Aybar CC

Universidad Nacional Mayor de San Marcos
Universidad del Perú. Decana de América

Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica
Escuela Profesional de Ingeniería Geográfica
Modelamiento de la escorrentía en cuencas de montaña:

caso de estudio río Vilcanota
TESIS
Para optar el Título Profesional de Ingeniero Geógrafo
AUTOR
César Luis AYBAR CAMACHO
Lima, Perú
2016
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales
https://creativecommons.org/licenses/by-nc-sa/4.0/
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no
comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas
creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas
tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia.
Referencia bibliográfica
Aybar, C. (2016). Modelamiento de la escorrentía en cuencas de montaña: caso de

estudio río Vilcanota. [Tesis de pregrado, Universidad Nacional Mayor de San
Marcos, Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica,
Escuela Profesional de Ingeniería Geográfica]. Repositorio institucional Cybertesis
UNMSM.
Dedicatoria
A mi madre que me apoyo en todo momento.
1
Agradecimientos
Antes de exponer esta tesis deseo expresar mi gratitud a todas aquellas personas
que con su apoyo y colaboración inestimable han permitido su consecución, sin
embargo es necesario hacer una mención especial:
Al Ing. José Luis Quispe, por todos sus comentarios y correcciones y por su
instrucción en el uso de SIG cuando aún me encontraba en aulas.
Al PhD. Waldo Lavado, Director de Hidrologı́a Aplicada en el Servicio Nacional
de Meteorologı́a e Hidrologı́a del Perú (SENAMHI), por todas sus importantes
apreciaciones realizadas y por su apoyo cientı́fico, técnico y moral constante que
han resultado de inestimable valor durante estos últimos años.
A mis compañeros de trabajo de la dirección de hidrologı́a aplicada, por todas
las facilidades prestadas, su cordial trato y en especial por haberme mostrado en
todas las cosas en las que debo mejorar.
Al PhD. Bram Leo Willems, por haber creı́do y depositado su confianza en mı́
en un momento crucial de mi vida.
A MariaElena, Rossi y todos mis queridos compañeros del proyecto Agua Andes,
que encaminaron mi vida a la investigación en recursos hı́dricos, y en donde aprendı́
que la ciencia aporta una contribución indispensable a la solución de problemas.
A todos mis compañeros de la universidad, pero en particular a Hans, Marysol,
Stephany y Evelin con los que pase gratos momentos y porque no han dejado de
apoyarme y alentarme desde que nos conocemos.
Y por último a mis padres, por su apoyo incondicional a lo largo de los años.
2
Resumen
En la primera década del siglo XXI, la cuenca del Vilcanota ha estado sometida
a una mayor frecuencia de inundaciones, especialmente en la cuenca baja. Las
inundaciones año tras año han propiciado restricciones al crecimiento y desarrollo
económico de la región, además de la pérdida de cientos de vidas de incalculable
valor económico, con el fin de mitigar este peligro, es crucial entender la formación
de la escorrentı́a superficial identificada como el principal factor en la formación de
inundaciones.
Luego del modelamiento de la escorrentı́a, los resultados nos muestran que la
escorrentı́a es generada principalmente por procesos de exceso de saturación de los
suelos en la cuenca, además, al analizar los cambios de cobertura para los periodos
1988, 2001 y 2014 se ha evidenciado cambios que han propiciado un aumento en
promedio en la escorrentı́a de 20.70 m3 /s y considerando solo los dı́as en los que
ocurrieron caudales crı́ticos un aumento de 76.94 m3 /s, se espera que de mantenerse
las tendencias observadas para el año 2030 estas cifras cambien a 22.70 y 79.22 m3 /s
respectivamente.
Si bien estos valores han predispuesto una mayor susceptibilidad a generar
inundaciones, los cambios de cobertura encontrados no explican por si solo la mayor
recurrencia observada. Se demuestra que valores altos de intensidad de precipitación
no están correlacionados con la formación de caudales crı́ticos y que la condición de
humedad antecedente es el factor más importante a la hora de modelar y entender
la formación de escorrentı́a en la cuenca del Vilcanota siendo la cuenca baja el área
más sensible a detectar posibles inundaciones, se espera que de seguir las tendencias
observadas en las intensidades de precipitación la ocurrencia de inundaciones sigua
aumentando en la cuenca.
Palabras claves: Escorrentı́a, modelamiento, cobertura del suelo, condición de

humedad antecedente e intensidad de precipitación.
3
Índice general
Dedicatoria 1
Agradecimientos 2
Resumen 3
Índice de figuras 7
Índice de cuadros 10
1. Introducción 11
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Planteamiento del Problema . . . . . . . . . . . . . . . . . . . . . . . 12
1.3. Problemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1. Problema General . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.2. Problemas Especı́ficos . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1. Hipótesis general . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5. Hipótesis Especı́fica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6.2. Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . 14
2. Marco teórico y conceptual 15

2.1. Ciclo hidrológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1. Precipitación . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.2. Evapotranspiración . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.3. Infiltración y percolación . . . . . . . . . . . . . . . . . . . . . 16
2.1.4. Escorrentı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.5. Flujo lateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2. Modelos hidrológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4
Índice general 5
2.2.1. Clasificación de los modelos hidrológicos . . . . . . . . . . . . 18

2.2.2. Etapas de implementación de un modelo hidrológico . . . . . . 20
2.2.3. La informática y los SIG en los modelos hidrológicos . . . . . 22
2.3. Módelo Hidrológico SWAT . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4. Optimización por Enjambre de Partı́culas . . . . . . . . . . . . . . . . 24
2.5. Modelos Predictivos del Cambio de Cobertura de Suelo . . . . . . . . 29
2.5.1. Modelos de regresión . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.2. Modelos de Transición . . . . . . . . . . . . . . . . . . . . . . 31
3. Caracterización de la zona de estudio 33

3.1. Descripción general de la cuenca del rı́o Vilcanota . . . . . . . . . . . 33
3.1.1. Ubicación geográfica . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.2. Aspectos fı́sicos . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.3. Aspectos Biológico . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.4. Aspectos socioeconómicos . . . . . . . . . . . . . . . . . . . . 43
3.1.5. Aspectos Económicos . . . . . . . . . . . . . . . . . . . . . . . 45
4. Metodologı́a 46
4.1. Construcción de la base de datos . . . . . . . . . . . . . . . . . . . . 46
4.1.1. Datos necesarios para el modelado hidrológico . . . . . . . . . 46
4.1.2. Cartografı́a Temática del área de estudio . . . . . . . . . . . . 47
4.1.3. Modelo Digital de Elevación (MDE) . . . . . . . . . . . . . . . 47
4.1.4. Datos hidrometeorológicos e hidrométricos . . . . . . . . . . . 48
4.1.5. Datos de cobertura del suelo . . . . . . . . . . . . . . . . . . . 49
4.1.6. Datos de Tipo de Suelo . . . . . . . . . . . . . . . . . . . . . . 52
4.2. Caracterización de la cobertura del suelo en la cuenca del Vilcanota . 55
4.2.1. Procesamiento de Imágenes de Satélite . . . . . . . . . . . . . 56
4.2.2. Predicción de escenarios de cobertura del suelo . . . . . . . . . 59
4.3. Implementación del modelo SWAT en la cuenca del Vilcanota . . . . 64
4.3.1. Simulación del modelo SWAT . . . . . . . . . . . . . . . . . . 65
4.3.2. Calibración del Modelo Hidrológico SWAT . . . . . . . . . . . 67
4.4. Asimilación y Aplicación al Análisis de Inundaciones . . . . . . . . . 72
4.4.1. Escenarios de cobertura del suelo como condicionante a
Inundaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.4.2. La precipitación efectiva como condicionante a inundaciones . 76
4.4.3. Condición de Humedad Antecedente (CHA) como
condicionante a inundaciones . . . . . . . . . . . . . . . . . . 77
Índice general 6
5. Discusión de Resultados 81
5.1. Construcción de la base de datos utilizada . . . . . . . . . . . . . . . 81
5.2. Caracterización de la cobertura del suelo . . . . . . . . . . . . . . . . 82
5.3. Implementación del Modelo Hidrológico SWAT . . . . . . . . . . . . . 84
5.4. Asimilación y aplicación al análisis de inundaciones . . . . . . . . . . 85
6. Conclusiones 87
7. Recomendaciones 89
Apéndice 91
Bibliografı́a 104
Índice de figuras
1.1. Ocurrencia de inundaciones y afectados en la cuenca del Urubamba

entre los años 1970 y 2012. . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1. Ciclo Hidrológico. Modificado de Chow et al., 1988. . . . . . . . . . . 16

2.2. Tipos de Formación de Escorrentı́a Superficial. Obtenido de www.
meted.ucar.edu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Clasificación de modelos hidrológicos. . . . . . . . . . . . . . . . . . . 18
2.4. Modelos hidrológicos según la naturaleza de sus unidades básica de
análisis. A la izquierda tenemos a los modelos agregados, al centro
a los semidistribuidos y a la derecha a los distribuidos. Obtenido
de http://www.meted.ucar.edu/hydro/basic/Runoff_es/media/
graphics/model_approaches.gif . . . . . . . . . . . . . . . . . . . 20
2.5. Representación esquemática de los puntos en donde las aplicaciones
hidrológicas han tenido mayor repercusión. Obtenido de Olaya, 2004. 23
2.6. Topologı́as de vecindarios posibles en PSO, con particulas
representadas en un espacio bi-dimensional. Obtenido de http://
bioinf.modares.ac.ir/?page_id=577 . . . . . . . . . . . . . . . . . 27
2.7. Modificación de la posición de la partı́cula i.Fuente: Tomado de El-
Sawy et al., 2013. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.8. Estructura de un RNA de 3 capas. Obtenido de Basheer and Hajmeer,
2000) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1. Ubicación de la cuenca del Vilcanota . . . . . . . . . . . . . . . . . . 34

3.2. Climatologı́a de las mencionadas variables hidroclimáticas. Generado
a partir de ftp://ftp.senamhi.gob.pe/ . . . . . . . . . . . . . . . . 36
3.3. Subcuencas hidrográfica del Vilcanota . . . . . . . . . . . . . . . . . . 38
3.4. Unidades fisiográficas presentes en la Cuenca del Vilcanota . . . . . . 39
3.5. Formaciones geológicas presentes en la Cuenca del Vilcanota . . . . . 41
7
3.6. Zonas de vida para la cuenca del Vilcanota. Información obtenida del
INRENA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7. Provincias que se encuentran dentro del ambito de estudio . . . . . . 44
4.1. Portal de descargas del MDE SRTM 4.1 . . . . . . . . . . . . . . . . 48

4.2. MDE para la cuenca del Rı́o Vilcanota . . . . . . . . . . . . . . . . . 49
4.3. Registro pluviométrico de la estación Zurite, en la figura superior
observamos el registro diario, la figura inferior izquierda representa
los datos mensualizados y la figura inferior derecha el diagrama de
cajas de los datos diarios. . . . . . . . . . . . . . . . . . . . . . . . . 50
4.4. Estaciones consideradas para el estudio . . . . . . . . . . . . . . . . . 50
4.5. Ubicación de las imágenes descargadas . . . . . . . . . . . . . . . . . 51
4.6. Pasos para la obtención del producto GlobalLand30 . . . . . . . . . . 52
4.7. Portal de descargas del SoilGrids1km . . . . . . . . . . . . . . . . . . 53
4.8. Información de tipo de suelo en la cuenca del rı́o Vilcanota . . . . . . 53
4.9. Metodologı́a seguida para la generación de los escenarios de uso de
suelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.10. Segmentación de la imagen Landsat en la ciudad de Cusco . . . . . . 58
4.11. Mapa de uso de suelo generado para los años de 1988, 2001 y 2014 en
la Cuenca del Rio Vilcanota. . . . . . . . . . . . . . . . . . . . . . . . 58
4.12. Variables Explicativas consideradas en el estudio . . . . . . . . . . . . 62
4.13. Metodologı́a para la predicción de escenarios de uso de suelo . . . . . 63
4.14. Escenario generado para el año 2030; en verde se a . . . . . . . . . . 64
4.15. Subcuencas generadas en la zona de estudio . . . . . . . . . . . . . . 66
4.16. Número de HRUs generadas en la cuenca del rı́o Vilcanota . . . . . . 67
4.17. Simulación del modelo SWAT respecto a la Estación hidrométrica km.
105 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.18. Diagrama de flujo de la aplicación e interacción entre hydroPSO y el
código de modelo para ser calibrado. Fuente: Zambrano-Bigiarini and
Rojas 2012 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.19. Evolución del óptimo global y el radio de enjambre normalizado frente
al número de iteración . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.20. Gráfico de dispersión luego de la calibración contra descargas diarias
observadas en la estación km.105 . . . . . . . . . . . . . . . . . . . . 72
4.21. Datos de la simulación luego de la calibración frente a las descargas

observadas en la estación km.105. El panel superior muestra las
series temporales diarias mientras que el panel inferior considera un
agrupamiento de los datos por meses. El cuadro resumen de la derecha
muestra los resultados de varios indicadores de eficiencia . . . . . . . 73
4.22. Serie de Tiempo de caudales en la estación km.105. A la derecha
se observa toda la serie de tiempo, la lı́nea en rojo representa el
percentil 97.5, a la izquierda observamos solo los caudales que pasaron
el percentil 97.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.23. Promedio de escorrentı́a por sub cuencas para distintas cobertura
de suelo. El histograma inferior muestra el promedio de escorrentı́a
considerando toda la serie de tiempo; el histograma superior muestra
el promedio considerando solo los percentiles 97.5 . . . . . . . . . . . 75
4.24. Promedio de escorrentı́a por sub cuencas para distintas cobertura
de suelo. El histograma superior muestra el promedio de escorrentı́a
considerando toda la serie de tiempo; el histograma inferior muestra
el promedio considerando solo los percentiles 97.5 . . . . . . . . . . . 76
4.25. Correlación entre la precipitación máxima efectiva y promedio vs los
caudales por encima del percentil 97.5. . . . . . . . . . . . . . . . . . 76
4.26. Tiempo de concentración de la cuenca (imagen izquierda) a la derecha
observamos el tiempo de concentración clasificado cada 24 h., lo gris
nos indica un tiempo de concentración menor a 24 h y el área en verde
un tiempo mayor a 24h pero menor a 48h. . . . . . . . . . . . . . . . 78
4.27. Correlación entre los ı́ndices y el caudal por encima del percentil 97.5
en la estación km.105.La distribución de los datos se muestra en la
diagonal, en la parte inferior a la diagonal se muestra los gráficos
de dispersión de dos variables con una lı́nea de ajuste y en la parte
superior el valor de la correlación. . . . . . . . . . . . . . . . . . . . . 79
4.28. Cluster generados para el análisis de la CHA. . . . . . . . . . . . . . 80
5.1. Información in situ tomada para la realización de soilgrid1km . . . . 82

5.2. Intensidad de precipitación diaria para todas las estaciones, la linea
plomas representan la serie de cada estación y la linea roja el promedio 86
Índice de cuadros
4.1. Imágenes Landsat adquiridas . . . . . . . . . . . . . . . . . . . . . . . 51

4.2. Adecuación de la base de datos GlobalLandCover30 a la base de datos
del SWAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3. Resumen del cambio de cambios observados 1998-2001 . . . . . . . . 59
4.4. Tabulación cruzada entre el uso de suelo para los años de 1998 y 2001 60
4.9. Parámetros del modelo SWAT-2005 pertinentes para la simulación
hidrológica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.10. Sensibilidad calculada por el método LH-OAT . . . . . . . . . . . . . 70
4.11. Cuadro resumen de los ı́ndices de CMA utilizados en esta investigación 77
4.12. Coeficiente de correlación entre los ı́ndices de CHA y los caudales por
encima del percentil 97.5 . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1. Coeficiente V de Cramer para las principales variables explicativas . . 83
10
Capı́tulo 1
Introducción
1.1. Antecedentes
En la actualidad muchos modelos hidrológicos se han utilizado para analizar y
predecir la escorrentı́a en el Perú, sin embargo, pocos de ellos se han convertido en
una herramientas de planificación y toma de decisiones, esto se debe principalmente
a la gran cantidad de datos de entrada que requieren y los procesos de modelización
son demasiado complejos para su aplicación operativa. Por otra parte los avances
en la simulación de la escorrentı́a tanto a nivel local, regional y global se han
visto limitados por la dificultad de medir la variabilidad espacio-temporal de las
precipitaciones.
Existen muchos estudios que analizan el rol de la escorrentı́a en la respuesta
hidrológica de cuencas. Wang, 2015, estudia como los cambios espaciales y
temporales de la cobertura y uso de suelo y la evapotranspiración afectan la
producción de escorrentı́a superficial mensual mediante el modelo hidrológico SWAT
en el rı́o Virginia (EEUU); Chen et al., 2014 estudio las producciones de escorrentı́a
con la intensión de examinar los impactos hidrológicos de la variabilidad del clima
y del cambio de uso de suelo en la cuenca del Rı́o del Este en China; Asimismo Yen
et al., 2015 estudia la importancia del estado hidrico previo en la producción de
escorrentı́a. Sin embargo, los estudios antes mencionados tienen la caracterı́stica
de poseer mucha información in-situ, algo totalmente ajeno a nuestra zona de
estudio, no obstante, existen propuestas basadas enteramente en sensoramiento
remoto como Inca, 2009 que evalúa las implicaciones del cambio de uso de suelo
en el funcionamiento ecosistémico y en la formación de sedimentos en la subcuenca
de Huatanay, Iseri, 2013 analiza la dependencia entre las cargas contaminantes y
la escorrentı́a superficial en la cuenca del rı́o Chikugo en Japón o Liu, 2015 que
analiza la viabilidad de los datos TRMM 3B42 V7 para ser utilizados en un modelo
11
Capı́tulo 1. Introducción 12
hidrológico fı́sico; estos estudio fueron realizados en cuencas de gran tamaño, y

los resultados muestran un gran sesgo entre lo simulado y observado, aunque los
resultados son satisfactorios luego de la calibración es claro el forzamiento y el
sobreajuste en los datos finales, estudios de esta ı́ndole no presentan confiabilidad,
sin embargo, sirven con punto de partida para cuencas en donde la ausencia de
información es notoria. Rı́o La cuenca del rı́o Vilcanota es una cuenca de montaña
perteneciente al sistema hidrográfico del Amazonas, afectada recurrentemente por
distintos tipos de peligros, siendo los de mayor gravedad los relacionados a las
inundaciones y riadas, a pesar de ello, no existen estudios cientı́ficos que ayuden
a entender y pronosticar estos peligros o alguna de sus componentes hidrológicas,
esto puede ser explicado por el alto costo de los estudios y falta de capital humano.
No obstante, podemos mencionar estudios puntuales que se realizaron tratando de
entender el origen y la recurrencia de la inundación del 2010, considerada la mayor
inundación del cual se tiene registro, ası́ podemos mencionar a Lavado et al., 2010,
que relaciona dicho evento con ı́ndices extremos de precipitación para determinar ası́
su variabilidad climática y Roberts Matthew and Emma, 2012, que estima el tiempo
de retorno y el nivel de la lámina de agua en la inundación del 2010 mediante modelos
estadı́sticos.
1.2. Planteamiento del Problema
Existe una sensación en el pensar colectivo de la población ubicada en los distritos

alrededores del ámbito de estudio, de que las inundaciones y riadas han aumentado
tanto de frecuencia e intensidad, esto también se ha visto reflejado en la base de
datos de DesInventar e INDECI (ver figura 1.1), ¿esto puede ser atribuido a una
variabilidad natural de los factores activadores de inundaciones o solo es producto a
una mayor exposición de las poblaciones al peligro? .En la cuenca del rı́o Vilcanota,
las inundaciones son formadas principalmente a causa de la escorrentı́a superficial
inmediata, por lo que esta correlacionada con lluvias intensas y aumentos de caudal.
Se entiende por escorrentı́a al resultado de la interacción de la orografı́a, el tipo de
suelo de la cuenca y del propio rı́o, la vegetación, la intensidad de precipitación
y la condición de humedad, siendo las 3 últimas, identificadas como los únicos
componentes que a lo largo de los años han presentado cambios significativos. Es
por ello, que se plantea la necesidad de un estudio abocado a entender la formación
de la escorrentı́a superficial en la cuenca del rı́o Vilcanota y de los factores que la
conforman. Su cuantificación y monitoreo es vital a la hora de plantear cualquier
proyecto hidráulico o de infraestructura, planes de gestión de recursos hı́dricos o

planes de gestión de riesgo.
Sin embargo, los instrumentos y métodos para su medición directa son costosos
y poco prácticos, por ello los modelos hidrológicos son muy importante debido a la
posibilidad de su estimación indirecta basado en datos de precipitación, temperatura
y condiciones fı́sicas del medio.
Figura 1.1: Ocurrencia de inundaciones y afectados en la cuenca del Urubamba entre

los años 1970 y 2012.
1.3. Problemática
1.3.1. Problema General

¿Es posible cuantificar y analizar espacio temporal la cuenca del rı́o Vilcanota?.
1.3.2. Problemas Especı́ficos

¿Cúan viable será el uso de sensoramiento remoto como medio para obtener
información fı́sica del medio?
¿Es posible cuantificar el uso del suelo en la Cuenca del rı́o Vilcanota?
¿La información previamente obtenida será suficiente?
¿Cómo y con qué variables se pueden plantear indicadores para predecir la

ocurrencia e intensidad de inundaciones?
1.4. Hipótesis
1.4.1. Hipótesis general

La escorrentı́a podrá ser caracterizada espacio temporal pero solo a
una resolución regional, la construcción espacial de esta variable se verá
imposibilitada por la pobre cantidad de estaciones.
1.4.2. Hipótesis Especı́fica

La base de datos basada en sensoramiento remoto permitirá obtener
información confiable solo para fines de estudios exploratorios.
La cobertura podrá ser obtenida eficientemente si se plantea el uso de imágenes

Landsat, MODIS no es eficiente para los objetivos de la investigación.
Indicadores de base estadı́stica basados en la precipitación con ventanas

móviles estimarán adecuadamente las inundaciones.
1.5. Objetivos
1.5.1. Objetivo General

Cuantificar y analizar espacial y temporalmente la escorrentı́a en la cuenca del
rı́o Vilcanota, a fin de entender la ocurrencia de inundaciones.
1.5.2. Objetivos Especı́ficos

Analizar la viabilidad de una base de datos basada en sensoramiento remoto
para el modelamiento hidrológico y mapas de cobertura del suelo.
Cuantificar el cambio de cobertura del suelo en la Cuenca del rı́o Vilcanota.
Modelar la cuenca del Vilcanota mediante el modelo hidrológico SWAT.
Plantear indicadores que permitan predecir la ocurrencia e intensidad de

inundaciones.
Capı́tulo 2
Marco teórico y conceptual
2.1. Ciclo hidrológico

El ciclo hidrológico no tiene ni principio ni fin y sus procesos ocurren en
forma continua (Chow et al., 1988), es descrito como el conjunto de cambios que
experimenta el agua en la naturaleza, tanto en su estado (sólido, lı́quido y gaseoso),
como en su forma (agua superficial, agua subterránea, etc.). El ciclo hidrológico
es completamente irregular, y es precisamente contra estas irregularidades que
lucha el ser humano. Una muestra de ello son los periodos de satisfacción con
los requerimientos del agua para las diferentes actividades, otros periodos de
sequı́as y otros de inundaciones (Villón, 2004). El ciclo hidrológico está conformado
principalmente por los siguientes componentes: (ver figura 2.1).
2.1.1. Precipitación
Desde el punto de vista hidrológico, la precipitación es la fuente primaria del

agua de la superficie terrestre; sus mediciones y análisis forman el punto de partida
de los estudios concernientes al uso y control del agua (Villón, 2004).
No toda el agua precipitada llega a la superficie de forma directa, hay una parte de
ella que es interceptada en su trayecto; esta intercepción la realizan las plantas, por
lo que se puede diferenciar dos términos, la precipitación incidente y la precipitación
neta (Reyes, 2014).
La precipitación incidente es la cantidad total de lluvia que es medida por encima
de la copa de los árboles o en un terreno abierto adyacente al bosque mientras que la
precipitación neta está compuesta por las gotas de agua que caen o drenan al suelo
desde el follaje y las ramas o que se escurren a través de los troncos.
15
Capı́tulo 2. Marco teórico y conceptual 16
Figura 2.1: Ciclo Hidrológico. Modificado de Chow et al., 1988.
La diferencia entre la precipitación neta con la incidente es conocida como

intercepción de la precipitación (Tobón and Morales, 2009).
2.1.2. Evapotranspiración
El proceso de evapotranspiración es un fenómeno combinado de pérdida de agua

por transpiración y evaporación directa del agua del suelo. Corresponde al fenómeno
fı́sico del pasaje de agua del estado lı́quido al gaseoso en condiciones naturales,
dependiendo de la disponibilidad de agua para la vegetación y necesitando una
importante cantidad de energı́a para que el proceso ocurra (Del Carmen, 2001).
2.1.3. Infiltración y percolación
La infiltración se define como el movimiento del agua, a través de la superficie

del suelo y hacia adentro del mismo, producido por la acción de las fuerzas
gravitacionales y capilares (Aparicio Mijares and Mijares, 1989). La percolación es el
movimiento por el cual el agua recorre los medios permeables de suelo saturados de
agua. Ambos fenómenos están ı́ntimamente ligados puesto que, la primera no puede
continuar sino cuando tiene lugar la segunda.
2.1.4. Escorrentı́a
Se entiende por escorrentı́a a la lámina de agua que circula libremente sobre la
superficie terrestre. Se puede producir dos tipos de escorrentı́a www.meted.ucar.edu
:
Escorrentı́a por exceso de infiltración: Se produce en los suelos que no están
saturados. De hecho, el suelo puede estar muy seco, pero debido a las propiedades
del suelo o de la cubierta del suelo el proceso de infiltración no puede absorber el
agua producida por un aguacero o un deshielo rápido.
Escorrentı́a por exceso de saturación: Se produce cuando el suelo está saturado
y no queda espacio para que se infiltre más agua. Esto puede ocurrir incluso en suelos
que normalmente, en condiciones subsaturadas, permiten la infiltración de grandes
cantidades de agua. (ver figura 2.2)
Figura 2.2: Tipos de Formación de Escorrentı́a Superficial. Obtenido de

www.meted.ucar.edu.
2.1.5. Flujo lateral

El flujo lateral es el agua que se mueve por debajo de la superficie del suelo y
sobre el nivel de los acuı́feros, la cual fluye subsuperficialmente y alimenta los canales
de drenaje, rı́os, lagos. El flujo subsuperficial lateral es calculado simultáneamente
con la percolación para el perfil del suelo entre (0-2m) mediante un modelo de
almacenamiento cinético, que usa la ecuación de conservación de la masa con el
perfil entero del suelo como el volumen de control (Proano et al., 2006).
2.2. Modelos hidrológicos

Un modelo hidrológico puede definirse como la representación matemática del
ciclo del agua sobre una determinada porción de territorio, con la finalidad de realizar
transformaciones lluvia-escorrentı́a. Los modelos hidrológicos buscan simplificar la

complejidad del mundo real por medio de una selección de los aspectos fundamentales
que determinan el funcionamiento del sistema hidrológico modelado, de forma que
generalmente cuantas más simplificaciones supone un modelo, menos precisos serán
sus resultados. Un sistema hidrológico engloba el conjunto de procesos fı́sicos,
quı́micos y biológicos que actúan sobre unas variables de entrada convirtiéndolas
en otras variables de salida (Clarke, 1973).
2.2.1. Clasificación de los modelos hidrológicos

En general los modelos hidrológicos se dividen en 4 (Ponce, 1989): :(1)
determinı́sticos, (2) probabilı́sticos, (3) conceptuales, y (4) paramétricos. Ver figura
2.2.
Figura 2.3: Clasificación de modelos hidrológicos.
Los modelos determinı́sticos son formulados siguiendo fórmulas de la

fı́sica y/o procesos quı́micos descritos por ecuaciones diferenciales. Un modelo
determinı́stico es formulado en términos de un grupo de variables, parámetros
y ecuaciones relacionadas a ellos. Implica una relación causa-efecto entre los
valores de los parámetros elegidos; y deberı́an proveer el mejor detalle en la
simulación de los procesos fı́sicos o quı́micos.
Los modelos probabilı́sticos son exactamente lo opuesto en significado a

los modelos determinı́sticos. Un modelo probabilı́stico se formula siguiendo las
leyes del azar o probabilidad. Los modelos probabilı́sticos son de dos tipos:
estadı́sticos, y estocásticos.
Los modelos estadı́sticos tratan con datos observados, mientras que los
modelos estocásticos, lo hacen con la estructura del azar observada en ciertas
series hidrológicas temporales.
Los modelos conceptuales son representaciones simplificadas de los

procesos fı́sicos, usualmente recaen sobre descripciones matemáticas (ya
sean en forma algebraica o por ecuaciones diferenciales ordinarias), que

simulan procesos complejos basándose en unas pocas claves de parámetros
conceptuales. El uso extensivo de los modelos conceptuales en la ingenierı́a
hidrológica refleja la complejidad inherente del fenómeno y la incapacidad
práctica de considerar los componentes determinı́sticos en todas las instancias.
De allı́ que los modelos conceptuales son sustitutos útiles y prácticos para los
modelos determinı́sticos.
Los modelos paramétricos son los más simples de todas las propuestas de
modelado. Como su nombre indica, el énfasis de los modelos paramétricos está
en los parámetros empı́ricos en los que está basada la solución. Usualmente,
un modelo paramétrico consiste en una ecuación (o ecuaciones) algebraica
que contiene uno o más parámetros a ser determinados por el análisis de
datos u otro medio empı́rico. La aplicabilidad de los modelos paramétricos
está restringida al rango de datos utilizados en la determinación de los
valores de los parámetros. Los modelos paramétricos son útiles cuando los
modelos conceptuales, determinı́sticos o probabilı́sticos no son prácticos o son
demasiado caros.
2.2.1.1. Modelos distribuidos frente a los modelos agregados
Los modelos hidrológicos determinı́sticos pueden subclasificarse en modelos

agregados y modelos distribuidos (Carpenter, 2006), cuya diferencia recae sobre la
unidad basica de análisis en la que divide la zona de estudio.
Los modelos agregados consideran las cuencas y subcuencas como unidades de
trabajo. En cambio, en los modelos distribuidos las unidades tienen generalmente
menor tamaño y están definidas de forma más regular. Además estas unidades no
tienen un significado hidrológico tan definido ni representan elementos hidrográficos
concretos (Olaya, 2004).
Los conceptos de modelos concentrados y distribuidos, opuestos en significado, no
son necesariamente excluyentes ya que los modelos concentrados pueden ser usados
como componentes de un gran modelo distribuido (Ponce, 1989,p. 393).
Lo que realmente constituye una diferencia importante entre los métodos
agregados y distribuidos, dentro del estudio hidrológico y desde el punto de vista
espacial, es la forma de realizar la subdivisión de la cuenca.
Los métodos distribuidos dividen el terreno en celdas de forma regular,
generalmente cuadrangulares, dando lugar a un “grid” o matriz de datos. El
objetivo es hacer la unidad de cálculo suficientemente pequeña para poder considerar
constante el valor de las variables y parámetros, que intervienen en los fenómenos

que van a ser analizados, dentro de la misma.
También podemos aplicar un modelo agregado en divisiones hidrográficas
naturales o subcuencas; y, aunque se sepa que las variables y parámetros no
pueden ser constantes en toda la unidad, adoptar los valores medios disponibles
como representativos de los valores reales. Este enfoque, mediante divisiones en
subcuencas, se presta menos a la mecanización del conjunto del territorio a estudiar,
que las celdas regulares; y, da lugar a los denominados modelos semidistribuidos de
gran aplicación en cuencas de mayor tamaño. (ver figura 2.4)
Figura 2.4: Modelos hidrológicos según la naturaleza de sus unidades básica

de análisis. A la izquierda tenemos a los modelos agregados, al centro a los
semidistribuidos y a la derecha a los distribuidos. Obtenido de http://www.meted.
ucar.edu/hydro/basic/Runoff_es/media/graphics/model_approaches.gif
2.2.2. Etapas de implementación de un modelo hidrológico

La implementación de un modelo hidrológico indiferente a los propósitos
particulares del mismo, requiere de tres etapas bien definidas:
Selección o construcción del modelo

Calibración
Validación
2.2.2.1. Selección o construcción del modelo
La construcción de un modelo de cuenca comienza con la selección de los

componentes del modelo. Una vez que éstos han sido elegidos, se unen como
partes del todo, siguiendo una secuencia lógica que recuerda a la del proceso
natural. La lluvia y la nieve son consideradas primero, seguidas por las abstracciones
hidrológicas, la generación del hidrograma de la subcuenca, reservorio y tránsito de
la corriente en el canal, y su combinación en las confluencias de la red hidrográfica
(Ponce, 1989).
La selección del modelo adecuado implica en primer lugar, definir la escala
fı́sica y la escala de tiempo en que se desea trabajar; y a partir de ello, se puede
decidir la estrategia de la modelización, seleccionando el ámbito de la modelización
(la cuenca, el tramo de rı́o, etc.) y el horizonte temporal (modelo continuo o de
evento, periodicidad de los resultados, duración de la simulación, etc.). En este
paso es fundamental la definición de los datos que estarán disponibles para la
construcción, calibración y explotación del modelo, puesto que la concepción global
del modelamiento, ha de ser consistente con la calidad de los datos disponibles
(Oñate Valdivieso, 2009).
2.2.2.2. Análisis de sensibilidad
Debido las condiciones subjetivas en las que fueron ideadas muchas de las
ecuaciones empı́ricas utilizadas en modelamiento hidrológico, es necesario un paso
complementario que posibilite estimar niveles de certeza y establecer una medida
cuantitativa del cambio relativo en los resultados del modelo causado por un cambio
correspondiente en los parámetros del mismo.
La sensibilidad es analizada usualmente aislando el efecto de cierto parámetro.
Si un modelo es altamente sensible a un parámetro dado, pequeños cambios en el
valor de ese parámetro podrı́a producir cambios significativos en el rendimiento del
modelo. Por ello, es necesario concentrar el esfuerzo del modelado en obtener buenas
estimaciones de este parámetro. Por otro lado, los parámetros poco sensibles pueden
ser relegados a un rol secundario (Ponce, 1989).
2.2.2.3. Calibración del modelo
Los modelos hidrológicos tienen por finalidad simular los fenómenos fı́sicos en
torno al agua. Sin embargo, a pesar de los recientes avances en ciencia y tecnologı́a,
no existe un modelo hidrológico que simule a la perfección los complejos procesos
que involucra la hidrologı́a debido a la presencia de errores de diferente origen, por
lo que es imprescindible un proceso de calibración para conseguir que éste simule
adecuadamente el comportamiento del sistema que representa (Ponce, 1989).
Según Tucci, 1998, la optimización es la búsqueda del valor de una variable o de n
variables, que proporcionen el mejor resultado para una función objetivo obedeciendo
ciertas restricciones. Las técnicas iterativas de optimización son utilizadas para
ajustar los parámetros de los modelos hidrológicos porque normalmente la función

objetivo resultante del uso de estos modelos es implı́cita, es decir los parámetros a
ser optimizados no forman parte explı́citamente de la función objetivo. Existen en
la literatura numerosos métodos de optimización, en este caso se utilizó el método
de optimización por enjambre de partı́culas (Particle Swarm Optimization o PSO,
por sus siglas en ingles).
2.2.2.4. Validación
Refsgaard and Knudsen, 1996 define la validación como la etapa de demostración

que el modelo es capaz de hacer predicciones en un lugar especı́fico determinado para
perı́odos fuera del perı́odo de calibración.
Normalmente el desempeño del modelo en la etapa de validación se cuantifica
mediante el cálculo del coeficiente de correlación R2 , la eficiencia EF (Nash and
Sutcliffe, 1970) y el error cuadrático medio (RMSE) entre caudales observados y
calculados por el modelo.
2.2.3. La informática y los SIG en los modelos hidrológicos

Las aplicaciones informáticas a lo largo de los años se han consolidado como
verdaderas herramientas con valor propio dentro de la modelización hidrológica,
sirve de primera imagen acerca de la relación que entre la ciencia de la hidrologı́a y
la de la computación ha existido a través de los últimos (Olaya, 2004).
El esquema de la figura 2.5 representa a modo de sı́ntesis el panorama en donde la
informática ha tenido alguna relevancia en la hidrologı́a, se encuentran señaladas en
trazo grueso aquellas áreas donde ha sido más notable respecto a las aproximaciones
y modelos clásicos.
Los sistemas de información geográfica, también conocidos con el acrónimo SIG,
viene representando en la actualidad la apertura de un nuevo campo de estudio e
investigación, que extiende las posibilidades del análisis hidrológico hasta lı́mites
con anterioridad insospechado. Olaya, 2012 menciona que los SIG han permitido la
realización las siguientes operaciones:
Lectura, edición, almacenamiento y, en términos generales, gestión de datos

espaciales.
Análisis de dichos datos. Esto puede incluir desde consultas sencillas a la
elaboración de complejos modelos, y puede llevarse a cabo tanto sobre la
componente espacial de los datos (la localización de cada valor o elemento)
como sobre la componente temática (el valor o el elemento en sı́).
Figura 2.5: Representación esquemática de los puntos en donde las aplicaciones

hidrológicas han tenido mayor repercusión. Obtenido de Olaya, 2004.
Generación de resultados tales como mapas, informes, gráficos, etc.
2.3. Módelo Hidrológico SWAT

El modelo hidrológico SWAT (Soil and Water Assessment Tool), de
obtención gratuita y disponible en internet: (http://swat.tamu.edu/software/
swat-executables/) tanto para sistemas operativos windows y GNU/Linux, es un
modelo continuo de base fı́sica usado para pronosticar el impacto que las prácticas
de manejo del suelo tienen en el agua, sedimentos y nutrientes en largos perı́odos de
tiempo (Di Luzio et al., 2002).
SWAT está definido por 8 componentes: hidrologı́a, clima, erosión y
sedimentación, temperatura del suelo, crecimiento de plantas, nutrientes, pesticidas
y manejo del suelo (Miller et al., 2007). El presente estudio se enfoca en los
componentes de hidrologı́a y clima. El ciclo hidrológico que simula SWAT se basa
en la ecuación de contenido final de agua en el suelo.
t
X
SWt = SW + (Ri + Qi − ETi + Pi − QRi ) (2.1)
i=1
Donde:
SWt es el contenido de agua en el suelo en el dı́a t.
SW es el agua aprovechable por las plantas o el contenido de agua en el suelo

menos el contenido de agua a 15-bar.
t es el tiempo en dı́as.
R es la precipitación diaria.
Q la cantidad de escorrentı́a diaria.
ET la evapotranspiración diaria.
P la percolación diaria.
QR el flujo de retorno o flujo base.
La simulación de la escorrentı́a a paso diario se obtiene mediante el uso de la

técnica de número de curva (CN) y paso horario por la ecuación de infiltración
de Green-Ampt. El modelo ofrece tres opciones para estimar el potencial de
Evapotranspiración (ET): Hargreaves (Hargreaves and Samani, 1985), Priestley-
Taylor (Priestley and Taylor, 1972) y Penman-Monteith (Monteith, 1965). El
componente hidrológico de la escorrentı́a superficial utiliza la fórmula de Manning
para determinar el tiempo de concentración de las cuencas hidrográficas, que es
considerado tanto para tierra como para el canal de flujo.
SWAT ha sido utilizado por investigadores de todo el mundo para diversas
aplicaciones en pequeñas y grandes cuencas e incluso a escala continental (Abbaspour
et al., 2015; Peraza-Castro et al., 2015; Yacoub and Pérez-Foguet, 2009; Musau et al.,
2015; Quintero et al., 2009). Las ventajas del modelo SWAT son: posibilidad de
modelar en cuencas no aforadas, predicción sobre el impacto relativo de los datos de
entrada alternativos (por ejemplo, cambios en las prácticas de gestión, el clima, la
vegetación, etc).
2.4. Optimización por Enjambre de Partı́culas

Dentro de las heurı́sticas de la inteligencia colectiva se encuentra el algoritmo de
optimización mediante enjambre de partı́culas (Particle Swarm Optimization o PSO,
por sus siglas en inglés) propuesto por Eberhart and Kennedy, 1995. Se reconocen
dos influencias básicas de inspiración en PSO:
El movimiento de bandadas de aves, en las que cada individuo se desplaza

mediante reglas simples de ajuste de su velocidad en función de las
observaciones que realiza sobre los individuos próximos en la bandada.
Un modelo social, en el que cada partı́cula representa una creencia, y las

influencias entre individuos, la aproximación de unos individuos a otros por
difusión de dichas creencias.
Se ha demostrado que PSO es una técnica muy eficiente para resolver problemas
de optimización de tipo continuo. Prácticamente cualquier modelo conexionista
puede ser entrenado por un algoritmo basado en PSO. Una ventaja que esta técnica
tiene con respecto a otras se debe a su nula necesidad de requerir el gradiente de la
función de activación (Franco, 2011).
Una solución potencial es representada en PSO mediante un vector llamado
partı́cula, individuo, elemento, agente o simplemente solución. Cada una de estas
partı́culas i tiene la misma dimensión n y se representan de la siguiente manera:
X(i) = (x(i,1) , x(i,2) , ..., x(i,n) ) (2.2)
Las partı́culas, sobre el espacio de búsqueda n−dimensional, “vuelan” tratando

de encontrar una solución óptima. Para hacer esto, cada individuo ajusta su posición
de acuerdo a una combinación lineal de su inercia, su propia experiencia y del
conocimiento del enjambre.
Cada agente almacena en una memoria la mejor posición encontrada hasta el
instante actual t. La experiencia de la partı́cula se denota como:
P (i) = (p(i,1) , p(i,2) , ..., p(i,n) ) (2.3)
El conocimiento del enjambre es el conjunto de memorias de cada partı́cula.

A diferencia de los algoritmos genéticos, en PSO no existe la competencia entre
individuos. Por lo tanto, la interacción entre las partı́culas, para obtener un beneficio,
es la norma. Para hacer esto, cada partı́cula pone a disposición de los demás su
memoria de conocimiento.
El algoritmo se diseñó inicialmente con un vecindario dinámico, dada la analogı́a
con la bandada de aves. Sin embargo, pronto se determinó que, para los problemas
de optimización considerados, era suficiente y más eficiente que el vecindario de cada
partı́cula se definiera de forma estática: es decir, cada partı́cula tiene unos vecinos
definidos a priori. En ello se aproxima a los algoritmos genéticos celulares, autómatas
celulares, y varios modelos de computación neuronal.
PSO modela la cooperación entre individuos mediante la definición de un

vecindario para cada partı́cula, de modo que en cada iteración se selecciona un
candidato de dicho vecindario para guiar la búsqueda de la partı́cula (termino social
(c2 r2t (Gi − Xit ) de la ecuación 2.6).
El algoritmo se diseñó inicialmente con un vecindario dinámico, dada la analogı́a
con la bandada de aves. Sin embargo, pronto se determinó que, para los problemas
de optimización considerados, era suficiente y más eficiente que el vecindario de cada
partı́cula se definiera de forma estática: es decir, cada partı́cula tiene unos vecinos
definidos a priori. En ello se aproxima a los algoritmos genéticos celulares, autómatas
celulares, y varios modelos de computación neuronal.
En lı́neas generales, las topologı́as más interconectadas distribuyen la información
de la mejor solución del enjambre con mayor rapidez; ello produce una convergencia
más rápida. Por otro lado, si esta velocidad es demasiado rápida, se incrementa la
probabilidad de que no se explore completamente el espacio de búsqueda; en ese caso
se puede producir la convergencia a un óptimo local en lugar de al optimo global.
La topologı́a Global Best (gbest) consiste en considerar que todas las partı́culas
están interconectadas. Si dicha partı́cula está próxima, en la inicialización, a un
óptimo local, será difı́cil que el enjambre escape al mismo. Por lo tanto, la topologı́a
gbest es la de máxima interconexión, el uso de topologı́a global best sólo resulta
adecuado en casos de problemas de optimización unimodales, es decir, cuando no
existe riesgo de convergencia prematura, ya que sólo existe un óptimo y es global.
En el extremo opuesto (baja interconexión), se define la topologı́a Local Best
(“lbest”), con una cardinalidad que suele ser reducida con respecto al número de
partı́culas del enjambre. En muchos casos el número de vecinos se mantiene en 3 o 5,
incluyendo a la partı́cula en cuestión (que serı́a vecina de sı́ misma). Habitualmente
se imaginan las partı́culas unidas en un anillo, y simplemente cada partı́cula es
vecina de las dos adyacentes (una a cada lado del anillo), o de las cuatro adyacentes
(dos a cada lado). La representación geométrica puede apreciarse en la figura 2.6
(Parraguez et al., 2015).
Al igual que en otros algoritmo de tipo evolutivo, PSO necesita de una función
de evaluación (también llamada función de aptitud u objetivo). Esta permite
determinar la calidad de las soluciones. Su importancia radica en que es la única
forma de poder evaluar la posición de cada elemento.
V (i) = (v(i,1) , v(i,2) , ..., v(i,n) ) (2.4)
Para realizar un desplazamiento, la partı́cula determina la velocidad

considerando su propia inercia W (busca evitar la convergencia prematura), su
(a) gbest (b) lbest
Figura 2.6: Topologı́as de vecindarios posibles en PSO, con particulas

representadas en un espacio bi-dimensional. Obtenido de
http://bioinf.modares.ac.ir/?page_id=577
memoria de conocimiento y su confianza en el enjambre, para después, sumarla

a la posición actual.
El grado de confianza lo determinan los operadores aleatorios r1 y r2 (en el rango
0-1) junto con los coeficientes de confianza c1 y c2 . Estos últimos, también llamados
constantes de aceleración, son los términos que tiran a cada partı́cula hacia las
posiciones P y G (Eberhart and Shi, 2001).
En otras palabras, las partı́culas hacen un movimiento hacia un punto intermedio
tomando en cuenta la mejor posición previa, el mejor informante y un punto accesible
desde la posición actual (ver figura 2.7). El ajuste de la posición de las partı́culas es
conceptualmente similar a la operación de cruce usado por los algoritmos genéticos
(Eberhart and Kennedy, 1995).
Las ecuaciones siguientes ajustan la velocidad y posición de cada partı́cula:
Vit+1 = wt Vit + c1 r1t (Pi − Xit ) + c2 r2t (Gi − Xit ) (2.5)
Xit+1 = Xit + Vit+1 (2.6)
Dónde: Vit+1 es la velocidad ajustada, W t la inercia del propio movimiento, c1

el coeficiente de confianza en la experiencia, c2 el coeficiente de confianza en la
experiencia del grupo, Pi la mejor posición previa de i, Xit+1 la posición actual de
i, Vit+1 la posición actual de i, Gi la mejor posición previa encontrada por el grupo,
r1t y r2t son operadores aleatorios entre 0 y 1., Xit+1 es la posición de la partı́cula i
después del ajuste.
Figura 2.7: Modificación de la posición de la partı́cula i.Fuente: Tomado de

El-Sawy et al., 2013.
En términos generales, PSO se puede describir en tres pasos. El primero es evaluar

cada elemento para determinar la calidad de la posición actual. Esto permite que
se puedan encontrar la mejor y las mejores partı́culas. Después, se deben realizar
los ajustes necesarios de las mejores posiciones previas. Por último, se determinan
los nuevos desplazamientos para cada partı́cula con la información ajustada. Por
analogı́a, estos movimientos no son más que una forma de tratar de imitar a otros
individuos.
Para detener el proceso se necesita que un criterio de parada se cumpla. Este
puede ser determinado por un número fijo de ciclos, opcionalmente, combinado con
un umbral de error aceptable. Al terminar la ejecución del algoritmo, la solución
que reporta el método es la mejor posición previa encontrada por alguna partı́cula l.
Franco, 2011 menciona que los pasos necesarios a considerar para aplicar el método
de PSO con éxito son los siguientes:
a. Inicializar la población. La posición de cada una de las partı́culas es

determinada de manera aleatoria.
b. La mejor posición previa es igualada a la posición actual.
c. Cada posición es evaluada en la función de aptitud para determinar la calidad
de la solución.
d. Se compara la aptitud de la posición actual con la mejor previa.
e. Asignar informantes (vecindario) de tamaño k a la partı́cula.

f. Determinar la mejor partı́cula del vecindario.
g. Ajustar la velocidad.
h. Ajustar la posición.
i. Verificar si se cumple el criterio de parada.
j. Si no se cumple, regresar al paso e.
La versión original de PSO presentaba algunas desventajas. Si la mejor solución

está estancada en algún óptimo local, todas las partı́culas tenderán rápidamente a
concentrarse en ese punto (Afsahi and Meybodi, 2010). Otra importante desventaja
era su poco control para tener un balance entre la exploración y la explotación. Para
contrarrestar estos problemas, se utiliza el coeficiente de inercia W (Abdel-Kader,
2010).
2.5. Modelos Predictivos del Cambio de

Cobertura de Suelo
El análisis y modelamiento del cambio de cobertura de suelo pretende identificar
sus causas, su ubicación y el momento en que ocurrieron (Oñate Valdivieso, 2009).
Para que un modelo predictivo se transformen en una herramienta útil es necesario
que representen de manera eficaz la magnitud de los cambios, la localización de los
futuros cambios, y; los patrones espaciales de estos cambios (Brown et al., 2002).
Para modelar los patrones espaciales de los cambios Theobald and Hobbs,
1998, sintetizan los modelos causales del cambio del uso de cobertura en dos tipos
principales: modelos de regresión y modelos basados en la transición espacial. El
primer tipo establece relaciones funcionales entre un grupo de variables espaciales
predecibles que son utilizadas para predecir la localización de los cambios en el
paisaje. Este tipo incluye modelos de regresión logı́sticos, modelos de precio hedónico
y redes neurales artificiales. El segundo tipo de modelo es ejemplificado por una
extensión espacio-temporal del modelo de transición de Markov conocido como
autómata celular. Ambos tipos de modelos pueden utilizarse para incluir sitios
geográficos y variables de situación en los cambios modelados (Brown et al., 2000).
2.5.1. Modelos de regresión

Los modelos basados en regresión establecen relaciones entre un amplio rango de
variables explicativas/predictivas y los cambios observados de ocupación del suelo,
para posteriormente, utilizar dichas variables para estimar la localización de los

cambios futuros sobre el paisaje (Oñate Valdivieso, 2009).
La influencia de estos factores locales sobre el cambio de ocupación del suelo,
puede ser modelado en función del decaimiento de la distancia, donde la influencia
decrece con el incremento de ésta (Weng, 2002), o empleando variables distribuidas
espacialmente como el tipo edafológico del suelo, la pendiente, elevación, etc., en la
que su influencia viene dada por su posición geográfica.
Generalmente en la modelación en base a regresión se ha hecho uso de
aproximaciones lineales, como las regresiones logı́sticas y no lineales como las redes
neuronales, estas últimas se detallaran con mayor detalle debido que fue utilizado
en este trabajo.
2.5.1.1. Redes Neuronales
Las redes neuronales artificiales (Artificial Neural Network o RNA, por sus siglas
en inglés) son sistemas de procesamiento que tratan de reproducir la capacidad que
tiene el cerebro humano para reconocer patrones, hacer predicciones o tomar una
decisión en base a la experiencia pasada. Ası́, mientras el cerebro humano confı́a en
la estimulación neuronal, las redes neuronales actúan sobre un conjunto de datos
para aprender. Dichas redes destacan por su desempeño en la solución de complejos
problemas, donde el reconocimiento de modelos o comportamientos es importante
(Freeman and Skapura, 1993).
Debido a su precisión, eficiencia, y la capacidad de modelar las relaciones
no lineales, red neural artificial (RNA) son ahora ampliamente utilizado para
la clasificación, reconocimiento de patrones, la función de aproximación, y la
optimización en diversas aplicaciones (Jain et al., 1996).
Un número de investigadores han informado con éxito en la aplicación
RNAs para calibrar los modelos de uso/cobertura de suelo en diversas regiones
(Oñate Valdivieso, 2009; Mahajan and Venkatachalam, 2009; Isong et al., 2012).
Una RNA consiste principalmente de una capa de entrada, una o más capas
ocultas, y una capa de salida. Cada capa consiste en un número de neuronas. Cada
neurona en la capa de entrada acepta una de las variables de entrada y genera un
valor de salida a la capa siguiente. De tal manera, las variables de entrada son como
señales que pasan a través de las capas de la RNA y, finalmente, generan valores de
salida (Qiang and Lam, 2015).
En la figura 2.7 se ilustra la arquitectura de una de tres capas RNA. La ecuación
2.8 describe cómo una neurona en la capa de receptor recibe los valores de las
neuronas en la capa de remitente, donde Iin es el valor de entrada de la neurona
i-ésima en la capa de emisor y Ijn+1 es la salida generada por la neurona j-ésimo en

la capa de receptor.Wij denota los pesos de los valores de entrada y b es un valor
añadido al sesgo de la suma de todas las entradas. Hay algunas opciones para la
función de transición f . La selección de f depende de las caracterı́sticas de los datos
a ser entrenado. En la capa de entrada, todas las variables deben ser reescalado en
el rango entre 0 y 1 para la normalización (Qiang and Lam, 2015).
n
X
Ijn+1 = f ( wij Iin + bj ) (2.7)
i=1
Figura 2.8: Estructura de un RNA de 3 capas. Obtenido de Basheer and Hajmeer,

2000)
2.5.2. Modelos de Transición

Los modelos basados en transición espacial asumen explı́citamente que las áreas
vecinas influyen en la probabilidad de transición del área o celda central. Estos
modelos abarcan, principalmente, las técnicas estocásticas basadas en Cadenas de
Markov y Autómatas Celulares (AC) (Pontius and Malanson, 2005; Van Vliet et al.,
2012)
2.5.2.1. Automatas Celulares
Los autómatas celulares (AC) son un tipo de modelo discreto comúnmente

utilizado en la modelización de procesos espacio-temporales. Un autómata celular
está caracterizado por los siguientes componentes:
Una rejilla o cuadriculado (lattice) de enteros (conjunto Z) infinitamente

extendida, y con dimensión d ∈ Z + . Cada celda de la cuadrı́cula se conoce
como célula.
Cada célula puede tomar un valor en Z a partir de un conjunto finito de estados

k.
Cada célula, además, se caracteriza por su vecindad, un conjunto finito de

células en las cercanı́as de la misma.
De acuerdo con esto, se aplica a todas las células de la cuadrı́cula una función
de transición (f ) que toma como argumentos los valores de la célula en cuestión
y los valores de sus vecinos, y regresa el nuevo valor que la célula tendrá en
la siguiente etapa de tiempo. Esta función f se aplica de forma homogénea a
todas las células, por cada paso discreto de tiempo.
Cada AC es inherentemente un modelo espacial, es directamente compatible con

los datos de mapa de bits y se puede implementar fácilmente en un SIG. Hoy en dı́a,
es ampliamente aplicado en el modelado de los procesos ambientales y ecológicos
(Wang et al., 2006; Ward et al., 2000).
Capı́tulo 3
Caracterización de la zona de
estudio
En este capı́tulo se centra en la descripción general de la cuenca del

Vilcanota considerando, por un lado la ubicación geográfica, los aspectos fı́sicos
más importantes como: el clima, la vegetación, la geologı́a y la fisiografı́a, la
descripción del componente biológico y finalmente, se describen las caracterı́sticas
socioeconómicas más importantes de los centros urbanos pertenecientes y
circundantes a la cuenca, exponiendo información sobre caracterı́sticas sociales e
información de los corredores económicos existentes, este punto es ineludible ya que
nos ayudará a entender de mejor manera las formas de ocupación del territorio a lo
largo de los años.
3.1. Descripción general de la cuenca del rı́o

Vilcanota
La Cuenca del Vilcanota constituye uno de los ecosistemas de montaña más

importantes del sur del paı́s debido al potencial turı́stico que alberga y más aún
por su inserción en el sistema amazónico. Pese a sus potencialidades, se evidencia
cada vez más, un deterioro de sus bases productivas debido a gravı́simos procesos
de contaminación de aguas, erosión de los escasos suelos con aptitud agropecuaria;
depredación de la cobertura vegetal; erosión genética, degradación de ecosistemas,
inundaciones, etc., esto es consecuencia del modelo de desarrollo imperante que
alimenta, la ocupación informal del territorio, la desorganización social, la pobreza,
el desempleo entre otros.(Gómez, 2004)
33
Capı́tulo 3. Caracterización de la zona de estudio 34
3.1.1. Ubicación geográfica

La cuenca del Vilcanota es la naciente del rio Urubamba se encuentra en la
región Cusco, al sur del Perú, se localiza polı́ticamente en las provincias de Canas,
Canchis, Acomayo, Quispicanchis, Paucartambo, Cusco, Anta, Urubamba, Calca y
La Convención, tiene su origen en el nevado de Cunuruna, en la provincia de Canchis,
y finaliza en su confluencia con el rı́o Yanatile, en la provincia de La Convención.
Tiene una superficie aproximada de 96 276 km2 (ver Figura 3.1).
Figura 3.1: Ubicación de la cuenca del Vilcanota
3.1.2. Aspectos fı́sicos

3.1.2.1. Clima
El clima en la cuenca del Vilcanota se halla bajo la influencia macro-climática de

grandes masas de aire provenientes de la selva sur oriental, del Altiplano, e incluso de
región de la Patagonia. Los vientos que llegan del Altiplano peruano-boliviano son
más bien frı́os y secos, al igual que los que provienen de la Patagonia, ingresando por
la zona sur oriental. Por otro lado, los vientos locales que se generan en sus valles y
en sus llanuras tienen la función de distribuir calor y humedad a lo largo del dı́a. Los
vientos de la selva sur implican inmensas masas de aire cargadas de humedad, que
son impulsadas por los vientos alisios del oriente. La altitud en la que se encuentra
la cuenca y su proximidad al ecuador genera una variedad de climas en los que se
distinguen los siguientes tipos climáticos.
Climas Húmedos: Corresponden a las zonas de selva baja, este tipo climático
se extiende en la parte baja de la cuenca, presenta precipitaciones por encima
de los 1 000 mm al año con temperaturas máximas alrededor de los 30 ➦C y
mı́nimas alrededor de los 20 ➦C.
Climas Templados (húmedos y secos): Climas de los valles interandinos

que domina casi toda el área de la cuenca, la diferencia en humedad está
marcada por la ubicación en la vertiente. Es decir, la cercanı́a al oriente
implica más humedad, mientras que la proximidad al occidente implica mayor
sequedad. Las zonas de clima templado son de vital importancia para el
asentamiento de las poblaciones, presenta una precipitación aproximada de
500 a 1 000 mm al año con temperaturas máximas hasta de 29 ➦C y mı́nimas
de 0 ➦C.
Climas Frı́os (húmedos y secos): Se dan en las zonas altas de los valles,
en las punas y en las regiones que rodean a los glaciares; es decir, en áreas
que se encuentran por encima de los 4 000 msnm., presenta una precipitación
aproximada de 900 a 1 600 mm al año con temperaturas máximas hasta de 10
➦C y mı́nimas bajo los 0 ➦C.
Información de la distribución espacial de la precipitación anual y temperatura

mı́nima y máxima puede apreciarse en la figura 3.2. Los datos fueron extraı́dos del
producto PISCO (Peruvian Interpolation data of the SENAMHI’s Climatological
and hydrological Observation). PISCO presenta una serie de datos hidroclimáticos
(erosión, evapotranspiración, precipitación y temperatura máxima y mı́nima) a
buena escala espacial (0.05) y paso mensual para el periodo de 1981-2014, su
generación está basada en técnicas geoestadı́sticas, información in situ y datos de
sensoramiento remoto.
3.1.2.2. Hidrografı́a e hidrologı́a
El rı́o Vilcanota se origina a 5 443 msnm, en el abra de La Raya (nevado

Cunuruna), ubicado en la cordillera oriental de los Andes, con una pendiente
promedio en el cauce principal de 0.77 %, una longitud desde su naciente hasta
su confluencia con el rı́o Yanatile, aproximada de 409.3 Km.
(a) Precipitación Anual (b) Temperatura minima
(c) Temperatura máxima
Figura 3.2: Climatologı́a de las mencionadas variables hidroclimáticas.

Generado a partir de ftp://ftp.senamhi.gob.pe/
Se han identificado 9 sub-cuencas (figura 3.3), que serán descritas brevemente:
Subcuenca del rı́o Hercca: Se encuentra en la zona sur de la cuenca

principal, perteneciente a las provincias de Canas y Canchis. Dentro de su
extensión se encuentran la laguna Languilayo.
Subcuenca del rı́o Sallca: Ubicada al sureste de la cuenca principal y

polı́ticamente pertenece a la provincia de Canchis. Es la subcuenca de mayor
extensión, esta es la subcuenca en donde las pasturas han sufrido mayores
alteraciones, variando su receptividad y soportabilidad, debido al efecto del
ganado sobre la vegetación.
Subcuenca del rı́o Pitumarca: Presente en la zona sureste de la cuenca

del rı́o Vilcanota, contigua a la del rı́o Salcca, pertenece polı́ticamente a la
provincia de Canchis. En esta cuenca, al igual que en las anteriores, los cauces
naturales no han sufrido modificaciones naturales e inclusive en la zona baja
hay presencia de pendientes de moderadas a fuertes, presentando ası́ una

densidad de drenaje baja.
Subcuenca Chuquicahuana: Ubicada al suroeste de la cuenca principal

y perteneciente polı́ticamente a las provincias de Canas y Acomayo, aquı́
encuentran tres de las lagunas más importantes de todo el ámbito de estudio,
que captan el drenaje de la zona y luego lo descargan al rı́o Vilcanota:
Pomacanchi, Pampamarca (Tungasuca) y Asnacocha.
Subcuenca del rı́o Quiquijana: Representa el inicio del estrangulamiento

de la cuenca del rı́o Vilcanota y abarca zonas que administrativamente
corresponden a las provincias de Quispicanchi y Paucartambo.
Subcuenca del rı́o Huatanay: Ubicada en la zona central de la cuenca

principal, pertenece polı́ticamente a las provincias de Cusco, Quispicanchi y
Calca. Esta es la subcuenca en donde los cambios de ocupación de suelo son
más notorios ocasionados principalmente por crecimiento urbano de la ciudad
de Cusco.
Subcuenca del rı́o Pisac: Se encuentra ubicada de manera contigua a la

subcuenca Machu Picchu y la subcuenca del rı́o Huatanay. Abarca territorios
de las provincias de Cusco, Calca y Quispicanchi. En esta zona los cauces
naturales han sufrido algunas modificaciones artificiales, como obras de
protección ribereña, especı́ficamente el rı́o Vilcanota, al atravesar las zonas
urbanas de Pisac y San Salvador.
Subcuenca del rı́o Huarocondo: Pertenece polı́ticamente a las provincias

de Anta, Cusco y Urubamba, se forma de la confluencia de los rı́os Cachimbo
y Pitumarca.
Subcuenca Machu Picchu: Ubicada en forma contigua a las dos anteriores,

pertenece polı́ticamente a la provincia de Urubamba. Presenta diversos
afluentes principales entre los que podemos mencionar a los rı́os Sillque y
Cusichaca.
3.1.2.3. Fisiografı́a
La cuenca del Vilcanota está caracterizada por su verticalidad y altitud

considerable creando un efecto de barrera entre el lado oriental y occidental de
los andes, las geoformas que predominan son el resultado de la interacción de
Figura 3.3: Subcuencas hidrográfica del Vilcanota
factores tectónicos, orogénicos y litológicos, ası́ como también de agentes erosivos y

climáticos.
Este análisis ha permitido establecer que se identifiquen tres grandes paisajes:
planicies, colinas y montañas.
Gran paisaje montañoso: Esta paisaje es el que predomina en mayor

proporción a lo largo de toda la cuenca, se ha formado debido a procesos
estructurales dominados por la acción combinada de movimientos orogénicos
y epirogénicos de levantamiento y a la acción modeladora de la erosión pluvial,
los que poco a poco fueron formando importantes estratos potentes de tal
material, por los procesos de diagénesis se consolidaron y posteriormente por
acción del levantamiento de la cordillera de los andes, se originó este gran
paisaje, caracterizado por presentar actualmente superficies con ondulaciones
pronunciadas que le confieren un aspecto corrugado de intensidad variable.
Gran paisaje de colinas: Está dominada por aquellas tierras que en
su conjunto están conformadas por elevaciones prominentes entre altitudes
mayores a 20 metros y menores a 300 metros sobre el nivel de base local,
caracterizadas por presentar una topografı́a abrupta, con relieves accidentados
y pendientes fuertemente inclinados a empinados (8-50 %), que se localizan
cerca o a continuación de las estribaciones montañosas.
Gran paisaje de planicies: Se ha formado directamente por la acción

demoledora y deposicional del agua de los rı́os, quebradas y demás cursos,
quienes han modelado al macizo rocoso hasta llegar a su actual configuración,
ası́ como por la acción demoledora y deposicional de los glaciares, quienes han
modelado al material original hasta llegar a su actual configuración.
Según el mapa fisiográfico del 2 000 generado por el Instituto de Recursos

Naturales (INRENA) la cuenca presenta los siguientes sub-paisajes (ver figura 3.3).
Figura 3.4: Unidades fisiográficas presentes en la Cuenca del Vilcanota
3.1.2.4. Geologı́a
Las formaciones geológicas presentes en la cuenca del rio Vilcanota pueden

dividirse según la época de su formación en:
Cuaternario
❼ Depósitos fluviales. Son originados por la acción erosiva y de
sedimentación del rı́o Vilcanota durante el cuaternario. Estos depósitos
se encuentran a todo lo largo del valle, compuestos por depósitos
conglomerádicos, capas de suelos orgánicos, depósitos de arcillas y limos
de baja potencia; ası́ como gravas de grano fino a grueso y arenas
cuarzosas medias distribuidos en terrazas a lo largo del valle en la parte

donde se ubican los poblados de Calca y Urubamba. Estos depósitos están
cubiertos por flujos de lodo y limos arenoarcillosos de color marrón oscuro.
❼ Depósitos aluviales. Podemos encontrar estos depósitos sobreyaciendo
a los depósitos fluviales, conformados por flujos de barro a manera de
conos aluviales en las pequeñas quebradas del valle, con presencia de
cárcavas de material anguloso y matriz limo-arcillosos finos, de colores
rojizos a marrón oscuro.
Paleóceno
❼ Grupo San Jerónimo. Podemos encontrarlo desde el sector de

Huarán, aproximadamente, hasta la capital de provincia que es la
ciudad de Urubamba. Compuesta por areniscas gruesas y medias cuarzo
feldespáticas intercaladas con lutitas rojas.
Cretáceo
❼ Formación Maras. Podemos encontrarlo desde el distrito de

Huayllabamba hasta la ciudad de Urubamba; en esta zona la
Formación Maras aflora como parte del Grupo Yuncaypata, ésta yace
concordantemente a la Formación Paucarbamba. Se trata de una
secuencia caótica como una mezcla de yesos, lutitas y escasas calizas,
se estima que tiene un grosor de 100 y 200 metros y se le asigna una edad
Albiano Medio (Cretáceo inferior).
❼ Miembro Maras I. Se encuentra en la base de la columna estratigráfica y
está conformado por estratos de yeso, con escasos horizontes de arcillitas y
limonitas rojas o areniscas rojizas. Miembro Maras II. Subyace al miembro
Maras I. Este miembro está compuesto mayormente de areniscas rojizas
de grano fino a medio con escasos horizontes arcillo-limosos.
❼ Miembro Maras III. Se compone mayoritariamente de secuencias
alternantes de lutitas y limonitas, en horizontes delgados, las secuencias
arcillosas presentan coloración verdosa y se puede observar también
escasos niveles de areniscas y abundante contenido de yeso entre las capas.
Según el Instituto Geológico Minero y Metalúrgico del Perú (INGEMMET), en

la cuenca del rı́o Vilcanota existen 21 formaciones geológicos (ver figura 3.4), una
pequeña descripción de cada clase puede verse en el anexo del presente documento.
Figura 3.5: Formaciones geológicas presentes en la Cuenca del Vilcanota
3.1.3. Aspectos Biológico

3.1.3.1. Zonas de vida
Las zona de vida como tal, es una división en partes ecológicamente equivalentes,
de los rangos climáticos naturales en que se ha dividido el globo terrestre. Se
determinan por rangos cuantitativos de biotemperatura media anual, la precipitación
promedio anual y la relación de evapotranspiración potencial, factores que muestran
una interacción e independencia, cuya acción se refleja en la vegetación natural de la
zona de vida. Se considera que estos factores ejercen un dominio sobre la fisionomı́a
de la vegetación natural y de las formas biológicas reunidas en ella a pesar de la
acción local de los factores geomórficos, edáficos, bióticos y atmosféricos (Tosi, 1960).
En la cuenca del Vilcanota se han identificado 10 zonas de vida (figura 3.5), que
se describen a continuación.
Bosque húmedo – Premontano Subtropical (bh-PS).
Bosque muy humedo – Montano Bajo Subtropical (bmh – MBS).
Bosque pluvial – Subalpino Subtropical (bp – MS).
Bosque seco – Montano Bajo Subtropical (bs – MBS).

Estepa – Montano Bajo Subtropical (e-MBS).
Estepa espinoso – Montano Bajo Subtropical (ee-MBS).
Nival - Subtropical (n - S).
Páramo muy humedo - Subalpino Subtropical (pmh - SaS).
Páramo pluvial - Subalpino Subtropical (pp - SaS).
Tundra pluvial – Alpino Subtropical ( tp – AS).
Figura 3.6: Zonas de vida para la cuenca del Vilcanota. Información obtenida del
INRENA.
3.1.3.2. Flora
La Cuenca del Vilcanota por sus variadas condiciones fisiográficas y climáticas

propician una variedad de ecosistemas, donde la flora tiene un alto grado de
endemismo y se distribuye a través de la gradiente altitudinal, desde el piso de
valle a 2700 m hasta los suelos crióturbados en la lı́nea de los picos nevados a 4900
m. Los diversos estudios botánicos realizados en el ámbito de estudio documentan
2351 especies de plantas incluidas las vasculares y no vasculares considerando a la
cordillera del Vilcanota como centro de diversidad especifica del genero Polylepis
con 6 de las 10 especies registradas para el Perú.
La flora representativa se puede dividir en las siguientes formaciones vegetales,
como son: a) Piso nival, b) Lı́nea ecotónica y pajonal de puna, c) Vegetación arbórea,
arbustiva y herbácea, d) Bosque húmedo de montaña. Otro ecosistema caracterı́stico
de la cuenca es el Bosque de Polylepis que contiene una fauna y flora única, como son
las aves Cinclodes aricomae y Leptasthenura xenothorax. Además se le considera uno
de los hábitats más vulnerables de los altos Andes por la fuerte presión antropogénica
existente (tala para leña y materiales de construcción además de sobrepastoreo), ya
que constituyen el único recurso maderable en esas alturas (Tupayachi, 2005).
3.1.3.3. Fauna
Para la Cuenca del Vilcanota no existen registros completos que cubra toda su
extensión. Sin embargo, los esfuerzos de investigación se han centrado principalmente
en el Santuario Histórico de Machupicchu, y en el valle Sagrado de los Incas, dejando
un vacı́o de información para la parte alta de la cuenca.
Para el Santuario Histórico de Machupicchu se han registrado hasta el momento
un aproximado de 523 especies, los cuales incluyen 13 especies de peces, 12 de
anfibios, 22 de reptiles, 423 de aves y 53 de mamı́feros; 125 familias de artrópodos,
3 especies de moluscos y una especie de onicophoro (Servat et al., 2015).
3.1.4. Aspectos socioeconómicos
Para el análisis del componente socioeconómico de la cuenca del rio Vilcanota,

se parte del conocimiento de las provincias involucradas territorialmente a la
cuenca, tales como Calca, Urubamba, Anta, Cusco, Paurcartambo, Quispicanchi,
Acomayo, Canchis y Canas. El ordenamiento territorial de la región se caracteriza
por la desarticulación entre la capital (Cusco) y las demás provincias y ciudades
importantes (Sicuani y Quillabamba), lo que limita su desarrollo. En contra posición
destaca su gran riqueza ecológica por lo que existe gran potencialidad entre los pisos
alto andino, valle interandino y ceja de selva para emprender grandes proyectos de
desarrollo. Canchis es la provincia con mayor área territorial (44.7 %) y está integrada
por 8 distritos, los que hacen un total de 3,999.27 km2 , mientras que las provincias
de Paucartambo y Acomayo son las que tienen las menores áreas, 255.86 y 275.56
km2 , respectivamente (ver figura 3.6).
Figura 3.7: Provincias que se encuentran dentro del ambito de estudio
3.1.4.1. Aspectos Demográficos
Según los resultados del Censo de Población y Vivienda del año 2 005, la cuenca
del rio Vilcanota cuenta con aproximadamente 154,322 viviendas, de las cuales más
del 17 % se encuentran en el distrito de Cusco. Las provincias que más han crecido
en el perı́odo 1 940 – 2 005 son las ubicadas en la sub cuenca del Huatanay, es decir
en el ámbito donde se desarrolla la actividad turı́stica. De otro lado, las provincias
de la cuenca alta, donde prevalece la actividad agropecuaria, han presentado un
crecimiento lento y en algunos distritos hasta con crecimiento poblacional negativo
en este mismo perı́odo.
3.1.4.2. Indicadores de Pobreza
Según el último reporte de las Naciones Unidas del Índice de Desarrollo Humano
(IDH), el distrito de Pisac se ubica en el último lugar de los distritos del ámbito
de estudio, ocupando el puesto 1 624 a nivel nacional. Ası́ también en esperanza
de vida al nacer, alfabetismo, logro educativo, ingreso familiar, ocupa los últimos
lugares respecto a los otros distritos. Si consideramos que de 1828 distritos que tiene
el Perú, Pisac ocupa el puesto 1 624, esto es representativo del grado de pobreza de
sus pobladores.
De acuerdo al IDH la pobreza distrital en orden descendente del más pobre
al menos pobre es de la siguiente manera: Pisac (1 624), Chinchero (1 378),
Ollantaytambo (1 342), Calca (927), Urubamba (887) y Machu Picchu (726). En

resumen, el limitado acceso y deficientes servicios básicos, el alto porcentaje de
desnutrición infantil, la alta tasa de analfabetismo femenino y los bajos ingresos,
caracterizan de por si la pobreza que existe en el ámbito de estudio.
3.1.5. Aspectos Económicos

Los principales corredores económicos de la región giran en torno a las actividades
productivas y comerciales concentradas en las ciudades de Cusco, Sicuani y
Quillabamba. Para el caso de la actividad agrı́cola, el circuito comercial se basa en
el maı́z (Maı́z Gigante Blanco), café y cacao. La ganaderı́a tiene presencia relevante
en las provincias altas. En el caso del ganado vacuno, su carne beneficiada o en pie,
se orienta a los mercados de la ciudades de Cusco, Arequipa y Lima. La producción
agroindustrial constituida por harinas de trigo, cebada y maı́z, ası́ como mermeladas
y néctares de fruta surten al mercado local y también a Puno y ciudades fronterizas
de Bolivia.
El año 2003, la Red Vial de la Región Cusco tenı́a una longitud de 5,435.43 Km.,
correspondiendo a la Red Vial Nacional el 14.9 %, a la Red Vial Departamental el
32.0 % y a la Red Vecinal el 53.1 %. Del total, el 8.5 % estaba asfaltada, el 40.5 %
afirmada, el 17.7 % sin afirmar y el 33.3 % eran trochas.
Los principales corredores económicos de la Región son:
Sicuani - Cusco - Urubamba - Quillabamba - Ivochote.
Cusco - Anta - Limatambo.
Cusco - Paucartambo - Pillcopata
Sicuani - Espinar - Chumbivilcas
Cusco - Pacarectambo - Santo Tomás
Urcos - Ocongate - Quincemil
Cusco - Calca - Amparáes - La Quebrada – Quellouno.

Capı́tulo 4
Metodologı́a
4.1. Construcción de la base de datos
4.1.1. Datos necesarios para el modelado hidrológico

El modelamiento hidrológico puede realizarse utilizando diferentes conjuntos de
datos de suelos, coberturas vegetales, etc. Sin embargo, cabe resaltar que algunos
de ellos se necesitan independientemente del mecanismo de modelado que se esté
utilizando. Un buen modelo hidrológico tiene que responder a algunas preguntas
muy importantes para ser útil a las autoridades locales en la planificación territorial,
diseño hidráulico o para evaluar los daños causados por los fenómenos extremos que
se presentasen.
La primera y más importante pregunta es: “ ¿De dónde viene el flujo de agua?”,
para responder a esta pregunta se puede utilizar un modelo de elevación digital del
área de estudio, este conjunto de datos, luego de un procesamiento previo, brinda
información sobra las direcciones que puede tomar el flujo de agua y bajo una
correcta aplicación de umbrales se puede estimar la red de drenaje.
La segunda cuestión, más compleja y que requiere operaciones más complicadas,
es “ ¿cuánta agua fluye?”, aquı́ se parte del planteamiento del balance hı́drico para
el área de estudio, cabe resaltar que la calidad de los datos de entrada es vital a la
hora de realizar dicha tarea. Por lo general, estos datos incluyen la precipitación,
evapotranspiración, intercepción, caracterı́sticas de la cobertura de la tierra y datos
sobre tipo de suelo. Si se considera el flujo de agua subterránea, los datos también
pueden incluir caracterı́sticas hidrogeológicas del terreno, humedad del suelo y la
descripción del acuı́fero. El resultado final de esta etapa es la cantidad de agua
disponible después de las lluvias en cada URH o celda (depende del enfoque de
modelamiento aplicado, este punto es discutido en el capı́tulo 2 de la presente tesis).
46
Capı́tulo 4. Metodologı́a 47
La tercera cuestión, que da el resultado final y es la parte más importante de

un modelo hidrológico es “¿Cuál es el caudal que genera el escurrimiento en todos
los puntos de interés de la ruta de flujo?”. Esto se resuelve utilizando un método de
enrutamiento; en el presente estudio se utiliza el modelo SWAT que utiliza el método
de enrutamiento de Muskingum agregado. A continuación se presenta la información
utilizada para la caracterización del área de estudio y la simulación hidrológica.
4.1.2. Cartografı́a Temática del área de estudio

Esta información contribuyo a la realización de la caracterización del rı́o
Vilcanota. Se recurrió a la base de datos de la Autoridad Nacional del Agua
(ANA), del Instituto de Recursos Naturales (INRENA) hoy Ministerio del Ambiente
(MINAM), del Instituto Geológico Minero Metalúrgico (INGEMMET) entre otros.
La información que se priorizo estuvo referida al tipo de suelo y cobertura vegetal.
Los mapas revisados son los siguientes:
Mapa de Cobertura vegetal del Perú 2012 (MINAM).
Mapa de cuenca hidrográficas 2009 (ANA).
Mapa de tipo de suelos del Perú 2009 (INRENA).
Mapa geomorfológico 2000 (INRENA)
Mapa Geológico del Perú 1999 (INGEMMET).
Areas Naturales Protegidas del Perú (SERNANP).
Mapa de Zonas de Vida del Perú (ONERN)
4.1.3. Modelo Digital de Elevación (MDE)

El conocimiento del factor topográfico es un insumo básico para comprender
gran parte de los procesos ocurridos en la superficie de la tierra, en nuestra área de
estudio y en el Perú en general se cuenta con tres productos que brindan información
altimétrica de libre acceso: la carta nacional del IGN a la escala 1:100 000, el MDE a
partir de técnicas interferométricas, Shuttle Radar Topography Mission (SRTM), y el
MDE a partir de tecnicas estereoscópicas, Advance Space Borne Thermal Emisión
and Reflection Radiometer (ASTER). A pesar de que la información altimétrica
expuesta presentan rangos de precisiones conocidos, son muchos los autores que
señalan que esta dependerá finalmente de las condiciones locales presentes en el área
de estudio (Kiamehr and Sjöberg, 2005; Schumann et al., 2008; Nikolakopoulos et al.,
2006).
Si bien se pudo trabajar con cualquiera de los datos antes expuestos, se optó
finalmente por utilizar el producto SRTM debido a su mayor precisión en terrenos
escarpados y mayor aplicación en investigaciones hidrológicas (Satgé et al., 2015;
Ludwig and Schneider, 2006).
El MDE SRTM v.4.1 fue obtenido a través del enlace http://srtm.csi.cgiar.
org/ (ver Figura 4.1), esta versión incorpora los métodos de interpolación descritos
por Reuter et al. (2007) para la complementación de las zonas sin información
producto de sombras muy espesas y lagunas, se descargado en un formato raster
GeoTIFF a partir de mosaicos provistos de 5 ◦ x 5 ◦ , los cuales fueron adaptados en
un a una sola imagen, el MDE para el ámbito de estudio puede observarse en la
figura 4.2.
Figura 4.1: Portal de descargas del MDE SRTM 4.1
La información de la red hı́drica fue obtenida del MDE pero a su vez contrastada
con la red hı́drica realizada por el Instituto Geográfico Nacional (IGN).
4.1.4. Datos hidrometeorológicos e hidrométricos

Los datos hidrometeorológicos fueron obtenidos a través del Servicio Nacional
de Meteorologı́a e Hidrologı́a del Perú (SENAMHI). Se seleccionaron 21 estaciones
meteorológicas, de las cuales todas contaban con registro de precipitación y solo 10
Figura 4.2: MDE para la cuenca del Rı́o Vilcanota
con registros de temperatura máxima y mı́nima (ver anexo). Se realizó un control de

calidad visual de la series de cada estación comparando además con las estaciones
circundantes con el fin de eliminar los outliers e incoherencias espaciales y temporales
de los datos. Un ejemplo de los errores encontrados en la data puede apreciarse en
la figura 4.3. El periodo de registro de las estaciones luego del control de calidad
puede observarse en el anexo y la ubicación espacial de las mismas en la figura 4.4.
4.1.5. Datos de cobertura del suelo

La información de cobertura del suelo fue obtenida a partir de las imágenes
satelitales Landsat, se adquirieron imágenes para las fechas de 1988,2001 y 2014,
se trató que fuese posible elegir solo las imágenes correspondientes a la temporada
seca con la finalidad de que exista la menor cobertura nubosa, además de que en
este periodo se evidencia una mayor diferenciación entre la vegetación perenne y
transitoria. Los detalles de las imágenes empleadas puede verse en el cuadro 4.1 y
la ubicación de los mosaicos la figura 4.5.
Adicionalmente con fines comparativos y de validación se descargó el producto
GlobalLand30 (Chen et al., 2015), los datos fueron obtenidos del http://www.
globallandcover.com/GLC30Download/index.aspx descargados en un formato
raster GeoTIFF a partir de mosaicos provistos de 5 ◦ x 6 ◦ .
Figura 4.3: Registro pluviométrico de la estación Zurite, en la figura superior

observamos el registro diario, la figura inferior izquierda representa los datos
mensualizados y la figura inferior derecha el diagrama de cajas de los datos diarios.
Figura 4.4: Estaciones consideradas para el estudio
GlobeLand30 cubre el área entre los 80 ◦ N y 80 ◦ S, y los mosaicos se organizan

por dos métodos. Los mosaicos de datos de tamaño de 5 ◦ (latitud) x 6 ◦ (longitud)
ubicados entre los 60 ◦ N y 60 ◦ S, de tamaño de 5 ◦ (latitud) x 12 ◦ (longitud) dentro de
los 60 ◦ a 80 ◦ de latitud norte y sur. El sistema ofrece la descarga gratuita en lı́nea
Cuadro 4.1: Imágenes Landsat adquiridas
Imagen Adquisición Path/Row

Landsat 5 TM 1988-08-25 469
Composición
Landsat 5 TM 1988-08-18 370
para 1988
Landsat 5 TM 1988-08-25 470
Landsat 5 TM 2001-08-13 469
Composición
Landsat 5 TM 2001-08-06 370
para 2001
Landsat 5 TM 2001-08-13 470
Landsat 8 OLI 2014-08-25 469
Composición
Landsat 8 OLI 2014-09-06 370
para 2014
Landsat 8 OLI 2014-08-25 470
Figura 4.5: Ubicación de las imágenes descargadas
para las instituciones de investigación y organizaciones de bienestar público. Los

pasos para la obtención del GlobalLand30 se puede apreciar en la figura 4.6.
Figura 4.6: Pasos para la obtención del producto GlobalLand30
4.1.5.1. Adecuación de la base de datos de cobertura del suelo al modelo

hidrologico SWAT
Se relacionó las clases encontradas en la clasificación de las imágenes Landsat

con la base de datos SWAT que está conformado con los tipos de cultivo y cobertura
más comunes (ver cuadro 4.2), esta información es importante ya que influye
notoriamente en la evapotranspiración, intercepción y erosión superficial.
Cuadro 4.2: Adecuación de la base de datos GlobalLandCover30 a la base de datos

del SWAT
Descripción de las
Código SWAT Descripción SWAT
clases encontradas
Cultivos AGRL Agricultural land-generic
Vegetación arbustiva FRST Forest-mixed
Pajonal-barbecho PAST Pasture
Cuerpos de agua WATR water
Uso de Suelo Casco Urbano URHD Residual High Density
Lecho Rocoso BARR Barren
Permanent snow
WATR water
and ice
Leptosol 18834 Leptosol
Tipo de Suelo Regosol 18835 Regosol
Cambisol 18835 Regosol
Andosol 188839 Luvisols
4.1.6. Datos de Tipo de Suelo

Los datos de tipo de suelo es quizás la información más complicada de obtener
debido a su alto costo y excesivo trabajo de campo necesario. Debido a que escapa
del presupuesto de la presente investigación se optó por el uso de la información
provista por el SoilGrids1km, esta es una colección de mapas sobre propiedades y

clase de suelos actualizable del mundo con una resolución relativamente gruesa de 1
km este producto está basado en el perfil global de la tierra y datos de covarianza
(Hengl and G, 2014).
Los datos WorlSoil1km pueden obtenerse del siguiente link http://soilgrids.
org/ o vı́a FTP ftp://ftp.soilgrids.org/, estos datos se obtienen en formato
raster GeoTIFF a partir de mosaicos provistos de 10 x 10 ◦ . La información de tipo
de suelo para nuestro ámbito de estudio puede apreciarse en la figura 4.8.
Figura 4.7: Portal de descargas del SoilGrids1km
Figura 4.8: Información de tipo de suelo en la cuenca del rı́o Vilcanota

4.1.6.1. Adecuación de los datos de tipo de suelo al modelo hidrológico

SWAT
La base de datos de suelos utilizada por SWAT contiene información sobre las
propiedades fı́sicas de los suelos que rige el movimiento del agua y el aire a través del
perfil, teniendo un impacto importante en el ciclo hidrológico. Debido a que la base
nativa de tipo de suelo del SWAT no presenta datos claros de las clases generadas
por el soilgrid1km se procedió a utilizar la base de datos mundial de suelos HWSD
(Harmonized World Soil Database). Las variables requeridas en la base de datos de
suelos de acuerdo con Neitsch et al., 2005a son las siguientes:
Numero de capas que contiene el perfil del suelo. Se pueden ingresar

de 1 a 10 capas.
Profundidad máxima de enraizamiento en el perfil del suelo (mm).

Es la suma total de cada una de las profundidades de las capas de perfil.
Si no se especifica la profundidad, el modelo asume que las raı́ces se pueden
desarrollar en la profundidad total del perfil.
La profundidad desde la superficie hasta la parte inferior de cada

capa (mm).
La densidad aparente húmeda (mg/m3 o g/cm3 ). La densidad aparente

del suelo expresa la relación entre la masa de partı́culas sólidas y el volumen
total del suelo.
ρb = Ms /Vt (4.1)
Donde ρb es la densidad aparente, Ms la masa de partı́culas sólidas y Vt el

volumen total del suelo. Los valores de densidad aparente deberı́an estar entre
1.1 y 1,9 mg/m3 .
Capacidad de agua disponible en la capa de suelo (mm del suelo

H2 O/mm). El agua disponible en plantas, también conocida como la
capacidad de agua disponible, se calcula restando la fracción de agua presente
en el punto de marchitez permanente a la capacidad de campo permanente:
AW C = F C − W P (4.2)
Donde AWC es el contenido de agua de la planta, FC es el contenido de

agua a capacidad de campo, y WP es el contenido de agua en el punto de
marchitez permanente. La capacidad de agua disponible se calcula mediante
la determinación de la cantidad de agua liberada entre la capacidad de campo

in situ (el contenido de agua del suelo a potencial mátrico, -0.033MPa) y el
punto de marchitez permanente (el contenido de agua del suelo a potencial
mátrico, -1.5 MPa).
Conductividad hidráulica saturada (mm/h). La conductividad

hidráulica saturada (Ks at), relaciona la proporción del flujo de agua y el
gradiente hidráulico, y es una medida de la facilidad de movimiento del agua
a través del suelo.
Contenido de carbono orgánico en el suelo ( % del peso del suelo).

Es la porción de una muestra de suelo que pasa a través de un tamiz de 2 mm.
Contenido de arcilla ( % del peso del suelo). El porcentaje de partı́culas

de suelo que tienen un diámetro equivalente y menor a 0.002 mm.
Contenido de limo ( % del peso del suelo). El porcentaje de partı́culas

del suelo que tienen un diámetro equivalente entre 0.05 y 0.002 mm.
Contenido de arena ( % del peso del suelo). El porcentaje de partı́culas

de suelo que tienen un diámetro entre 2.0 y 0.05 mm.
Contenido de fragmento de roca ( % del peso del suelo). El porcentaje

de la muestra que tiene un diámetro de partı́culas superior a 2 mm.
Factor de erodavilidad del suelo (kusle ). Esta propiedad define la perdida

de suelo por erosión hı́drica.
4.2. Caracterización de la cobertura del suelo en

la cuenca del Vilcanota
En este sección se describe los pasos para la generación de mapas de ocupación
y cobertura del suelo para los años 1988, 2001 y 2014 obtenido a través de la
clasificación supervisada de las imágenes Landsat, además, se detalla la metodologı́a
seguida para la generación de un escenario futuro según tendencias de evolución
observadas. Se estudian las relaciones entre los cambios y las variables explicativas
para modelar luego, estocásticamente, mapas futuros siendo el año horizonte 2030
(ver figuras 4.9, 4.13 y la figura 5 del anexo).
4.2.1. Procesamiento de Imágenes de Satélite
Figura 4.9: Metodologı́a seguida para la generación de los escenarios de uso de suelo.
4.2.1.1. Preprocesamiento
El preprocesamiento de imágenes de satélite (figura 5.1), es el primer paso a

realizar debido a una serie de interferencias o de errores (los cuales pueden ser
radiométricos, geométricos y/o atmosféricos) durante su recepción, que perturban los
datos que quiere analizarse. El objetivo del preprocesamiento es mejorar la calidad
de la información para las 9 imágenes Landsat descargadas correspondientes a la
época seca (ver capı́tulo 4 sección 1), no fue considerado una corrección geométrica
a las imágenes utilizadas debido a que las imágenes ya vienen con un nivel de
procesamiento L1T (Precision, Terrain Corrected), lo que significa que se les ha
realizado una corrección geométrica usando puntos de control sobre el terreno (que
provienen del conjunto de datos GLS2000) y un MDE (SRTM, NED, CDED, DTED
y GTOPO 30), esta corrección no es del todo precisa pero es suficiente para los
propósitos de esta investigación.
En primera estancia se realizó la conversión de los valores digitales (ND) a
radiancia, aplicando la siguiente fórmula.
L = a1 + a0 ∗ N D (4.3)
Donde L hace referencia a la radiancia, a0 pendiente o gain y a1 es una constante

llamada bias. Tanto a0 y a1 fueron obtenidos del header de la imagen. Luego se
calculó la reflectancia al tope de la atmósfera TOA (indica la relación existente
entre la energı́a incidente y la reflejada), utilizando la siguiente fórmula:
ρ(λ) = L.π.d.cos(θ)/Ei (λ) (4.4)
Donde ρ(λ) es la reflectancia al tope de la atmosfera, L la radiancia, d la distancia

tierra-sol expresada en unidades astronómicas, Ei (λ) irrandia solar y θ el ángulo
cenital solar. Finalmente se corrige los valores de reflectancia mediante el método
de sustracción de objeto oscuro (DOS), que asume que las áreas en una imagen de
valores conocidos nulos de reflectancia (para el estudio se consideraron las lagunas
profundas) deben presentar también valores nulos en la imagen satelital y de no
cumplirse, la reflectancia aparente deberı́a ser producto de la dispersión (scatering)
atmosférica, con estos valores y procedimientos aditivos se procede a calibrar el resto
de la imagen.
4.2.1.2. Clasificación de Imágenes de Satélite
La clasificación de imagen hace referencia a la tarea de extraer clases

de información de una imagen ráster multibanda. Para encontrar las clases
correctamente especializadas se inició con el proceso de segmentación, que consta de
un fraccionamiento en función a caracterı́sticas de color, brillo, tonalidades y textura
y de una combinación de los segmentos acorde con su vecino más cercano (Li et al.,
2009; Blaschke, 2010). Se obtuvo los niveles de la segmentación considerando los
tamaños de fragmentos por medio de una inspección visual, realizándose varias
pruebas cambiando el rango de la fragmentación, hasta obtener el que más se
ajustaba a la delimitación de las coberturas (ver figura 4.10).
Se emplearon 2 composiciones de bandas RGB 321 y RGB 452 para Landsat 5 y
RGB 432 y RGB 543 para Landsat 8 con el fin de poder diferenciar entre cobertura
de agua, nieve o hielo permanente y suelo, para esta tarea también se apoyó en la
utilización de realces espectrales, con el fin de definir mejor el contraste entre las
mismas (figura 4.9).
Una vez definida la cobertura del suelo sin considerar cuerpos de agua o nieve,
se utilizó el Índice de vegetación de diferencia normalizada (Normalized Difference
Vegetation Index o NDVI, por sus siglas en ingles Rouse Jr et al., 1974), este es
un ı́ndice muy utilizado para evaluar la vegetación y los cambios en la cobertura
del suelo (Sohl, 1999; Kindu et al., 2013).El ı́ndice de NDVI se obtiene mediante la
Figura 4.10: Segmentación de la imagen Landsat en la ciudad de Cusco
Figura 4.11: Mapa de uso de suelo generado para los años de 1988, 2001 y 2014 en
la Cuenca del Rio Vilcanota.
ecuación:
IR − R
N DV I = (4.5)
IR + R
Donde IR se refiere a la banda infrarroja y R a la banda roja.
Las clases fueron determinadas usando el algoritmo de clasificación máxima

verosimilitud (Maximum Likelihood Classification o MLC, por sus siglas en ingles),
identificándose 4 clases: Vegetación, cultivos, Pajonales-Barbecho, Casco Urbano-
Lecho Rocoso, este proceso fue realizado para las imágenes correspondientes a las
fechas 1988,2001 y 2014. Los resultados pueden apreciarse en la figura 4.11.
4.2.2. Predicción de escenarios de cobertura del suelo

4.2.2.1. Detección de Cambios
El primer paso para la predicción de escenarios futuros de ocupación de suelo es

cuantificar los cambios ocurridos en el pasado, para esta tarea se utilizan los mapas
de cobertura del suelo de los años 1988, 2001 y 2014 previamente obtenidos, no
obstante, se consideró invariantes las clases correspondientes a cuerpos de agua y
cobertura nival debido a que sus procesos de cambio ocurren a otra escala de tiempo
y debido a procesos fı́sicos distintos y no de interés para los fines de la investigación.
Los cambios ocurridos entre 1988 y 2001 para las clases restantes (Barbecho-pajonal,
cultivos, vegetación arbustiva y casco urbano- lecho rocoso) pueden apreciarse en
el cuadro 5.1. En el cuadro 5.2 apreciamos la tabulación cruzada entre las clases
identificadas para las fechas 1988 y 2001, la diagonal principal representa las zonas
en las que se presentó persistencia de la situación inicial; los valores restantes de
la matriz, fuera de la diagonal principal, representan los cambios ocurridos. La
ganancia de una categorı́a se determina restando el total de la fila menos el valor
estable (persistencia) que se encuentra en la diagonal principal de dicha categorı́a
temática. Los cambios netos se obtienen mediante la diferencia entre los totales de
filas menos los totales de columnas de la tabulación cruzada, debemos considerar
que los cambios netos no necesariamente representan todos los cambios ocurridos
ya que existe el caso de que se pueda producir compensaciones entre los cambios
ocurridos en dos lugares diferentes. El mapa obtenido para el año 2014 es utilizado
para la validación y comparación del modelo predictivo propuesto.
Cuadro 4.3: Resumen del cambio de cambios observados 1998-2001
1988 2001
△ 1988 % 2001 % △%
(km2 ) (km2 )
Casco Urbano-
392.23 443.05 50.82 4.074 4.601 0.527
Lecho rocoso
Barbecho-
5551.22 5329.52 -221.7 57.659 55.357 -2.303
Pajonal
Cultivos 1911.63 2194.21 282.58 19.856 22.791 2.935
Vegetación
1772.52 1660.82 -111.7 18.411 17.251 -1.160
arbustiva
Una vez cuantificados los cambios entre los dos años analizados (1988 y 2001),
cada uno de ellos fue considerado como un submodelo independiente de transición ya
que lo más probable es que cada cambio ocurrido obedezca a factores particulares,
diferentes según el caso y éstos serán modelados en función a variables explicativas
Cuadro 4.4: Tabulación cruzada entre el uso de suelo para los años de 1998 y 2001
Casco Urbano- Barbecho- Vegetación

Cultivos Total
Lecho rocoso pajonal arbustiva
Casco Urbano-
190.82 170.32 18.56 12.53 392.23
Lecho rocoso
Barbecho-
8.16 5329.29 178.83 34.94 5551.22
pajonal
Cultivos 3.72 323.72 1511.81 72.38 1911.63
Vegetación
1.73 14.126 12.32 1742.91 1772.52
arbustiva
Total 204.43 5838.89 1721.52 1862.76 9627.6
mediante una RNA (ver figura 4.12). Si analizamos también los cambios ocurridos
para las fechas 2001 y 2014 observamos que se obedecen las mismas tendencias de
cambio que se presentaron para los años 1988 y 2001 (cuadros 4.4 y 4.5).
2001 2014
△ 2001 % 2014 % △%
(km2 ) (km2 )
Casco Urbano-
204.43 392.23 187.8 2.123 4.074 1.950
Lecho rocoso
Barbecho-
5838.89 5251.22 -587.67 60.647 54.543 -6.104
Pajonal
Cultivos 2221.52 2511.63 290.11 23.074 26.087 3.013
Vegetación
1362.76 1472.52 109.76 14.154 15.294 1.140
arbustiva

Cultivos Total
Casco Urbano-
372.42 48.64 10.41 11.58 443.05
Lecho rocoso
Barbecho-
10.16 5219.66 53.57 46.13 5329.52
pajonal
Cultivos 5.42 247.72 1841.11 99.96 2194.21
Vegetación
4.23 35.2 6.54 1614.85 1660.82
arbustiva
Total 392.23 5551.22 1911.63 1772.52 9627.6
4.2.2.2. Variables Explicativas
Las variables explicativas son las encargadas de explicar los cambios de uso de
suelo, debemos tener presente que los cambios de cobertura del suelo son el resultado
de la interacción de múltiples factores que varı́an en el tiempo y el espacio según
especı́ficas condiciones humanas y medioambientales, en las que los condicionantes
biofı́sicas son tan importantes como los condicionantes antrópicas (Lambin et al.,
2003).
El éxito del modelo dependerá del potencial de las variables elegidas para
explicar la ubicación de los nuevos usos. Obviamente, las variables explicativas más
apropiadas variarán en función de la categorı́a del tipo de cambio de uso de suelo
que se quiere modelar y de la región modelada; por ejemplo, la ubicación de cultivos
en secano dependerá mucho más de la precipitación media anual que la proximidad
a áreas residenciales, pero esto último podrı́a tener un poder explicativo alto en caso
de modelización de expansión de viviendas unifamiliares alejadas de la ciudad véase
(Schneider and Pontius, 2001). Para la presenta investigación se platearon cuatro
variables explicativas fı́sicas y 2 variables socioeconómicas:
La precipitación total anual que condiciona la proliferación de especies

vegetativas transitorias.
La elevación (DEM), que define la frontera agrı́cola.
La distancia a cursos de agua.
La pendiente del terreno, debido a que limita las actividades agrı́colas.
Distancia a las vı́as de comunicación.
Distancia a los centros poblados.
Se consideró la distancia de vı́as y a las ciudades debido a que son factores

que motivan y facilitan la explotación agrı́cola y pueden ser factores que incidan
directamente en el cambio de uso o cobertura (ver figura 4.12).
4.2.2.3. Entrenamiento de la red neuronal y simulación mediante

autómata celulares
Se utiliza una RNA de perceptrón multicapa, cuyos datos de entrada son el

raster de cambio de uso de suelo entre 1988-2001 y las variables explicativas
previamente descritas, los pesos que se le dará a cada neurona, durante la fase
Figura 4.12: Variables Explicativas consideradas en el estudio
de entrenamiento, se calculan mediante el algoritmo back propagation (BP ), que

selecciona aleatoriamente los pesos iniciales y luego compara las salidas calculadas
con los resultados esperados (transiciones observadas). La diferencia entre los
valores observados y calculados es cuantificada mediante el error cuadrático medio
(RM SE), el mismo que luego es distribuido a todos los nodos de la red, calculándose
nuevamente los pesos de cada nodo. Este proceso es repetido muchas veces hasta
que el error se estabiliza en su nivel más bajo (Pijanowski et al., 2002). Se utilizó
una función sigmoide para definir el umbral de la RNA.
Utilizando las mismas variables explicativas y el modelo RNA ya entrenado,

se puede calcular la probabilidad de que una celda cambie o persista en una de
las 4 clases analizadas mediante reglas de transición impuestas por un autómata
celular. Se simularon 2 escenarios uno para el año 2014 y 2030. El mapa simulado
para el 2014 fue comparado con el mapa generado de la clasificación de la imagen
Landsat presentándose una confiabilidad total del 70.82 %, un ı́ndice Kappa de
0.7482 y un coeficiente de correlación de 0.793, estos resultados demuestran una
buena confiabilidad de los escenarios generados. El mapa simulado para el 2030
puede verse en la Figura 4.13.
Figura 4.13: Metodologı́a para la predicción de escenarios de uso de suelo

Figura 4.14: Escenario generado para el año 2030; en verde se a
2014 2030
△ 2014 % 2030 % △%
(km2 ) (km2 )
Casco Urbano-
443.05 451.82 8.77 4.602 4.693 0.091
Lecho rocoso
Barbecho-
5329.52 5210.23 -119.29 55.357 54.118 -1.239
Pajonal
Cultivos 2194.21 2302.79 108.58 22.791 23.919 1.128
Vegetación
1660.82 1662.76 1.94 17.251 17.271 0.020
arbustiva
4.3. Implementación del modelo SWAT en la

cuenca del Vilcanota
Este sección detalla la puesta operativa del modelo hidrológico SWAT en

la cuenca del rı́o Vilcanota. En él se describe los pasos seguidos y supuestos
considerados para la simulación y la calibración mediante PSO.

Cultivos Total
Casco Urbano-
440.12 7.79 1.41 2.5 443.05
Lecho rocoso
Barbecho-
1.63 5178.26 18.29 12.05 5329.52
pajonal
Cultivos 0.76 132.37 2149.22 20.44 2194.21
Vegetación
0.54 11.1 25.29 1625.83 1660.82
arbustiva
Total 443.05 5329.52 2194.21 1660.82 9627.6
4.3.1. Simulación del modelo SWAT

4.3.1.1. Descripción del modelo SWAT
Debido a la naturaleza y desarrollo del modelo, SWAT permite simular diferentes

procesos fı́sicos en la cuenca, opera tı́picamente en un intervalo de tiempo diario para
simulaciones a largo plazo en las cuencas y representa heterogeneidades espaciales
dividiendo el ámbito de estudio en varias subcuencas. El uso de subcuencas en una
simulación es particularmente beneficioso cuando existen áreas con usos o tipos de
suelos dominantes o diferentes a modo de incrementar la precisión en la predicción
del caudal, movimiento de pesticidas, sedimentos o nutrientes, SWAT permite dividir
aún más las sub-cuencas en múltiples unidades de respuesta hidrológica (Hydrologic
Response Unit o HRU, por sus siglas en inglés) basado en la combinación de suelo,
cubierta vegetal y pendientes.
La cantidad y calidad de agua simulada de cada subcuenca se enrutan y
distribuyen al caudal de salida de la cuenca (Neitsch et al. 2005b).
Entre las ventajas del modelo SWAT podemos mencionar:
Modelo de base fı́sica.
Posee una comunidad de usuarios numerosa.
Gran cantidad de documentación.
Emplea datos de entrada relativamente fáciles de conseguir exceptuando la

información de cultivos e información de cobertura.
4.3.1.2. Delimitación de la cuenca y subcuencas
La delimitación de la cuenca se realizó en función a la estación de aforo, para

este proceso se utilizó información de alturas espacializada obtenida del MDE y un
raster de 0 y 1 donde 1 represente el área de la cuenca. A partir de esta información

fue posible calcular la dirección de flujo mediante el algoritmo D8 (Moore, 1996), la
acumulación de flujo y delimitación de las subcuencas existentes (figura 4.15).
Figura 4.15: Subcuencas generadas en la zona de estudio
4.3.1.3. Definición de la Unidades de Respuesta Hidrológica
Las unidades de respuesta hidrológica (HRU, por sus siglas en ingles), son áreas
dentro de una cuenca que presentan caracterı́sticas geo-climáticas homogéneas y
el mismo comportamiento hidrológico frente a las precipitaciones. La definición de
HRUs se realiza mediante la elección de categorı́as temáticas relevantes en el proceso
de formación de escorrentı́a superficial e infiltración dentro de una cuenca. Para la
presente investigación las categorı́as escogidas fueron el uso de suelo, tipo de suelo
y pendiente (la pendiente fue subclasificada en 3 clases; de 0 a 6 %, de 6 a 10 %
y mayores a 10 %.), este información es interceptada, obteniéndose ası́ 399 HRUs
(figura 4.16).
4.3.1.4. Información meteorológica
La información meteorológica es definida por la localización y cota altitudinal

de las estaciones (figura 4.3), los valores registrados de precipitación media diaria y
Figura 4.16: Número de HRUs generadas en la cuenca del rı́o Vilcanota
temperaturas mı́nimas y máximas diarias principalmente, aunque también cabe la

posibilidad de introducir valores de radiación y velocidad del viento medias diarias,
sin embargo no fueron utilizadas en el estudio debido a la inexistencia de los datos.
4.3.1.5. Salidas de información
SWAT permite definir el inicio y final de la simulación. Para este estudio se

analizó los periodos 2001-01-01 al 2011-01-01. Las salidas de todos los parámetros
generados por el modelo hidrológico SWAT se reproducen en distintos archivos (ver
tercera columna del cuadro 4.9), la información de caudal se encuentra en el archivo
watout.dat. Al comparar los resultados de la simulación con la estación hidrométrica
km.105 se obtuvo un Nash de -1.07 lo que evidencia la necesidad de un ajuste a sus
parámetros (ver figura 4.17).
4.3.2. Calibración del Modelo Hidrológico SWAT

SWAT contiene numerosos parámetros que describen procesos en los que
hidrologı́a, calidad del agua, y el sistema suelo-planta interactúan. El Cuadro 4.3
muestra el conjunto de 22 parámetros que utiliza SWAT para las simulaciones
hidrológicas.
Como primer paso es necesario un análisis de sensibilidad sobre los 22 parámetros
listados en el cuadro 6.1, con el fin de tomar solo en cuenta los parámetros
Figura 4.17: Simulación del modelo SWAT respecto a la Estación hidrométrica km.
105
Cuadro 4.9: Parámetros del modelo SWAT-2005 pertinentes para la simulación
hidrológica.
Parámetros SWAT-2005
Baseflow alpha factor [days] ALPHA BF *.gw
Manning’s “n” value for the main channel [-] CH N2 *.rte
Initial SCS CN II value [-] CN2 *.mgt
Saturated hydraulic conductivity [mm/hr] SOL K *.sol
Available water capacity [mm H2O/mm soil] SOL AWC *.rte
Effective hydraulic conductivity in
CH K2 *.rte
main channel alluvium [mm/hr]
Soil evaporation compensation factor [-] ESCO *.hru
Surface runoff lag time [days] SURLAG *.bsn
Snowfall temperature [➒C] SFTMP *.bsn
Snowmelt base temperature [➒C] SMTMP *.bsn
Minimum melt factor for snow [➒C] SMFMN *.bsn
Snowpack temperature lag factor [-] TIMP *.bsn
Maximum melt factor for snow [➒C] SMFMX *.bsn
Manning’s “n” value for overland flow [-] OV N *.hru
Deep aquifer percolation factor [-] RCHRG DP *.gw
Threshold water depth in the shallow
GWQMN *.gw
aquifer for flow [mm]
Groundwater “revap” coefficient [-] GW REVAP *.gw
Groundwater delay time [days] GW DELAY *.gw
Moist soil albedo SOL ALB *.sol
Threshold water depth in the
REVAVMN *.gw
shallow aquifer for “revap” [mm]
Plant uptake compensation factor [-] EPCO *.bsn
Maximum canopy storage [mm H 2O] CANMX *.hru
más relevantes en la simulación; esta tarea se realizó mediante el algoritmo Latin

Hypercube One-factor-At-a-Time (LH-OAT) desarrollado por Van Griensven et al.
(2006). LH-OAT combina el método OAT (one factor at a time) y método de muestro
LH (Latin Hypercube) tomando el muestreo de Latin Hypercube como puntos
iniciales para el diseño OAT. El análisis de sensibilidad identifica los parámetros
que tienen una influencia significativa en los resultados del modelo hidrológico con
respecto a las observaciones reales. Los códigos de programación usados para realizar
esta tarea pueden verse en la última parte del anexo y son una adactación de Rojas
and Zambrano-Bigiarini, 2012.
Los detalles del análisis de sensibilidad aplicado a los parámetros del modelo
SWAT son los siguientes:
Se usó como indicador de ajuste de bondad la Eficiencia de Nash-Sutcliffe.
El periodo para el análisis corresponde del 01-01-2001 hasta 31-12-2011.
El número de estratos para el muestreo LH se define como M = 300, mientras

que la fracción de variación fue de 10 %.
La clasificación obtenida a partir del análisis de sensibilidad se incluye en el

cuadro 4.10. Nosotros consideramos los 9 primeros parámetros como sensibles.
En general, los resultados obtenidos en el análisis de sensibilidad tiene mucha
similtud a investigaciones realizadas anteriormente (Zambrano-Bigiarini and Rojas,
2013, Holvoet et al., 2005, Muleta and Nicklow, 2005, Van Liew et al. 2007,
Van Griensven et al. 2006); este subconjunto de parámetros constituyen la base
para la calibración del modelo SWAT.
La calibración de un modelo se alcanza mediante la optimización de los
parámetros envueltos en su estructura matemática, comparando cualitativa y
cuantitativamente la respuesta del modelo con una serie de mediciones de campo
u observaciones, razón por la cual se le denomina un proceso inverso (Gupta and
Sorooshian, 1985).
Para el presente trabajo de investigación se utilizó el método de optimización
enjambre de partı́culas (descrito en el capı́tulo 2), este se encuentra disponible
en la librerı́a hydroP SO (Zambrano-Bigiarini and Rojas 2012) en el lenguaje de
programación R. La interacción básica entre hydroP SO y el modelo a calibrar se
muestra en la Figura 4.18.
HydroPSO necesita básicamente definir el número de parámetros a calibrar
(obtenidos previamente en el análisis de sensibilidad) y el número de partı́culas, este
último es estimado como una función de la dimensionalidad mediante la ecuación
Cuadro 4.10: Sensibilidad calculada por el método LH-OAT
RankingNmbr Nombre del Parámetro Importancia Relativa

1 ALPHA BF 5.707e+02
2 CH N2 2.238e+02
3 CN2 1.874e+02
4 SOL K 1.433e+02
5 SOL AWC 1.298e+02
6 CH K2 9.871e+01
7 ESCO 9.403e+01
8 SURLAG 6.890e+01
9 SFTMP 5.148e+01
10 SMTMP 2.286e+01
11 SMFMN 1.619e+01
12 TIMP 6.051e+00
13 SMFMX 3.736e+00
14 OV N 2.608e+00
15 RCHRG DP 4.296e-01
16 GWQMN 3.301e-01
17 GW REVAP 1.705e-01
18 GW DELAY 6.303e-02
19 SOL ALB 1.192e-02
20 REVAVMN 4.582e-03
21 EPCO 0.000e+00
22 CANMX 0.000e+00
Figura 4.18: Diagrama de flujo de la aplicación e interacción entre hydroPSO y el

código de modelo para ser calibrado. Fuente: Zambrano-Bigiarini and Rojas 2012
10 + D/2. Se consideraron 1000 iteraciones como máximo y una tolerancia relativa

igual a 10−30 para el algoritmo. Los valores de los parámetros se normalizan al rango
[0,1] según lo recomendado por El Dor et al. (2012) cuando el espacio de búsqueda no
es un hipercubo. Las posiciones de las partı́culas se inicializan siguiendo un enfoque
LHS (Latin Hipercube Samples), se establece un valor constante para los coeficientes
c1 y c2 igual a 2.05 y el factor de fijación de las velocidades (lambda) se define
mediante una variación lineal entre [1.0, 0.5] (Zambrano-Bigiarini and Rojas 2012).
La Figura 4.19 muestra la evolución de NSE como una función del número de
iteración. Vemos una fase inicial de exploración (hasta ca. iter = 40) que estabiliza
después de la iteración 80 en torno a un valor de NSE = 0,777. Al mismo tiempo,
el Radio de enjambre normalizado (normalized swarm radius o NSR, por sus siglas
en inglés) indica una clara convergencia a la zona de atracción alrededor de este
óptimo.
Figura 4.19: Evolución del óptimo global y el radio de enjambre normalizado frente
al número de iteración
En el anexo, se puede observar información útil para evaluar rendimiento y la

convergencia del NSE, parámetros y velocidades por número de iteración, además
de un resumen sobra la interacción entre todos los parámetros (sensibles) listados
en el Cuadro 4.10. Los resultados de caudal luego de la calibración pueden verse
en la figura 4.21 y el diagrama de dispersión entre los datos observados frente a los
simulados en la figura 4.20.
Figura 4.20: Gráfico de dispersión luego de la calibración contra descargas diarias

observadas en la estación km.105
4.4. Asimilación y Aplicación al Análisis de

Inundaciones
Este sección engloba el uso de los resultados obtenidos anteriormente. Se analiza

los parámetros (precipitación, humedad antecedente y cobertura del suelo) que
influyen en la ocurrencia de inundaciones y son sensibles a presentar algún cambio
ya sea espacial o temporal, el objetivo, es entender el comportamiento aislado de
los parámetros relacionándolos con la producción de escorrentı́a superficial tanto
promedio total, por subcuenca y considerando a su vez los dı́as que presentaron
caudales crı́ticos.
En la primera parte de esta sección, se emplea el modelo SWAT calibrado para
estudiar el efecto de los distintos escenarios de cobertura del suelo en el aumento de
escorrentı́a y por ende mayor probabilidad de generación de inundaciones y en las
secciones posteriores se plantea desde un enfoque netamente estadı́stico el análisis
de la precipitación y la condición de humedad antecedente (CHA) bajo el mismo
propósito.
Figura 4.21: Datos de la simulación luego de la calibración frente a las descargas

observadas en la estación km.105. El panel superior muestra las series temporales
diarias mientras que el panel inferior considera un agrupamiento de los datos por
meses. El cuadro resumen de la derecha muestra los resultados de varios indicadores
de eficiencia
4.4.1. Escenarios de cobertura del suelo como condicionante

a Inundaciones
La cobertura del suelo es uno de los parámetros que más ha variado en los últimos
años en la cuenca del Vilcanota (cuadros 4.3 y 4.5), es por ello que surge la necesidad
de evaluar si estos cambios han desencadenado una mayor cantidad de escorrentı́a
neta en la cuenca.
Se implementa los escenarios de cobertura de suelo para los años 1988,2014 y
2030 (ver capı́tulo 4 sección 1) en el modelo hidrológico SWAT, considerando como
datos meteorológicos de entrada los datos originales con los que se calibró el modelo,
cabe resaltar que estos datos se mantienen invariantes para cada escenario de suelo
a analizar. El propósito es generar las series de tiempo de escorrentı́a generadas
para cada HRU y para los distintos escenarios de cobertura del suelo de los años
mencionados.
El análisis de la producción de escorrentı́a se realiza bajo el planteamiento de
dos condicionantes que serán utilizadas a lo largo de todo el capı́tulo, la primera,
considera el análisis de toda la serie de tiempo de escorrentı́a y la segunda, solo
considera los dı́as en los que ocurrió un caudal por encima del percentil 97.5 (figura
4.22), esto a causa de que dichos caudales están fuertemente correlacionados con las
inundaciones registradas y con altas tasas de producción de escorrentı́a focalizada,
debido, a como se planteó a inicios de la presente tesis a que la formación de
inundaciones en la cuenca del Vilcanota y en general en todas las cuencas de montaña
son causadas por lluvias intensas y desbordamientos del lecho del rı́o (Raissig et al.,
2010;Huggel et al., 2014)
Analizar las series de tiempo de escorrentı́a para cada HRU serı́a una tarea
abrumadora y sesgada por alta la variabilidad de la precipitación a paso diario,
es por ello que se plantea para su análisis el promedio espacial considerando las
15 subcuencas establecidas en la primera fase de la modelización hidrológica (ver
figura 6.2). Los resultados de la producción de escorrentı́a por subcuenca para las
dos condicionantes planteadas puede observarse en la figura 4.23.
Observamos que el cambio de cobertura en la cuenca ha propiciado una mayor
generación en la cantidad de escorrentı́a superficial, si comparamos la producción
de escorrentı́a para los mapas de cobertura de suelo entre 1988 y 2014 notamos que
ha aumentado 20.70 m3 /s, mientras que al comparar con el escenario de cobertura
del suelo para el año 2030 observamos un aumento de 22.70 m3 /s en promedio.
Al analizar la producción de escorrentı́a considerando solo los dı́as en los que se
presenció un caudal critico (caudal por encima del percentil 97.5), notamos que la
Figura 4.22: Serie de Tiempo de caudales en la estación km.105. A la derecha se

observa toda la serie de tiempo, la lı́nea en rojo representa el percentil 97.5, a la
izquierda observamos solo los caudales que pasaron el percentil 97.5.
25
Escorrentía en (mm)
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Subcuenca
1998 2001 2014 2030
8
7
Escorrentía en (mm)
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Subcuenca
1998 2001 2014 2030
Figura 4.23: Promedio de escorrentı́a por sub cuencas para distintas cobertura de
suelo. El histograma inferior muestra el promedio de escorrentı́a considerando toda
la serie de tiempo; el histograma superior muestra el promedio considerando solo
los percentiles 97.5
producción de escorrentı́a aumenta en 76.94 m3 /s para los mapas de cobertura entre

1988-2014 y comparando con el escenario de cobertura de suelo para el año 2030
se generarı́a un 79.22 m3 /s en promedio. Las subcuencas en donde se presenció un
aumento por encima de 0.5 mmm de escorrentı́a puede apreciarse en rojo en la
figura 4.24, mientras que las cuencas en blanco representa cambios no significativos
por debajo de 0.5 mm.
1988-2030 1988-2030
Figura 4.24: Promedio de escorrentı́a por sub cuencas para distintas cobertura de
suelo. El histograma superior muestra el promedio de escorrentı́a considerando toda
la serie de tiempo; el histograma inferior muestra el promedio considerando solo los
percentiles 97.5
4.4.2. La precipitación efectiva como condicionante a

inundaciones
Se ha encontrado en la cuenca que la relación precipitación-caudal no es en
absoluto constante, pues la escorrentı́a presenta gran variabilidad para todos los
años estudiados.
Se calcula primero la precipitación efectiva en la cuenca, es decir, la precipitación
menos la evapotranspiración e intercepción del follaje (parámetros que fueron
estimados a través del modelo hidrológico SWAT), con el fin de obtener la
precipitación neta que llega al suelo. Al relacionar la precipitación efectiva máxima y
promedio presente en la cuenca con los caudales crı́ticos notamos que son excluyentes,
es decir, que si se presenta un evento de precipitación intensa esta no se verá
necesariamente reflejado en un aumento de caudal (ver figura 4.25).
Figura 4.25: Correlación entre la precipitación máxima efectiva y promedio vs los

caudales por encima del percentil 97.5.
4.4.3. Condición de Humedad Antecedente (CHA) como

condicionante a inundaciones
La estimación de la humedad del suelo es un proceso complejo cuya estimación
aun en la actualidad no es del todo precisa debido a los componentes involucrados
y a los procesos fı́sicos que ocurren en medios no saturados. En esta investigación
se plantea el uso de indicadores basados en la precipitación antecedente (ver cuadro
4.11) debido a su practicidad y a que reflejan buenos resultados al correlacionarse
con el contenido de humedad del suelo (Wu et al., 2015 Froidevaux et al., 2015). El
API (Antecedent Precipitation Index por sus siglas en ingles), uno de los indicadores
planteados para esta investigación es definido como (Linsley and Kohler 1951):
t=−1
X
IAP = Pt k − t (4.6)
−i
Donde i es el número de dı́as considerados, k es una constante de decaimiento y

Pt es la lluvia durante el dı́a. El valor de i representa el número de dı́as y el valor de
k oscila entre 0,80 y 0,98 (k= 0.85 es considerado para este estudio) (Viessman Jr
and Lewis 1996).
Cuadro 4.11: Cuadro resumen de los ı́ndices de CMA utilizados en esta

investigación
Indicador de la Condicón de
Descripción
Humedad Antecedente (CHA)
Acumulación de la precipitación efectiva
Acum-13
de 3 a 1 dia antes del evento.
Acum-15
5 a 1 dia antes del evento.
Acum-52
5 a 2 dias antes del evento.
Acum-53
5 a 3 dias antes del evento.
Indice de precipitación antecedente (API)
API-3
considerando 3 dias.
API-4
API-5
Se estudia la CHA solo para los dı́as de ocurrencia de caudales superiores al

percentil 97.5, todos los ı́ndices son calculados en base a la máxima precipitación
efectiva observada en el dı́a en la cuenca, además, se ha considerado el desfase

producto de la demora en la respuesta hidrológica (tiempo de concentración)
estableciéndose 2 áreas, una área en la que el tiempo de concentración es inferior a
24 h (en gris) y la segunda área en donde el tiempo de concentración es superior a
24 h e inferior a 48 h (en verde), no se encontraron áreas en la cuenca en donde el
tiempo de concentración exceda las 48 h (figura 4.26).
Tiempo de
concentración
Figura 4.26: Tiempo de concentración de la cuenca (imagen izquierda) a la derecha

observamos el tiempo de concentración clasificado cada 24 h., lo gris nos indica un
tiempo de concentración menor a 24 h y el área en verde un tiempo mayor a 24h
pero menor a 48h.
La correlación entre los ı́ndices y el caudal puede verse en la figura 4.26,

observamos que el ı́ndice API5 y API4 presentan las mejores correlaciones frente
a los caudales crı́ticos, en donde se observa un comportamiento exponencial de los
datos, no obstante, el indicador Accum53 también presenta resultados alentadores e
interesante , especialmente para actividades de monitoreo y pronostico ya que este
indicador puede obtenerse hasta dos dı́as antes de ocurrido un caudal potencial de
inundaciones.
Al ser la cuenca demasiado extensa, es preferible analizar la relación entre CHA
y los caudales crı́ticos en áreas de menor extensión, esto se realiza con el objetivo de
determinar zonas más sensibles a detectar las inundaciones. Es ası́, que subdividimos
la cuenca en 4 partes basado en la distancia a la estación km. 105 y la elevación
mediante la técnica de agrupamiento k-means (ver figura 4.27). Una vez realizado
ello, se calcula la precipitación efectiva máxima areal de cada cluster considerando
Figura 4.27: Correlación entre los ı́ndices y el caudal por encima del percentil 97.5
en la estación km.105.La distribución de los datos se muestra en la diagonal, en la
parte inferior a la diagonal se muestra los gráficos de dispersión de dos variables
con una lı́nea de ajuste y en la parte superior el valor de la correlación.
solo las estaciones que se encuentran en la cuenca, esta precipitación es utilizada para
calcular nuevamente los ı́ndices de CHA, los resultados pueden verse en el cuadro
4.11, aquı́ se observa que el cluster 2 ubicado en la parte baja de la cuenca es el
cluster más sensible a detectar posibles inundaciones.
Figura 4.28: Cluster generados para el análisis de la CHA.
Cuadro 4.12: Coeficiente de correlación entre los ı́ndices de CHA y los caudales por
encima del percentil 97.5
Cluster 1 Cluster 2 Cluster 3 Cluster 4

Acum-13 0.30 0.71 0.47 0.25
Acum-15 0.34 0.70 0.54 0.15
Acum-52 0.27 0.79 0.63 -0.03
Acum-53 0.05 0.53 0.56 -0.19
API-3 0.36 0.80 0.48 0.12
API-4 0.35 0.84 0.58 0.02
API-5 0.22 0.75 0.65 -0.09
Capı́tulo 5
Discusión de Resultados
Este capı́tulo se centra en la valoración analı́tica de los resultados encontrados

en los capı́tulo anterior. El propósito fundamental es la discusión y comparación con
investigaciones apriorı́sticas semejantes tomando en cuenta el contexto geográfico,
los datos utilizados y la metodologı́a. Además, se plantea los alcances y la fiabilidad
de los resultados obtenidos ası́ como las cuestiones que han quedado sin resolver.
5.1. Construcción de la base de datos utilizada

Generar la base de datos es el punto inicial para cualquier actividad ligada al
modelamiento hidrológico y caracterización de clases de cobertura. Los datos deben
asemejarse lo más cercano a las condiciones reales del terreno para ası́ poder obtener
resultados satisfactorios. Sin embargo, esta tarea acarrea grandes costos por lo que
la priorización de los supuestos a resolver y la escala deben ser tomados muy en
cuenta a la hora de escoger los métodos de obtención de datos.
En lo que concierne a la información necesaria para el modelamiento hidrológico
debemos considerar que la investigación se centra solo en entender el funcionamiento
sistémico de la escorrentı́a, ası́ que podemos brindar menor atención a la confiabilidad
de los demás procesos hidrológico que se dan lugar en la cuenca. Es ası́ que motivados
por la fácil obtención, mediciones continuas y captura de la espacialización a grandes
rasgos planteamos el uso de información obtenida a través de sensoramiento remoto
para estimar la elevación, uso de suelo y tipo de suelo, si bien también es posible
estimar la variabilidad de la precipitación mediante sistemas satelitales la precisión
no es adecuada aún más considerando pasos de tiempo diario ( Ramos Fernandez,
2013;Tang et al., 2016), por lo que se optó en este caso, por el uso de la red de
monitoreo de estaciones meteorológicas del SENAMHI.
81
Capı́tulo 5. Discusión de Resultados 82
Se comprobó que la información de elevación que nos proporciona el MDE SRTM

fue más que suficiente para poder delimitar correctamente la cuenca y establecer
eficiente las URH. Las imágenes satelitales Landsat también nos permitieron
identificar y establecer satisfactoriamente las macro-clases de cobertura presentes
en la cuenca, sin embargo la información de tipo de suelo, punto crucial dentro del
modelamiento hidrológico fı́sico (ya que de este depende principalmente las tasas
de infiltración y recarga de sistema subterráneos) obtenida de la base de datos
worldsoil1km presenta grandes subjetividades debido principalmente el poco trabajo
realizado en el Perú (ver figura 8.1), es por ello que se debe tener presente que la
información obtenida no es aplicable para estudios detallados. La adecuación de los
datos de cobertura del suelo y tipo de suelo al formato SWAT no tuvo mayores
inconvenientes debido a la generalidad de las clases definidas.
Figura 5.1: Información in situ tomada para la realización de soilgrid1km
5.2. Caracterización de la cobertura del suelo

A partir de las imágenes Landsat y por medio de la metodologı́a explicada,
queda demostrado de que existen cambios considerables en la cuenca del Vilcanota
principalmente los ligado a la expansión urbana y desarrollo agrı́cola, además, se
evidencian una importante y constante pérdida de superficie de coberturas naturales,
tanto de vegetación densa como dispersa y un notable aumento de superficies
de espacios abiertos. Si bien, la clase pajonal-barbecho presenta una persistencia
indiscutible para todos los periodos de análisis, las clases cultivos y casco urbano-
lecho rocoso constituyen un punto de análisis interesante, debido a la presencia de
una tendencia a aumentar ligera de 50 y 282 km2 para el periodo 1988-2001 y de 187
y 290 km2 para el periodo 2001-2014 respectivamente, confirmándose ası́ un notable
aumento en la tasa de cambios, estos ocurren primordialmente en casi toda la cuenca
baja y en areas cercanas a los lagos Langui, Pomacanchi, Huaypo y Puray siendo
estos 2 últimos cercanos a la ciudad de Cusco, el aumento en la tasa de cambio para

los últimos años puede ser además explicado, por la mayor actividad comercial y
creación de nuevos corredores económicos en el ámbito de estudio que impulsan la
expansión agrı́cola.
Con respecto al escenario de cobertura de suelo para el año 2030 se ha observado
que la lista de las variables explicativas utilizadas para explicar las transiciones
observadas ocurridas en nuestro ámbito de estudio no son óptimas, esto lo podemos
comprobar al analizar el coeficiente V de Cramer (ver tabla 8.1).
La variables que presenta mayor poder explicativo es la elevación y la distancia
a las ciudades, esto ratifica lo planteado a que el crecimiento del área agrı́cola es
mermado por la elevación y que la distancia a las ciudades condicionan el crecimiento
de sistemas con dependencia antrópica debido principalmente a la creación de
nuevos mercados. Las demás variables explicativas no presentaron un buen grado
de asociación, esto a causa de la complejidad de las transiciones espaciales en la
cuenca y la poca cantidad de variables explicativas utilizadas, Pijanowski et al.
(2002) recomienda el uso de 15 variables para estudios de mayor detalle y solo 6
para estudios exploratorios. El escenario de cobertura de suelo para el año 2030
debe tratarse como un caso hipotético que ocurrirá si se siguen manteniendo los
mismos patrones de cambio.
Finalmente, la tasa de cambio para las clases cultivos y casco urbano-lecho rocoso
para los años de 2014-2030 se ha reducido considerablemente (ver cuadro 5.5), debido
a poca cantidad de espacio potencialmente agrı́cola que existe en la actualidad, al
analizar los mapas de cobertura para estos años notamos que la persistencia es
preeminente.
Cuadro 5.1: Coeficiente V de Cramer para las principales variables explicativas
Casco urbano- Barbecho- Vegetación

Cultivos
MDE 0.054 0.321 0.492 0
Pendiente 0.315 0.077 0.209 0.122
Precipitación media anual 0 0 0.216 0.271
Dist. rio principal 0.174 0 0.105 0
Dist. lagos 0 0.233 0.426 0.157
Dist. ciudades principales 0.586 0.372 0.102 0
Dist. a la red vial principal 0.101 0.031 0.311 0
5.3. Implementación del Modelo Hidrológico

SWAT
Para analizar la eficiencia del ajuste entre el caudal observado y el caudal

simulado para el periodo reseñado en el capı́tulo 4 sección 3 se utilizaron distinto
indicadores de bondad de ajuste. Como se muestra en la figura 4.17, el flujo simulado
fue capaz, incluso antes de la calibración, de representar la estacionariedad de la
serie de caudales observados con un pequeño desfase, es por ello que al analizar el
coeficiente de correlación de pearson r, estimador que nos indica la dependencia
lineal entre las variables, presenta valores satisfactorios (r = 0,59), no obstante, la
estimación de los caudales máximos no estaba correctamente representada, esto se
puede ver claramente al analizar el sesgo (Pbias ) y la eficiencia de Nash-Sutcliffe o
NSE (ver ecuaciones 8.1 y 8.2) que estiman la tendencia media de los datos simulados
para ser mayor o menor que sus contrapartes observados, se obtuvieron valores de
33.8 y -1.07 respectivamente, lo que comprueba lo descrito.
(Qobs sim
P
i − Qi ) ∗ 100)
Pbias = P Obs (5.1)
Qi
2
P obs
(Qi − Qsim

i )
N SE = P obs (5.2)
(Qi − Qmean )2
Con respecto al análisis de sensibilidad, el análisis LT-OAT nos muestra cierta
robustez del modelo hidrológico SWAT, es decir, que los valores finales del caudal son
producto de la interacción de distintos parámetros y no dependen de uno solo, es ası́
que se puedo seleccionar eficientemente los parámetros más susceptibles a representar
algún cambio significativo en la generación de los caudales simulados (ver cuadro
6.2), otro aspecto que demuestra el buen desempeño en la selección de los parámetros
a calibrar se muestra en la figura 4.19, en donde apreciamos una rápida estabilización
del óptimo global y el radio de enjambre normalizado (normalized swarm radius o
NSR, por sus siglas en ingles).
La calibración del modelo SWAT mediante PSO de los parámetros previamente
seleccionados en la etapa de análisis de sensibilidad presento en general resultados
muy satisfactorio, la eficiencia de Nash-Sutcliffe aumenta a 0.76 a paso diario y 0.93 a
paso mensual, el éxito de los resultados puede ser comprobado también al observar el
diagrama de dispersión entre los datos observados frente a los simulados en donde se
obtuvo un R2 de 0.756. La eficiencia Kling-Gupta (KGE) Gupta et al. 2009 también
se utilizó para eludir la limitación de las diferencias al cuadrado de la eficiencia
de Nash-Sutcliffe . Los valores KGE también indicaron un buen rendimiento de la

calibración con un 81 % y 89 % a paso diario y mensual, respectivamente. Aunque
los patrones de flujo simulados acertaron al flujo observado, también se analizaron
los volúmenes de descarga. La eficiencia volumétrica (VE), descrita por Criss and
Winston 2008, fue utilizada para evaluar la temporización del flujo, es decir, evaluar
la cantidad de agua fue entregada en el momento adecuado obtuvo valores de 74 %
y 86 % a paso diario y mensual, con lo que se confirmar lo indicado en un inicio.
Si bien la calibración mediante PSO nos permitió obtener los valores adecuados
para los parámetros analizados, también fue posible analizar el comportamiento
de los parámetros independientemente y la distribución de todas las interacciones,
evidenciándose una forma irregular y sesgadas que muestra una gran incertidumbre
en la estimación de su valor óptimo más probable, sin embargo, debido a que priorizó
una mayor cantidad de iteraciones en la etapa de exploración del algoritmo, el pico
de la distribución posterior es fuerte alrededor del mejor valor encontrado de todos
los parámetros analizados (Figura 5 y 6 en el apéndice D).
5.4. Asimilación y aplicación al análisis de

inundaciones
Se evidencia un claro aumento de la generación de la escorrentı́a debido a cambios
en la cobertura del suelo que si bien a escala de toda y considerando el promedio
puede ser relegado (22.70 m3 /s), cuando analizamos los dı́as en donde ocurrieron
caudales por encima del percentil 97.5 observamos que la cantidad de agua generada
ya no es nada despreciable (76.94 m3 /s).
Si analizamos la producción de escorrentı́a por subcuencas (ver figuras 4.23 y
4.24) observamos cambios significativos principalmente cuando consideramos los dı́as
crı́ticos en los que el caudal presento valores desencadenante de inundaciones, estos
cambios se evidencian en la cuenca baja y en la zonas cercana a grandes cuerpos
de agua, áreas que se ha visto afectado más afectada por el desarrollo y expansión
agrı́cola.
Con respecto a la precipitación efectiva, si bien se esperada una mayor correlación
con los valores de caudal observados en la estación km 105, se encontraron
correlaciones inferiores a 0.20 tanto para la precipitación máxima y promedio
percibida en los pluviómetros de la cuenca, esto confirma la no linealidad y
complejidad del ciclo hidrológico en cuencas de montaña en donde la escorrentı́a
formada por exceso de infiltración (ver figura 2.2) no es predominante, quedando
demostrado que el monitoreo y análisis de peligros naturales como las inundaciones
no pueden estar basados netamente en ecuaciones basadas en intensidad de

precipitación.
El planteamiento de la CHA basados en la precipitación efectiva antecedente
(descrito en el capı́tulo 4 sección 4) presento altas correlaciones con los caudales,
esto ya ha sido documentado anteriormente en distintas investigaciones (Fedora and
Beschta, 1989;Boluwade and Rasmussen, 2015Mengistu et al., 2016), los resultados
muestran un predominio de la formación de escorrentı́a por exceso de saturación
en la cuenca, siendo los cluster 2 y 3 las área más sensible a detectar los caudales
potenciales de inundaciones, estas áreas son ,además, las áreas que producen la mayor
producción de escorrentı́a (ver figura 4.23) y que mayores cambios de cobertura ha
tenido, por lo que es muy probable que existe una correlación entre los indicadores
de CHA y los cambios de cobertura, no obstante, debido a que el análisis hidrológico
solo se realizó para el periodo 2001-2011 no es posible determinar dicha correlación,
además de que escapa de los propositivos de la investigación
Se espera que en los próximos años se produzcan un mayor número de reportes
de desastre por inundaciones sino cambian las tendencias de cambio de uso de suelo
en la cuenca del Vilcanota y si se sigue presentando la misma variabilidad de la
intensidad de precipitación que desde 1980 presenta una tendencia a aumentar de
20 mm (ver Figura 8.2).
Figura 5.2: Intensidad de precipitación diaria para todas las estaciones, la linea
plomas representan la serie de cada estación y la linea roja el promedio
Capı́tulo 6
Conclusiones
La cuenca del Vilcanota es una de las cuencas de montaña del Perú más
sensible a la ocurrencia de inundaciones y riadas en la época húmeda, a través
de esta investigación se ha podido caracterizar la variabilidad de la escorrentı́a
y de los factores que la conforman, se comprobó que la escorrentı́a es originada
principalmente por procesos de exceso de saturación del suelo y no por excesos
de infiltración. Además se determinó que los cambios de cobertura ocurridos, si
bien han propiciado una mayor producción de escorrentı́a superficial esta no es
determinante en la ocurrencia de inundaciones, no obstante, se demostró que el
factor más importante para el desencadenamiento de dichos fenómenos es el estado
hı́drico previo (precipitación antecedente) que presentase, siendo la cuenca baja el
área más sensible a detectar estos fenómenos.
A continuación se plantean las conclusiones de los cuatro objetivos especı́ficos,
que permitieron llegar a la conclusión general antes descrita.
Objetivo Especı́fico 1: Analizar la viabilidad de bases de

datos basadas en sensoramiento remoto para modelamiento
hidrológico y mapas de cobertura del suelo.
Se comprobó que los datos provenientes de sensoramiento remoto posibilita la

realización de estudios de caracterización a escala regional de manera adecuada,
presentándose mayor precisión para definir las clases de cobertura y las elevaciones.
Con respecto a la caracterización del tipo del suelo y variables meteorológicas
es necesario el acoplamiento con datos in situ para evitar en lo posible las
subjetividades.
87
Capı́tulo 6. Conclusiones 88
Objetivo Especı́fico 2: Cuantificar el cambio de cobertura del

suelo.
La estimación del cambio de cobertura para los años 1988, 2001, 2014 y el
escenario proyectado hacia el año horizonte 2030, reveló que en lı́neas generales
la persistencia es el estado predominante en todo el ámbito de estudio, no obstante
se han producido cambios significativos en áreas cercanas a la ciudad de Cusco y a
cuerpos de aguas de considerables extensiones, debido principalmente a la expansión
agrı́cola y desarrollo urbano que se ha aseverado en los últimos años.
Objetivo Especı́fico 3: Modelar la cuenca del Vilcanota

mediante el modelo hidrológico SWAT.
El modelo hidrológico SWAT fue capaz de reproducir el registro histórico de
caudales luego de la calibración de los parámetros identificados como los más
sensibles a generar cambios significativos. Se presentaron ciertas limitaciones en el
cálculo de los caudales en la época húmeda debido a las limitaciones de la red de
estaciones meteorológicas que impiden entender completamente la espacialización
de las precipitaciones, sin embargo un valor de la eficiencia de Nash- Sutcliffe de
0.76 a paso diario y 0.93 a paso mensual comprueban un buen rendimiento en lı́neas
generales.
Objetivo Especı́fico 4: Plantear indicadores que permitan

predecir la ocurrencia e intensidad de inundaciones.
Se observó que los indicadores basados en la precipitación antecedente
presentaron altas correlaciones con la ocurrencia de caudales crı́ticos, principalmente
al utilizar el indicador API-4, además, se pude determinar que el área más sensible
ha detectar posibles inundaciones es la cuenca baja. En la presente investigación
quedo constatado que la activación de inundaciones depende más del estado hı́drico
previo que de la intensidad de precipitación como tal, siendo necesario en muchos
casos solo una lluvia de pocos milı́metros para desencadenar una inundación.
Capı́tulo 7
Recomendaciones
Concluido el presente trabajo de investigación, se considera necesario plasmar

las temáticas que se omitieron, las nuevas lı́neas de investigación que se crean y las
cuestiones que ayudarı́an a tener un poco más claro los procesos de activación de
inundaciones en el ámbito de estudio. Estas son detalladas a continuación:
Mejorar la densidad de estaciones meteorológicas e hidrométricas en

la zona de estudio; es necesario rediseñar una red que sea capaz de capturar
la especialización y exactitud de las variables meteorológicas en especial
la precipitación, esto nos permitirá entender mejor los focos de escorrentı́a
superficial que se formasen en la cuenca.
Plantear un sistema de predicción de inundaciones; para ello serı́a

necesario la predicción de la precipitación principalmente, un sistema de
predicción puede ser netamente estadı́stico basado en la precipitación
antecedente o también cabe la posibilidad de construir un sistema acoplado de
modelos hidrológicos e hidráulicos, no obstante lo segundo mencionado es más
complicado y costoso.
Mejorar la información de tipo de suelo y evaluar distintas

ecuaciones de infiltración; como se detalló en la presente investigación la
información de tipo de suelo fue unos de los puntos dentro del modelamiento
hidrológico que acarreó grandes subjetividades. La única forma de poder
generar una correcta espacialización del tipo de suelo es mediante campañas
de recojo de información masivas mediante calicatas, no obstante es posible
también apoyarse de información auxiliar como el mapa fisiográfico y distancia
a cuerpos de agua.
89
Capı́tulo 7. Recomendaciones 90
Plantear metodologı́as más robustas del cambio de ocupación de

suelo a fin de obtener resultados más precisos; La metodologı́a planteada
en este estudio para la caracterización de la cobertura del suelo es una
técnica sencilla basada en reflectancia y algoritmos de clasificación que permite
la identificación de macroclases. Para un análisis más fino es necesario
complementar con trabajo de campo y con imágenes satelitales de mayor
resolución espacial, esto permitirı́a el contraste y validación de la información
generada en la presente investigación.
La implementación y uso de la presente metodologı́a debe ser impulsado por
medio de las universidades y de los organismos estatales ligados a la gestión
de recursos hı́dricos y del riesgo de desastres.
Apéndice
LEYENDA DEL MAPA GEOLOGICO

G EO CRO N O M ETRIA
UN ID A D ES : SED IM EN TA RIA S, V O LCÁ N ICA S M ETA M Ó RFICA S

UN ID A D ES IN TRUSIV A S
(m.a)
Depósitos aluviales,morrenas,glacio fluviales,lacustrinos,travertinos.

C U A T ER N A R I O
Volcánico Rumicolca,Andahua,Ampato,Sara Sara,Ubinas.

A
Formaciones: Jauja,San Sebasti án.

C
Formaciones: La M erced,Tulumayo,Cajabamba,Condebamba,
Azángaro,Tamborapa,Río Picha.
Grupo Barroso.
I
Formaciones: Sencca,Fortaleza,Bosque de Piedras,Astobamba.

N EO G EN O
Formaciones: Pisquicocha,Capillune.
O
Formación Quenamari.
Formaciones Shimbe,Pisquicocha.
Z
Formaciones: Bellavista,Huanta.
Formación Huaylillas.
Formaciones: Alpabamba,Palca,M aure,Aniso,Pacococha,Ayacucho,
O
Huachocolpa,Julcani,Castrovirreyna,Auquivilca.
Formación El M ilagro.
Grupo: Tacaza,Formaciones:Sacsaquero,Huarochirí,
N
M illotingo,Puquio.
PA L EO G EN O
E
Formación Cajaruro.
Formación Tantará.
C
Grupo Puno.
Formación Carlos Francisco.
Formaciones: Huaylas,Casapalca,Chota,Huanca.
SUPERIOR
Grupo:Cotacucho.Formaciones:Vilquechico,M uñani,Seraj.
A
C R ET A C EO
Formaciones: Celendín,Cajamarca,Arcurquina,Pariatambo,Inca,
C
Chúlec,Pariahuanca. Grupos: Quilqui ñán,Pulluicana,M oho.
Formaciones:Copara,M atalaque.
I
Grupos: Goyllarisquizga,M urco.Formaciones: Oy ón,M uni,

O
INFERIOR Huancané,Huambutio.
Z
Grupos: Yura,Lagunillas.Formaci ón Tinajones.

O
S
SUPERIOR
Formación Chicama.
JU R A S S I C
E
M ED IO
Formaciones: Socosani,Cercapuquio.
M
INFERIOR
Grupo Pucará.
SUPERIOR
SUPERIOR Grupo M itu.

A
INFERIOR
Grupos: Tarma,Copacabana.
C
SUPERIOR Formación Lavasén

I
INFERIOR
Grupo Ambo.
O
SUPERIOR
Z
Grupo Cabanillas.
M ED IO
Formaciones: Lampa,Ccatca.
O
INFERIOR
E
Formaciones:Urcos,Chagrapi,Ananea,Excelsior.
L
Grupo San Jos é. M etasedimentitas

Formaciones: Contaya, Paleozoicas
A
Sandia,Calapuja. no identificadas
P
Complejo M arañón.
91
Apéndice
CODIGO NOMBRE PROVINCIA TIPO LONGITUD LATITUD ALTITUD (msnm)

113038 ACOMAYO ACOMAYO CO -71.684 -13.916944 3227
113035 ANTA ANCACHURO ANTA CO -72.216 -13.468333 3340
113036 CALCA CALCA PLU -71.950 -13.333611 2926
113122 CAY CAY PAUCARTAMBO CO -71.695 -13.597756 3150
113041 CCATCCA QUISPICANCHI CO -71.560 -13.61 3693
113117 CHITAPAMPA QUISPICANCHI CO -71.975 -13.415 4306
113116 COLQUEPATA PAUCARTAMBO PLU -71.673 -13.363333 3699
113063 CUSCO CUSCO CO -71.944 -13.537111 3288
100044 GRANJA KCAYRA CUSCO PLU -71.875 -13.556944 3219
113113 HUACHIBAMBA CALCA PLU -72.100 -13.050278 4225
113030 HUYRO LA CONVENCIÓN PLU -72.450 -13.066944 2326
113031 MACHU PICCHU URUBAMBA CO -72.546 -13.166944 2459
113037 PARURO PARURO CO -71.845 -13.7675 3047
VILCANOTA
113121 PERAYOC CUSCO PLU -71.950 -13.516944 3429

100101 PISAC CALCA CO -71.850 -13.416111 3147
114046 POMACANCHI ACOMAYO CO -71.573 -14.028056 3686
114033 SICUANI CANCHIS PU -71.237 -14.253611 3574
113039 URCOS QUISPICANCHI PU -71.634 -13.700278 3666
113034 URUBAMBA URUBAMBA PU -72.125 -13.303589 3071
113028 YUCAY URUBAMBA PU -72.084 -13.300278 3481
113033 ZURITE ANTA PU -72.267 -13.466944 3506
INFORMACIÓN METEOROLÓGICA DE LA CUENCA DEL RIO
92
Apéndice 93
Registro de Estaciones de Precipitación

Apéndice 94
Registro de estaciones de temperatura máxima

Apéndice 95
Registro de estaciones de temperatura minima

Apéndice
Precipitación Variables Explicativas Cambios de uso de suelo celda 1

Temperatura Máxima Tmax Pre-Procesamiento Imágenes Landsat Cambios de uso de suelo celda 2
Temperatura Mínima Tmin .
Precipitación .
Segmentación Cambios de uso de suelo celda m
Modelamiento Lagos
Hidrológico HRU Suelo Agua Nieve
(SWAT) Nubes Entrenamiento de la
Tipo de Clasificación mediante RNA con python
Pendiente NDVI y clustering
Suelo
Calibración
HydroPSO -Vegetación Arbustiva
Simulación Automata
-Cultivos
celular
-Pajonales- Barbchos
-Casco Urbano- Lecho Rocoso
Cobertura de Suelo
1988,2001 y 2015 Simulación de uso de suelo celda 1
Simulación de uso de suelo celda 2
Cobertura de Suelo .
2030 .
Simulación de uso de suelo celda m
Análisis del Cambio de

cobertura
Análisis Estadístico de la
Inundaciones
Precipitación
Análisis Estadístico de la
Saturación del Suelo
DIAGRAMA CONCEPTUAL DE LA METODOLOGÍA INTEGRADA
96
Apéndice 97
CALIBRACIÓN POR PSO DEL MODELO HIDROLOGICO SWAT
Evolución de la eficiencia de Nash-Sutcliffe para las 40 partı́culas para 1000

iteraciones.
La convergencia de los diferentes parámetros (sensibles) como una función de la

evaluación del modelo
Apéndice 98
La convergencia de las velocidades para cada parámetro (sensible) como una función
de la evaluación del modelo
Matriz que resume la correlación cruzada, histogramas y la significación estadı́stica

de la correlación para los parámetros (sensibles) listados en la Tabla 5.2
Apéndice 99
Funciones de distribución empiricas acumuladas (FDEA) para los parámetros

(sensibles) que figuran en la Tabla 5.2. La linea gris discontinua vertical y horizontal
indica la ubicación de un percentil.
FDEAs para cuantiles de caudal (5, 95 y 95). La lı́nea vertical discontinua en gris
representa el cuantil simulado y en negro los cuantiles observados.
Apéndice 100
CÓDIGO EN “R”PARA LA CALIBRACIÓN DEL MODELO

HIDROLÓGICO SWAT
#’ Calibración del modelo hidrologico SWAT con PSO

#’ @description Este script permite la implementación en paralelo de PSO
#’ para el modelo hidrológico SWAT.
#’ @details Este codigo es solo una adaptación del creado por Mauricio
#’ Zambrano-Bigiarini & Rodrigo Rojas(2013) para mas información por
#’ favor revisar http://cran.r-project.org/web/packages/hydroPSO
### Instalar y cargar las siguientes librerias

### no se encuentra en el CRAN usted debe obtenerlo de
### http://www.rforge.net/SWAT2R/
if (!require(hydroPSO)) stop("Package RCurl is not installed")

if (!require(hydroGOF)) stop("Package raster is not installed")
if (!require(hydroTSM)) stop("Package rgdal is not installed")
if (!require(SWAT2R)) stop("Package gdalUtils is not installed")
### Definición de directorio de trabajo: datos de entrada, de salida y

### archivos de la simulación del modelo
model.drty <- "~/SWAT2005"

setwd(model.drty)
model.drty <- getwd()
### Indicar el periodo de simulación

Sim.Ini="1962-01-01"
Sim.Fin="1965-12-31"
gof.Ini="1962-01-01"
gof.Fin="1965-12-31"
### Indicar la función de bondad de ajuste

gof.FUN <- "NSE"
gof.FUN.args <- list()
### Definir el metodo de paralelización

Apéndice 101
parallel <- "none" # no paralelización

#parallel <- "multicore" # UNIX only. solo multi-core
#parallel <- "parallel" # UNIX only. multi-core y clustering
#parallel <- "parallelWin" # Windows. multi-core y clustering
# Indicar el numero de cores a utilizar

par.nnodes <- 8
par.pkgs <- c("hydroGOF", "hydroTSM", "SWAT2R")
### Declaración de los datos observados

obs.fname <- paste(model.drty,"/PSO.in/SWAT_obs.txt",sep="")
q.obs <- read.zoo(obs.fname)
### Declaración de todos los argumentos requeridos para poder correr

### la la calibración con PSO
model.FUN.args=list(
model.drty=model.drty,
param.files=paste(model.drty,"/PSO.in/ParamFiles.txt",sep=""),
exe.fname="./swat2005.out", # GNU/Linux
#exe.fname="./swat2005.exe", # Windows XP/Vista/7/...
verbose=FALSE,
### Función para la lectura de los datos de caudal simulados

out.FUN="read_rch",
out.FUN.args=list(
file="output.rch",
col.names="FLOW_OUTcms",
out.type="Q",
rchID=1,
Date.Ini=Sim.Ini,
Date.Fin=Sim.Fin,
tstep="daily",
verbose=FALSE
), ###END out.FUN.args
Apéndice 102
### Función para evaluar la correlación entre los datos de caudal

### observados y simulados
gof.FUN=gof.FUN,
gof.FUN.args=gof.FUN.args,
gof.Ini=gof.Ini,
gof.Fin=gof.Fin,
obs=q.obs
)
######################################################################
### Calibración con hydroPSO ###
######################################################################
### Algoritmo principal PSO

### Para poder entender todos los parametros de hydroPSO,
### es muy reocmendable leer Zambrano-Bigiarini and Rojas, 2013
set.seed(100)
system.time(
hydroPSO(
fn="hydromod",
model.FUN="hydromod",
model.FUN.args=model.FUN.args,
control=list(
param.ranges="ParamRanges.txt",
normalise=TRUE,
MinMax="max",
npart=40,
maxit=100,
reltol=1E-30,
Xini.type="lhs",
Vini.type="lhs2011",
lambda=1,
c1=2.05,
c2=2.05,
Apéndice 103
use.IW=FALSE,
use.CF=TRUE,
use.TVlambda=TRUE,TVlambda.type="linear",TVlambda.rng=c(1.0,0.5),
TVlambda.exp=1, topology="random", K=11,
boundary.wall="absorbing2011",
write2disk=TRUE,
REPORT=5,
verbose=TRUE,
parallel=parallel,
par.nnodes=par.nnodes,
par.pkgs=par.pkgs
)
)
)
# Vizualizar los resultados

plot_results(do.png=TRUE, MinMax="max", ftype="dm", do.pairs=TRUE,
legend.pos="topleft")
Bibliografı́a
Abbaspour, K., Rouholahnejad, E., Vaghefi, S., Srinivasan, R., Yang, H., and Kløve,
B. (2015). A continental-scale hydrology and water quality model for Europe:
Calibration and uncertainty of a high-resolution large-scale SWAT model. Journal
of Hydrology, 524:733–752.
Abdel-Kader, R. F. (2010). Genetically improved PSO algorithm for efficient data

clustering. pages 71–75. IEEE.
Afsahi, Z. and Meybodi, M. (2010). Improving cooperative PSO using fuzzy logic.
pages 219–232. Springer.
Aparicio Mijares, F. J. and Mijares, F. A. (1989). Fundamentos de hidrologı́a de

superficie.
Basheer, I. and Hajmeer, M. (2000). Artificial neural networks: fundamentals,

computing, design, and application. Journal of microbiological methods, 43(1):3–
31.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS journal
of photogrammetry and remote sensing, 65(1):2–16.
Boluwade, A. and Rasmussen, P. (2015). Frequency of floods in a changing climate:

a case study from the Red River in Manitoba, Canada. Proceedings of the
International Association of Hydrological Sciences, 371:83.
Brown, D., Goovaerts, P., Burnicki, A., and Li, M. (2002). Stochastic simulation
of land-cover change using geostatistics and generalized additive models.
Photogrammetric Engineering & Remote Sensing, 68(10):1051–1061.
Brown, D. G., Pijanowski, B. C., and Duh, J. (2000). Modeling the relationships
between land use and land cover on private lands in the Upper Midwest, USA.
Journal of Environmental Management, 59(4):247–263.
104
Bibliografı́a 105
Carpenter, Theresa M & Georgakakos, K. P. (2006). Intercomparison of lumped

versus distributed hydrologic model ensemble simulations on operational forecast
scales. Journal of Hydrology, 329(1):174–185.
Chen, H., Tong, S. T., Yang, H., and Yang, Y. J. (2014). Simulating the hydrologic
impacts of land-cover and climate changes in a semi-arid watershed. Hydrological
Sciences Journal, (just-accepted).
Chen, J., Chen, J., Liao, A., Cao, X., Chen, L., Chen, X., He, C., Han, G., Peng, S.,
Lu, M., et al. (2015). Global land cover mapping at 30m resolution: A POK-based
operational approach. ISPRS Journal of Photogrammetry and Remote Sensing,
103:7–27.
Chow, V. T., Maidment, D. R., Mays, L. W., et al. (1988). Applied hydrology.
Clarke, R. (1973). A review of some mathematical models used in hydrology, with

observations on their calibration and use. Journal of hydrology, 19(1):1–20.
Criss, R. E. and Winston, W. E. (2008). Do Nash values have value? Discussion and
alternate proposals. Hydrological Processes, 22(14):2723.
Del Carmen, R. (2001). Modelación de la evapotranspiración con métodos de balance

de agua.
Di Luzio, M., Srinivasan, R., Arnold, J., and Neitsch, S. (2002). ArcView interface
for SWAT2000. BRC Report, pages 02–07.
Eberhart, R. C. and Kennedy, J. (1995). A new optimizer using particle swarm

theory. volume 1, pages 39–43. New York, NY.
Eberhart, R. C. and Shi, Y. (2001). Particle swarm optimization: developments,

applications and resources. volume 1, pages 81–86. IEEE.
El Dor, A., Clerc, M., and Siarry, P. (2012). A multi-swarm PSO using charged
particles in a partitioned search space for continuous optimization. Computational
Optimization and Applications, (1):271–295.
El-Sawy, A. A., Hendawy, Z. M., and El-Shorbagy, M. A. (2013). Reference Point

Based TR-PSO for Multi-Objective Environmental/Economic Dispatch. Applied
Mathematics, 4(05):803.
Fedora, M. and Beschta, R. (1989). Storm runoff simulation using an antecedent

precipitation index (API) model. Journal of hydrology, 112(1):121–133.
Bibliografı́a 106
Franco, J. (2011). Un algoritmo basado en la optimización por enjambre de partı́culas

para el problema de asignación axial 3D.
Freeman, J. A. and Skapura, D. M. (1993). Redes neuronales.
Froidevaux, P., Schwanbeck, J., Weingartner, R., Chevalier, C., and Martius, O.
(2015). Flood triggering in Switzerland: the role of daily to monthly preceding
precipitation. Hydrology and Earth System Sciences, 19(9):3903–3924.
Gómez, H. (2004). Contaminación del agua y deterioro ambiental: caso de los rı́os
Vilcanota-Huatanay. pages 1–20.
Gupta, H. V., Kling, H., Yilmaz, K. K., and Martinez, G. F. (2009). Decomposition
of the mean squared error and NSE performance criteria: Implications for
improving hydrological modelling. Journal of Hydrology, 377(1):80–91.
Gupta, V. K. and Sorooshian, S. (1985). The relationship between data and the
precision of parameter estimates of hydrologic models. Journal of Hydrology,
81(1):57–77.
Hargreaves, G. H. and Samani, Z. A. (1985). Reference crop evapotranspiration

from ambient air temperature. American Society of Agricultural Engineers.
Hengl, Tomislav, J. M. M. R. A. B. N. H. H. G. B. R. E. S.-R. A. K. B. L. J. G. W.

and G, M. (2014). SoilGrids1km—global soil information based on automated
mapping. PloS one, 9(8):e105992.
Holvoet, K., van Griensven, A., Seuntjens, P., and Vanrolleghem, P. (2005).
Sensitivity analysis for hydrology and pesticide supply towards the river in SWAT.
Physics and Chemistry of the Earth, Parts A/B/C, 30(8):518–526.
Huggel, C., Raissig, A., Rohrer, M., Romero, G., Diaz, A., and Salzmann, N. (2014).
How useful and reliable are disaster databases in the context of climate and global
change? A comparative case study analysis in Perú. Nat. Hazards Earth Syst. Sci.
Discuss, 2:4331–4362.
Inca, G. C. (2009). Assessing the land cover and land use change and its impact on
watershed services in a tropical Andean watershed of Perú.
Iseri, H., H. K. H. M. y. M. M. (2013). Simulation of rainfall runoff and pollutant

load for Chikugo River basin in Japan using a GIS-based distributed parameter
model. Paddy and Water Environment, 11(1-4):97–112.
Bibliografı́a 107
Isong, M., Eyo, E., Eyoh, A., Nwanekezie, O., Olayinka, D. N., Udoudo, D. O., and
Ofem, B. (2012). GIS cellular automata using artificial neural network for land use
change simulation of Lagos, Nigeria. Journal of Geography and Geology, 4(2):p94.
Jain, A. K., Mao, J., and Mohiuddin, K. (1996). Artificial neural networks: A
tutorial. Computer, (3):31–44.
Kiamehr, R. and Sjöberg, L. (2005). Effect of the SRTM global DEM on the
determination of a high-resolution geoid model: a case study in Iran. Journal
of Geodesy, 79(9):540–551.
Kindu, M., Schneider, T., Teketay, D., and Knoke, T. (2013). Land use/land
cover change analysis using object-based classification approach in Munessa-
Shashemene landscape of the Ethiopian Highlands. Remote Sensing, 5(5):2411–
2435.
Lambin, E. F., Geist, H. J., and Lepers, E. (2003). Dynamics of land-use and land-
cover change in tropical regions. Annual review of environment and resources,
28(1):205–241.
Lavado, W., Silvestre, E., and Pulache, W. (2010). Tendencias en los extremos de
lluvias cerca a la ciudad del Cusco y su relación con las inundaciones de enero del
2010.
Li, M., Wu, Y., and Zhang, Q. (2009). SAR image segmentation based on mixture
context and wavelet hidden-class-label Markov random field. Computers &
Mathematics with Applications, 57(6):961–969.
Linsley, R. and Kohler, M. (1951). Predicting runoff from storm rainfall. US Weather
Research Paper, 34.
Liu, X., L. F. M. W. X. L. X. D. Y. Y. C. S. X. y. A. T. (2015). Combining

rainfall data from rain gauges and TRMM in hydrological modelling of Laotian
data-sparse basins. Applied Water Science, pages 1–10.
Ludwig, R. and Schneider, P. (2006). Validation of digital elevation models

from SRTM X-SAR for applications in hydrologic modeling. ISPRS Journal of
Photogrammetry and Remote Sensing, 60(5):339–358.
Mahajan, Y. and Venkatachalam, P. (2009). Neural network based cellular automata

model for dynamic spatial modeling in GIS. pages 341–352. Springer.
Bibliografı́a 108
Mengistu, D. T., Moges, S. A., and Sorteberg, A. (2016). Revisiting Systems Type
Black-Box Rainfall-Runoff Models for Flow Forecasting Application. Journal of
Water Resource and Protection, 8(01):65.
Miller, S. N., Semmens, D. J., Goodrich, D. C., Hernandez, M., Miller, R. C., Kepner,
W. G., and Guertin, D. P. (2007). The automated geospatial watershed assessment
tool. Environmental Modelling & Software, 22(3):365–377.
Monteith, J. (1965). Evaporation and environment. volume 19, page 4.
Moore, I. D. (1996). Hydrologic modeling and GIS. GIS and environmental modeling:
Progress and research issues, pages 143–148.
Muleta, M. K. and Nicklow, J. W. (2005). Sensitivity and uncertainty analysis

coupled with automatic calibration for a distributed watershed model. Journal of
Hydrology, 306(1):127–145.
Musau, J., Sang, J., Gathenya, J., Luedeling, E., and Home, P. (2015). SWAT model
parameter calibration and uncertainty analysis using the HydroPSO R package in
Nzoia Basin, Kenya. Journal of Sustainable Research in Engineering, 1(3):17–29.
Nash, J. and Sutcliffe, J. V. (1970). River flow forecasting through conceptual models
part I—A discussion of principles. Journal of hydrology, 10(3):282–290.
Neitsch, S., Arnold, J., Kiniry, J., Williams, J., and King, K. (2005a). Soil and water
assessment tool theoretical documentation. Grassland. Soil and Water Research
Laboratory, Temple, TX.
Neitsch, S., Arnold, J., Kiniry, J., Williams, J., and King, K. (2005b). SWAT
theoretical documentation version 2005. Blackland Research Center, Temple, TX.
Nikolakopoulos, K. G., Kamaratakis, E. K., and Chrysoulakis, N. (2006). SRTM

vs ASTER elevation products. Comparison for two regions in Crete, Greece.
International Journal of remote sensing, 27(21):4819–4838.
Olaya, V. (2004). Hidrologı́a computacional y modelos digitales del terreno-teorı́a,

práctica y filosofı́a de una nueva forma de análisis hidrológico. Obtenido desde:
http://heart. sourceforge. net/sp/index. htm).[Consulta: octubre, 21/2015].
Olaya, V. (2012). Sistemas de información geográfica. Tomos I y II. Disponible libre

formato Pdf en.
Bibliografı́a 109
Oñate Valdivieso, F. (2009). Modelamiento semidistribuido, con información escasa,

de una cuenca hidrográfica para su planificación territorial.
Parraguez, L., Heraoui, M., and Rengel, J. E. (2015). Entonación de controladores

mediante optimización por enjambre de partı́culas.
Peraza-Castro, M., Ruiz-Romera, E., Montoya-Armenta, L., Sánchez-Pérez, J., and

Sauvage, S. (2015). Evaluation of hydrology, suspended sediment and Nickel loads
in a small watershed in Basque Country (Northern Spain) using eco-hydrological
SWAT model. volume 51, pages 59–70. EDP Sciences.
Pijanowski, B. C., Brown, D. G., Shellito, B. A., and Manik, G. A. (2002). Using
neural networks and GIS to forecast land use changes: a land transformation
model. Computers, environment and urban systems, 26(6):553–575.
Ponce, V. M. (1989). Engineering hydrology: Principles and practices. Prentice Hall.
Pontius, G. R. and Malanson, J. (2005). Comparison of the structure and accuracy

of two land change models. International Journal of Geographical Information
Science, 19(2):243–265.
Priestley, C. and Taylor, R. (1972). On the assessment of surface heat flux and
evaporation using large-scale parameters. Monthly weather review, 100(2):81–92.
Proano, M., Gavilanes, C., Valenzuela, P., and Cisneros, C. (2006). Aplicación del
modelo SWAT en la subcuenca del rı́o Ambato.
Qiang, Y. and Lam, N. S. (2015). Modeling land use and land cover changes in a
vulnerable coastal region using artificial neural networks and cellular automata.
Environmental monitoring and assessment, 187(3):1–16.
Quintero, M., Wunder, S., and Estrada, R. D. (2009). For services rendered?
Modeling hydrology and livelihoods in Andean payments for environmental
services schemes. Forest Ecology and Management, 258(9):1871–1880.
Raissig, A., Huggel, C., Romero, G., and Dı́az, A. (2010). Análisis espacio-temporal
de desastres en las regiones de Cusco y Apurı́mac 1970-2010.
Ramos Fernandez, L. (2013). Estudio de la utilidad de la lluvia estimada de

satélite en la modelación hidrológica distribuida. PhD thesis, Editorial Universitat
Politècnica de València.
Bibliografı́a 110
Refsgaard, J. C. and Knudsen, J. (1996). Operational validation and intercomparison

of different types of hydrological models. Water Resources Research, 32(7):2189–
2202.
Reuter, H. I., Nelson, A., and Jarvis, A. (2007). An evaluation of void-filling

interpolation methods for SRTM data. International Journal of Geographical
Information Science, 21(9):983–1008.
Reyes, O. A. C. (2014). Utilización de modelos hidrológicos para la determinación

de cuencas en ecosistemas de páramo. Revista Ambiental Agua, Aire y Suelo, 4(2).
Roberts Matthew, O. C. and Emma, B. (2012). Estimation of flood risk and

floodwater levels in the Vilcanota Basin, South America.
Rojas, R. and Zambrano-Bigiarini, M. (2012). Tutorial for interfacing hydroPSO

with SWAT-2005 and MODFLOW-2005.
Rouse Jr, J., Haas, R., Schell, J., and Deering, D. (1974). Monitoring vegetation
systems in the Great Plains with ERTS. NASA special publication, 351:309.
Satgé, F., Bonnet, M.-P., Timouk, F., Calmant, S., Pillco, R., Molina, J., Lavado-
Casimiro, W., Arsen, A., Crétaux, J., and Garnier, J. (2015). Accuracy
assessment of SRTM v4 and ASTER GDEM v2 over the Altiplano watershed
using ICESat/GLAS data. International Journal of Remote Sensing, 36(2):465–
488.
Schneider, L. C. and Pontius, R. G. (2001). Modeling land-use change in the

Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment,
85(1):83–94.
Schumann, G., Matgen, P., Cutler, M., Black, A., Hoffmann, L., and Pfister, L.
(2008). Comparison of remotely sensed water stages from LIDAR, topographic
contours and SRTM. ISPRS journal of photogrammetry and remote sensing,
63(3):283–296.
Servat, G. P., Mendoza, W., and Ochoa, J. A. (2015). Flora y fauna de cuatro
bosques de Polylepis (Rosacae) en la cordilleraq del Vilcanota (Cusco, Peru).
Ecologı́a Aplicada, 1(1):25–35.
Sohl, T. L. (1999). Change analysis in the United Arab Emirates: an investigation

of techniques. Photogrammetric Engineering and Remote Sensing, 65(4):475–484.
Bibliografı́a 111
Tang, G., Ma, Y., Long, D., Zhong, L., and Hong, Y. (2016). Evaluation of GPM
Day-1 IMERG and TMPA Version-7 legacy products over Mainland China at
multiple spatiotemporal scales. Journal of Hydrology, 533:152–167.
Theobald, D. M. and Hobbs, N. T. (1998). Forecasting rural land-use change: a

comparison of regression-and spatial transition-based models. Geographical and
Environmental Modelling, 2:65–82.
Tobón, C. and Morales, E. G. G. (2009). Capacidad de interceptación de la niebla

por la vegetación de los páramos andinos. Avances Recursos Hidráulicos, (15).
Tosi, J. A. (1960). Zonas de vida natural en el Perú: memoria explicativa sobre el

mapa ecológico del Perú, volume 5. IICA Biblioteca Venezuela.
Tucci, C. E. (1998). Modelos hidrológicos. UFRGS.
Tupayachi, A. (2005). Flora de la cordillera del Vilcanota. Arnaldoa, 12(1-2):126–

144.
Van Griensven, A., Meixner, T., Grunwald, S., Bishop, T., Diluzio, M., and
Srinivasan, R. (2006). A global sensitivity analysis tool for the parameters of
multi-variable catchment models. Journal of hydrology, 324(1):10–23.
Van Liew, M. W., Veith, T. L., Bosch, D. D., and Arnold, J. G. (2007). Suitability
of SWAT for the conservation effects assessment project: Comparison on USDA
agricultural research service watersheds. Journal of Hydrologic Engineering,
12(2):173–189.
Van Vliet, J., Hurkens, J., White, R., and van Delden, H. (2012). An activity-
based cellular automaton model to simulate land-use dynamics. Environment and
Planning-Part B, 39(2):198.
Viessman Jr, W. and Lewis, G. L. (1996). Introduction to Hydrology, Harper Collins

College Publishers. New York.
Villón, M. (2004). Hidrologı́a. Editorial Tecnológica de Costa Rica. Instituto

Tecnológico de Costa Rica.
Wang, Z., Zhang, B., Zhang, S., Li, X., Liu, D., Song, K., Li, J., Li, F., and Duan,
H. (2006). Changes of land use and of ecosystem service values in Sanjiang Plain,
Northeast China. Environmental Monitoring and Assessment, 112(1-3):69–91.
Bibliografı́a 112
Wang, K., Z. Q. C. Y. D. S. y. V. P. (2015). Effects of land-use/cover change on

hydrological processes using a GIS/RS-based integrated hydrological model: case
study of the East River, China. Hydrological Sciences Journal, 60(10):1724–1738.
Ward, D. P., Murray, A. T., and Phinn, S. R. (2000). A stochastically constrained

cellular model of urban growth. Computers, Environment and Urban Systems,
24(6):539–558.
Weng, Q. (2002). Land use change analysis in the Zhujiang Delta of China using
satellite remote sensing, GIS and stochastic modelling. Journal of environmental
management, 64(3):273–284.
Wu, S.-J., Hsu, C.-T., Lien, H.-C., and Chang, C.-H. (2015). Modeling the effect
of uncertainties in rainfall characteristics on flash flood warning based on rainfall
thresholds. Natural Hazards, 75(2):1677–1711.
Yacoub, C. and Pérez-Foguet, A. (2009). Assessment of terrain slope influence in

SWAT modeling of Andean watersheds. volume 11, page 6381.
Yen, H., White, M. J., Jeong, J., Arabi, M., and Arnold, J. G. (2015). Evaluation of
alternative surface runoff accounting procedures using SWAT model. International
Journal of Agricultural and Biological Engineering, 8(3):64–68.
Zambrano-Bigiarini, M. and Rojas, R. (2012). hydroPSO: A Versatile Particle Swarm

Optimisation R Package for Calibration of Environmental Models. volume 14,
page 10950.
Zambrano-Bigiarini, M. and Rojas, R. (2013). A model-independent Particle Swarm

Optimisation software for model calibration. Environmental Modelling & Software,
43:5–25.

Aybar CC

Cargado por

Copyright:

Formatos disponibles

Aybar CC

Cargado por

Información del documento

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

Aybar CC

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional Mayor de San Marcos

Universidad del Perú. Decana de América

Modelamiento de la escorrentía en cuencas de montaña:

Aybar, C. (2016). Modelamiento de la escorrentía en cuencas de montaña: caso de

A mi madre que me apoyo en todo momento.

Palabras claves: Escorrentı́a, modelamiento, cobertura del suelo, condición de

2. Marco teórico y conceptual 15

2.2.1. Clasiﬁcación de los modelos hidrológicos . . . . . . . . . . . . 18

3. Caracterización de la zona de estudio 33

1.1. Ocurrencia de inundaciones y afectados en la cuenca del Urubamba

2.1. Ciclo Hidrológico. Modiﬁcado de Chow et al., 1988. . . . . . . . . . . 16

3.1. Ubicación de la cuenca del Vilcanota . . . . . . . . . . . . . . . . . . 34

4.1. Portal de descargas del MDE SRTM 4.1 . . . . . . . . . . . . . . . . 48

4.21. Datos de la simulación luego de la calibración frente a las descargas

5.1. Información in situ tomada para la realización de soilgrid1km . . . . 82

4.1. Imágenes Landsat adquiridas . . . . . . . . . . . . . . . . . . . . . . . 51

5.1. Coeﬁciente V de Cramer para las principales variables explicativas . . 83

hidrológico fı́sico; estos estudio fueron realizados en cuencas de gran tamaño, y

1.2. Planteamiento del Problema

Existe una sensación en el pensar colectivo de la población ubicada en los distritos

proyecto hidráulico o de infraestructura, planes de gestión de recursos hı́dricos o

Figura 1.1: Ocurrencia de inundaciones y afectados en la cuenca del Urubamba entre

1.3.1. Problema General

1.3.2. Problemas Especı́ﬁcos

¿La información previamente obtenida será suﬁciente?

¿Cómo y con qué variables se pueden plantear indicadores para predecir la

1.4.1. Hipótesis general

1.4.2. Hipótesis Especı́ﬁca

La cobertura podrá ser obtenida eﬁcientemente si se plantea el uso de imágenes

Indicadores de base estadı́stica basados en la precipitación con ventanas

1.5.1. Objetivo General

1.5.2. Objetivos Especı́ﬁcos

Cuantiﬁcar el cambio de cobertura del suelo en la Cuenca del rı́o Vilcanota.

Modelar la cuenca del Vilcanota mediante el modelo hidrológico SWAT.

Plantear indicadores que permitan predecir la ocurrencia e intensidad de

Marco teórico y conceptual

2.1. Ciclo hidrológico

Desde el punto de vista hidrológico, la precipitación es la fuente primaria del

Figura 2.1: Ciclo Hidrológico. Modiﬁcado de Chow et al., 1988.

La diferencia entre la precipitación neta con la incidente es conocida como

El proceso de evapotranspiración es un fenómeno combinado de pérdida de agua

2.1.3. Inﬁltración y percolación

La infiltración se define como el movimiento del agua, a través de la superficie

Figura 2.2: Tipos de Formación de Escorrentı́a Superﬁcial. Obtenido de

2.1.5. Flujo lateral

2.2. Modelos hidrológicos

transformaciones lluvia-escorrentı́a. Los modelos hidrológicos buscan simpliﬁcar la

2.2.1. Clasiﬁcación de los modelos hidrológicos

Figura 2.3: Clasiﬁcación de modelos hidrológicos.

Los modelos determinı́sticos son formulados siguiendo fórmulas de la

Los modelos probabilı́sticos son exactamente lo opuesto en signiﬁcado a

Los modelos conceptuales son representaciones simpliﬁcadas de los

sean en forma algebraica o por ecuaciones diferenciales ordinarias), que

2.2.1.1. Modelos distribuidos frente a los modelos agregados

Los modelos hidrológicos determinı́sticos pueden subclasiﬁcarse en modelos

constante el valor de las variables y parámetros, que intervienen en los fenómenos

Figura 2.4: Modelos hidrológicos según la naturaleza de sus unidades básica

2.2.2. Etapas de implementación de un modelo hidrológico

Selección o construcción del modelo