atmosfera, topografía, y parámetros de la vegetación. Los modelos climáticos mundiales en los que se
han acoplado los componentes atmosféricos y oceánicos se conocen también con el nombre de
Modelos de la Circulación General Atmósfera-Océano (MCGAO).
La fiabilidad de los modelos climáticos se suele valorar analizando: su destreza para reproducir el clima
actual, su habilidad para simular los cambios climáticos observados en las últimas décadas y el grado
de acuerdo entre las proyecciones de cambio climático futuro que ofrecen (De Castro, 2007).
Existen muchos procesos físicos, que al tener una escala espacial menor que la celda, como por
ejemplo, los que están relacionados con las nubes o la convección oceánica, no pueden modelarse y
resolverse en forma explícita. Sus efectos medios se incluyen en forma aproximada, aprovechando sus
relaciones basadas en la física con las variables a mayor escala. Esta técnica se conoce con el nombre
de parametrización y todos los modelos dependen de un conjunto de parametrizaciones que pueden
ajustarse para afinar la influencia de los distintos fenómenos (Gutiérrez, 2006).
Los modelos climáticos se han perfeccionado en los últimos decenios gracias al desarrollo de las
computadoras. Durante ese período se crearon modelos separados de cada uno de los componentes
principales, la atmósfera, la superficie terrestre, los océanos y el hielo marino, que luego se fueron
integrando gradualmente. En la Figura 2-2 se observa la evolución de los modelos climáticos en el
pasado, presente, y su posible evolución en el futuro, la cual se caracterizó en un principio por el
desarrollo separado de los distintos componentes, que luego se fueron acoplando en modelos
climáticos integrales. El acoplamiento de los distintos componentes es un proceso difícil.
Recientemente se han incorporado componentes del ciclo del azufre para representar las emisiones
de azufre y la forma en que éstas se oxidan para formar partículas de aerosoles (IPCC-GTI, 2001).
El objetivo final es, por supuesto, incluir en el modelo la mayor parte posible del sistema climático de
la Tierra, lo cual es desarrollado por grandes centros de investigación que ponen sus resultados a
disposición de la comunidad científica para su estudio.
Figura 2-2 Evolución de los modelos climáticos globales

Fuente IPCC-2001 Cambio climático 2001: La base científica
2.2.3. Predicciones, proyecciones y escenarios climáticos

El término predicción se suele emplear referido a la evolución determinista del estado futuro de la
atmósfera, una vez conocidas las condiciones iniciales, que se fija en alrededor de dos semanas,
entonces en predicciones a corto plazo (hasta 2, 3 días) del estado de la atmósfera se realizan con
modelos numéricos basados en la discretización de las ecuaciones termo-hidrodinámicas. Si se
extiende la predicción determinista hasta el mediano plazo (4-10 días), la calidad de las predicciones
cae drásticamente y en plazos más largos el comportamiento caótico de la atmósfera hace que sea
necesario ensayar las predicciones de tipo probabilístico basadas en multitud de realizaciones de la
predicción por conjunto o mediante poblaciones (ensemble prediction).
En los plazos temporales más largos, (predicciones estacionales, anuales, decadales o seculares) carece
de sentido la predicción determinista. En este caso la predecibilidad viene asociada a los componentes
del sistema climático que evolucionan más lentamente, como es el caso de los océanos, los hielos
marinos etc., lo cual está referido a sus valores promedio, es decir a su climatología. En el caso de
predicciones seculares, hay un elemento adicional de incertidumbre que es la composición atmosférica
futura, como consecuencia de las emisiones antropogénicas de gases de efecto invernadero (GEI) y de
aerosoles sulfurosos. Para que quede patente el carácter no determinista de las predicciones seculares
y por el hecho de que las predicciones están fuertemente condicionadas por elementos adicionales de
incertidumbre, asociado al desarrollo socio-económico, es más razonable hablar de proyecciones
climáticas. La principal herramienta generalmente admitida para realizar dichas proyecciones son los
modelos de circulación general acoplados de atmósfera y océano (Rodríguez, 2006).
Entonces, para conocer la evolución futura del clima terrestre es necesario conocer primero cuál será
la evolución de los distintos forzamiento radiativos del sistema en el futuro (emisiones de gases, etc.),
(Gutiérrez, 2006). Y como esta evolución está relacionada con los distintos factores socio-económicos
futuros de desarrollo global en función de las variables: estado, crecimiento poblacional y economía
para distinto periodo de tiempo (Palma, 2009). Entonces un escenario de emisión, es un resultado
plausible y consistente, construido para explicar las consecuencias potenciales de la influencia de las
actividades humanas sobre el clima (IPCC, 2007). Dichos escenarios están agrupados en cuatro familias
(A1, A2, B1, B2) que exploran vías de desarrollo alternativas, incorporando una serie de factores
demográficos, económicos y tecnológicos, junto con las emisiones de GEI resultantes. La descripción
de los escenarios perteneciente al 4to informe (AR4) se detallan en el (IPCC, 2007).
Después del último informe del IPCC (AR4, 2007) se hizo clara la necesidad de nuevos escenarios de
emisiones, pasando así de los escenarios del “Special Report on Emission Scenarios” (SRES)
(Nakicenovic et al., 2000) a los “Representative Concentration Pathways” (RCPs) o “vías de
concentraciones representativas”.
Para los tomadores de decisiones y científicos, había un interés creciente en tener escenarios que
explícitamente evaluaran distintas estrategias y políticas climáticas de investigación y de adaptación.
De esta manera, se puede ligar directamente una cierta respuesta climática a una cierta estrategia de
mitigación y así evaluar los costos y beneficios de distintas estrategias.
Los nuevos escenarios fueron desarrollados por la “Integrated Assessment Modelling Community”
(IAMC). Representantes de las comunidades de desarrolladores de escenarios socio-económicos,
modeladores climáticos, mitigación y adaptación, se juntaron, para, de manera colaborativa,

desarrollar estos nuevos escenarios, que es descrito en Moss et al (2010).
En base a características acordadas para la definición inicial de los nuevos escenarios de emisiones
descritas en Rojas (2012), se desarrollaron 4 posibles “vías representativas de concentraciones” de
gases invernaderos, que tienen su nombre de acuerdo al forzamiento radiativo que producen al año
2100: RCP 2.6 W/m2, RCP 4.5 W/m2, RCP 6.0 W/m2 y RCP 8.5 W/m2 y que son mostradas en la Figura
2-3, en conjunto con los antiguos escenarios SRES.
Además, en la Figura 2-3, se observa que el nuevo escenario RCP2.6 tiene concentraciones mucho más
bajas que cualquiera de los escenarios SRES, y que el escenario RCP8.5 llega a fines de siglo con
concentraciones de CO2 más altas que el escenario SRES A2.
Figura 2-3 Trayectoria de concentraciones de CO2 de los distintos escenarios

Fuente Rojas, 2012
Según Rojas (2012), se describen brevemente los principales supuestos y características de los 4
nuevos escenarios.
a. RCP 2.6
Esta vía o ruta de emisiones y concentraciones es representativo sobre escenarios de mitigación
cuyo objetivo es limitar el calentamiento global por debajo de los 2°C a fin de siglo. Esto se logra
limitando el forzamiento radiativo a valores menores 3W/m2, por esto la meta de este RCP es de
2.6W/m2.
Los supuestos para lograr este objetivo incluyen: crecimiento de población mundial medio,
crecimiento del Producto Interno Bruto (PIB), como de la intensidad de emisiones medios también
(emisiones/PIB). Requiere de tecnologías de almacenamiento y captura de carbono y disminución de
emisiones de bío-energías, gas natural, petróleo y carbono a partir del año 2020. Se debe destacar que
este escenario requiere de la participación y compromiso de todos los países para llegar a la meta de
forzamiento radiativo 2.6W/m2.
b. RCP 4.5
Este es un escenario de estabilización, que llega a un forzamiento radiativo de 4.5 W/m2 al 2100.
Esto requiere de políticas climáticas, que incluye imponer precios al uso de carbono. La población
mundial llega a 9 billones en 2065 y se reduce a 8.7 billones en 2100. El PIB mundial crece en un orden
de magnitud, y la necesidad energética en 3 órdenes de magnitud. Además, de imponer precios al
carbón, la tecnología de captura y almacenamiento, se desarrolla de manera que la industria eléctrica
llega a ser un sumidero neto de carbón. En este escenario las emisiones de GEI llegan a su máximo
alrededor del 2040, de ahí comienzan a bajar hasta el 2080, donde se estabilizan.
c. RCP 6.0
Esta vía representa emisiones y concentraciones de gases de efecto invernadero y cambio de
uso de suelo que se traducen en un forzamiento radiativo de 6 W/m2 al 2100. Esto requiere
disminuciones significativas a partir del 2060 que se logran a través de la imposición de políticas
climáticas, es decir, que limiten las emisiones vía precios y tecnología de captura de carbón. La
población mundial crece hasta 9.8 billones al 2100. Por ejemplo, el promedio global de cambio de PIB
per cápita varía 1.6% anualmente durante 2000–2060 y 1.3–1.4% durante 2060–2100. La intensidad
energética disminuye de -1.2%/año antes de 2060 a - 1.5%/año, entre 2060-2100.
d. RCP 8.5
El escenario RCP8.5 representa una vía de emisiones y concertaciones relativamente altas. Sus
principales supuestos incluyen alto crecimiento poblacional, relativamente bajo crecimiento de PIB,
con tasas modestas de cambios tecnológicos y de eficiencia energética. Esto lleva a importantes
demandas energéticas y consecuentes emisiones de gases de efecto invernadero. En este escenario
no se implementan políticas de cambio climático.
2.2.4. Corrección de la distribución temporal de las variables
Las variables climáticas simuladas por los modelos de circulación global (MCG) con frecuencia
muestran errores sistemáticos con respecto a las observaciones, lo que limita el uso en estudios de
impacto en los recursos hídricos, lo que hace necesario realizar un post-proceso a la salida de los MCG
(Ayala, 2011). Los métodos de corrección del error sistemático (sesgo) lo cual se suele denominar en
la literatura (bias-correction), consiste en sustraer la diferencia entre las climatologías de los modelos
y las observadas. El método quantile-mapping o método de mapeo de cuantiles (Panofsky et al, 1968)
es un método más robusto, en el que se corrigen las desviaciones en cada cuantil. Una alternativa es
ajustar, por medio de un análisis de frecuencia, una distribución de probabilidades ya conocida y
corregir en base a ella. El objetivo final de esta corrección es lograr una semejanza aceptable entre la
curva de duración observada y modelada. La principal desventaja es el supuesto de estacionariedad
de los modelos, es decir, que las relaciones o distribuciones entre pequeña y gran escala establecidas
en el período histórico no cambiarán en el futuro (Hamlet et al., 2010).
2.3. Modelo hidrológico
Un sistema es un conjunto de elementos en interacción dinámica organizados en función de un

objetivo. Un modelo es una representación simplificada de un sistema real (Gustavo, 2009).
Entonces, un modelo hidrológico, en términos generales, busca representar los diferentes procesos
involucrados en la distribución de la lluvia y la generación de caudales en una determinada cuenca. Los
modelos pueden ser físicos, donde se representa a escala las cuencas reales, o matemáticos, los cuales
parten de ecuaciones empíricas o conceptuales para representar las respuesta de la unidad
hidrológica, bajo diferentes condiciones hidrometeorológicas (Weber et al., 2010). Y son importantes
en la gestión de recursos hídricos ya que permiten la simulación y predicción de fenómenos físicos de
un sistema a corto, mediano y a largo plazo. Además, permiten analizar relaciones causa-efecto, sin
realizar cambios en sistemas reales (Chávarri, 2009). Un ejemplo de sistema es lo que presenta la
naturaleza, el ciclo hidrológico (Figura 2-4), la cual constituye un sistema de tipo no lineal, distribuido,
continuo y casual (Gustavo, 2009). Lo cual las limitaciones inherentes al hombre obligan a representar
el alto grado de complejidad que propone la naturaleza, mediante un modelo lineal, concentrado y
discreto.
Figura 2-4 El ciclo hidrológico, evaporación, transpiración y precipitación

Fuente Gustavo (2009)
2.3.1. El proceso de transformación lluvia - escorrentía

El escurrimiento se define como el agua proveniente de la precipitación que circula sobre o bajo la
superficie terrestre y que llega a una corriente para finalmente ser drenada hasta la salida de la cuenca
(Aparicio, 1992). La transformación lluvia-escurrimiento es el más complejo de los procesos del ciclo
hidrológico, debido a la dinámica de los diferentes procesos físicos y la gran variedad de escalas
espaciales y temporales que intervienen en una cuenca, para lo cual se requiere de una abstracción a
través de un modelo que simplifique suficientemente el sistema como para poder simular
conceptualmente sus partes. En forma más detallada se observa en la Figura 2-5.
Transpiración Precipitación
Evaporación Evaporación Evaporación
Superficie del Cuerpo de

Vegetación agua
suelo
Escurrimiento Inundación
Ascenso por superficial
Infiltración
capilaridad
Escurrimiento
subsuperficial
Suelo Cauce
Escurrimiento
Percolación Ascenso por subterráneo
capilaridad
Recarga
Acuifero
SALIDA DE LA
CUENCA
Figura 2-5 El proceso lluvia - escorrentía

Fuente Replicado de Gustavo (2009)
Teniendo como referencia la Figura 2-5, puede mencionarse que el agua, sigue diversos caminos
(escurrimiento superficial, subsuperficial y subterráneo). Los flujos sobre el terreno, forman el
escurrimiento superficial y es el que llega más rápido hasta la salida de la cuenca, por ello, está
relacionado directamente con una tormenta particular y entonces se dice que proviene de la
precipitación en exceso o efectiva y que constituye el escurrimiento directo. Una parte del agua de
precipitación que se infiltra, escurre cerca de la superficie del suelo y más o menos paralelamente a él,
denominándose escurrimiento subsuperficial, cuya rapidez va a depender de la permeabilidad de los
estratos superiores del suelo. La otra parte que se infiltra hasta niveles inferiores al freático, se
denomina escurrimiento subterráneo, y es el que de manera más lenta llega hasta la salida de la cuenca
(puede tardar años en llegar), y es el único que alimenta a las corrientes cuando no hay lluvias y por
eso se dice que forma el escurrimiento base. Lo importante, en realidad, es la rápidez con que una
cuenca responde a una tormenta, pues esto es lo que determina la magnitud de las correspondientes
avenidas (Aparicio, 1992).
2.3.2. Clasificación de los modelos hidrológicos
Existe numerosas clasificaciones de los modelos hidrológicas, según Weber et al. (2010), pueden
dividirse en dos grandes grupos: modelos físicos o materiales y modelos formales o matemáticos: estos
últimos conciben el sistema por medio de un grupo de abstracciones matemáticas que describen fases
relevantes del ciclo hidrológico con el objeto de simular la transformación de las entradas en salidas
del sistema. Según Mediero (2007), los modelos hidrológicos se clasifican desde tres puntos de vistas:
a. En función de la representación espacial.
Modelos agregados: Son aquellos que consideran una distribución espacial uniforme de lluvia en
la cuenca utilizando como variable la precipitación media (Figura 2-6a). No considera la variabilidad
espacial. La ventaja de estos modelos es que no necesitan de la calibración de demasiados
parámetros y una expresión matemática más sencilla, pero por el contrario dan valores medios
(Fernández et al., 1997).
Modelos semidistribuidos: Son aquellos que permiten una cierta variabilidad espacial de la lluvia
y de los parámetros a través de los submodelos que los componen (Figura 2-6b), mediante la
división de la cuenca en multitud de pequeñas subcuencas con lluvias y parámetros constante en
cada uno de ellos.
Modelos distribuidos: Son aquellos que permiten la variabilidad de la lluvia y de los parámetros,
mediante la división de la cuenca en celdas (Figura 2-6c), en las que simulan los diferentes procesos
hidrológicos. Este tipo de modelo es más versátil y recoge mejor la heterogeneidad del medio
natural, y por el contrario necesitan un aporte de datos mucho mayor y calibrar muchos
parámetros, procesos que de no ser realizados correctamente pueden llevar a resultados
aparentemente muy exactos pero muy alejados de la realidad.
Figura 2-6 Clasificación de los modelos hidrológicos según la representación espacial

Fuente Replicado de Fernández (2009)
b. En función del tipo de representación de los procesos hidrológicos que ocurren en la cuenca.
Modelos métricos: son los que tienen una gran dependencia respecto de los datos observados,
realizando una búsqueda sobre los mismos para caracterizar la respuesta del sistema, mediante
un método de extracción de información a partir de los datos existentes, es por ello que estos se
construyen con una consideración pequeña o nula de los procesos físicos que ocurren en el sistema
hidrológico.
El ejemplo más común de este tipo de modelos son los basados en el concepto de hidrograma
unitario, que simulan la respuesta de caudal a un episodio de lluvia mediante una función de
pérdidas no lineal y una función de transferencia lineal. La gran ventaja de estos modelos es que
requieren de una cantidad mínima de información, pero tienen un rango de aplicación limitado
por la variabilidad de los datos observados y no son capaces de tener en cuenta los cambios
producidos en la cuenca, por ejemplo la expansión urbana, sin realizar modificaciones en el
modelo.
Modelos conceptuales: Son los que representan los procesos hidrológicos más importantes
mediante una base de conocimiento inicial, y se inicia con la mejora de la capacidad
computacional, en la cual la representación hidrológica se realiza mediante relaciones
simplificadas con parámetros que no se pueden medir físicamente en la realidad. Por tanto, para
aplicar estos modelos a una cuenca determinada deben ser calibrados con los datos observados
en la misma.
La principal desventaja de estos modelos estriba en el concepto de "equifinalidad" es decir, la

existencia de diferentes valores de los parámetros del modelo con los que se obtienen similares
medidas de ajuste. Por tanto, si los valores de los parámetros no pueden ser definidos de manera
única, los parámetros no pueden asociarse directamente a las características de las cuencas, y por
tanto el modelo no puede aplicarse a nuevas cuencas sin observaciones, e incluso a la misma
cuenca después de haberse producido cambios en la misma.
Modelos físicamente basados: Estos modelos utilizan los conocimientos más recientes del
comportamiento físico de los procesos hidrológicos, realizando la simulación del comportamiento
hidrológico de una cuenca mediante la utilización de las ecuaciones de continuidad clásicas,
resolviendo las ecuaciones diferenciales de forma numérica mediante la aplicación de métodos
de diferencias finitas o elementos finitos. Estos modelos son necesariamente de tipo distribuido,
y por tanto, permiten la descripción de los fenómenos en cada una de las celdas del sistema, tanto
desde el punto de vista de los parámetros como de la resolución de los sistemas de ecuaciones
diferenciales, por tanto el sistema físico se representa mediante un sistema de ecuaciones
diferenciales que expresan la masa, el momento y el balance de energías.
La gran ventaja de los modelos físicamente basados utilizan parámetros que en principio pueden
ser medidos directamente en el campo y tienen un sentido físico directo, por tanto, si los valores
de estos parámetros se pueden determinar a priori, estos modelos pueden ser aplicados a
cuencas sin datos observados, lo cual estaría ante una representación matemáticamente ideal de
un fenómeno real, la cual depende de una gran cantidad de información y un nivel de elevado
tiempo computacional.
c. En función de la extensión temporal en la que se puede aplicar el modelo hidrológico
Modelos de episodio o eventos aislados: diseñados para simular eventos de cortos intervalos de
tiempo, normalmente de un único episodio de lluvia. Estos modelos simulan los procesos
infiltración y escorrentía superficial teniendo una aplicación fundamental para simular caudales de
avenida en el caso de que la escorrentía directa es la principal fuente de la escorrentía total, sin
embargo no deben ser aplicables a la simulación de caudales de estiaje ni caudales diarios.
Modelos de procesos continuos: permiten la simulación de caudales diarios, mensuales o

estacionales, es decir permiten simulaciones de intervalos de tiempo mayores a un episodio de
lluvia; entonces toman en cuenta todos los componentes del escurrimiento, incluyendo flujos
superficiales, subsuperficiales y subterráneos. El objetivo de este tipo de modelos es tener en
cuenta el balance de humedad a largo plazo de toda la cuenca, por lo que se aplican
fundamentalmente para el pronóstico de volúmenes de escorrentía a largo plazo y estimación de
la reserva de agua.
Modelos de simulación mixta: intentan representar ambas escalas temporales en forma

computacionalmente económica y con un acuerdo razonable con la realidad (Weber et al., 2010).
2.3.3. Fuentes de incertidumbre
Según Cabrera (2012), en general, existen cuatro fuentes principales de incertidumbre:
a. Errores (sistemáticos o aleatorios) en los datos de ingreso

Son errores propios de los datos de ingreso, los cuales no necesariamente son datos de campo.
Por ejemplo, si se ingresa la precipitación media de una cuenca y esta serie se obtiene
utilizando polígonos de Thiessen, la aplicación de este método produce errores.
b. Errores (sistemáticos o aleatorios) en los datos observados
Son errores propios de la medición en campo de las diferentes variables hidro-meteorológicas
que se consideran en el modelo.
c. Errores debidos a valores no óptimos de parámetros
Referido a los errores ocasionados por la asunción de valores de los parámetros del modelo
que no son la consecuencia de un proceso de optimización.
d. Errores debidos a la estructura del modelo
Errores propios del modelo y que no pueden ser eliminados sin modificar la estructura del
mismo. El proceso de calibración no los afecta.
Las diferencias entre el modelo y la realidad se deben a la combinación de todas estas fuentes.
El proceso de calibración puede minimizar las tres primeras; sin embargo, no altera la cuarta, por este
motivo es importante discriminar los efectos de cada fuente de error.
2.3.4. Medidas de bondad de ajuste
Según Cabrera (2012), la función objetivo es usualmente una medida de bondad de ajuste (error de
balance de masas, coeficiente de correlación, eficiencia de Nash-Sutcliffe, etc), pero también puede
ser una combinación de éstas (dependiendo de la importancia que el investigador asigne a las
diferentes medidas de bondad de ajuste) recibiendo entonces el nombre de función “multiobjetivo”.

Usualmente, una función multiobjetivo (G) asume las siguientes formas:
n n n
G = ∑ wi FI G = ∑ wi |FI | G = ∑ wi FI 2 (1)
i=1 i=1 i=1
Donde Fi son las medidas de bondad de ajuste consideradas dentro de la función multiobjetivo,
mientras que wi son los pesos asignados a cada una de dichas medidas. Usualmente, no se hace
distinción y se hace uso del término “función objetivo” para referirse a una función objetivo simple o
a una multiobjetivo.
Un ejemplo de uso de la función objetivo se muestra en la Figura 2-7. La serie de datos simulada no se
ajusta perfectamente con la serie observada; para mejorar el ajuste se propone utilizar el criterio de
Nash (escalar o logarítmico) y el error de volumen. El efecto que tiene el criterio de Nash sobre la
simulación es de “desplazar verticalmente” hacia arriba o hacia abajo toda la serie, mientras que el
error de volumen permite desplazar horizontalmente la serie. Para el ejemplo mostrado, la
combinación de estos dos criterios dentro de la función objetivo permitirá controlar mejor el proceso
de calibración del modelo. El uso de las funciones objetivo brinda un criterio analítico y objetivo para
definir la calidad de ajuste del modelo; sin embargo, este análisis debe ser complementado con un
análisis visual.
Observada
Simulada
Media
Figura 2-7 Efectos de la medida de ajuste sobre la calibración de un modelo

Fuente Cabrera (2012)
La calibración de modelos usualmente se enfoca en un “criterio de exactitud”, el cual se apoya en la

cuantificación de la bondad de ajuste del modelo. Para evaluar el comportamiento y ajuste del modelo
empleado conviene utilizar los siguientes indicadores:
a. Coeficiente de determinación (R2)

El coeficiente de determinación R2 varía entre 0 y 1, es mejor mientras está más cercano a 1. Se
usa como una medida de dispersión del modelo. Este coeficiente puede interpretarse como la
proporción de varianza representada por los datos observados que puedan ser explicados por el
modelo. Cov (Qo, Qs) es la covarianza entre los valores observados y los calculados, Sd(Qo) es la
desviación típica de valores observados y Sd (Qs) es la desviación típica de los valores calculados
(Mena, 2010).
COV(Qo,Qs)
R2 = Sd(Qo)xSd(Qs) (2)
b. Error cuadrático medio (RMSE)

Este indicador opera en función de errores o diferencias simples. Como desventaja se tiene que
al no considerar valores relativos o porcentuales, el valor del error depende del orden de magnitud de
los valores comparados, y por lo tanto sirve más cómo un método comparativo para evaluar modelos,
que para evaluar el nivel de ajuste (Muñoz, 2010).
∑𝑛
𝑖=1(𝑄𝑠𝑖𝑚− 𝑄𝑖 )
2
𝑅𝑀𝑆𝐸 = √ (3)
𝑛
c. Eficiencia de Nash- Sutcliffe (NSE)

El criterio propuesto por Nash-Sutcliffe (1970), es un indicador desarrollado para cuantificar el
poder predictivo de un modelo hidrológico. Se define como:
2
∑𝑛
𝑖=1(𝑄𝑠𝑖𝑚,𝑖 −𝑄𝑖 )
𝑁𝑆𝐸 = 1 − ∑𝑛 (𝑄𝑖 −𝑄̅)2
(4)
𝑖=1
Tabla 2-1 Valores referenciales del criterio de NSE

NSE Ajuste
< 0.2 Insuficiente
0.2 – 0.4 Satisfactorio
0.4 – 0.6 Bueno
0.6 – 0.8 Muy Bueno
> 0.8 Excelente
Fuente: Cabrera (2012)
Y mide cuánto de la variabilidad de las observaciones es explicada por la simulación. Si la simulación

es perfecta, E=1; si se intentase ajustar las observaciones con el valor promedio, entonces E=0
(Cabrera, 2012). Algunos valores sugeridos para la toma de decisiones son resumidos en la Tabla 2-1.
d. Porcentaje de desviación respecto de caudales observados (PBIAS)

Este indicador es una medida de la tendencia media de los caudales simulados a ser mayores o
menores que los observados. Un valor óptimo del indicador es 0. Un valor positivo indica que el modelo
tiende a subestimar los caudales y un valor negativo indica sobreestimación de los caudales simulados.
Se definió como criterio del comportamiento del modelo que un valor absoluto del PBIAS menor al
20% se considera como un “buen” nivel de ajuste, un valor entre 20% y 40% se considera “satisfactorio”
y un indicador mayor a 40% se considera “no satisfactorio” (Muñoz, 2010).
∑𝑛
𝑗=1(𝑄𝑗 −𝑆𝑗 )
𝑃𝐵𝐼𝐴𝑆 = ∑𝑛
∗ 100 (5)
𝑗=1 𝑄𝐽
De esta manera para evaluar la seguridad predictiva de un modelo se pasa por dos etapas diferentes:
calibración y validación. El primer grupo busca mejorar el ajuste entre los valores observados y los
valores modelados de la variable de salida de interés, al variar reiterativamente los parámetros del
modelo; proporciona confianza en que el modelo pueda reproducir para el periodo calibrado el
registro histórico (Ocampo, 2012), mientras que el segundo grupo es usado en la validación del
modelo, como una medida de seguridad de la calibración, permitiendo ser utilizado en la etapa
predictiva de la modelación. Normalmente, el modelo es menos robusto en la verificación debido a la
utilización de un periodo en el que no se realiza optimización de parámetros.
2.3.5. Análisis de sensibilidad
El análisis de sensibilidad mide cuánto puede llegar a afectar a los resultados de un modelo, variaciones
relativamente pequeñas en los valores de los parámetros”. Este análisis permite definir la importancia
de cada parámetro, comprobar la lógica interna de un modelo (entender cómo funciona el modelo o
por qué no funciona correctamente y aprender más acerca de su funcionamiento) y detectar si el
modelo está sobreparametrizado, es decir si existen parámetros a los que el modelo resulta insensible
Mena (2010).
2.4. Modelo GR2M
La unidad de investigación en hidrología CEMAGREF (Centro de Investigación Agrícola e Ingeniería

Ambiental de Francia) ha desarrollado una serie de modelos precipitación – escorrentía llamados
modelos “GR” (Génie Rural, Ingeniería Rural por sus siglas en francés). En 1983, Michel propuso un
modelo global, lo más simple posible, para reconstruir los caudales diarios a partir de la precipitación
y la temperatura (para estimar la evapotranspiración) (Mouelhi, 2003). De esta manera el modelo GR
ha ido evolucionado presentando diferentes versiones como el GR1A, para caudales anuales; GR2M,
para caudales mensuales; GR3J y GR4J, para caudales diarios. El número indica el número de
parámetros a modelar.
2.4.1. Descripción
El modelo hidrológico GR2M, es un modelo global (considera a la cuenca como una unidad) que simula
la variable hidrológica a paso mensual y que depende de dos parámetros: X1 (corresponde a la máxima
capacidad de almacenamiento del reservorio en mm) y X2: (coeficiente de intercambio de agua

subterránea, sin unidades).
La estructura del modelo GR2M consta de dos reservorios (Figura 2-8), y transforma la precipitación
en escorrentía a través de dos funciones; la función de producción, se desarrolla en el reservorio
llamado reservorio-suelo y la función de transferencia, se desarrolla en el segundo reservorio llamado
reservorio de agua gravitacional donde el aporte es instantáneo al inicio del paso de tiempo, y luego
el reservorio se vacía gradualmente, así el nivel de este reservorio determina el caudal que puede
liberar (Mouelhi et al., 2006). El modelo utiliza solamente un reservorio de producción, debido al uso
de una escala de tiempo amplia (mensual), ya que se pretende analizar el régimen del río y los procesos
más importantes en la generación de escurrimiento, de lo contrario un evento a escala temporal breve
(diaria), se necesitaría más reservorios de producción si el análisis es más detallado (Mena, 2010).
La versión utilizada en este estudio corresponde al modelo hidrológico GR2M mejorado (Mouelhi et
al., 2006). La Figura 2-9 muestra la arquitectura del modelo GR2M con los principales procesos
hidrológicos que producen escorrentía y que son tomados en cuenta por el modelo. De acuerdo a este
esquema, P y E representa la precipitación y la evaporación potencial promediada sobre la cuenca; P1
es la escorrentía superficial; P2, la percolación profunda; S, el almacenamiento del reservorio suelo al
inicio del periodo de análisis; R, el almacenamiento del reservorio de agua gravitacional al inicio del
periodo de análisis; y, Q, el caudal a la salida de la cuenca. La capacidad máxima de almacenamiento
del reservorio suelo es X1 y la del reservorio gravitacional es asumida como 60 mm.
Figura 2-8 Esquema de la precipitación de transformación a caudal

Fuente MINAG (2007)
E P
S  X 1 P
Evapotranspiración
(1) S1  donde    )
S
(3)
(1) (2) 1  X1
X1
(2) P1  P  S  S1
Reservorio de X1 S1 (1   ) donde   

E
(3) S2  )
Producción S 1   
S
)
X1
X1
S2
(4) P2 P1 (4) S 1
 S2 3  3
   ) 
 X 1 
(5)
P3 (5) P2  S 2  S P3  P1  P2
(6) R1  R  P3
Intercambio X2 60 mm
subterraneo R (7) R2  X 2  R1
(7) Reservorio agua
gravitacional R22
(8) Q
(8) R2  60
Q
Figura 2-9 Esquema conceptual y ecuaciones del modelo GR2M
Fuente: CEMAGREF (www.cenagref.fr)
La información de (ingreso y salida) está expresada en mm. Según Mena (2010), el modelo consta de
dos reservorios y se describe a continuación:
a. Reservorio de producción (suelo)

El almacenamiento en el tanque de producción representa el contenido de humedad en el suelo.
Este reservorio tiene una máxima capacidad de almacenamiento que en la estructura del modelo
(Figura 2-9) se denomina X1, (positivo y se expresa en mm). Como el reservorio no está en su máxima
capacidad, existe un nivel menor a X1 que se denomina S, expresado en mm, que no es constante pues
el reservorio es dinámico y existen entradas (precipitación) y salidas de agua (percolación, E). El nivel
inicial S para el primer mes de cálculo se denomina en el modelo S0, y se asume un valor equivalente
al 50 por ciento de la capacidad máxima de retención, para los meses posteriores sigue
denominándose S.
El nivel inicial S pasa a ser S1 para un mes, cuando parte de la precipitación total es usada para llenar
el reservorio. El valor de S1 > S, excepto cuando la precipitación es 0, en este caso S1 = S.
𝑃
𝑆+𝑋1 𝑇𝑎𝑛ℎ( )
𝑋1
𝑆1 = 𝑆 𝑃 (6)
1+ 𝑇𝑎𝑛ℎ( )
𝑋1 𝑋1
Entones el escurrimiento superficial directo (P1) está dado por:
𝑃1 = 𝑃 + 𝑆 − 𝑆1 (7)
El reservorio del suelo presenta una sustracción de agua debido a la E, ocasionando que el nivel S1 pase
a S2 en el mismo mes. El nivel S1 > S2, exceptuando el caso en el que la E sea cero, en este caso S2 = S1.
𝐸
𝑆1 (1−𝑇𝑎𝑛ℎ(
))
𝑋1
𝑆2 = 𝑆1 𝐸 (8)
1+(1− )𝑇𝑎𝑛ℎ( )
𝑋1 𝑋1
Dónde: E es la evapotranspiración media mensual.
El siguiente paso en el reservorio de suelo es la percolación, el nivel S2 pasa a ser S, cuando hay una
descarga hacia el reservorio de transferencia, entonces S2 > S y representa el nivel de agua disponible
para el siguiente mes, este nivel permite definir la fracción de precipitación que llegará al reservorio
de “transito” (P2).
𝑆2
𝑆= 1 (9)
𝑆2 3 3
(1+( ) )
𝑋1
Ahora el valor de percolación es siempre menor que S2, y está definido por:
𝑃2 = 𝑆2 − 𝑆 (10)
b. Reservorio de transferencia (agua gravitacional)

El reservorio recibe el flujo proveniente de la percolación del reservorio suelo (P2) y del exceso
de precipitación que no ingresa al reservorio suelo (P1), conocido en su conjunto como precipitación
efectiva (P3).
𝑃3 = 𝑃1 + 𝑃2 (11)
Al igual que en el reservorio suelo, se parte de un nivel inicial R que se denomina R0 para el primer mes
de cálculo y es igual al 50 por ciento de la capacidad máxima del reservorio, que es 60 mm.
La entrada de agua P3 ocasiona que el nivel inicial R de valor positivo expresado en mm, se incremente
llegando hasta R1.
𝑅1 = 𝑅 + 𝑃3 (12)
Posteriormente, R1 se convierte en R2 en el mismo mes, debido al intercambio de agua subterránea

con cuencas vecinas, este intercambio está definido por el coeficiente X2, valor positivo y adimensional,
al existir un aporte de aguas vecinas hacia la cuenca, R2 > R1, caso contrario R1 > R2.
𝑅2 = 𝑋2 ∗ 𝑅1 (13)
Finalmente, el reservorio se vacía siguiendo una función cuadrática, basada en el nivel R2, el cual regula
el caudal de salida, dado por:
𝑅2 2
𝑄= (14)
𝑅2 +60
El nivel inicial R para los cálculos en los siguientes meses está definido por:
𝑅 = 𝑅2 (15)
3. MATERIALES Y MÉTODOS
3.1. Área de estudio
El estudio se desarrolló en la cuenca del río Coata (4951,6 Km2), localizada en la región Oeste del
departamento de Puno, Perú (Figura 3-1). Con coordenadas geográficas extremas de: Latitud Sur
15°06´36” a 15°55´12” y Longitud Oeste 69°55´12” a 71°12´00”. Con una variación altitudinal de 3800
– 5600 msnm. Presentando limites hidrográficos: por el Norte con la Cuenca del río Pucará y la
Intercuenca Ramis; por el Sur con la cuenca del río Tambo y la Cuenca del río Ilpa, al Este con el Lago
Titicaca y al Oeste con la cuenca del río Chili y la Cuenca del río Camaná.
Figura 3-1 Ubicación geográfica de la cuenca del río Coata

Fuente Elaboración propia
Políticamente, la cuenca del rio Coata se encuentra ubicada íntegramente dentro del departamento
de Puno (Figura 3-2), ocupa las superficies de las provincias de San Román, Lampa y parte de Puno y
Huancané. El 24.30 por ciento de área de la cuenca se ubica en la provincia de San Román, el 74.98 por
ciento en Lampa, el 0.52 por ciento en Puno y el 0.20 por ciento en Huancané (INRENA, 2007).
Figura 3-2 Ubicación política de la cuenca del río Coata

3.2. Aspectos socio-económicos

En este capítulo se presenta las características socioeconómicas generales existentes del
departamento de Puno y la cuenca Coata.
3.2.1. Densidad de la población

La población de la región Puno presenta variaciones asociadas al proceso de migración de las zonas
rurales a las zonas urbanas, al proceso acelerado de urbanización de las zonas rurales y a los cambios
en la variable de fecundidad, ocupando el quinto lugar entre los departamentos más poblados del
Perú. Para tener una idea de la evolución demográfica, en la Figura 3-3, se observa el incremento de
la población medida por la tasa de crecimiento promedio anual, lo que indica que la población del
departamento de Puno ha presentado un crecimiento promedio anual, para el periodo 1993-2007 de
1.3 por ciento.
Considerando este índice constante, como ejemplo, para el 2039 se estaría hablando de una población
cercana a 1'869,220 habitantes, este aumento generaría una mayor presión sobre la demanda del
recurso hídrico para consumo humano y usos productivos; sector agropecuario, minero, industrial y
otros.
Figura 3-3 Tasa de crecimiento promedio anual de la población total, 1940-2007

Fuente Elaboracion propia
Según el Instituto Nacional de Estadística e Informática INEI, (2009), la cuenca del río Coata presenta
una población de 288,999 habitantes, el 83.8 por ciento de la población total se ubica dentro del área
urbana y el 17.2 por ciento, en la zona rural. En la Tabla 3-1, se presenta la tasa de crecimiento
intercensal de las provincias de Lampa y San Román, que son resultados del Censo Nacional de
población efectuada en 1993 y de 2007.
Tabla 3-1 Tasa de crecimiento intercensal de 1993 y del 2007
Población Densidad Poblacional Tasa de Crecimiento

Provincia Superficie Km2
1993 2007 1993 2007 Intercensal Anual
Lampa 5791.73 43,461 48,223 7.5 8.3 11.0% 0.7%
San Román 2277.63 168,534 240,776 74.0 105.7 42.9% 2.6%
Fuente INEI (2009), elaboración propia
3.2.2. Dinámica de la estructura económica
El Valor Agregado Bruto (VAB) departamental, al 2011, representó el 2,1 por ciento del VAB del país,
ubicándose en el undécimo lugar en el contexto nacional. En el 2011 el sector económico más
relevante resultó la agricultura, caza y silvicultura con una contribución de 16.6 por ciento de las
actividades que se desarrollan en la región Puno según el (INEI-SIRTOD, 2011).
a. Actividad agrícola
Es una de las actividades más importantes de la región Puno, porque representa el 11.86% de
la superficie agrícola total regional. El 95 por ciento de la superficie es cultivada bajo el régimen de
secano, es decir, que depende de las lluvias, las que son irregulares en cantidad y distribución; y el 5
por ciento es bajo riego (INRENA, 2007). Como especies cultivables en esta región se tiene: cebada,
alfalfa, pastos cultivados, avena grano, cañihua, cebada grano, maíz amiláceo, quinua, trigo, cebolla,
arveja, habas, mashua, oca, olluco, papa, avena, y cebada forrajera.
b. Actividad pecuaria
La existencia de pastos naturales, cultivo de forrajes y pastos cultivados favorecen la crianza del
ganado, siendo los vacunos de doble propósito para carne y leche, los ovinos para carne y los camélidos
carne y fibra, y en mayor magnitud se tiene la crianza de porcinos y aves. Especies que aportan la
mayor producción pecuaria del ámbito de la Agencia Agraria de San Román que constituyen fuente
de ocupación e ingreso para el productor rural, que representa aproximadamente el 8.62% de la
ganadería departamental. Sin embargo, el problema que afronta el productor pecuario es la escasez
de alimentos para animales en ciertas épocas del año, dada, las característica del espacio andino es de
ser una zona que se ve limitada por las variaciones climáticas. Los meses de invierno y transitorios,
corresponde al periodo más crítico para el ganado, debido a las bajas temperaturas, afectando la
disponibilidad de alimento y consecuentemente la producción en peso de carne y de leche.
3.3. Aspecto físico ambiental
3.3.1. Clima
El clima de la cuenca del Lago Titicaca, es templado en el día y frío en las noches debido a la altitud que
es característico de los climas de montaña sometida por su situación geográfica a un régimen tropical,
principalmente por la relativa estabilidad de iluminación durante el año. La región Puno presenta un
comportamiento térmico que varía de -6°C y 14°C en su media mensual (SENAMHI-DGH, 2009), donde
la presencia de la masa de agua del Lago Titicaca permite regular la temperatura de la zona
circunlacustre, impidiendo que sus valores desciendan a valores extremos.
Según UNESCO-WWAP (2003), las precipitaciones son más abundantes en el centro del lago (800 -
1400) mm por año que en sus riberas a causa de una mayor temperatura del agua con respecto al aire,
debido a esto el lago recibe una radiación solar fuerte de 533 calorías por centímetro cuadrado (cm2)
por día: esta alta radiación explica la intensa evaporación en el Lago Titicaca, la cual se estima según
SENAMHI-DGH (2009) que la perdida de agua por efecto de la evapotranspiración a nivel promedio en
la vertiente del Titicaca es de 589,94 mm.
En términos generales, la precipitación, temperatura, humedad relativa y evaporación son los

principales parámetros que caracterizan a la cuenca del rio Coata, de régimen estacional, presenta dos
estaciones marcadas, una estación húmeda (noviembre a marzo), otra seca (junio a agosto) y dos
periodos de transición (septiembre – octubre y abril – mayo).
Según INRENA (2007), el clima en la cuenca Coata presenta:
a. Clima frío
Comprende los valles meso andinos y se extiende entre los 3 000 y 4 000 msnm y se caracteriza
por presentar precipitaciones anuales en promedio de 700 mm, temperaturas medias anuales de 12°C
y con veranos lluviosos e inviernos secos con fuertes heladas.
b. Clima frígido
Conocido como clima de Puna (INRENA, 2007)), comprendido entre los 4 000 y 5 000 msnm. Se
caracteriza por presentar precipitaciones promedio de 700 mm anuales y temperaturas también
promedio anuales de 6°C. Comprende las colinas, mesetas y cumbres andinas. Los veranos son siempre
lluviosos y nubosos; y los inviernos (junio-agosto), son muy fríos y secos.
c. Clima de nieve
Este clima corresponde al de nieve perpetua, de muy alta montaña, con temperaturas medias
durante todos los meses del año por debajo del punto de congelación (0°C). Se distribuye en los
sectores altitudinales que sobrepasan los 5 000 msnm y que están representados mayormente por las
grandes masas de nieve y hielo de las altas cumbres de los andes peruanos.
La Tabla 3-2, muestra los principales aspectos que intervienen en la formación y modificación
del clima, visualizándose algunos de estos aspectos en la Figura 3-4.
Figura 3-4 Factores que intervienen en la formación y modificación de los clima

Fuente http://es.wikipedia.org/wiki/Cambio_clim%C3%
Tabla 3-2 Factores que intervienen en la formación y modificación de los climas
FACTORES
BREVE DESCRIPCIÓN FENÓMENO QUE OCASIONAN O
CONDICIONANTES
PUEDEN OCASIONAR
DEL CLIMA
Ubicación respecto al Ecuador, -Distribución desigual de luz y calor por cada
forma de incidencia del sol, región en el tiempo (estaciones).
LATITUD movimiento de rotación y -Diferente duración del día y la noche en las
traslación, inclinación del eje diferentes épocas del año.
terrestre.
-Es una barrera natural que impide el paso de
Cordillera de los Andes, cadena de humedad del Atlántico al Pacífico.
ALTITUD
montañas de altitud considerable. -El frío de las montañas motiva condensación y
genera precipitación.
OCEANO PACÍFICO Y Grandes masas de agua que -Permite la evaporación de grandes cantidades de
ATLÁNTICO circundan el subcontinente. agua hacia la atmósfera.
Inmensas extensiones de bosques -La fuente evapotranspiración incrementa la
BOSQUE AMAZÓNICO
húmedos y tropicales. humedad de la atmósfera.
Evaporación restringida en el Pacífico.
Corriente fría que circula de sur a
CORRIENTE PERUANA -Gran estabilidad atmosférica.
norte hasta Cabo Blanco (Piura),
DE HUMBOLT -Persistente inversión térmica todo el año.
paralela al litoral peruano.
-Ausencia casi total de lluvias en la costa.
-Lluvias intensas en la costa norte.
-La presencia del fenómeno del Niño.
*reemplaza los vientos alisios del SE por vientos
Corriente de agua cálida de NO a sofocantes del NO.
SE, llega hasta Cabo Blanco donde *Cese de la anomalía térmica refrescante de la
CONTRACORRIENTE
deriva hacia el Oeste, costa.
ECUATORIAL O DEL
eventualmente avanza más hacia *Las aguas superficiales adquieren temperaturas
NIÑO
el Sur generando cambios en el elevadas.
clima. *Mortalidad de peces de agua fría y reemplazo por
otra de agua caliente.
Alteran el hábitat de islas y puntas, motivando
mortalidad de aves guaneras.
Masas de aire frio que soplan del
-Transporta la humedad atmosférica hacia zonas
VIENTOS ALISIOS SE hacia el Ecuador desde zonas de
de baja presión.
alta presión.
-De mayo a octubre recoge la humedad del mar y
la eleva, quedando detenida por el efecto de los
Masa de aire de alta presión que vientos Alisios, que favorece la ocurrencia de
circula de S a N en el invierno no inversión térmica.
ANTICICLÓN DEL
Austral, sobre el trópico de -En invierno las nubes bajas de la costa, producen
PACÍFICO SUR
Capricornio desplazándose al Sur una ligera oscilación de la temperatura y la garúa.
(28`S) en el verano austral. -En verano la humedad se condensa y pueden ser
la causa de las lluvias en la vertiente occidental (no
confirmado).
Masas de aire húmedo de alta -Genera precipitaciones a lo largo de su recorrido
ANTICICLÓN DEL presión procedente del polo Sur, hasta los flancos orientales.
ATLÁNTICO SUR llegan al Perú por el SE (Madre de -El descenso de la temperatura en el SE que ocurre
Dios). entre mayo y setiembre (Friaje o Suraje).
Masa de aire de baja presión tibia y -Temperaturas más altas de la región
CICLÓN ECUATORIAL húmedo cuyos efectos se aprecia -Mayor intensidad de la precipitación a lo largo del
en el NE de la selva. año.
Gran masa de agua entre Perú y
LAGO TITICACA -Regula la temperatura de la zona circunlacustre.
Bolivia
Fuente: Mendoza (1994)
3.3.2. Suelo
La superficie de la región hidrográfica del Titicaca, se extiende desde la parte limítrofe del lago peruano
hasta la cordillera Oriental y Occidental, de amplias pampas, demarcadas con cadenas de cerros que
nacen en los estribos internos de ambas cordilleras. Según Mendoza (1994), en el Altiplano se puede
diferenciar dos grupos de suelos:
a. Grupo Altiplánico
Conformado por suelos de origen Aluvio-Fluvial y Aluvio-Lacustre, comprende todas las áreas de
relieve suave o casi plano, a su vez se divide en:
Sub Grupo Ribereño: Son las áreas termorreguladas, ubicadas próximas al lago Titicaca, con pendientes
inferiores a 1 por ciento, hidromórficas e inundables, presentan un drenaje pobre. Son las tierras más
apropiadas para la producción de los cultivos, debido a la acción termorreguladora del lago.
Sub Grupo Altiplano: Comprende casi la integridad de las áreas casi planas, que se extiende más allá
del sub Grupo Ribereño, se pueden observar epipedones con buen contenido de materia orgánica,
horizontes arcillosos, suelos bien a moderadamente desarrollados, en las zonas más abrigadas se
pueden sembrar cultivos propios del lugar.
b. Grupo de Lomadas y Cerros

Son suelos mayormente de origen residual, y en menor grado de origen coluvial y coluvio aluvial,
forman parte de las laderas, flancos y lomas de cerros y colinas, cuyas pendientes varían de
ligeramente inclinadas a empinadas, pueden presentar un horizonte superficial con buen contenido
de materia orgánica: suelos medianamente profundos y poco desarrollados, cubiertos por pastos
naturales.
3.3.3. Hidrografía
El sistema hidrográfico de la cuenca del río Coata se compone básicamente de los ríos Cabanillas y
Lampa, los cuales a su vez se forman por la confluencia de los ríos Verde - Cerrillos y Vila Vila – Palca,
respectivamente; esta confluencia de los ríos Cabanillas y Lampa se encuentra a 57.20 Km del Lago
Titicaca. La cuenca posee una superficie total de 4,908.44 Km2, correspondiéndole 1,559.87 Km2
(31.78 por ciento) a la cuenca del río Lampa y una superficie de 2,888.61Km2 (58.85 por ciento) a
la cuenca del río Cabanillas y 459.96 Km2 (9.37 por ciento) a la Cuenca del Bajo Coata (INRENA, 2007).
3.4. Materiales
3.4.1. Información utilizada
Para el desarrollo de la investigación se utilizó información cartográfica, información de los modelos

climáticos del IPCC e información hidrometeorológica que se detalla a continuación:
a. Información cartográfica
- Mapa de la red de estaciones hidrometeorológica observacional del SENAMHI a escala gráfica
1/250000.
- Modelo de elevación de terreno (DEM) de 90 m derivados de los datos del (Shuttle Radar
Topography Mission) SRTM.
- Cartas Nacionales del Instituto Geográfico Nacional a escala 1:100 000
- Shape de la delimitación y codificación de las unidades hidrográficas del Perú a escala 1/100
000 elaborada por la Ex Intendencia de Recursos Hídricos del INRENA (2007). Disponibles
desde el 2009.
b. Información de los modelos climáticos globales (MCG)

Para analizar las proyecciones climáticas futuras, se utilizó las salidas de 6 modelos
climáticos globales seleccionados de un conjunto de modelos, disponibles a través del Proyecto de
Inter-comparación de Modelos Acoplados, Fase 5 (por sus siglas en Ingles, CMIP5). Enfocados en
estudios hidrológicos, se seleccionaron los MCG que presentan la mayor resolución atmosférica.
El periodo utilizado para la validación del “clima actual” comprendió entre 1964 – 1989. En el caso
de los modelos CMIP5 los experimentos utilizados fueron "historical" para el clima actual y el
escenario "RCP8.5", considerado el escenario más pesimista para el futuro. Las características de
los modelos CMIP5 se describen en la Tabla 3-3, las cuales fueron descargados del link:
http://cmip-pcmdi.llnl.gov/
Tabla 3-3 Descripción de los modelos climáticos globales seleccionados
Modelo CCSM4 CESM1-CAM5 CMCC-CM CNRM-CM5 MIROC5 MRI-CGCM3
País USA ITALIA JAPON

Centro Euro- Centre National Atmosphere and Meteorological
NCAR - National
Community Earth Mediterraneo de Recherches Ocean Research Research
Center for
Institución System Model per I Meteorologiques Institute Institute
Atmospheric
Contributors Cambiamenti
Research
Climantici.
Precipitación total (Pr) y Temperatura aire (Ta)
Variables
Serie mensual
Resolución
Atmosférica 0.9°*1.25° 0.9°*1.25° 0.75°*0.75° 0.9°*1.25° 1.40625°*1.40625° 1.121°*1.125°
(lat * lon)
Escenario RCP8.5
Forzamiento
>8.5 w/m2 en 2100
Radiativa y
> 1370 CO2 -eq en 2100
concentración
Fuente: Elaboración propia
c. Información hidrológica y meteorológica

Para el análisis de las variables seleccionadas en el desarrollo del estudio, la OMM (Organización
Meteorológica Mundial) aconseja trabajar con series de 30 años de datos. Para ello se ha requerido
una red de estaciones con información de precipitación total mensual, temperatura media y caudal a
nivel medio mensual.
Se trabajó con la información de la estación hidrológica Puente Unocolla, ubicada en la parte baja de
la cuenca del río Coata, después de la unión de los ríos Lampa y Cabanillas que registra información de
niveles de agua, la cual es administrada y almacenada en el banco de datos del SENAMHI-Puno. La
estación hidrológica cuenta con una regla limnimétrica y un limnígrafo, que registraba la escorrentía
natural hasta 1999, en que entró en operación la Presa Lagunillas (subcuenca del río Cabanillas), la cual
condicionaría la información que se registraba en la estación hidrológica, de un caudal natural a
regulado. De esta manera para el desarrollo de la investigación se trabajó con una serie climatológica
comprendida de 1964 a 2015 y de 1964 A 1999 se utilizó en la información hidrológica de las cuencas
de los ríos Huancané, Ramis e Ilave, con la finalidad de consistenciar y completar la información del
río Coata. Una descripción detallada se presenta en el Tabla 3-4.
Tabla 3-4 Red de estaciones hidrológicas para el estudio
Unidad Tipo Periodo Ubica. Geográfica

Estación hidrológica Altitud Fuente
hidrográfica Estación Información
Latitud Longitud
Coata-Uncolla Coata HLG 1964-1999 15°27'05" 70°11'31" 3835 SENAMHI
Puente Carretera Huancané Huancané HLG 1964-1999 15°13'00" 69°47'34" 3830 SENAMHI
Puente Carretera. Ramis Ramis HLG 1964-1999 15°15'16" 69°52'19" 3850 SENAMHI
Puente Carretera Ilave Ilave HLG 1964-1999 16°05'19" 69°37'34" 3850 SENAMHI
Fuente SENAMHI
Tabla 3-5 Red de estaciones meteorológicas para el estudio
Unidades Tipo Periodo información Ubica. geográfica

Estación Altitud
hidrográficas estación Precipitación Temperatura Latitud Longitud
Pampahuta Coata CO 1964-2015 1964-2015 15°29'02" 70°40'34" 4329
Lagunillas Coata CO 1964-2001 1962-2011 15°46'00" 70°39'00" 4200
Santa Lucia Coata PLU/CO 2001-1999 ----------- 15°42'00" 70°36'00" 4050
Cabanillas Coata CO 1964-2015 1964-2015 15°38'22" 70°20'47" 3890
Lampa Coata CO 1964-2015 1964-2015 15°21'25" 70°22'15" 3892
Juliaca Coata CO 1964-2015 1964-2015 15°28'00" 70°10'00" 3820
Quillisani Coata PLU 1964-1988 ----------- 15°23'00" 70°45'00" 4600
Llalli Pucara CO 1964-2015 1964-2015 14°56'12" 70°53'10" 4190
Ayaviri Pucara CO 1964-2015 1965-2015 14°52'23" 70°35'35" 3918
Pucara Pucara CO 1964-2015 ---------- 15°02'33" 70°22'02" 3910
Taraco Inter. Ramis CO 1964-2015 ---------- 15°10'13" 69°58'31" 3850
Capachica Inter. Ramis CO 1964-2015 1964-2015 15°36'57" 69°50'39" 3850
Ichuña Tambo CO 1965-2014 ---------- 16°07'58" 70°33'08" 3900
Mañazo Ilpa CO 1964-2015 ---------- 14°48'0.2" 70°0.3'59.7" 3938
Puno Intercuenca 0173 CP 1964-2015 1964-2015 15°49'24" 70°01'05" 3850
Crucero Alto Colca CO 1964-2015 ------------ 15°45'51.12" 70°54'58.4" 4508
Imata Chili CO 1964-2015 1964-2015 15°50'32.3" 71°05'29.8" 4474
Fuente: SENAMHI
Figura 3-5 Red hidrometeorológica de la cuenca del río Coata

La información meteorológica utilizada (precipitación total mensual y temperatura media mensual) se

recopiló del banco de datos del SENAMHI. La Tabla 3-5, muestra la red meteorológica usada en la
investigación, que comprende la ubicación geográfica, periodo de operación, altitud; así, como, la
unidad hidrográfica al que corresponde cada estación. La Figura 3-5 muestra la distribución espacial
de la red hidrometeorológica sobre la cuenca del río Coata.
3.4.2. Programas utilizados
Se detalla a continuación los programas utilizados en la elaboración de la tesis:
- Minitab (versión 16), software de herramienta estadística que permitió el desarrollo de los test
estadísticos, para las series de datos observados y de los GCM. Versión prueba de 30 días, en
http://www.minitab.com/es-US/products/minitab/.
- Hydraccess (versión 4.2), herramienta para la generación de precipitación y temperatura
media areal de la cuenca de estudio, así como la consistencia de la información mediante el
vector regional. Descargable de http://www.mpl.ird.fr/hybam/outils/ha_sp_dn.php.
- Arcgis 10, herramienta que permitió la generación de mapas de ubicación (red hidrográfica,
modelo de elevación de altura) así como la red de estaciones hidrometeorológicas.
- XLSTAT, software de herramienta estadística que permitió el desarrollo de gráficas de
diagrama de caja para mostrar la variabilidad de la información.
- MATLAB, software de herramienta estadística que permitió también descomprimir los
archivos más pesados con información de los modelos climáticos descargados del IPCC, que se
encuentra en formato netcdf.
- GR2M, modelo hidrológico en versión Excel para el desarrollo de la simulación y proyección de
los escenarios. http://www. cemagref.fr/.
3.5. Metodología
Para el desarrollo del estudio, se seleccionaron 6 MCG considerados los de mayor resolución espacial
atmosférica, lo que permite dar una mejor confiabilidad a la información utilizada. Analizado bajo el
escenario de emisión de mayor forzamiento radiativo RCP8.5, con el objetivo de establecer los
mayores cambios posibles que se puedan esperar en el recurso hídrico para el horizonte 2050-2075.
La razón de proyectarse a un horizonte a mediano plazo es la de establecer una clara señal del cambio
climático debido al aumento en el forzamiento de GEI. Una vez obtenidos estos límites de cambio
climático, cualquier escenario de menor emisión inducirá a una respuesta menor al clima.
Para la simulación de caudales se seleccionó un modelo hidrológico de categoría mensual, que necesite
poco requerimientos de entrada de datos y presente un buen ajuste en las simulaciones.
Seleccionándose el modelo GR2M, ya que según Lavado (2010), el modelo GR2M resultó ser el mejor
en las cualidades mencionadas al ser comparado con los modelos ABCD y Vandewiele.
El desarrollo del proceso metodológico del estudio se muestra en la Figura 3-6 y comprende
cinco etapas que se describen en los ítems más adelante:
Figura 3-6 Esquema metodológico para el desarrollo de los escenarios hídricos

3.5.1. Etapa I: Tratamiento de la información observada
Comprendió el análisis exploratorio y consistencia de datos para la precipitación y temperatura, para

el periodo de análisis (1964-2015) y para el caudal (1964-1999), desarrollando los siguientes ítems:
- En todo estudio, es necesario realizar un análisis exploratorio (gráfico y estadístico) de la

información antes de ser aplicado a cualquier técnica estadística. Lo que permite conseguir un
entendimiento básico de la información, así como detectar valores erróneos y la posible
existencia de datos atípicos de la información, que puede ser excluida, si se comprueba que
no pertenece a la muestra analizada. El análisis se apoyó con los programas Minitab y Excel.
- Una vez realizado el filtrado de la información, un requisito importante en la modelización

hidrológica es la confiabilidad de los datos, para ello se utilizó la metodología del Vector
Regional de Índices Pluviométricos (MVR), incorporado en el programa HYDRACCES,
metodología que nos permite realizar una homogenización y critica de datos.
Esta metodología se aplicó en los caudales medios anuales de los ríos Coata, Huancané, Rámis e Ilave,
previa transformación de unidades de m3/s a Hm3 (hectómetro cúbico), el análisis se basó
considerando que las cuencas pertenecen a un comportamiento climatológico homogéneo, ya que
dichas cuencas corresponden a una misma región hidrográfica. El vector regional a la vez, fue apoyado
por un análisis gráfico de serie mensual, la importancia de este análisis radica en que se aprovecha
toda la información recolectada de caudales medios, mas no en un análisis anual ya que necesita los
12 meses completos.
De la misma manera, se analizó la precipitación total anual en (mm), para ello se formaron grupos de
estaciones homogéneas tomando en cuenta la ubicación geográfica y estaciones vecinas. La formación
de los grupos se apoyó mediante el desarrollo de una matriz de correlación.
3.5.2. Etapa II: Caracterización climatológica

El régimen hidrológico, se encuentra en estrecha dependencia de las características fisiográficas y
climáticas de una cuenca, es por ello, la importancia del estudio de las variables climáticas (Almeida,
2010). El análisis de las variables climatológicas se realizó a escala mensual y anual. El periodo base
utilizado para el desarrollo del estudio fue de (1964-1989) que comprende una serie de 26 años.
La precipitación fue analizada según; la variación estacional, mediante un gráfico lineal, permite
visualizar lo que ocurre a lo largo del año, en este caso representaría el régimen pluviométrico de la
zona; la variación interanual, permite identificar la inclinación que sigue la precipitación en el
transcurso de los años (línea de tendencia); la variación altitudinal, permite analizar las variaciones
de la distribución espacial de la variable considerando factores orográficos que se presentan en la
cuenca, para esto se gráfica una línea de tendencia, donde se relaciona la media de las precipitaciones
interanuales con la altitud de las estaciones meteorológicas.
De la misma manera para la variable temperatura, se analizó: la temperatura media mensual,

calculando el promedio de las medias mensuales; la variación de la temperatura media anual, que
mediante un gráfico se observa la tendencia de la temperatura en los años en consideración; la
variación altitudinal y espacial de la temperatura, que es una variable que es influenciada por la
altitud, por ello es necesario representar esta variación a través de un gráfico de dispersión para cada
estación. El resultado es una serie de puntos con lo cual se debe establecer una tendencia.
3.5.3. Etapa III: Análisis de la información de los MCG
a. Selección y validación de la grilla de los MCG

La información climática generada y proyectada a futuro por los MCG es difícil de analizar, pues
se tendrá que esperar años para contrastar en qué medida se vienen desarrollando los escenarios
construidos, bajo diversas suposiciones, pero por otro lado se puede analizar las condiciones iníciales
de los resultados de las simulaciones del clima actual, en este caso los escenarios “historical” del
CMIP5, periodo base 1964-1989.
Se seleccionó 6 modelos climáticos, que corresponde a los MCG de mayor resolución espacial lo cual
permite dar una mejor confiabilidad de la información utilizada sobre el área de estudio. El primer paso
en el uso de los MCG, es la reducción de escala o “downscaling” espacial; una forma es interpolar los
valores de los centros de las grillas más próximos al área de interés, pero, según Barros (2006), el
problema con este método de interpolación es que introduce una falsa precisión geográfica.
Entonces, el criterio optado para el estudio como un supuesto “downscaling” espacial, fue la de
seleccionar mediante métodos estadísticos la grilla próxima que mejor represente la climatología de
la cuenca para cada modelo, y, mediante métodos gráficos validar la capacidad de los modelos en
simular la estacionalidad y la variabilidad observada de la variable en estudio. El desarrollo de los
métodos de análisis mencionados se describe a continuación.
 Método estadístico
Para la selección de la grilla que almacena las variables de precipitación y temperatura, se comparó la
serie mensual areal observada con la serie mensual de las 4 grillas de cada MCG, utilizando dos
indicadores estadísticas; el coeficiente de correlación (R), que te mide el grado de asociación entre dos
variables y el menor sesgo (S) entre la media anual observada y simulada
 Método gráfico
La validación del modelo de la grilla seleccionada comprendió dos puntos; el primero, analizar la
capacidad de los modelos en simular las estaciones lluviosas con las series observadas; segundo, se
comparó los índices de precipitación anual observados y simulados para el periodo establecido, con la
finalidad de observar si además de simular en parte el régimen de las variables, simula los cambios
extremos suscitados en la cuenca de estudio (superávit o déficit de precipitación).
b. Corrección temporal de los MCG

Los resultados de la información temporal de los MCG presentan errores sistemáticos (sesgo)
en las salidas de las variables climáticas, que no son acorde a la realidad de una cuenca hidrográfica, y
por consiguiente para ser utilizada directamente en modelos hidrológicos y así poder evaluar el
impacto del cambio climático en la disponibilidad hídrica.
Para el estudio los errores sistemáticos de los MCG a escala mensual se corrigieron utilizando la técnica
quantile-mapping, basado en una función de distribución teórica. Este método de corrección asume
que las distribuciones de probabilidad de los conjuntos de datos observados y simulados de los MCG
para un determinado periodo, pueden aproximarse utilizando una distribución paramétrica (Lafon,
2012). Por otro lado, para mantener la tendencia o signo climático de las variables desde el periodo de
referencia al periodo proyectado se utilizó la metodología propuesta por (Watanabe et al., 2012), la
cual preserva los cambios (por ejemplo en la media y desviación estándar) de los MCG antes y después
de la corrección del sesgo.
Entonces, los datos de precipitación y temperatura del aire mensual simulado por los MCG en la serie
histórica, se dividieron en dos periodos: El periodo base (1964-1989) y el periodo de validación (1990-
2015). Entonces, se corrigió los parámetros estadísticos del periodo base y proyectado, y luego la
precipitación o temperatura del aire mensual son corregidas utilizando en el método mapping-
quantile. El procedimiento para corregir los parámetros estadísticos en cada variable se describe a
continuación;
 La Temperatura del aire (Ta)
La distribución Gaussiana o Normal se usa frecuentemente para representar la temperatura media

mensual (Wilks 1995, p 88). Donde la Función de Distribución de Probabilidad (FDP) de la distribución
Gaussiana es:
(𝑥−𝜇)2
1 −
𝑓(𝑥) = 𝑒 2𝜎2 ,∞ < 𝑥 < ∞ (16)
√2𝜋𝜎 2
Los dos parámetros de la distribución son la media (𝜇), y la desviación estándar (𝛿). Entonces, el
procedimiento propuesto Watanabe et al, (2012) para corregir los parámetros estadísticos de la Ta es
la siguiente:
𝑢𝑐𝑜𝑟 = 𝑢𝑜 + 𝑢𝑝 − 𝑢𝑏 (17)
𝜎𝑝 ∗𝜎𝑜
𝜎𝑐𝑜𝑟 = 𝜎𝑏
(18)
Donde, cor denota el parámetro corregido y los índices b, p y o corresponden a las iniciales de datos
simulados en el periodo base, proyectado y observado respectivamente. Después que los parámetros
son corregidos, los datos de la Ta son corregidos de la siguiente manera:
𝑥𝑐𝑜𝑟,𝑖 = 𝐹 −1 (𝐹(𝑥𝑝,𝑖 ; 𝑢𝑝, 𝜎𝑝 ); 𝑢𝑐𝑜𝑟, 𝜎𝑐𝑜𝑟 ) (19)
Donde F es la función de distribución acumulada (FDA) de la distribución estadística asumida.
 La precipitación (Pr)
Una elección usual para representar la Pr es la distribución gamma (Wilks 1995, p 95). La distribución
gamma está definida por la siguiente FDP.
𝑥
𝑥 𝛼−1 −𝛽
( ) 𝑒
𝛽
𝑓(𝑥) = 𝛽Γ(𝛼)
, 𝑥, 𝛼, 𝛽 > 0 (20)
Donde 𝛼 es el parámetro de forma y 𝛽 el parámetro de escala. Donde la media (𝜇) es 𝛼𝛽 y su varianza

𝛿 2 es 𝛼𝛽 2 . Según el método de los momentos 𝛼, 𝛽 es determinada de la siguiente manera:
𝜇2 𝛿2
𝛼 = 𝛿2 , 𝛽 = 𝜇
(21)
Para la Pr, en los meses donde la Pr = 0.0 mm es cambiado por Pr ∗ = 0.01 mm. Después de cambiar
los valores donde la Pr = 0.0 mm, la 𝑢 y el CV se corrigen de la siguiente manera:
𝑢𝑝 ∗𝑢𝑜
𝑢𝑐𝑜𝑟 = (22)
𝑢𝑏
𝐶𝑉𝑝 ∗𝐶𝑉𝑜
𝐶𝑉𝑐𝑜𝑟 = 𝐶𝑉𝑏
(23)
Luego, dos parámetros estadísticos 𝛼 y 𝛽 son estimados a partir de la u y CV corregidos. Después que
los parámetros de la distribución estadísticas de los datos de la corrección de sesgo son obtenidos, la
Pr corregida se estima a partir de la distribución obtenida de la siguiente manera;
𝑥𝑐𝑜𝑟,𝑖 = 𝐹 −1 (𝐹(𝑥𝑝,𝑖 ; 𝑘𝑝, ϴ𝑝 ); 𝑘𝑐𝑜𝑟, ϴ𝑐𝑜𝑟 ) (24)
Donde F es la FDA de la distribución Gamma de dos parámetros. Finalmente, el método se aplicó a las
simulaciones climáticas futuras de los MCG (2050-2075)
3.5.4. Etapa IV: Modelización hidrológica del modelo GR2M
Esta etapa comparó la validación, calibración y análisis de sensibilidad del modelo hidrológico GR2M.
Se utilizó como variable de ingreso al modelo la Pr y la evapotranspiración potencial (EP) mensual en
mm. Para el cálculo de la EP, se utilizó la formulación propuesta por Oudin et al. (2005), la cual utiliza
la radiación global (que depende de la latitud y el día juliano) y la temperatura media diaria. Cómo en
el estudio se trabajó con la Ta mensual, para el cálculo de la EP se tuvo en cuenta los siguientes
aspectos: Primero, que la radiación global entre uno y otro día dentro de un mes estacional no varía
significativamente; segundo, que la Ta mensual es un valor representativo del promedio de la Ta
diaria. Con lo mencionado, se comparó el cálculo de la EP mensual, obtenida de la Ta diario (acumulado
de 31 días) y con la Ta mensual, calculada para el día central (15) del mes analizado. Los resultados
mostraron valores de EP casi cercanos, lo cual permitió generar los escenarios de EP mensual para el
estudio de manera confiable, utilizando la metodología propuesta por Oudin (Anexo Figura 8-4).
a. Uso de la herramienta del modelo

Para la modelización hidrológica de los escenarios se utilizó como herramienta el modelo GR2M,
desarrollado en Excel. Herramienta que describe los parámetros del modelo, valores iniciales de
producción y transferencia, periodo de análisis y criterio de eficiencia, que están describen en la Tabla
3-6.
b. Calibración y validación del modelo

En el desarrollo del modelo, se tomó un año como periodo de inicialización, (1964) ya que es
una práctica común excluir el primer año en la evaluación de los caudales estimados, por las
discrepancias que puedan presentarse al comienzo de un período de simulación debido a la selección
de las condiciones iniciales (Perrin et al., 2003; Mouelhi et al., 2006).
Para el periodo de calibración del modelo, se tomó 2/3 de la serie hidrológica, que fue adicionada a la
herramienta Solver del programa Excel, permitiendo encontrar los valores de los parámetros (X 1; X2),
que mejor desempeñe el modelo, maximizando una función objetivo en este caso el Nash-Sutcliffe
descrita en el ítem 3.2.4 de la revisión literaria. El uso del coeficiente de determinación R2, la raíz
cuadrada del error cuadrático medio RMSE y el porcentaje de desviación respecto al caudal observado
PBIAS permitió confirmar la calidad de los resultados.
La validación en el modelo GR2M se realizó para el periodo restante, siendo evaluado gráfica y
estadísticamente (Nash, R2, RSME y PBIAS) su desempeño.
Tabla 3-6 Hoja de cálculo del modelo GR2M
Área de la cuenca (Km2) 4380 Descripción
Parámetros del modelo Transformado Real

Según Perrin et al. (2006), recomienda iniciar con los parámetros
X1=6 y X2= 1, valores que se ingresan en la columna
X1: Capacidad de
6 315.91 “transformado”. Los valores transformados se usan para la
producción suelo (mm)
optimización de parámetros, mientras que los valores reales se
X2: Coeficiente de usan en el modelo para los cálculos del escurrimiento.
1 1.07
intercambio (mm)
Valores iniciales
Nivel inicial So
157.95
producción Suelo (max: X1 mm) S0 y R0 corresponden al 50% del nivel máximo de los reservorios.
Nivel inicial Ro
30
transferencia Suelo (max:60 mm)
Periodo
Longitud del período de

12
iniciación (mensual) En el período de análisis se debe incluir: (1) el periodo de
inicialización (recomendable 12 meses) que permite atenuar
Longitud del periodo de
351 totalmente los efectos de los primeros cálculos, que permite al
calibración (mensual)
modelo tomar un funcionamiento normal, y (2) el periodo de
duración de la prueba.
Inicio de información mensual 09/1970
Fin información mensual 12/1999
Precipitación media
61.1
observada (mm/mensual)
Evaporación potencial
53.3
media observada (mm/mensual)
Las series mensuales de precipitación y de evapotranspiración (en
Caudal medio observado mm) no deben tener datos faltantes. Las series mensuales de
139.8
(mm/mensual) caudal (en mm) no son datos de entrada del modelo pero se
utilizan para la calibración y evaluación del modelo.
Raíz cuadrada de la media
2.4
de caudal simulado
Logaritmo de la media 2.1
Criterio de eficiencia (%)
Nash (Q) 88.1

Cuando existan datos faltantes deben ser remplazados con -1 para
Nash (VQ) 92.2 que sean excluidos de los cálculos de calibración del modelo
permitiendo la secuencia de la serie.
Nash (ln(Q)) 87.2
Bias 103.3
c. Análisis de sensibilidad del modelo

El análisis de sensibilidad del modelo hidrológico consistió en la modificación de los parámetros,
variando en (± 10) por ciento de su valor, en respuesta a su eficiencia NSE, manteniendo el otro
parámetro fijo y viceversa. Con la finalidad de ver la respuesta a la variación porcentual (∆%) que sufren
los caudales medio mensuales simulados, identificando, qué parámetros tienen mayor influencia en
los resultados del modelo.
3.5.5. Etapa V: Generación de escenarios hídricos futuros

Una vez desarrollado la etapa III de escenarios climáticos se procede a determinar el régimen de
caudales para el horizonte 2050-2075 mediante el modelo hidrológico GR2M calibrado y validado. El
análisis de caudales se basó mediante la curva de duración y análisis estacional mensual.
4. RESULTADOS Y DISCUSIONES
4.1. ETAPA I
4.1.1. Análisis exploratorio de datos (AED)

El AED comprendió el análisis gráfico y estadístico de la información mensual y anual de las variables
hidrometeorológicas utilizadas en el estudio, en la que el símbolo de color rojo representa la media y
el símbolo de color azul; los valores atípicos y la línea horizontal de la caja es la mediana (Figura 4-1).
Los caudales medios mensuales para la estación hidrológica Unocolla, analizados mediante el diagrama
de cajas, presenta un régimen de caudales mínimos de junio a noviembre, periodo en que se presentan
los mínimos o nulos aportes de precipitación; por el contrario, de enero a marzo el régimen de caudales
es mayor, presentando la mayor variabilidad el mes de febrero que está definido por la amplitud en su
caja y con valores extremos muy marcados (bigotes) que muestran los eventos (avenidas y sequías).
Figura 4-1 Régimen y variabilidad de caudales medios mensuales registrados en la estación hidrológica -
Unocolla, periodo (1964-1999)
La Figura 4-2 muestra el diagrama de cajas a escala anual en las estaciones emplazadas próximas al
área de estudio.
Las estaciones pluviométricas ubicadas dentro de la cuenca de estudio (Quillisani, Pampahuta, Lampa,
Cabanillas y Lagunillas) presentan similar variabilidad con respecto a la precipitación media multianual
(Figura 4-2a). La estación pluviométrica Sta. Lucia fue descartada por presentar datos dudosos e
inconsistentes. La información de la estación Lampa y Juliaca (cuenca Coata), Llalli, Pucara y Taraco
(cuenca Ramis) y Puno (Intercuenca 0173), presentaron valores atípicos, que fueron comparados con
estaciones vecinas para su validez. Por ejemplo, la estación pluviométrica Ayaviri presentó errores de
digitación que fue corregida.
La variabilidad de la temperatura media multianual de cada estación es mostrada mediante el

diagrama de cajas de la Figura 4-2b. Las estaciones de Pampahuta y Lagunillas, ubicadas en la parte
media alta de la cuenca, registran valores de temperatura menores a la registrada en las estaciones de
Lampa, Cabanillas y Juliaca (ubicadas en la parte media y baja de la cuenca). Esta diferencia de
temperaturas es debido al efecto termorregulador del lago. El descenso en la temperatura media,
entre las estaciones ubicadas en la parte media- baja y alta de la cuenca, se estima en 3°C. En el Anexo
IX, se describe la variabilidad de la temperatura y la precipitación mensual por estación mediante el
uso del diagrama de cajas.
Crucero alto Imata

Imata
Puno a Puno b
Capachica
Taraco
Capachica
Ichuña Juliaca
Mañazo
Pucara Ayaviri
Ayaviri
Llalli Llalli
Quillasani Lagunillas
Lagunillas
Cabanillas Cabanillas
Lampa
Pampahuta Lampa
Juliaca Pampahuta
0 300 600 900 1200 1500 1800
0 2 4 6 8 10 12 14
Precipitación Multianual (mm) Temperatura media anual (°C)
Figura 4-2 a) Diagrama de cajas de la serie de precipitación total anual por estación y b) Diagrama de cajas de
la serie de temperatura media anual por estación. (Símbolo: azul la mediana y rojo la media)
La estadística descriptiva, permite complementar el análisis visual del diagrama de cajas, por ejemplo;
valores de caudales mínimos, registrado en la estación hidrológica Unocolla en enero, febrero o marzo
indica que hubo una sequía intensa, al ser comparado con su régimen de caudales tal como se muestra
en la Tabla 4-1.
Así, en el estadístico de máximos valores de precipitación total mensual, registrado en la estación

climatológica ordinaria “Lagunilla”, permite separar láminas de lluvias significativas en periodos que
no corresponde (por ejemplo, periodo de estiaje). Y respecto a la temperatura media mensual que es
registrado en la misma estación “Lagunillas”, permite observar la fluctuación de la temperatura
mediante el estadístico “Rango”.
En el Anexo se presenta las estadísticas descriptivas de cada estación, para las variables de
precipitación total mensual y temperatura media mensual.
Tabla 4-1 Estadística descriptiva de variables hidroclimáticas

Caudal medio (m3/s) ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 81.4 125.1 107.9 51.7 19.4 9.7 5.5 3.7 3.1 4.0 6.4 16.3
Error típico 12.9 19.9 12.0 6.3 2.6 1.2 0.6 0.6 0.6 1.2 1.2 2.7
Estación hidrológica Unocolla
Mediana 64.7 75.1 90.5 38.6 16.3 8.2 4.6 2.7 2.0 1.8 4.5 15.0
Desviación estándar 64.6 101.4 61.4 31.7 12.9 5.8 3.0 2.8 2.9 5.8 6.0 13.4
Varianza de la muestra 4179.5 10284.7 3770.1 1004.1 166.6 34.2 9.3 7.6 8.2 33.2 35.6 179.0
Curtosis 0.7 0.3 -0.2 -1.2 0.7 0.0 0.2 3.5 4.3 10.5 1.1 2.8
Coef. de asimetría 1.1 1.1 0.6 0.3 1.0 0.8 0.8 1.7 2.1 3.1 1.4 1.5
Rango 244.2 379.0 241.1 106.1 51.3 21.2 11.6 11.9 12.0 26.1 19.8 56.9
Mínimo 7.7 5.2 12.6 2.3 0.9 1.0 0.9 0.8 0.4 0.6 1.2 0.7
Máximo 252.0 384.1 253.7 108.4 52.1 22.2 12.5 12.7 12.4 26.7 20.9 57.5
Numero de valores 25 26 26 25 25 25 25 25 26 25 25 24
Precipitación media ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 165.8 139.0 109.8 39.7 8.2 3.5 1.7 9.2 10.8 28.5 51.0 96.0
Error típico 11.2 10.9 8.3 4.7 1.7 1.6 0.5 2.7 2.4 5.0 6.6 6.8
Mediana 163.4 132.8 115.4 29.8 5.7 0.0 0.0 2.7 5.8 18.8 37.0 92.2
Estación Lagunillas
Curtosis -0.6 -1.3 -0.3 -0.7 7.0 20.4 7.6 7.6 5.6 1.1 -0.6 -0.7
Rango 276.9 214.3 219.1 91.2 50.8 54.6 14.4 76.8 66.7 111.8 140.5 167.7
Mínimo 36.6 32.2 18.8 4.7 0.0 0.0 0.0 0.0 0.0 0.0 1.0 16.1
Máximo 313.5 246.5 237.9 95.9 50.8 54.6 14.4 76.8 66.7 111.8 141.5 183.8
Temperatura media ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 7.6 7.6 7.5 7.2 6.0 4.5 4.2 5.1 6.5 7.7 8.3 8.2
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Mediana 7.4 7.6 7.3 7.1 6.1 4.4 4.1 5.0 6.5 7.6 8.2 8.1
Estación Lagunillas
Curtosis -0.5 -0.5 0.5 0.3 -0.5 -1.1 -0.4 0.9 -0.4 0.0 1.2 0.3
Coef. de asimetría 0.6 0.1 0.8 0.2 0.0 0.2 0.2 -0.1 -0.2 0.1 0.6 0.7
Rango 4.1 4.3 4.2 3.0 3.1 2.4 2.9 3.9 2.6 3.2 4.4 4.1
Mínimo 6.1 5.4 5.9 5.8 4.6 3.4 2.9 3.0 5.0 6.2 6.3 6.7
Máximo 10.2 9.8 10.1 8.9 7.6 5.8 5.8 6.9 7.6 9.4 10.7 10.9
4.1.2. Análisis de consistencia y homogeneidad
a. Caudal
Respecto a la ciclicidad de los fenómenos de estiaje y avenidas de caudales (Q) medios
mensuales ocurridos en la cuenca del río Coata, se relacionan en mayor parte a los eventos ocurridos
en la cuenca del río Ramis como se observa en la Figura 4-3, teniendo para este primer análisis visual
una buena calidad de la información mensual de caudales.
Figura 4-3 Comparación de los hidrogramas de los ríos Coata y Ramis
La Figura 4-4a, muestra el análisis de consistencia generados en base a 4 estaciones hidrométricas

perteneciente a la región hidrográfica del Titicaca, mediante el uso del método del vector regional. Los
resultados muestran similar variabilidad entre las estaciones hidrológicas. El vector fue formado con 3
datos mínimos por año y debido a esta restricción se ajustó al periodo eliminándose 4 años; 1975,
1980, 1981 y 1982.
La Figura 4-4b, muestra los índices anuales acumulados de las estaciones hidrométricas. Se observa
que la estación hidrológica Ramis y Coata, para el periodo de análisis, presentó un comportamiento
casi lineal con respecto al vector regional (color amarillo), la cual da una confiabilidad de la información
registrada.
En relación a la crítica de datos hidrológicos, mediante el análisis de diferentes parámetros estadísticos

(Tabla 4-2), los resultados muestran que la estación hidrométrica Coata presentó un valor de 0.18 en
la Desviación Standard de los Desvíos (DED) y una correlación de 0.94 con respecto al vector regional,
resultados aceptables para el análisis de consistencias siendo estos los parámetros más importantes.
a)
b)
Figura 4-4 a) Índices anuales y b) Suma de índices anuales del vector regional de las estaciones hidrométricas
pertenecientes a la región Titicaca
Tabla 4-2 Características de la información de las estaciones hidrométricas

N° Coeficiente de Correlación Calidad Evaluación
Estación DED
(Años) variación / Vector (/10) (/10)
Pte Ramis 30 0.323 0.178 0.928 8.6 7.5
Pte Huancané 32 0.438 0.222 0.886 7.3 7.2
Pte Carr. Ilave 32 0.573 0.228 0.915 5.0 5.0
Coata - Uncolla 25 0.522 0.180 0.940 6.0 6.0
b. Precipitación
La precipitación total mensual, después de haber sido examinado en la fase de análisis
exploratorio, se analizó su consistencia e homogeneidad mediante el método del vector regional de
Índice Pluviométrico anual.
Para el análisis de consistencia, mediante el vector regional, se formaron grupos de estaciones

pluviométricas, seleccionados bajo el criterio de ubicación geográfica (estaciones vecinas) y apoyados
mediante una matriz de correlación (Tabla 4-3).
Tabla 4-3 Matriz de correlación de las estaciones pluviométricas.
Crucero Alto
Pampahuta
Lagunillas
Cabanillas
Capachica
Quillisani
Ayavari
Mañazo
Lampa
Juliaca
Taraco
Ichuña
Pucara
Imata
Llalli
Puno
Grupos Estaciones
Lampa 1.0
Juliaca 0.8 1.0
Taraco 0.7 0.6 1.0
I Ayaviri 0.7 0.7 0.6 1.0

Llalli (25*) 0.6 0.4 0.6 0.5 1.0
Pucara 0.8 0.7 0.7 0.7 0.4 1.0
Puno 0.8 0.8 0.6 0.6 0.5 0.6 1.0
II Mañazo (23*) 0.5 0.5 0.3 0.4 0.6 0.3 0.8 1.0
Capachica 0.1 0.4 0.6 0.4 0.6 0.5 0.5 0.2 1.0
Cabanillas 0.5 0.6 0.6 0.5 0.8 0.6 0.8 0.7 0.5 1.0
Crucero Alto 0.4 0.5 0.4 0.4 0.4 0.4 0.7 0.5 0.5 0.5 1.0
III Imata 0.5 0.5 0.4 0.5 0.5 0.4 0.7 0.6 0.3 0.6 0.7 1.0
Ichuña 0.3 0.5 0.4 0.3 0.4 0.4 0.7 0.4 0.2 0.4 0.7 0.7 1.0
Pampahuta 0.6 0.6 0.7 0.7 0.7 0.6 0.8 0.6 0.4 0.7 0.8 0.8 0.8 1.0
IV Lagunillas (27*) 0.6 0.7 0.6 0.6 0.5 0.6 0.8 0.6 0.5 0.7 0.8 0.8 0.6 0.9 1.0
Quillisani (52*) 0.4 0.3 0.5 0.3 0.5 0.5 0.4 0.7 0.5 0.5 0.7 0.6 0.6 0.9 0.8 1.0
Fuente: Elaboración propia.
Los índices anuales del vector regional analizados en 4 grupos de estaciones pluviométricas
presentaron similar variabilidad. Además, los índices anuales se encontraban ubicados dentro de los
límites de confianza del vector regional (Figura 4-5), dando una confiabilidad a la información utilizada
para este primer análisis. Los grupos generados son: a) Grupo I, generado en base a 6 estaciones
pluviométricas, el vector fue formado con 3 datos mínimo por año; b) Grupo II, generado en base a 4
estaciones pluviométricas, el vector fue formado con 3 datos mínimo por año y por causa de datos
insuficientes se eliminaron 4 años, 1981 a 1984; c) Grupo III, generado en base a 3 estaciones
pluviométricas, el vector fue formado con 3 datos mínimo por año; d) Grupo IV, generado en base a 3
estaciones pluviométricas, el vector fue formado con 3 datos mínimo por año y por causa de datos
insuficientes se eliminaron 27 años de 1989 a 2015.
La Figura 4-6, complementa la consistencia de la información, al presentar una tendencia casi lineal en
sus índices acumulados de cada estación.
Figura 4-5 Grupos de índices anuales del vector regional y de las estaciones pluviométricas (Brunet Moret)
Figura 4-6 Suma de los índices anuales del vector regional y de las estaciones pluviométricas de cada grupo
En relación a la crítica de datos (Tabla 4-4), los 4 grupos de estaciones pluviométricas presentaron un
calificativo aprobatorio con rangos de DED de 0.08 – 0.138 y correlaciones de 0.83 - 0.91 respecto al
vector regional, siendo estos dos parámetros los más importantes que dan una idea del
comportamiento de una estación (Espinoza, 2005).
Tabla 4-4 Características de la información de las estaciones pluviométricas

N° Coeficiente de D.E. Correlación Calidad Evaluación
Grupo Estación
(Años) variación Desvíos /Vector (/10) (/10)
Lampa 52 0.303 0.13 0.921 9.1 9.1
Juliaca 52 0.228 0.12 0.852 9.1 9.1
Taraco 52 0.289 0.175 0.82 9.2 9.0
I
Ayaviri 49 0.205 0.136 0.789 9.3 9.3
Llalli 38 0.164 0.11 0.729 9.0 9.0
Pucara 52 0.22 0.105 0.882 9.5 9.5
Puno 47 0.21 0.077 0.929 9.5 9.2
Mañazo 39 0.255 0.142 0.827 9.5 9.5
II
Capachica 47 0.248 0.183 0.675 8.7 8.7
Cabanillas 47 0.196 0.088 0.895 9.5 9.5
Crucero Alto 50 0.271 0.131 0.870 9.2 8.9
III Imata 50 0.274 0.121 0.893 9.1 9.1
Ichuña 50 0.255 0.122 0.881 9.3 9.3
Pampahuta 25 0.248 0.058 0.971 9.7 9.7
IV Lagunillas 25 0.278 0.075 0.965 9.7 9.4
Quillisani 25 0.247 0.087 0.935 9.5 7.8
4.2. ETAPA II
Para el análisis climático, se trabajó con la precipitación y temperatura promediada sobre la cuenca
del río Coata. El “periodo base de análisis” comprendió de 1964 a 1989, que corresponde a una serie
de 26 años de información consistenciado y completado.
4.2.1. Precipitación
La característica de la precipitación total mensual sobre la cuenca del río Coata es mostrada en la Figura
4-7 a, b y c. La Figura 4-7a, muestra la variación estacional de la precipitación total mensual (máxima,
mínima y media) areal de la cuenca, donde el mínimo o nulo aporte pluviométrico se registra en junio
y julio, y, de diciembre a marzo presentan una marcada temporada de lluvias. La Figura 4-7b, muestra
la variación interanual de la precipitación media areal de la cuenca, en cuyo caso la tendencia de la
lluvia es a ascender, presentando en los últimos 26 años un aumento del 19% del promedio multianual.
La Figura 4-7c, destaca la relación de la precipitación media anual con la altitud, donde se estima un
gradiente de 32 mm por cada 100 metros sobre los 3800 m.s.n.m., aproximadamente.
4.2.2. Temperatura
La característica de la temperatura media mensual sobre la cuenca del río Coata es mostrada en la
Figura 4-7 d, e y f. La Figura 4-7d, muestra la variación estacional de la temperatura (máxima, mínima
y media) areal de la cuenca, observando una marcada diferencia de valores en los periodos de estiaje
y avenida. Las máximas temperaturas medias mensuales a lo largo del ciclo anual, fluctúan entre los
5.1 °C y 10.2 °C, en tanto que las mínimas están en el rango de 2.4 °C y 7.0 °C, con una temperatura
media mensual de la cuenca que oscila de 3.8 °C a 8.3 °C. La Figura 4-7e, muestra la distribución
interanual de la temperatura media areal de la cuenca del río Coata con tendencia ascendente,
llegando a presentar un incremento de 1 °C. La Figura 4-7f, muestra la gradiente de temperatura
respecto a la altitud en términos de 1 °C de disminución por cada 100 m de incremento de altitud.
Y=5.4545x + 645.2 Y=0.0402x + 6.1068
Figura 4-7 Variación estacional (a, d); interanual (b,e) y altitudinal (c ,f) de la precipitación y temperatura areal
promediada sobre la cuenca del río Coata
4.3. ETAPA III
4.3.1. Selección y validación de la grilla de los MCG para el periodo actual

Para la selección de la grilla en la cual se almacena las variables de precipitación total mensual y
temperatura media mensual se utilizó indicadores estadísticos y para la validación de los MCG,
métodos gráficos. En la Figura 4-8, como ejemplo se muestran el mapa de ubicación de los centroides
de las grillas del modelo CCSM4 a ser seleccionado y el centroide de la cuenca del río Coata.
Figura 4-8 Ubicación de los centroides de las grillas del MCG-CCSM4 y observado
 Método estadístico
Se comparó la información de la precipitación total mensual y temperatura media mensual areal
observada, con la información del periodo base de los MCG. La selección de la grilla se obtuvo
mediante el coeficiente de correlación (R) y el menor sesgo anual (SA) entre la media anual observada
y simulada del MCG.
Para la precipitación, los resultados del análisis de la selección de la grilla se observa en la Tabla 4-5.
Todos los modelos muestran una buena R en las grillas, con un rango que varía de 0.60 a 0.77 de
correlación. Respecto a los resultados del menor SA, son variables, y el modelo sobrestima al
observado con un rango que varía de 236 a 3839 mm.
Similar comportamiento se tuvo con la variable de la temperatura media mensual (Tabla 4-6). Todos
los modelos presentaron una buena R con valores que van de 0.53 a 0.87. Respecto al menor SA de la
temperatura, los modelos sub-sobrestiman en mayor parte al observado con diferencias que están
entre los -11 °C y 7 °C respectivamente.
Finalmente, se seleccionó la grilla del modelo que presentó en ambas variables (precipitación y
temperatura) un buen desempeño estadístico (valores resaltados en color rojo). La Tabla 4-7 muestra
un resumen estadísticos de las grillas de los MCG seleccionados. Hay que tener presente, que no
necesariamente un modelo que simule bien el clima actual, simulara correctamente el futuro. Es así,
que para evaluar los escenarios hídricos futuros, algunos autores seleccionan los mejores modelos,
otros, reducen la incertidumbre de los MCG utilizando el promedio de ellos, o si no, utilizan el
promedio de los modelos seleccionados.
Tabla 4-5 Selección de las grillas de los MCG - precipitación

(simulado – observado) (R) (simulado – observado) (SA)
MCG
1 2 3 4 1 2 3 4
CCSM4 0.67 0.73 0.70 0.67 1354 1361 1942 2827
CESM1-CAM5 0.68 0.72 0.71 0.65 1599 1702 1968 3160
CMCC-CM 0.77 0.75 0.68 0.72 671 522 302 353
CNRM-CM5 0.73 0.66 0.67 0.73 1098 236 1634 2870
MIROC5 0.71 0.60 0.70 0.70 1414 732 2253 3383
MRI-CGCM3 0.75 0.70 0.76 0.75 3063 3839 1897 1061
Tabla 4-6 Selección de las grillas de los MCG - temperatura

(simulado – observado) (R) (simulado – observado) (SA)
MCG
1 2 3 4 1 2 3 4
CCSM4 0.87 0.88 0.86 0.87 -3.6 -1.9 -3.8 -2.5
CESM1-CAM5 0.85 0.86 0.85 0.77 -4.3 -3.0 -4.6 -3.1
CMCC-CM 0.75 0.76 0.84 0.84 -4.5 -3.8 0.0 -3.0
CNRM-CM5 0.79 0.84 0.85 0.87 -11.1 1.5 -10.2 -10.0
MIROC5 0.71 0.50 0.70 0.77 3.7 6.8 2.4 3.4
MRI-CGCM3 0.82 0.80 0.83 0.79 -4.2 -1.6 -2.4 0.0
Tabla 4-7 Estadísticos de validación entre la información de los MCG y la información observada areal
Precipitación (mm) Temperatura (º C)
MCG
R Ds RMSE R Ds RMSE
CCSM4 0.73 119.3 141.5 0.87 2.1 2.2
CESM1-CAM5 0.74 141.7 175.7 0.74 1.9 3.3
CMCC-CM 0.68 86.0 67.7 0.85 1.6 0.9
CNRM-CM5 0.67 87.6 67.2 0.85 1.9 1.8
MIROC5 0.71 142.1 157.6 0.73 1.4 3.7
MRI-CGCM3 0.74 135.4 306.3 0.80 1.2 1.0
Observado - 65.8 - - 1.7 -
 Método gráfico
Para complementar la evaluación estadística de los modelos. La validación se desarrolló a través
del análisis gráfico.
Se comparó la estacionalidad de las precipitaciones de los MCG con el observado (Figura 4-9). Los MCG
del grupo CMCC-CM, CNRM-CM5 reproducen mejor la estacionalidad de las precipitaciones, tanto en
términos de la dinámica, como en volumen sobre la zona subtropical que presenta temporadas de
lluvias (diciembre a abril), a excepción de los modelos CCSM4, CESM1-CAM5, MIROC5 y MRI-CGCM3
que tienen la particularidad de sobrestimar considerablemente la precipitación estacional, pudiendo
alcanzar una anomalía de más del 100% del régimen observado en el periodo de avenidas. Aunque los
modelos climáticos globales logran reproducir en parte la dinámica estacional, no reproducen con
precisión los volúmenes de precipitación como se muestra en el diagrama de caja (Figura 4-9).
Figura 4-9 Comparación de la variabilidad y régimen pluviométrico de los MCG y la información observado,
periodo 1964-1989
Un segundo análisis gráfico es observar si los MCG simulan los eventos ocurridos en la cuenca, y una
forma de comparar datos de diferente población es mediante la estandarización, aplicada a la
precipitación a escala anual (índice de precipitación anual). La cuenca del río Coata, ha experimentado
periodos secos (1983) y húmedos (1984 y1985), sin embargo, ninguno de los modelos de circulación
general estudiadas reproduce la alternancia en general entre años húmedos (índices> 0) y años secos
(índices <0) correctamente. Por ejemplo, los MCG MIROC5 y CMCC-CM simulan solo correctamente el
periodo húmedo (1985-1986) más no los periodos secos mostrados. Los demás modelos no
presentaron una concordancia entre sus índices de precipitación anual como se observa en la Figura
4-10.
Los MCG, del grupo CMIP5, simulan bien la dinámica del régimen mensual de la temperatura media;
el modelo CCSM4 y CESM1-CAM5 subestiman a la temperatura media observada, por el contrario los
modelos MIROC5 y CNRM-CM5 sobreestiman al observado. Los modelos CMCC-CM y MRI-CGCM3,
son los que representan mejor la estacionalidad, tanto en términos de la dinámica como en modulo
(°C) respecto a la temperatura observada, como se observa en la Figura 4-11.
Figura 4-10 Comparación de índices de precipitación anual observados (rojo) y simulados (verde y azul) del
clima actual, periodo 1964-1989
Figura 4-11 Comparación de la variabilidad y régimen térmico de los MCG y la información observada actual,
periodo 1964-1989
4.3.2. Escenarios climáticos
Los resultados de la validación de los MCG, muestran una clara necesidad de corregir la escala temporal
de las variables. Este capítulo muestra los resultados obtenidos en la corrección de los modelos,
desarrollados en tres etapas: Calibración de parámetros periodo base (1964-1989), validación (1990-
2015) y corrección del escenario futuro 2050-2075.
a) Calibración de los parámetros estadísticos de los MCG
Tabla 4-8 Calibración de parámetros estadísticos del mes de enero del modelo MRI-CGCM3
Variable (1964–1989) (1990-2015) (1964-1989) - (1990-2015)
Climática Observada MCG MCG Calibración de parámetros
Precipitación U CV U CV U CV ucorr CVcorr
(mm) 159.20 0.41 282.7 0.35 294.18 0.32 165.7 0.4
Temperatura U Ds U Ds U Ds ucorr Dscorr
(°C) 7.9 0.63 7.4 0.44 7.83 0.48 8.33 0.69
Fuente: Elaboración propia; Xcorr; indica parámetro corregido
Siguiendo la metodología propuesta por Watanabe, la Tabla 4-8 muestran los parámetros estadísticos
calibrados correspondiente al mes de enero entre la variable observada y simulada del modelo MRI-
CGCM3. Los cambios en los parámetros observados corregidos no son tan significativos por el corto
horizonte escogido para validar del modelo. Una vez calibrado los parámetros, los datos de
precipitación y temperatura son corregidos por el método “quantil mapping”.
La Figura 4-12a y 4-12b, muestran el ajuste del MCG MRI-CGCM3 en el periodo base (símbolo verde) y
futuro (símbolo azul) a una FDA para el mes de enero. Es así, que una vez que se obtuvo la señal
climática (cambios en los parámetros estadísticos) los parámetros observados son corregidos (1964-
1989), para luego mediante una función de transferencia ajustar al modelo del periodo futuro (símbolo
azul), obteniendo una nueva FDA (símbolo rojo) corregida, la cual presenta similar ajuste al periodo
observado (símbolo negro). Tener en cuenta que la metodología solo corrige los parámetros
estadísticos de la variable, más no las escalas temporales.
a)
b)
Figura 4-12 Ajuste probabilísticos de la precipitación y temperatura mensual de los datos observados y
simulados por el MCG
b) Validación de los MCG – periodo 1990-2015
 Precipitación
Los resultados de la validación de la precipitación en las correcciones de los MCG para el periodo 1990-
2015, se muestra en la Figura 4-13 y 4-14. De los 6 MCG, el modelo CCSM4 es el que presentó el mayor
sesgo relativo (-7%) respecto a la precipitación media multianual observada. Los modelos CNRM-CM y
MIROC5 son los que presentaron un error relativo menor al 1%, y en base al promedio de los 6 MCG
(barra roja), el error relativo fue de -2.2% (Figura 4-13). Respecto a la estacionalidad de la precipitación
(Figura 14), en el periodo de estiaje los MCG se ajustan mejor que en el periodo de avenidas.
Figura 4-13 Sesgo en (%) de la precipitación media multianual de los MCG respecto a la observada. MCG (barra
azul) y su promedio (barra roja)
Figura 4-14 Comparación del régimen pluviométrico observado con los MCG
La Tabla 4-9 muestran los sesgos en valor absoluto entre el régimen pluviométrico observado y
modelado. El mejor ajuste se presenta en los meses de estiaje, entre abril y diciembre que corresponde
a los cuadros de color verde (sesgo < 10 mm). Y valores de sesgo, > 10 mm, se presentan en el periodo
de avenidas alcanzando el mayor valor el modelo CNRM-CM5; con 25.8 mm en el mes de marzo. En
general, ya que los sesgos encontrados no son significativos, los modelos presentaron un buen ajuste
tanto a escala anual como estacional.
Tabla 4-9 Sesgo en valor absoluto entre el régimen pluviométrico observado y de los MCG
Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic
CCSM4 11.7 17.0 16.7 0.2 4.3 0.9 0.1 0.6 3.2 4.0 7.9 4.0
CESM1-CAM5 0.9 14.3 17.0 6.0 3.8 1.8 0.8 0.9 6.2 7.4 7.1 2.2
CMCC-CM 15.2 12.7 1.6 3.0 3.3 1.8 1.8 5.5 17.7 5.6 2.5 9.0
CNRM-CM5 24.3 7.5 25.8 15.5 1.7 1.1 2.1 1.8 7.3 3.9 4.8 2.4
MIROC5 7.5 8.4 19.0 7.9 4.8 2.1 1.5 1.8 8.1 5.1 0.2 19.5
MRI-CGCM3 1.1 1.1 14.8 2.6 4.0 2.3 0.2 5.9 0.8 0.5 14.0 0.2
Promedio 5.6 3.1 15.8 4.9 3.6 1.7 0.4 2.5 7.0 4.4 5.3 5.3
 Temperatura
Los resultados de la validación de las correcciones de los MCG de la temperatura media para el periodo
1990-2015, se muestran en la Figura 4-15 y 4-16. Respecto a la temperatura media multianual de los
modelos, los sesgos fueron menores a 0.3 °C (Figura 4-15). De la misma forma, se presentó un buen
ajuste en la estacionalidad de la temperatura media, con sesgos menores también a 0.3 °C (Figura 4-
16), lo que indica un buen ajuste a escala anual y estacional.
Figura 4-15 Sesgo anual de la temperatura media multianual de los MCG (barra azul) y su promedio (barra roja)
respecto a la observada
Figura 4-16 Comparación de la media mensual de la precipitación observada, de los MCG y su promedio
c) Escenarios climáticos - Horizonte 2050 - 2075

Las proyecciones de la precipitación media multianual para el horizonte 2050-2075, describe un
aumento de esta variable en la mayoría de los modelos, con anomalías positivas que varían de 7.8%
(MIROC5) a 25.8% (CCSM4); solo el modelo CMCC-CM presentó anomalías deficitarias (-13.5%). En
promedio, los modelos presentaron una anomalía de +15.6% (Figura 4-17). Así mismo, la Figura 4-17
nos muestra que todos los modelos proyectan una tendencia ascendente en la temperatura media
multianual. Con anomalías térmicas de +2.60 °C que describe el modelo CNRM-CM5 a +3.8 °C en el
modelo CMCC-CM.
A pesar de presentar un incremento en la precipitación media multianual en la mayoría de los modelos,

estacionalmente las proyecciones de los modelos son variables respecto al periodo base (observado)
presentando un rango de incertidumbre (anomalías positivas y/o negativas). Pero, comparado al
promedio de los modelos se tiene un incremento en el periodo húmedo (Figure 4-18). Respecto a la
temperatura, estacionalmente todos los modelos presentan una anomalía positiva diferenciándose en
su magnitud, con incrementos que van desde los 2 °C hasta los 4.2 °C. Comparado al promedio de los
modelos se esperan que los incrementos fluctúen de 2.8 °C a 3.5 °C (Figura 4-19).
Figura 4-17 Anomalía de la precipitación y temperatura media multianual
Figura 4-18 Régimen mensual de la precipitación observada y simulada
Figura 4-19 Régimen mensual de la temperatura observada y simulada
4.4. ETAPA IV
4.4.1. Calibración y validación del modelo GR2M
El hidrograma simulado o generado por el modelo GR2M (Figura 4-20a), representó en forma similar
los periodos de estiaje y avenida. En el caso de eventos extremos el modelo subestimaba los valores
altos y en algunos casos en periodos de estiaje el modelo sobreestima. El diagrama de dispersión de
los caudales (Q) observado y simulado se muestra en la Figura 4-20b, tanto la calibración como la
validación presentaron un R2 aceptables de 0.83 y 0.83 respectivamente. Indicándonos que si existe
validez en el modelo.
En base al régimen observado de caudales se consideró para el periodo de avenida, de enero a abril y
de estiaje, de mayo a diciembre. La Figura 4-21 muestra los diagramas de dispersión (avenida y estiaje)
de los caudales simulados y observados (periodo 1964-1999). En el periodo de estiaje presentó una
R2=0.55, valor no alto pero aceptable, considerando que es un periodo donde la cuenca no presenta
aporte pluviométrico y los caudales generados es producto del drenaje de la parte húmeda de la
cuenca. En el periodo de avenidas la dispersión de los datos son más uniformes y lineal presentando
un R2=0.60 muy bueno.
La cuantificación de los criterios estadísticos aplicados al modelo hidrológico se muestran en la Tabla

4-10, en donde se obtuvo parámetros X1=5.85 (interpretado como el nivel máximo que alcanza el
reservorio suelo) y X2=1.11 (indicando que la cuenca podría presentar un aporte de agua subterráneas
las cuencas vecinas) en la calibración. Tanto la calibración y la validación del modelo presentaron un
Nash considerado "muy bueno" (Cabrera, 2012). Los indicadores de evaluación del modelo, el R 2
resultaron altos en ambos casos, el RMSE, presentó valores cercano a 16, y el PBIAS obtuvo en la
calibración -3.7% y en la validación -32%, indicando que el modelo tiende a sobreestimar o es mayor
la cantidad de valores que sobreestiman a los observados, según Ortiz (2010), para los resultado
obtenidos del PBIAS en valor absoluto presento un buen nivel de ajuste. En general la calibración y
validación presentaron una evaluación estadística aceptable.
Figura 4-20 a) Modelamiento hidrológico del río Coata b) Diagramas de dispersión de caudales observados y
simulados
Figura 4-21 Dispersión de caudales observados y simulados para el periodo de avenidas diciembre-abril y
estiaje mayo-noviembre
Tabla 4-10 Estadísticas de la calibración y validación del modelo hidrológico

Método de Indicadores de la evaluación del
N° Parámetro
Periodo Bondad de modelo
Meses
X1 X2 Ajuste - Nash (%) R2 (%) RMSE PBIAS (%)
INIALIZACIÓN 1964 12 - - - - -
CALIBRACIÓN 1965-1989 300 5.84 1.09 84.9 83 15.5 -3.7
VALIDACIÓN 1990-1999 120 - 64.4 79 14.6 -32
Según Perrín et al, (2007), menciona que si se escoge cuidadosamente los datos representativos de un
periodo se puede usar simplemente 10 datos. Ante dicha incertidumbre la calibración del modelo
minimiza los errores maximizando el Nash a través de los parámetros pero no la serie de validación,
esto define la importancia de obtener una serie lo posiblemente larga y consistente, permitiendo
obtener un modelo eficiente.
4.4.2. Análisis de sensibilidad del modelo GR2M

En la Figura 4-22 se observa el análisis de sensibilidad de los parámetros X1 (color azul) y X2 (color rojo),
donde el eje Y, está representado por la variación porcentual del caudal, y para el eje X, está
representado por el incremento en % a la derecha y descenso a la izquierda. Los círculos enmarcados
en la gráfica nos da una idea de cómo los parámetros para un mismo incremento % (derecha)
presentan cambios porcentual en su caudal simulado, determinando que el parámetro X2 resulta ser
el más sensible a cambios.
Figura 4-22 Sensibilidad de los parámetros X1 y X2
4.5. ETAPA V
El efecto del cambio climático sobre la disponibilidad hídrica futura (2050-2075) en la cuenca del río
Coata fue analizado en base a los siguientes análisis:
4.5.1. Mediante la curva de duración mensual
Con los resultados obtenidos en la modelización se construyeron las curvas de duración para cada MCG
con su respectivo periodo de referencia y se analizaron los caudales mensuales proyectadas por los
MCG, considerados los de mayor resolución y mejor representatividad del climática actual (Figura 4-
23). La Figura 4-23a, 23b y 23d corresponden a las curvas de duración de los modelos CCSM4, CNRM-
CM5 y CESM1-CAM5, que muestran importantes cambios ocurridos en las componentes de flujos altos
de la FDC, presentando incrementos en la probabilidad de excedencia para caudales mayores a 25 m3/s
en el primer modelo y caudales mayores a 30 m3/s el tercer modelo. La Figura 4-23c corresponde a la
curva de duración del modelo CMCC-CM, la cual presentó el escenario de caudales más pesimista entre
todos los modelos, con una disminución en la probabilidad de excedencia (toda la serie) respecto al
periodo actual, tal es el caso que para un caudal de 96 m3/s hay un 20% de probabilidad de que sea
igualado o superado, en tanto el mismo valor en el futuro probabilidad es menor (8%). Y respecto a las
frecuencia de caudales de los modelos MIROC5 y MRI-CGCM3, estas permanecen cerca de las
condiciones históricas de flujo observadas (Figura 4-23e y 4-23f). La ventaja de utilizar una serie de
proyecciones de modelos, es que permite proporcionar una base para medidas adecuadas de
adaptación que tengan en cuentan diferentes fuentes de incertidumbre.
Por otro lado, una forma de disminuir la incertidumbre de los MCG es promediando el conjunto de
modelos que muestren la misma concordancia (Pierce et al., 2009). Siendo el modelo CMCC retirado
del grupo. La Figura 4-23g muestra la curva de duración promedio de los MCG (línea roja) y el rango
de incertidumbre del conjunto de modelos (verde), en la cual se manifiesta que para el horizonte 2050-
2075, los caudales mantendrán un incremento en los flujos altos. Como en el gráfico de la Figura 4-23g
no permite hacer lecturas aceptables mayores al 15% de probabilidad, las probabilidades de
excedencia mayores a este valor se analizó mediante un gráfico semilogarítmico (Figura 4-23h),
observándose que el efecto del cambio climático finalmente que el efecto del cambio climático además
de incrementar la probabilidad de excedencia de picos altos, en los flujos bajos, los caudales son
menos afectados.
a) b)
c) d)
e) f)
g) h)
Figura 4-23 Cambio en magnitud, frecuencia y duración de la respuesta hidrológica debido al cambio
climático para la cuenca del río Coata
4.5.2. Mediante el análisis estacional
Una vez analizado el comportamiento de los caudales en el tiempo, se analizaron a nivel mensual, ya
que una desventaja de la curva de duración, es que no representa los caudales según su secuencia
natural, por lo que no se conoce si los eventos ocurridos en la cuenca ocurren en forma consecutiva o
si son distribuidos a lo largo del periodo de tiempo.
Respecto a los MCG que presentaron escenarios de altos flujos en las gráficas de curva de duración: El
modelo CCSM4 (Figura 4-24a), es el que predice un escenario de mayor incremento de caudales en el
periodo húmedo especialmente en febrero con una anomalía hídrica de (+51%); el modelo CNRM-CM5
presentaría una disminución en los regímenes de caudales de enero y febrero con anomalías hídricas
de -19.5% y -14.9% respectivamente, presentándose solo en marzo y abril un incremento de caudal de

+29.3% y +11.7% respectivamente; así, el modelo CESM1-CAM5, muestra condiciones de aumento de
caudales en forma homogénea en el periodo de avenidas. El modelo CMCC-CM presentó un escenario
pesimista de condiciones hidrológicas deficitarias sobre la cuenca del río Coata en todo el ciclo anual.
En tanto los modelos MIROC5 y MRI-CGCM3 proyectan condiciones cercanas a las actuales.
En respuestas al promedio de los modelos, indican un aumento en su régimen de caudales para febrero
y marzo, y, un déficit en noviembre (Figura 4-24g), que corresponden a anomalías hídricas de 9.9%,
19.2% y -27.4% respectivamente (Figura 4-24h).
a) b)
c) d)
e) f)
g) h)
Figura 4-24 Régimen estacional de los caudales medios simulados y las proyecciones de los 6 modelos
climáticos de la cuenca del río Coata
4.5.3. Respuesta hidrológica ante los cambios de precipitación y evapotranspiración
La Figura 4-25 muestra las anomalías media multianual de las variables (caudal, precipitación y
evapotranspiración) respecto al periodo base actual, obtenidas en cada MCG. Se puede observar que
para el horizonte a mediano plazo 2050-2075, los impactos del cambio climático en la escorrentía
superficial varían según el MCG, manteniendo una relación directa con los cambios de precipitación a
pesar del aumento de la evapotranspiración potencial durante el siglo XXI. A nivel anual se espera que
la cuenca de río Coata para el horizonte 2050-2075 presente en promedio un incremento no
significativo del 6.3% en la oferta hídrica.
Figura 4-25 Anomalías, de las variables media multianual de la precipitación, evapotranspiración y caudal
5. CONCLUSIONES
Se determinó la disponibilidad hídrica futura del río Coata basados en 6 modelos climáticos globales
(MCG), los resultados obtenidos proporcionarán información útil sobre la evaluación de la
incertidumbre de los MCG en la hidrología analizado con el modelo GR2M.
5.1. Sobre modelos climáticos globales
 Los MCG CMCC-CM, CNRM-CM5 y MRI-CGCM3 del CMIP5 simulan mejor la estacionalidad del
clima en la cuenca del río Coata, observado tanto en términos de la dinámica, como en
volumen.
 Se realizó de manera aceptable la corrección de sesgo de las proyecciones de los MCG;
logrando simular con la información de los 6 MCG, la distribución y estacionalidad de la
precipitación y temperatura para el periodo de validación 1990-2015.
 Las proyecciones de precipitación y temperatura para el horizonte 2050-2075, en su media
multianual presentaron un incremento de 15.6% y 3 °C respectivamente.
5.2. Sobre el modelo hidrológico
 El modelo hidrológico GR2M simuló de forma eficiente los eventos de avenida y estiaje del
caudal observado, obteniéndose un Nash 84.9% para la etapa de calibración y 64.4% para la
etapa de validación del modelo.
5.3. Sobre Escenarios hídricos
 Un escenario hipotético donde se espera que disminuya la escorrentía lo plantean el modelo

CMCC-CM-RCP8.5, mientras un escenario en condiciones de equilibrio al régimen hidrológico
observado lo plantean los modelos MIRC5-RCP8.5 y MRI-CGCM3- RCP8.5 y los efectos e
incrementos en el régimen hídrico lo presentan los modelos CNRM-CM5-RCP8.5 y CESM1-
CAM5-RCP8.5 y en mayor magnitud el modelo CCSM4- RCP8.5 en la cuenca del río Coata.
 Los impactos del cambio climático en la escorrentía varían según el MCG, los cambios de
escorrentía mantienen una relación directa a los cambios de precipitación, a pesar del
aumento de Evapotranspiración potencial durante todo el siglo 21.
 En promedio los escenarios hídricos, indican un aumento del 6.3% de la oferta hídrica anual;
este porcentaje no significativo indicaría la necesidad de planificar a futuro un adecuado
manejo y gestión de los recursos hídricos.
6. RECOMENDACIONES
 Elaborar más estudios hidrológicos que permitan analizar otros escenarios de emisión, con
modelos hidrológicos que incorporen otras variables cambiantes en el tiempo, como es el uso
de suelo. Esto permitiría generar nuevos resultados para la investigación en lo que respecta al
impacto del cambio climático en la escorrentía.
 Según los escenarios de los MCG, la temperatura tienden a ascender significativamente sobre
la cuenca del río Coata, lo cual repercutiría en alta tasas de evaporación sobre los espejos de
agua como por ejemplo en el Reservorio Lagunillas. Esto exhorta a buscar mejores métodos
de corrección y modelos que permitan afianzar los resultados obtenidos. Tal es el caso de los
modelos climáticos regionales, que pueden ser considerados en el futuro como los más fiables.
7. REFERENCIAS BIBLIOGRÁFICAS
Airdon-Bardin, S., Dezzeter, A., Servat, E., Paturel, J.E., Mahé, G., Niel, H., Dieulin, C., 2009. Using
general circulation model outpus to assess impacts of climate change on runoff for large
hydrological catchments in west Africa. Hydrological Sciences Journal., 54:1, 77-89
Aparicio, F. 1992. Fundamentos de hidrología de superficie. EDITORIAL LIMUSA. Grupo Noriega
Editores. México.
Ayala, R. 2011. Impactos del cambio climático sobre la operación del sistema hídrico de la laguna Laja.
Disponible http://repositorio.uchile.cl/tesis/uchile/2011/cf-ayala_ar/html/index-frames.html
Boyer, C., Chaumont, D., Chartier, I., Roy, A.G., 2010. Impact of climate change on the hydrology of St.
Lawrence tributaries. Journal of Hydrology. 384, 65-83
Buytaert, W. 2011. Impacto del cambio climático sobre los recursos hídricos del Perú. Imperial College
London.
Cabrera. 2012. Calibración de modelos hidrológicos. Universidad Nacional de Ingeniería.
http://www.imefen.uni.edu.pe/Temas_interes/modhidro_2.pdf
Chávarri, E. 2009. El Ciclo hidrológico e introducción a modelos hidrológicos. Universidad Agraria la
Molina (UNALM) http://tarwi.lamolina.edu.pe/ ~echavarri/clase_ii_met_el_ciclo_
hidrologico_y_modelos_def.pdf
De Castro, M. 2007; Modelos climáticos globales y su fiabilidad. Instituto de Ciencias Ambientales.
Universidad de Castilla-La Mancha, Toledo, España.
Fernández, M; Vela, M; Castaño, F. 1997. La utilización de modelos en hidrología. Instituto de
Desarrollo Regional de la Universidad de Castilla La Mancha.
Gustavo, P. 2009. Implementación de algoritmo de Metrópolis Monte Carlo para el ajuste automático
de un modelo hidrológico: ensayos con datos sintéticos y reales. Tesis de Maestría. Mención en
Recursos Hídricos. Facultad Ciencias Exactas Físicas y Naturales. Universidad Nacional de Córdoba.
Disponible http://www.efn.uncor.edu/posgrado/rrhh/asignaturaspdf/Tesis/Del%20Prete.pdf
Gutiérrez, J; Pons, M. 2006. Modelización numérica del cambio climático: bases científicas,
incertidumbres y proyecciones para la península Ibérica. Rev. C&G., 20 (3-4)
Hamlet, A.F., Salathé, E.P., Carrasco, P. 2010. Statistical downscaling techniques for global climate
model simulations of temperature and precipitation with application to water resources planning
studies. Chapter 4 in Final Report for the Columbia Basin Climate Change Scenarios Project,
Climate Impacts Group, Center for Science in the Earth System, Joint Institute for the Study of the
Atmosphere and Ocean, University of Washington, Seattle.
INEI. 2011. Estudio; migración interna reciente y el sistema de ciudades, 2002-2007. Disponible
http://www.inei.gob.pe/biblioineipub/bancopub/Est/Lib0950/
INEI-SIRTOD. 2011. Disponible http://www.inei.gob.pe/biblioineipub/ bancopub/Est/Lib0950/
INEI. 2009. Perfil sociodemográfico del departamento de Puno. Disponible
http://www.inei.gob.pe/biblioineipub/bancopub/Est/Lib0838/libro27/index.htm
Instituto Nacional de Recursos Naturales, Perú. (INRENA). 2007. Evaluación de los recursos hídricos en
las cuencas de los ríos Cabanillas y Lampa. Inventario de fuentes de agua superficial Perú. p 1 -
159. Disponible en http://www.ana.gob .pe/media/293379/fuentes_agua_superficial
_cabanillas_ lampa.pdf. Consultado noviembre 12 de 2011.
Panel Intergubernamental del Cambio Climático, Grupo de trabajo I. (IPCC-GTI). 2001. Tercer informe
de evaluación. Cambio climático 2001: La base científica. resumen para responsables de políticas
y resumen técnico, 1-20 pp. Disponible http://www.ipcc.ch/home_languages_
main_spanish.shtml#21
IPCC. 2007a: Cambio climático 2007: Informe de síntesis. Contribución de los Grupos de trabajo I, II y
III al Cuarto informe de evaluación del Grupo Intergubernamental de Expertos sobre el cambio
climático (Equipo de redacción principal: Pachauri, R.K. y Reisinger, A. IPCC, Ginebra, Suiza, 104
p. OMM. Disponible http://www.ipcc.ch/pdf/assessment-report/ar4 /syr/ar4_syr_sp.pdf
IPCC. 2007b. Climate Change 2007: Impacts, adaptation and vulnerability. Contribution of working
group II to the fourth assessment report of the IPCC (ed. by M. L. Parry, O. F. Canziani, J. P.
Palutikof, P. J. van der Linden & C. E. Hanson). Cambridge University Press, Cambridge, UK.
Kalipedia (Editorial Santillana, Prisa) http://pe.kalipedia.com/geografia-peru/tema/climas-peru-
costa.html?x=20080606klpgeogpe_1.Kes
Lieke, V, Roosmalen; Jens H, Christensen; Michael B, Butts; Karsten H, Jensen; Jens C, Refsgaard. 2009.
“An intercomparison of regional climate model data for hydrological impact studies in
Denmark”. Journal of Hydrology. Disponible en journal homepage: www.elsevier.com/locate
/jhydrol. Consultado octubre 10 de 2011.
Mendoza, A. 1994; ALTIPLANO (Marco Problemas Recursos Propuestos)
Mena, C. 2010. Evolución de la dinámica de los escurrimientos en zonas de alta montaña: Caso del
volcán Antisana. Ecuador. Escuela Politécnica Nacional - Facultad de Ingeniería Civil y Ambiental.
Disponible en http://bibdigital.epn.edu.ec/bitstream/15000/2503/1/CD-3253.pdf
Mediero, L. 2007. Pronóstico probabilístico de caudales de avenida mediante redes bayesianas
aplicadas sobre un modelo hidrológico distribuido. España. Departamento de Ingeniería Civil:
Hidráulica y Energética. Universidad Politécnica de Madrid.
Moss, R. H. et al. 2010. The next generation of scenarios for climate change research and assessment.
Volumen 463:747-756.
Mouelhi, S., Michel, C., Perrin, C. y V. Andréassian. 2006. “Stepwise development of a two-parameter
monthly water balance model”. Journal of Hydrology 318. pp. 200-214.
Muñoz, O. 2010. Procesos y parámetros hidrológicos para la representación conceptual de una cuenca.
Disponible http://es.scribd.com/doc/98873934/Procesos-Hidrologicos-y-La-Representacion-
Conceptual-de-Estos
Nakicenovic et al., 2000. Special Report on Emissions Scenarios, Cambridge University Press,
Cambridge, UK, 599 pp.
Ocampo, O. 2012. Análisis de vulnerabilidad de la cuenca del río Chinchiná para condiciones
estacionarias y de cambio climático. Colombia. Universidad Nacional de Colombia. Facultad de
Ingeniería; Departamento de Ingeniería Química.
Océano. 2009. Enciclopedia del Perú.
Oudin, L., Hervieu, F., Michel, C., Perrin, C., Andréassian, V., Anctil, F., Loumagne, C. 2005. Which
potential evapotranspiration input for a lumped rainfall–runoff model? Part 2—Towards a
simple and efficient potential evapotranspiration model for rainfall–runoff modelling. Journal of
Hydrology. 303, 290-306
Palma, B. 2009 .Escenarios climáticos. Programa de estudios sobre cambio climático de la Universidad
Veracruzana. Disponible http://www.peccuv.mx/descargas/pdf/reportes_inves
tigacion/Capítulo%203%203%20Escenarios%20Climáticos.pdf
Panofsky, H. A. and Brier, G. W. : Some Applications os Statistics to Meteorology, The Pennsylvania

State University, University Park, PA, USA, 224 pp., 1968.
Perrín, Ch., Oudin, L., Andreassian, V., Rojas, C., Michel, C. y T. Mathevet. 2007. Impact of limited
streamflow data on the efficiency and the parameters of rainfall-runoff models. Hydrological
Sciences Journal, 52 (1).pp- 131-151
Rojas, M. 2012. Consultoría para la elaboración de un estudio sobre estado del arte de modelos para
la investigación del calentamiento global. Disponible ftp://ftp.dgf.uchile.cl/pub/maisa/MAPS/
Rodríguez, E. 2006. Escenarios de cambio climático regionalizados. Artículo de revistas. Disponible
http://www.magrama.gob.es/ministerio/pags/Biblioteca/Revistas/pdf_AM%2FA
M_2006_55_63_67.pdf
SENAMHI-DGH 2009. Balance hídrico superficial del Perú a nivel multianual.http://www.sena
mhi.gob.pe/pdf/estudios/hidro_ArtiBHSMultianual.pdf
Tejero, (Geología Ed, Laberinto 1997).http:legado.inea.org/web/materiales/web
//riego/panuncios/trabajos/webs/Iv%C3%A1n%20Gonzalo%20Tejero/los_acu%C3%ADferos_d
e_la_provincia_de.htm
Thompson, L. G. 2012. Climate Change: The Evidence and Our Options. World Future Review. Vol. 4
N°2 114-122.
UNESCO-WWAP. 2003. Agua para todos. Programa mundial de los recursos hídricos.
http://unesdoc.unesco.org/images/0014/001494/149406s.pdf
Vargas, P. 2009. El cambio climático y sus efectos en el Perú. Disponible en http:// www.bcrp.gob.pe
/docs/Publicaciones/Documentos-de-de-Trabajo-14-2009.pdf.
Weber, JF; Dassom, CM; Jorquera, E. 2010. Desarrollo y Calibración de un Modelo Hidrológico de
Simulación Mixta. Mecánica Computacional Vol XXIX, págs. 4013-4037
Wikipedia. Enciclopedia Libre. http://es.wikipedia.org/wiki/Cambio_clim%C3%A1tico
Wilks, D. S. 1995. Statistical Methods in the Atmospheric Sciences. Academic Press, San Diego
8. ANEXO
8.1. Análisis exploratorio de datos
Figura 8-1 Diagrama de cajas de la precipitación total mensual. Estación Lampa a Estación Taraco
Figura 8-2 Diagrama de cajas de la precipitación total mensual. Estación Capachica a Estación Ichuña
Figura 8-3 Diagrama de cajas de la temperatura media mensual. Estación Lagunillas a Estación Llalli
Tabla 8-1 Estadística descriptiva de la precipitación mensual Estación Lagunillas a Pucara

Estación Lagunillas ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 165.8 139.0 109.8 39.7 8.2 3.5 1.7 9.2 10.8 28.5 51.0 96.0
Error típico 11.2 10.9 8.3 4.7 1.7 1.6 0.5 2.7 2.4 5.0 6.6 6.8
Mediana 163.4 132.8 115.4 29.8 5.7 0.0 0.0 2.7 5.8 18.8 37.0 92.2
Curtosis -0.6 -1.3 -0.3 -0.7 7.0 20.4 7.6 7.6 5.6 1.1 -0.6 -0.7
Rango 276.9 214.3 219.1 91.2 50.8 54.6 14.4 76.8 66.7 111.8 140.5 167.7
Mínimo 36.6 32.2 18.8 4.7 0.0 0.0 0.0 0.0 0.0 0.0 1.0 16.1
Máximo 313.5 246.5 237.9 95.9 50.8 54.6 14.4 76.8 66.7 111.8 141.5 183.8
Numero de datos 38.0 38.0 38.0 38.0 38.0 38.0 38.0 38.0 38.0 38.0 38.0 38.0
Estación Sta. Lucia ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 19.78 33.88 61.18 129.3 203.4 167.5 139.4 46.4 7.392 5.265 2.944 13.3
Error típico 6.253 5.303 12.82 18.47 27.91 27.56 16.95 11.19 3.02 3.192 1.539 6.4
Mediana 6.9 28.4 54.6 138.1 164.5 127.3 127.9 26.8 1.2 0 0 0.9
Varianza de la muestra 742.8 590.5 3123 6478 15578 15189 5456 2380 155 173.2 42.64 736.8
Curtosis 4.008 1.785 0.306 -0.663 -0.03 -0.392 -1.067 10.97 5.032 9.816 8.5 5.1
Coef.de asimetría 1.955 1.118 0.985 0.438 0.842 0.903 0.083 3.019 2.251 3.092 2.8 2.4
Rango 102.6 101.3 183.2 262.3 423.3 376.2 239.2 221.6 45.2 50.8 25.4 93.1
Mínimo 0 0.9 0 13.7 38.9 41.8 19.1 4.9 0 0 0 0
Máximo 102.6 102.2 183.2 276 462.2 418 258.3 226.5 45.2 50.8 25.4 93.1
Numero de datos 19 21 19 19 20 20 19 19 17 17 18 18
Estación Llalli ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 180.2 156.6 137.7 56.0 9.2 2.6 3.1 9.5 20.1 48.5 63.0 130.7
Error típico 11.4 8.3 7.5 5.7 1.6 1.0 0.7 2.6 2.4 5.7 6.6 6.9
Mediana 176.6 156.0 135.3 51.0 5.0 0.0 0.5 5.0 15.5 33.5 57.6 127.5
Curtosis 0.7 1.5 1.9 0.4 0.2 12.3 1.0 22.6 0.8 0.1 0.3 0.4
Rango 334.3 257.9 238.9 145.8 32.3 30.3 16.0 96.5 62.9 136.1 164.2 184.9
Mínimo 60.4 44.7 53.5 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 54.2
Máximo 394.7 302.6 292.4 146.1 32.3 30.3 16.0 96.5 62.9 136.1 164.2 239.1
Numero de datos 39 39 39 39 38 38 38 39 39 39 39 39
Estación Ayaviri ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 144.3 122.3 105.4 45.0 7.8 3.7 2.1 9.4 15.8 45.3 62.4 108.9
Error típico 7.6 7.6 6.0 4.4 1.4 1.3 0.6 2.4 2.2 4.5 5.9 6.1
Mediana 143.1 109.8 101.2 39.6 4.7 0.0 0.0 3.0 13.6 34.5 52.9 100.9
Curtosis -0.1 -0.3 -0.7 2.5 6.5 10.5 7.5 13.4 3.0 -0.1 3.9 -1.1
Coef. de asimetría -0.1 0.6 0.1 1.2 2.2 3.3 2.7 3.3 1.5 0.9 1.6 0.2
Rango 243.4 240.2 176.2 158.1 50.5 40.5 20.4 94.5 72.6 117.2 211.5 150.6
Mínimo 17.2 23.3 13.9 0.0 0.0 0.0 0.0 0.0 0.0 2.6 0.0 35.7
Máximo 260.6 263.5 190.1 158.1 50.5 40.5 20.4 94.5 72.6 119.8 211.5 186.3
Numero de datos 48 50 50 50 49 49 49 50 49 48 47 48
Estación Pucara ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 153.1 129.2 119.9 49.4 8.4 3.9 2.9 9.2 22.4 56.0 65.2 121.1
Error típico 8.6 7.4 6.0 4.6 1.1 1.4 0.7 1.6 2.4 4.9 5.7 6.8
Mediana 149.4 118.2 120.0 45.6 7.0 0.0 0.2 5.7 21.6 50.1 53.6 110.7
Curtosis 1.0 -0.1 -0.3 2.6 -0.3 18.5 11.8 4.4 0.9 0.7 4.0 0.0
Rango 287.8 222.0 190.8 170.6 28.7 54.2 28.7 55.5 79.1 166.3 218.2 201.3
Mínimo 50.4 39.6 34.1 0.9 0.0 0.0 0.0 0.0 0.1 0.0 9.9 31.6
Máximo 338.2 261.6 224.9 171.5 28.7 54.2 28.7 55.5 79.2 166.3 228.1 232.9
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Tabla 8-2 Estadística descriptiva de la precipitación mensual Estación Mañazo a Capachica

Estación Mañazo ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 147.5 141.6 109.0 38.0 6.9 2.3 2.1 6.4 14.9 29.1 52.9 103.0
Error típico 12.5 10.5 7.4 5.0 1.2 1.2 0.6 1.8 2.2 4.0 6.1 7.2
Mediana 148.3 137.3 104.5 33.5 4.5 0.0 0.0 1.9 9.7 23.4 46.8 103.5
Curtosis 0.8 -0.2 -0.9 2.3 1.8 30.8 4.4 10.9 0.1 0.9 9.2 -0.1
Rango 336.6 253.8 171.6 145.9 32.8 47.4 15.4 57.2 48.7 100.2 225.5 183.4
Mínimo 24.5 51.3 34.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.7 25.4
Máximo 361.1 305.1 205.6 145.9 32.8 47.4 15.4 57.2 48.7 100.2 226.2 208.8
Numero de datos 38 39 39 39 40 40 40 39 39 40 40 40
Estación Lampa ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 155.0 135.3 112.1 47.2 7.1 3.8 1.7 8.5 22.5 45.9 63.6 117.2
Error típico 10.6 9.7 6.3 5.2 1.1 1.3 0.5 1.9 3.1 3.8 6.3 8.1
Mediana 151.1 110.6 115.6 38.6 4.2 0.7 0.0 4.7 17.3 43.8 57.2 100.7
Curtosis 2.9 5.7 0.0 3.2 0.4 11.8 14.4 12.5 1.4 1.3 3.4 3.8
Coef. de asimetría 1.2 1.9 -0.1 1.7 1.2 3.5 3.7 3.3 1.4 0.9 1.5 1.5
Rango 391.2 415.1 200.9 182.8 30.4 43.1 19.2 71.1 88.2 137.3 237.4 308.7
Mínimo 23.0 18.2 27.1 3.4 0.0 0.0 0.0 0.0 0.0 0.0 2.9 39.5
Máximo 414.2 433.3 228.0 186.2 30.4 43.1 19.2 71.1 88.2 137.3 240.3 348.2
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Estación Juliaca ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 132.9 105.7 94.7 40.2 9.2 4.1 2.6 7.4 20.1 43.3 51.4 90.2
Error típico 8.4 7.0 6.4 4.6 1.8 1.4 0.7 1.5 2.4 4.3 5.1 6.1
Mediana 127.3 98.0 93.0 31.0 3.9 0.2 0.0 4.0 18.1 38.8 47.3 88.1
Curtosis -0.6 -0.2 1.0 3.5 3.9 11.8 9.1 3.9 1.2 4.6 0.4 -0.2
Rango 237.6 215.2 210.2 168.9 55.7 51.0 23.6 44.8 71.5 169.0 158.1 185.7
Mínimo 47.2 27.7 12.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.4 17.5
Máximo 284.8 242.9 222.2 168.9 55.7 51.0 23.6 44.8 71.5 169.0 159.5 203.2
Numero de datos 50 50 50 50 50 50 49 49 50 50 50 50
Estación Taraco ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 132.4 104.9 87.9 37.2 6.4 4.9 2.7 7.6 23.3 40.7 50.0 93.1
Error típico 7.5 6.4 5.5 4.7 1.1 1.7 0.8 1.6 3.0 4.0 5.9 5.8
Mediana 128.4 99.4 77.9 29.6 4.0 0.0 0.0 2.3 18.2 33.1 39.4 79.4
Curtosis 0.5 -0.1 2.4 4.1 3.1 8.5 12.9 7.1 2.0 4.4 16.1 0.9
Rango 264.3 192.5 209.0 148.9 33.1 55.0 32.0 58.1 100.7 158.6 278.7 187.3
Mínimo 21.1 25.4 24.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 33.5
Máximo 285.4 217.9 233.8 148.9 33.1 55.0 32.0 58.1 100.7 158.6 278.7 220.8
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Estación Capachica ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 21.5 38.1 65.4 109.9 193.5 154.5 135.7 50.9 8.3 6.7 2.7 11.9
Error típico 3.6 5.5 8.1 12.4 12.9 14.4 13.1 7.3 2.3 2.3 0.9 3.6
Mediana 17.9 32.7 57.4 111.8 191.6 143.4 129.5 45.6 2.5 0.4 0.2 4.5
Desviación estándar 17.4 27.1 40.6 61.9 64.4 73.5 66.9 36.4 11.5 11.4 5 17.9
Varianza de la muestra 302.3 732.6 1646 3826 4142 5405 4481 1328 131.3 129.4 25 319.4
Curtosis -0.7 3.2 1.3 -0.5 -0.7 -0.2 -0.2 -0.4 1.9 4.5 5.2 3.9
Rango 59.3 120.3 166.7 230 242.4 289.4 260.5 129.2 41 40.8 19.4 70
Mínimo 0 3.3 0 12.1 83.7 18.9 32.5 1.8 0 0 0 0
Máximo 59.3 123.6 166.7 242.1 326.1 308.3 293 131 41 40.8 19.4 70
Numero de datos 24 24 25 25 25 26 26 25 25 24 26 25
Tabla 8-3 Estadística descriptiva de la precipitación mensual Estación Puno a Imata

Estación Puno ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 159.5 148.9 134.5 51.5 8.9 4.0 2.4 10.7 25.8 45.0 49.6 91.9
Error típico 9.3 10.0 8.2 4.2 1.5 1.4 0.6 1.9 3.1 4.7 4.2 6.0
Mediana 154.0 130.9 129.3 44.6 6.4 0.1 0.6 5.6 18.3 35.5 46.2 90.6
Curtosis -0.3 0.3 -0.7 -0.6 2.5 14.3 10.7 1.1 2.5 2.7 1.0 1.0
Rango 298.2 315.2 242.7 114.1 43.7 54.7 22.7 49.2 108.3 153.3 139.7 210.7
Mínimo 20.7 22.4 15.7 2.1 0.0 0.0 0.0 0.0 0.0 4.2 4.0 24.5
Máximo 318.9 337.6 258.4 116.2 43.7 54.7 22.7 49.2 108.3 157.5 143.7 235.2
Numero de datos 51 51 52 51 52 50 52 51 51 52 52 51
|
Estación Quillisani ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 171.3 173.2 147.3 54.1 11.9 3.7 4.3 13.8 24.5 40.4 79.1 130.4
Error típico 14.5 15.0 12.5 8.7 2.8 1.1 1.3 3.6 4.6 6.3 12.1 13.6
Mediana 161.7 160.8 141.6 47.3 4.3 1.0 1.4 8.1 20.2 32.9 66.8 111.3
Curtosis -0.9 -0.6 0.4 3.5 0.0 1.3 5.1 7.4 0.4 -0.2 -0.1 -0.9
Rango 270.9 302.7 281.4 195.1 44.4 16.9 26.0 79.4 78.8 112.0 219.1 233.8
Mínimo 53.2 13.7 2.1 1.5 0.0 0.0 0.0 0.0 0.0 1.8 4.9 1.5
Máximo 324.1 316.4 283.5 196.6 44.4 16.9 26.0 79.4 78.8 113.8 224.0 235.3
Numero de datos 25 25 25 25 25 25 25 25 25 25 25 25
Estación Ichuña ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 141.5 121.4 87.9 30.2 5.1 2.7 2.6 5.4 10.1 18.5 34.5 86.4
Error típico 8.3 9.8 6.7 3.2 1.1 1.0 0.9 1.9 1.9 2.8 4.6 7.2
Mediana 141.7 118.3 81.0 27.1 1.5 0.0 0.0 0.4 3.8 10.6 26.9 81.1
Curtosis -0.8 -0.8 0.8 1.5 9.3 20.9 6.5 30.0 1.4 0.9 1.7 3.1
Rango 230.6 276.2 227.2 106.4 41.0 42.9 25.3 84.0 47.3 74.7 141.3 266.8
Mínimo 29.7 12.5 2.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 8.3
Máximo 260.3 288.7 229.7 106.4 41.0 42.9 25.3 84.0 47.3 74.7 141.3 275.1
Numero de datos 50 49 48 49 49 49 50 48 50 50 50 50
Estación Crucero Alto ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 142.0 112.7 112.9 36.3 4.9 3.2 4.6 7.6 10.7 23.3 33.7 79.5
Error típico 9.5 8.3 7.0 4.7 1.1 1.2 1.1 1.9 2.1 3.5 4.8 6.3
Mediana 140.8 107.3 104.9 32.6 1.1 0.0 0.6 2.7 3.4 13.9 24.7 81.4
Curtosis -0.2 -0.9 -0.1 1.5 6.0 15.5 7.1 18.0 2.1 0.6 1.6 1.0
Rango 307.8 220.0 220.5 136.9 36.8 45.6 38.0 77.0 53.7 89.5 135.7 208.1
Mínimo 22.7 0.0 12.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9.7
Máximo 330.5 220.0 233.4 136.9 36.8 45.6 38.0 77.0 53.7 89.5 135.7 217.8
Numero de datos 51 51 50 50 50 47 49 48 47 48 48 48
Estación Imata ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 134.5 122.3 102.0 31.8 5.5 2.2 2.7 5.1 9.0 15.9 28.5 71.0
Error típico 8.7 8.5 5.9 3.4 1.2 0.8 0.8 1.4 2.0 2.7 4.1 5.2
Mediana 129.9 117.2 101.1 27.1 1.3 0.0 0.1 1.1 2.8 8.5 17.5 74.6
Curtosis 1.1 -1.1 2.2 0.0 8.9 13.9 5.3 13.9 7.2 4.3 0.8 0.3
Rango 316.0 239.7 247.4 97.4 42.1 29.7 22.4 56.6 73.7 93.5 109.3 161.3
Mínimo 26.8 21.2 8.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.8
Máximo 342.8 260.9 255.7 97.4 42.1 29.7 22.4 56.6 73.7 93.5 109.3 165.1
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Tabla 8-4 Estadística descriptiva de la precipitación mensual Estación Pampahuta a Cabanillas

Estación Pampahuta ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 14.2 35.7 75.0 122.1 186.3 148.1 133.3 54.1 10.3 4.2 1.9 10.9
Error típico 2.5 5.3 8.0 9.8 10.8 12.8 9.5 6.4 2.4 1.5 0.9 2.7
Mediana 14.7 29.2 73.0 108.1 187.2 146.9 135.0 50.5 5.1 1.3 0.0 4.9
Curtosis 1.1 1.2 -0.7 -0.9 -0.6 -1.0 -0.2 0.2 7.7 7.7 16.7 1.8
Rango 51.2 106.0 160.0 199.6 228.7 251.0 219.3 136.7 62.5 31.5 25.2 51.5
Mínimo 0.0 2.2 2.9 28.7 81.8 25.0 26.2 8.6 0.0 0.0 0.0 0.0
Máximo 51.2 108.2 162.9 228.3 310.5 276.0 245.5 145.3 62.5 31.5 25.2 51.5
Numero de datos 30.0 30.0 30.0 30.0 30.0 30.0 30.0 30.0 30.0 30.0 30.0 30.0
Estación Cabanillas ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 17.2 32.4 53.5 96.1 150.5 131.3 110.4 45.9 5.0 3.4 1.2 8.8
Error típico 2.8 4.9 6.2 8.4 11.1 11.2 8.5 5.9 1.2 1.7 0.4 2.4
Mediana 10.2 26.5 45.3 90.7 140.8 123.2 112.3 37.4 3.3 0.0 0.0 3.0
Curtosis -0.5 4.0 -0.3 -0.1 -0.5 -0.7 -0.8 -1.0 2.6 7.8 9.8 3.7
Coef. de asimetría 0.8 1.9 0.7 0.6 0.2 0.3 -0.3 0.5 1.8 3.0 3.0 1.9
Rango 50.2 110.1 130.0 189.8 247.6 219.4 164.4 105.2 23.5 35.6 11.0 53.2
Mínimo 0.0 3.3 0.0 23.0 26.0 23.4 17.5 5.0 0.0 0.0 0.0 0.0
Máximo 50.2 113.4 130.0 212.8 273.6 242.8 181.9 110.2 23.5 35.6 11.0 53.2
Numero de datos 30 30 30 30 30 30 30 30 30 30 30 30
Tabla 8-5 Estadística descriptiva de la temperatura media mensual Estación Lagunillas a Cabanillas
Estación Lagunillas ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 7.6 7.6 7.5 7.2 6.0 4.5 4.2 5.1 6.5 7.7 8.3 8.2
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Mediana 7.4 7.6 7.3 7.1 6.1 4.4 4.1 5.0 6.5 7.6 8.2 8.1
Curtosis -0.5 -0.5 0.5 0.3 -0.5 -1.1 -0.4 0.9 -0.4 0.0 1.2 0.3
Coef. de asimetría 0.6 0.1 0.8 0.2 0.0 0.2 0.2 -0.1 -0.2 0.1 0.6 0.7
Rango 4.1 4.3 4.2 3.0 3.1 2.4 2.9 3.9 2.6 3.2 4.4 4.1
Mínimo 6.1 5.4 5.9 5.8 4.6 3.4 2.9 3.0 5.0 6.2 6.3 6.7
Máximo 10.2 9.8 10.1 8.9 7.6 5.8 5.8 6.9 7.6 9.4 10.7 10.9
Numero de datos 48 48 48 48 48 48 48 48 48 48 48 48
Estación Pampahuta ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 6.4 6.4 6.2 5.3 3.2 1.4 0.9 2.0 3.6 5.0 5.8 6.3
Error típico 0.1 0.1 0.1 0.1 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.1
Mediana 6.4 6.4 6.3 5.4 3.2 1.4 0.8 1.8 3.6 4.9 5.8 6.4
Curtosis 0.0 -0.4 -0.6 -0.6 -0.4 0.4 0.7 1.2 0.0 -0.5 -1.0 -0.6
Coef. de asimetría 0.3 0.2 0.2 0.0 -0.1 0.4 0.7 0.1 0.1 0.2 -0.1 0.1
Rango 3.5 2.6 2.7 3.4 4.4 5.5 5.0 6.6 5.2 5.0 4.2 3.1
Mínimo 4.8 5.4 5.1 3.6 0.8 -1.1 -1.1 -1.6 0.9 2.7 3.8 4.9
Máximo 8.3 8.0 7.8 7.0 5.2 4.4 3.9 5.0 6.1 7.7 8.0 8.0
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Estación Lampa ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 10.2 10.1 10.0 9.5 7.9 6.5 6.3 7.6 9.2 10.4 11.1 10.8
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Mediana 10.3 10.1 10.0 9.4 7.9 6.4 6.3 7.5 9.3 10.5 11.2 10.7
Curtosis -0.3 0.8 0.3 -0.4 -0.1 -0.7 -0.2 0.4 0.5 -0.6 0.2 -0.5
Coef. de asimetría 0.2 0.2 0.5 -0.1 0.3 0.3 0.0 0.5 -0.2 -0.5 -0.6 -0.2
Rango 3.8 4.2 3.3 3.0 3.4 3.3 3.8 4.3 4.3 3.1 4.0 3.8
Mínimo 8.7 8.4 8.6 8.0 6.4 4.9 4.5 5.6 7.0 8.6 9.0 8.7
Máximo 12.5 12.6 11.9 10.9 9.8 8.3 8.2 9.9 11.3 11.7 13.0 12.5
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Estación Juliaca ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 11.2 11.2 11.1 10.7 9.5 8.1 7.7 9.0 10.6 12.0 12.5 12.0
Error típico 0.1 0.1 0.1 0.2 0.2 0.2 0.2 0.2 0.2 0.1 0.1 0.1
Mediana 11.1 11.4 11.0 10.6 9.5 8.2 7.6 9.0 10.7 12.0 12.6 12.0
Curtosis 0.8 0.0 0.4 3.2 3.4 4.1 11.2 6.3 2.9 2.0 3.6 -0.1
Rango 4.8 4.6 3.8 7.1 8.5 9.7 8.9 9.9 6.9 5.6 6.0 3.9
Mínimo 9.4 9.1 9.7 7.2 5.2 4.0 5.3 4.7 7.8 9.7 10.1 10.2
Máximo 14.2 13.7 13.5 14.3 13.7 13.7 14.2 14.6 14.7 15.2 16.2 14.1
Numero de datos 47 47 47 47 47 47 47 47 48 48 48 48
Estación Cabanillas ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 10.3 10.1 10.0 9.9 9.0 7.9 7.6 8.5 9.7 10.7 11.3 10.9
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Mediana 10.3 10.1 9.9 9.9 9.0 7.9 7.6 8.6 9.7 10.6 11.4 10.8
Curtosis -0.3 1.0 0.6 1.3 0.0 0.8 0.2 0.0 -0.5 -0.8 -0.4 -0.3
Coef. de asimetría 0.1 0.6 0.8 0.5 -0.4 0.4 -0.4 -0.1 0.2 0.0 -0.3 0.3
Rango 3.6 3.5 3.3 3.1 2.5 3.6 2.9 3.5 3.3 3.6 3.9 3.8
Mínimo 8.7 8.9 8.9 8.6 7.5 6.4 5.9 6.6 8.2 9.0 8.9 9.2
Máximo 12.3 12.4 12.2 11.7 10.0 9.9 8.8 10.2 11.5 12.6 12.8 13.0
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Tabla 8-6 Estadística descriptiva de la temperatura media mensual Estación Puno a Imata
Estación Puno ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 10.7 10.7 10.5 10.1 8.8 7.4 7.2 8.4 9.9 11.1 11.7 11.4
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Mediana 10.7 10.8 10.5 10.1 8.8 7.3 7.2 8.5 9.9 11.0 11.8 11.3
Curtosis -0.6 -0.3 1.6 1.6 -0.4 0.9 -0.4 1.0 -0.2 -0.3 0.5 -0.5
Coef. de asimetría 0.2 -0.1 0.8 0.0 0.0 0.9 0.2 -0.5 0.1 0.1 -0.7 -0.1
Rango 4.0 4.3 4.4 4.2 3.6 3.8 2.9 3.5 3.3 3.1 4.1 3.9
Mínimo 9.0 8.6 8.9 7.9 7.1 6.1 6.0 6.3 8.3 9.7 9.2 9.2
Máximo 13.0 12.9 13.3 12.1 10.7 9.9 8.9 9.8 11.6 12.8 13.4 13.2
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
Estación Capachica ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 9.6 9.6 9.6 9.2 8.1 6.9 6.7 7.5 8.7 9.7 10.1 9.9
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.2
Mediana 9.7 9.7 9.5 9.2 8.1 6.8 6.8 7.4 8.8 9.7 10.2 9.9
Curtosis 0.0 -0.3 -0.6 0.2 -0.2 -0.2 -0.2 -0.5 -1.1 -0.7 -0.3 -0.7
Coef. de asimetría -0.4 -0.1 0.1 0.3 0.1 0.6 0.1 -0.2 0.0 -0.3 -0.3 -0.2
Rango 4.9 4.7 3.7 3.4 3.4 3.7 3.6 3.0 3.0 3.7 4.0 4.5
Mínimo 7.1 7.4 7.9 7.7 6.3 5.2 4.8 5.7 7.3 7.5 7.8 7.6
Máximo 12.0 12.1 11.6 11.0 9.8 9.0 8.4 8.8 10.3 11.2 11.8 12.1
Numero de datos 47 47 47 47 47 47 47 47 45 45 45 47
Estación Ayaviri ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 9.8 9.9 9.8 9.2 7.5 5.8 5.5 6.9 9.0 10.2 10.8 10.4
Error típico 0.1 0.1 0.1 0.1 0.2 0.2 0.2 0.2 0.2 0.1 0.1 0.1
Mediana 9.8 9.8 9.8 9.4 7.6 5.9 5.8 6.9 9.0 10.3 10.8 10.5
Curtosis 0.4 0.4 0.4 2.5 1.1 0.4 0.5 -0.3 0.8 0.7 -0.6 1.2
Coef. de asimetría 0.1 0.1 -0.2 -1.5 -0.8 -0.5 -0.7 -0.3 -0.6 -0.5 0.0 -0.7
Rango 4.2 4.3 3.3 4.3 5.5 6.5 5.8 4.9 5.6 4.2 4.4 3.8
Mínimo 7.7 7.8 8.1 6.4 4.0 2.1 2.1 4.1 5.8 7.6 8.5 8.1
Máximo 11.9 12.1 11.4 10.7 9.5 8.6 7.9 9.0 11.4 11.8 12.9 11.9
Numero de datos 50 51 51 51 51 51 51 51 51 51 51 51
Estación Llalli ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 9.1 9.2 8.9 8.2 6.5 5.1 4.9 6.2 8.1 9.1 9.8 9.5
Error típico 0.1 0.1 0.1 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.1
Mediana 9.1 9.1 8.9 8.5 6.7 5.1 4.9 6.1 8.2 9.0 9.8 9.6
Curtosis -0.5 0.2 -0.4 -0.2 -1.2 -0.6 -0.3 -0.6 -1.2 -0.4 -0.8 -0.4
Coef. de asimetría 0.2 0.2 0.1 -0.4 -0.2 0.2 -0.3 -0.4 -0.2 -0.3 -0.1 0.1
Rango 3.5 4.0 3.5 4.3 4.1 4.7 5.8 5.4 4.4 5.3 5.1 3.4
Mínimo 7.7 7.4 7.4 6.0 4.3 3.2 1.9 3.3 5.6 6.2 7.3 8.2
Máximo 11.2 11.3 10.8 10.3 8.4 7.9 7.7 8.7 10.0 11.5 12.4 11.6
Numero de datos 41 41 41 41 41 40 40 40 40 40 40 40
Estación Imata ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Media 4.9 4.9 4.8 4.1 2.1 0.4 0.0 1.2 2.8 4.3 5.0 5.2
Error típico 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Mediana 4.9 4.9 4.7 4.3 2.2 0.5 0.1 1.2 2.8 4.3 5.0 5.1
Curtosis 2.3 1.0 1.8 -0.4 -0.7 -0.3 1.0 0.2 0.5 0.8 1.1 0.0
Coef. de asimetría 0.9 -0.1 0.5 -0.2 -0.5 -0.1 -0.6 -0.7 -0.8 -0.6 -0.9 0.3
Rango 4.2 3.7 3.4 3.0 3.0 3.8 3.8 3.3 2.9 2.9 3.5 3.3
Mínimo 3.3 3.0 3.3 2.7 0.4 -1.5 -2.2 -0.9 0.9 2.5 2.6 3.5
Máximo 7.5 6.7 6.8 5.7 3.4 2.3 1.6 2.3 3.7 5.3 6.2 6.8
Numero de datos 52 52 52 52 52 52 52 52 52 52 52 52
8.2. Análisis comparativo del cálculo de la Evapotranspiración potencial mensual
Figura 8-4 Comparación de la EP mensual calculado a partir de la temperatura diaria y la temperatura mensual,
utilizando la metodología de Oudin

01401sena 36

Cargado por

Copyright:

Formatos disponibles

01401sena 36

Cargado por

Información del documento

Descripción original:

Título 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

01401sena 36

Cargado por

Copyright:

Formatos disponibles

DIRECTORIO

Ing. Amelia Díaz Pabló

Ing. Oscar G. Felipe Obando

Mg. Sc. Julia Y. Acuña Azarte

REVISOR DEL ESTUDIO

Mg. Sc. Julia Y. Acuña Azarte

RESPONSABLE DEL ESTUDIO

3.5.5. Etapa V: Generación de escenarios hídricos futuros .................................................................. 23

Tabla 2-1 Valores referenciales del criterio de NSE .............................................................................................. 11

DIRECCIÓN DE HIDROLOGÍA iii

Figura 4-17 Anomalía de la precipitación y temperatura media multianual ........................................................ 41

1.3.1. Objetivo General

1.3.2. Objetivos específicos

- Simular la disponibilidad hídrica para el horizonte a mediano plazo (2050-2075)

2.2. El Cambio Climático

2.2.1. Factores causantes del Cambio Climático

Figura 2-1 Emisiones anuales mundiales de GEI antropógenos, entre 1970-2004

2.2.2. Los Modelos Climáticos Globales

Figura 2-2 Evolución de los modelos climáticos globales

2.2.3. Predicciones, proyecciones y escenarios climáticos

modeladores climáticos, mitigación y adaptación, se juntaron, para, de manera colaborativa,

Figura 2-3 Trayectoria de concentraciones de CO2 de los distintos escenarios

2.2.4. Corrección de la distribución temporal de las variables

2.3. Modelo hidrológico

Un sistema es un conjunto de elementos en interacción dinámica organizados en función de un

Figura 2-4 El ciclo hidrológico, evaporación, transpiración y precipitación

2.3.1. El proceso de transformación lluvia - escorrentía

Evaporación Evaporación Evaporación

Superficie del Cuerpo de

Figura 2-5 El proceso lluvia - escorrentía

2.3.2. Clasificación de los modelos hidrológicos

a. En función de la representación espacial.

Figura 2-6 Clasificación de los modelos hidrológicos según la representación espacial

La principal desventaja de estos modelos estriba en el concepto de "equifinalidad" es decir, la

c. En función de la extensión temporal en la que se puede aplicar el modelo hidrológico

Modelos de procesos continuos: permiten la simulación de caudales diarios, mensuales o

Modelos de simulación mixta: intentan representar ambas escalas temporales en forma

2.3.3. Fuentes de incertidumbre

Según Cabrera (2012), en general, existen cuatro fuentes principales de incertidumbre:

a. Errores (sistemáticos o aleatorios) en los datos de ingreso

diferentes medidas de bondad de ajuste) recibiendo entonces el nombre de función “multiobjetivo”.

Figura 2-7 Efectos de la medida de ajuste sobre la calibración de un modelo

La calibración de modelos usualmente se enfoca en un “criterio de exactitud”, el cual se apoya en la

a. Coeficiente de determinación (R2)

b. Error cuadrático medio (RMSE)

c. Eficiencia de Nash- Sutcliffe (NSE)

Tabla 2-1 Valores referenciales del criterio de NSE

Y mide cuánto de la variabilidad de las observaciones es explicada por la simulación. Si la simulación

d. Porcentaje de desviación respecto de caudales observados (PBIAS)

2.3.5. Análisis de sensibilidad

2.4. Modelo GR2M

La unidad de investigación en hidrología CEMAGREF (Centro de Investigación Agrícola e Ingeniería

capacidad de almacenamiento del reservorio en mm) y X2: (coeficiente de intercambio de agua

Figura 2-8 Esquema de la precipitación de transformación a caudal

Reservorio de X1 S1 (1   ) donde   

a. Reservorio de producción (suelo)

Entones el escurrimiento superficial directo (P1) está dado por:

Dónde: E es la evapotranspiración media mensual.