3285-Texto Del Artículo-17882-1-10-20231222

DOI: 10.
24850/j-tyca-15-01-03
Artículos
Impacto del cambio climático en las descargas futuras

de una cuenca altoandina de Perú al 2100
Impact of climate change on future discharges from a

high Andean basin in Peru to 2100
Sandra del Aguila1, ORCID: https://orcid.org/0000-0001-8051-3575
Francisco Espinoza-Montes2, ORCID: https://orcid.org/0000-0002-0093-

7050
1Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú,

sandra.delaguila@unsch.edu.pe
2Universidad Nacional del Centro del Perú, Huancayo, Perú,
franciscoespinozamontes@gmail.com
Autora para correspondencia: Sandra del Aguila,

sandra.delaguila@unsch.edu.pe
Resumen
El objetivo de esta investigación fue analizar el impacto del cambio

climático en el comportamiento de las descargas mensuales en la cuenca
Anya, afluente del Mantaro, Junín, al 2100, con el modelo SWAT (Soil and
111
2024, Instituto Mexicano de Tecnología del Agua. Tecnología y ciencias del agua, ISSN 2007-2422,
Open Access bajo la licencia CC BY-NC-SA 4.0 15(1), 111-155. DOI: 10.24850/j-tyca-15-01-03
(https://creativecommons.org/licenses/by-nc-sa/4.0/)
Water Assessment Tool). Se obtuvieron datos grillados diarios de
precipitación y temperaturas de PISCO (Peruvian Interpolated data of the
SENAMHI’s Climatological and Hydrological Observations) entre 1981 y
2015, y caudales promedio mensuales medidos en la estación
hidrométrica Anya. Para el análisis del efecto espacio temporal del cambio
climático en la temperatura y precipitación, y su influencia en el
escurrimiento de la cuenca, se utilizaron cinco modelos climáticos globales
(ACCES1.0, bcc_csm1, BNU_ESM, CMCC_CM y GISS_E2) en dos
escenarios de emisiones (RCP 4.5 y 8.5). La simulación se realizó para el
periodo 2070-2100, considerándose como periodo base 1980-2010. El
modelo funcionó satisfactoriamente con los valores estadísticos de Nash-
Sutcliffe (NSE), PBIAS y coeficiente de determinación (R2). En la cuenca,
los resultados promedio muestran un incremento de precipitación (entre
4.63 y 8.14 %) y temperatura (de 2.3 a 4.2 °C), en escenarios RCP 4.5 y
8.5 al 2100. Asimismo, habría un incremento de caudales en comparación
con el periodo base, obteniéndose que, en promedio, el caudal en la
cuenca aumentaría en 2.4 y 12.6 % en los escenarios RCP 4.5 y 8.5,
respectivamente. Se concluye que el incremento de temperatura y
precipitación influirá en una mayor escorrentía y riesgo de inundaciones
en las áreas de cultivo en la cuenca.
Palabras clave: PISCO-SENAMHI, SWAT, modelos climáticos globales

(MCGs), escenarios RCP.
112
Abstract
The objective of this research was to analyze the impact of climate change
on the behavior of monthly discharges in the Anya basin, a tributary of
the Mantaro, Junin, at 2100, with the SWAT (Soil and Water Assessment
Tool) model. Daily gridded data on precipitation and temperatures were
obtained from PISCO (Peruvian Interpolated data of the SENAMHI’s
Climatological and Hydrological Observations) between 1981 and 2015
and average monthly flows measured at the Anya hydrometric station.
For the analysis of the space-time effect of climate change on temperature
and precipitation and its influence on basin runoff, five global climate
models (ACCES1.0, bcc_csm1, BNU_ESM, CMCC_CM and GISS_E2) were
used in two emission scenarios (RCP 4.5 and 8.5). The simulation was
carried out for the period 2070-2100, considering 1980-2010 as the base
period. The model worked satisfactorily with the statistical values of Nash-
Sutcliffe (NSE), PBIAS and coefficient of determination (R2). In the basin,
the average results show an increase in precipitation (between 4.63 and
8.14 %) and temperature (from 2.3 to 4.2 °C), in RCP 4.5 and 8.5
scenarios by 2100. Likewise, there would be an increase in flows in
comparison with the base period, obtaining that, on average, the flow in
the basin would increase by 2.4 and 12.6 % in the RCP 4.5 and 8.5
scenarios, respectively. It is concluded that the increase in temperature
and precipitation will influence a greater runoff and risk of flooding in the
cultivation areas in the basin.
Keywords: PISCO-SENAMHI, SWAT, global climate models (GCM), RCP

scenarios.
113
Recibido: 28/02/2022
Aceptado: 06/06/2022
Publicado online: 15/07/2022
Introducción
Los temas relacionados con los recursos hídricos son ampliamente

difundidos y discutidos en todo el mundo debido a que son indispensables
para la vida en el planeta; por tanto, los estudios para evaluar su
distribución en el tiempo y el espacio son de suma importancia (Almeida,
Pereira, & Pinto, 2018). En ese sentido, la aplicación de modelos
hidrológicos para la simulación de lluvia-escorrentía y predicción de
inundaciones ha recibido una gran atención en los últimos años y se han
llevado a cabo numerosos estudios de investigación en tales campos
(Nazari, Masoud, & Karakouzian, 2020). Los modelos hidrológicos buscan
capturar los mecanismos físicos de generación de la escorrentía superficial
y recarga de los acuíferos subterráneos a partir de la precipitación y la
evapotranspiración (Ocampo & Vélez, 2013).
Conocer e identificar los procesos predominantes en las cuencas

permiten la gestión y planificación de los recursos hídricos con el objetivo
de predecir el comportamiento hidrológico de una cuenca ante diferentes
escenarios climáticos, permitiendo desarrollar estrategias de gestión
eficaces (Ashu & Lee, 2020). Esto requiere analizar el riesgo de escasez
de agua, forzada por el clima cambiante, las alteraciones del uso de la
114
tierra, el crecimiento de la población y la industrialización para allanar el
camino para la planificación y gestión sostenibles de los sistemas de
recursos hídricos (Swain, Mishra, Sahoo, & Chatterjee, 2020). Asimismo,
el cambio de uso (cobertura) del suelo influye en los ecosistemas,
ocasionando transformaciones en la tasa de dotación de servicios
ecosistémicos hídricos, asumiendo un papel importante en el ciclo
hidrológico, pues, por ejemplo, el proceso de la evapotranspiración
depende del tipo de cobertura, clima y capacidad de agua disponible para
las plantas, además de incrementar la escorrentía superficial o atenuarla
(González-Celada, Ríos, Benegas-Negri, & Argotty-Benavides, 2021).
Actualmente existen muchos modelos hidrológicos que permiten

simular la descarga de los ríos con mayor precisión, facilidad y rapidez
que el método de medición tradicional. Entre ellos está el modelo SWAT,
que es un modelo a escala de cuenca integrado con ArcGIS para ayudar
a mejorar la precisión del resultado simulado lluvia-escorrentía utilizando
las propiedades físicas de la cuenca (Asurza & Lavado, 2020). La
comprensión de los procesos hidrológicos dentro de una cuenca es
fundamental para una mejor gestión de los recursos hídricos, por lo que
en este estudio se aplicó SWAT, aceptado internacionalmente como una
herramienta robusta para el modelado interdisciplinario de los recursos
hídricos (Abbaspour, Vaghefi, & Srinivasan, 2017). El modelo hidrológico
semidistribuido SWAT ha sido aplicado de manera exitosa para simular
agua estacional y contaminante en cuencas hidrográficas agrícolas, y sus
usos se han calibrado y validado con éxito en muchas regiones alrededor
del mundo (Gomáriz & Sarría, 2018; Deng, Pisani, Hernández, & Li,
2020). Asimismo, SWAT tiene la capacidad de incorporar anomalías
115
climáticas y cambios de cobertura en el proceso de simulación (Neitsch,
Arnold, Kiniry, Williams, & King, 2005).
El impacto del cambio climático se evalúa utilizando modelos

climáticos globales (MCGs) de la Fase 5 del Proyecto de Intercomparación
de Modelos Acoplados (CMIP5) (Taylor, Stouffer, & Meehl, 2012), que
reúne una variedad de MCGs que han crecido en complejidad a lo largo
del tiempo, mejorando la representación de los procesos e incorporando
nuevas incertidumbres asociadas con las distintas parametrizaciones. Sin
embargo, aún presentan cierta dispersión entre ellos y en la definición de
algunas variables (Penalba & Pántano, 2019). Varios estudios se han
centrado en los posibles impactos del cambio climático en los recursos
hídricos (Molina-Navarro et al., 2016; Deng et al., 2020), probándose
diferentes escenarios de emisiones (p. ej., RCP 4.5 y RCP 8.5). La
actividad agrícola está directamente relacionada con los recursos hídricos
y la seguridad alimentaria, por tanto, el cambio climático tiene efectos
directos e indirectos en la producción de alimentos debido a
modificaciones de temperatura, lluvias irregulares y ocurrencia de
eventos climáticos extremos (Wongchuig, Mello, & Chou, 2018).
La cuenca de estudio está ubicada en los Andes centrales del Perú

y sus escurrimientos contribuyen al caudal del río Mantaro, donde el 71
% de las zonas agrícolas reciben agua exclusivamente de lluvia (IGP,
2005). Además, la producción agrícola de la cuenca del río Mantaro
abastece a la ciudad capital de Lima y es la cuenca de mayor densidad
poblacional de las regiones montañosas peruanas (Wongchuig et al.,
2018).
116
Con base en lo descrito, el objetivo de esta investigación fue realizar
el modelamiento hidrológico y simulación de las descargas mensuales con
SWAT, usando las variaciones de precipitación y temperatura extraídas
de modelos climáticos globales (MCGs) en dos escenarios de emisiones-
RCP 4.5 y RCP 8.5 para el periodo 2070-2100 (tomando a 1980-2010
como periodo base), a fin de analizar el impacto del cambio climático en
las descargas mensuales en el futuro.
Materiales y métodos
Área de estudio
La cuenca del río Anya se encuentra ubicada en la zona central altoandina

del Perú, situada en la margen izquierda del río Mantaro, entre 11.98° a
11.89° de latitud sur y 75.28° a 75.21° de longitud oeste (Figura 1). Su
área de drenaje es de 48.03 km2; no obstante, el área hasta el punto de
aforo es 41.7 km2; longitud del curso principal de 11.3 km, con caudal
promedio anual 0.51 m3/s; su altitud media es de 3 700 msnm, con una
pendiente de 20.9 %. La precipitación promedio multianual es de
aproximadamente 800 mm y tiene un comportamiento estacional, donde
el 84 % precipita entre septiembre y marzo, con lluvias esporádicas en
abril y mayo, siendo nula entre junio y agosto. La zona de vida
predominante ―según el sistema de clasificación de zonas de vida de
Holdridge (Sabino, Lavado, & Aybar, 2019)― es el Bosque seco montano
117
bajo tropical (bs-MBT), ocupando un 65.22 % del área de la cuenca; dicha
predominancia tiene correspondencia con la cantidad de precipitación. El
clima en la zona es variado por la diversidad de pisos altitudinales; sin
embargo, en promedio, le corresponde un clima templado frío.
Figura 1. Ubicación de la cuenca Anya, Junín, Perú.
118
La cobertura vegetal actualizada a octubre de 2019 está compuesta
de 41.4 % de cultivos, siendo los más representativos de la zona los
siguientes: papa, maíz, cebada, habas, olluco y avena, principalmente
para el autoconsumo; 18.9 %, plantaciones forestales de eucaliptos; 26.1
% de herbazales; 8.5 % de matorrales andinos propios de montañas
subhúmedas; el 5.1% restante corresponde al área urbana. Los suelos
dominantes son 70 % francos y 30 % francos arcillosos, con un pH entre
3.8 y 6.6 de predominancia ácida. Según PDC (2013), en cuanto a
características socioeconómicas de la cuenca, la tendencia observada es
a la intensificación del proceso de urbanización, que se manifiesta en un
67 % de población urbana y 33 % de población rural (Guabloche &
Saldarriaga, 2013).
Fuente de datos y procesamiento
Datos climáticos
Para la cuenca Anya no existen datos climáticos diarios de extensión

suficiente que, según la OMM (2017), deben ser de 30 años para el cálculo
de las normales climatológicas estándar, por lo que se utilizó el conjunto
de datos de precipitación y temperatura diaria en cuadrícula PISCO del
Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI) en el
periodo comprendido entre enero de 1981 y diciembre de 2015. PISCO
está basado en datos pluviométricos del Perú e información satelital
119
CHIRPS (Funk, Peterson, & Landsfeld, 2015), en una cuadrícula de 0.05°
× 0.05° de resolución espacial. La mayor precisión de las estimaciones de
precipitación con PISCO se circunscribe a regiones calibradas, como la
costa del Pacífico, y las laderas oriental y occidental de los Andes del Perú
(Aybar et al., 2017; Llauca, Lavado-Casimiro, Montesinos, Santini, & Rau,
2021). Además, PISCO es utilizado por SENAMHI en Perú con fines
operativos, para el monitoreo de sequías e inundaciones a escala
nacional, y se aplicó, por ejemplo, para el modelado hidrológico de la
cuenca del río andino Vilcanota (Fernandez-Palomino, Hattermann,
Krysanova, Vega-Jácome, & Bronstert, 2021) y otras cuencas peruanas
(Llauca et al., 2021). El uso de PISCO es relativamente reciente en
estudios hidrológicos y debe acompañarse con el uso de comandos en
lenguaje R para extraer información en coordenadas previamente
indicadas (Asurza & Lavado, 2020). El conjunto de datos PISCO está
disponible públicamente en https://piscoprec.github.io/, y respalda los
estudios hidrológicos y las prácticas de gestión del agua (Aybar et al.,
2020).
En este caso, se utilizaron las coordenadas de tres estaciones, una

dentro de la cuenca, para la validación de PISCO, utilizándose el
coeficiente de correlación entre los datos de precipitación medido entre
diciembre de 2013 y marzo de 2015, y precipitación grillada de PISCO del
mismo periodo (Tabla 1). No fue necesario realizar el proceso de
corrección del sesgo de los datos obtenidos con PISCO debido al tamaño
de la cuenca (<100 km2), ya que un solo pixel cubre toda la cuenca, es
decir, los datos de precipitación de un pixel representan la precipitación
promedio de la cuenca de interés y es suficiente para el modelamiento
120
hidrológico. Los datos de descargas medias (m3/s) utilizados para la
calibración y validación del modelo se registraron en la estación
hidrométrica Anya por el programa VLIR-UNALM (VLIR & UNALM, 2015).
Los datos de radiación solar (MJ/m2s2), velocidad del viento (m/s) y
humedad relativa (%) se generaron con la herramienta de simulación del
clima de SWAT.
Tabla 1. Puntos de reducción de escala de Peruvian Interpolated data of

the SENAMHI´s Climatological and Hydrological Observations (PISCO).
Punto Estación Latitud (°) Longitud (°) Altitud (msnm)
X1 Anya -11.9552 -75.2600 3 279
X2 Ingenio -11.8653 -75.2800 3 390
X3 Huayao -12.0335 -75.3381 3 360
Datos del suelo, cobertura vegetal y topografía
Se trabajó con el mapa de cobertura vegetal actualizado a octubre de

2019, definido y digitalizado a partir de imágenes PlanetScope del satélite
SkySat-C (lanzado en el 2016), resolución espacial de 3 metros, 4 bandas
(RGB, NIR) y formato de archivo GeoTIFF. El mapa de suelos se obtuvo
de la zonificación ecológica y económica de la región Junín (MINAM, 2015)
proyectada en el sistema de coordenadas Universal Transversal Mercator
(UTM), Datum y elipsoide de referencia WGS-84, escala 1/100 000,
disponible desde el geoservidor del Ministerio del Ambiente del Perú
121
(MINAM) (https://geoservidor.minam.gob.pe/). Se utilizó el modelo de
elevación digital del satélite ASTER (MED), versión 3, con resolución
espacial de 1 arco segundo (aproximadamente 30 metros de posición
horizontal en el ecuador terrestre). Dentro del ArcMap 10.5 se cargó la
extensión ArcSWAT descargado desde https://swat.tamu.edu/,
compatible con la versión de ArcMap.
Datos de modelos climáticos globales (MCGs)
Con fines comparativos entre escenarios RCP 4.5 y RCP 8.5 se utilizaron
datos de precipitación y temperatura mensual de cinco modelos
pertenecientes al CMIP5 (Coupled Model Intercomparison Project Phase)
obtenidos desde la página del explorador del clima Climate Explorer
https://climexp.knmi.nl/start.cgi (conjunto de datos y evaluación del
clima europeo), escogiéndose modelos que mejor representan los
sistemas sinópticos que modulan el clima de Sudamérica (Acuña, Flores,
Llacza, & Rorher, 2019). Los modelos globales son capaces de reproducir
las características básicas del ciclo estacional de la precipitación del
presente, sin embargo, hay algunas discrepancias en reproducir
cuantitativamente la exactitud estacional sobre las principales cuencas del
continente (Lujano, Hidalgo, Diaz, Tapia, & Lujano, 2016), por tanto, es
deseable su evaluación. Se seleccionaron los RCP 4.5 y 8.5 porque
representan un extremo estable y una proyección de cambio climático de
alto nivel (Ashu & Lee, 2020). El escenario RCP 4.5 sugiere un mundo que
utiliza tecnologías y estrategias que conducen a un forzamiento radiativo
122
estabilizado de 4.5 W/m2 en el 2100. Por el contrario, el escenario RCP
8.5 advierte que el alto crecimiento de la población, la falta de tecnologías
desarrolladas y las altas emisiones de gases de efecto invernadero (GEIs)
favorecen a que el forzamiento radiativo alcance los 8.5 W/m2 en el año
2100, siendo el más crítico de los CMIP5 (González-Celada et al., 2021).
Para encontrar la variación del clima futuro se aplicó la metodología

del cambio delta (Ramírez & Jarvis, 2010), con la cual se pudieron estimar
las variaciones entre las simulaciones de los modelos climáticos actuales
y futuros, agregando los cambios a las series temporales observadas. Se
utilizó la suma absoluta para temperaturas (en grados centígrados) y los
cambios relativos para la precipitación (en porcentaje), tomando como
periodo base de 1980 a 2010 y como periodo futuro de 2070 a 2100
(Tabla 2) para cada modelo de la Tabla 3.
Tabla 2. Cambio delta de precipitación y temperaturas mensuales.
𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏. 𝐟𝐟𝐟𝐟𝐟𝐟 − 𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏. 𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡

𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏. 𝐜𝐜𝐜𝐜𝐜𝐜𝐜𝐜 = � � 𝐓𝐓. 𝐜𝐜𝐜𝐜𝐜𝐜𝐜𝐜 = 𝐓𝐓. 𝐟𝐟𝐟𝐟𝐟𝐟 − 𝐓𝐓. 𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡
𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏. 𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡
• PREC.camb. = cambio de precipitación

• T.camb. = cambio de temperatura (ºC)
(%)
• PREC.fut.= promedio multianual de la • T.fut.= promedio multianual de la

precipitación acumulada (2070-2100), temperatura (2070-2100) promedio
promedio anual (series de tiempo) anual (series de tiempo)
• PREC.hist.= promedio multianual de la • T.hist.= promedio multianual de la

precipitación acumulada estacional o temperatura acumulada estacional o
anual (1980-2010) anual (1980-2010)
123
Tabla 3. Modelos climáticos globales (MCGs) analizados en este estudio.
Nombre del Resolución atmosférica

Núm. País
modelo (km)
1 ACCES1.0 Australia 192 x 145
2 bcc-csm1-1 China 281 x 279
3 BNU-ESM China 142
4 GISS-E2-rp2 EUA 110 x 110
5 CMCC-CM Italia 82.5 x 82.5
Se utilizó el factor de corrección multiplicativo para corregir las

sobreestimaciones de precipitación de los MCGs según la siguiente
ecuación:
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃
𝐹𝐹𝐹𝐹 = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃
(1)
Donde Fc es el factor de corrección; Pobs, la precipitación

observada, y Psim es la precipitación simulada de un determinado
modelo.
Luego las precipitaciones y temperaturas modificadas, según las

variaciones establecidas en el cambio delta, se utilizaron como entrada
para simular los caudales futuros en el SWAT.
124
La Tabla 4 contiene la descripción y fuente de los datos de la cuenca
utilizados para el modelamiento hidrológico con SWAT.
Tabla 4. Descripción y fuente de datos de la cuenca Anya usados en el

SWAT.
Resolución
Datos Fuente
espacial/temporal
Modelo de elevación ASTER versión 3

12.5 m
digital (MED) https://lpdaac.usgs.gov/products/astgtmv003/
Mapa de cobertura y uso

Satélite SkySat- C. Imágenes PlanetScope 3m
de suelo
Zonificación ecológica económica Junín

Mapa de suelos 3m
https://geoservidor.minam.gob.pe/
Datos diarios de
precipitación (mm), PISCO:
temperatura máxima (°C) http://www.senamhi.gob.pe/?p=observacion- 5 km/día
y temperatura mínima de-inundaciones (periodo 1981-2015)
(°C)
Precipitación observada Estaciones Anya, Ingenio y Huayao (2013-

(mm) 2015)
Estación hidrométrica Anya. Programa VLIR-

Descargas (m3/s) Promedio/día
UNALM (2013-2015)
Modelos climáticos Climate Explorer:

Promedio 150 km
globales https://climexp.knmi.nl/start.cgi
125
Calibración y validación del modelo SWAT
Dada la poca extensión del registro de caudales, el periodo de simulación

fue de agosto de 2012 a marzo de 2015, con periodo de calentamiento
del modelo definido en 16 meses (agosto 2012-noviembre 2013). Se
utilizaron 10 meses para la calibración y el resto para la validación (06
meses), es decir: calibración (diciembre 2013-septiembre 2014) y
validación (octubre 2014-marzo 2015). Se utilizó la opción de calibración
manual de parámetros del programa SWAT, considerando las medidas de
eficiencia propuestas por Moriasi et al. (2007), entre ellas, eficiencia
Nash-Sutcliffe (NSE), porcentaje del sesgo (PBIAS) y coeficiente de
determinación (R2). R2 indica la fuerza de relación lineal entre los valores
observados y simulados, que van de 0 a 1, donde 1 indica una
coincidencia perfecta. NSE es una estadística normalizada que establece
la magnitud relativa de la varianza residual ("ruido") en comparación con
la varianza de los datos medidos ("información") (Nash & Sutcliffe, 1970).
NSE muestra qué tan bien se ajusta la gráfica de datos observados versus
simulados a la línea 1:1, variando entre -∞ y 1, siendo NSE = 1 el valor
óptimo. El desempeño del modelo se considera satisfactorio cuando R2 y
NSE son mayores a 0.5 para caudal (Moriasi et al., 2007). El sesgo
porcentual (PBIAS), que subestima la tendencia promedio de los datos
calibrados a ser más grandes o más pequeños que los datos observados,
se utiliza como un indicador del rendimiento del modelo (Gupta,
Sorooshian, & Yapo, 1999). El valor óptimo es cero y los valores absolutos
bajos indican mejores simulaciones. En pasos de tiempo mensuales, un
126
PBIAS menor del 25 % para el flujo de la corriente después de la
calibración se considera satisfactorio (Moriasi et al., 2007). La información
general sobre los criterios de evaluación y/o calificaciones de desempeño
de modelos se muestran en la Tabla 5.
Tabla 5. Calificaciones de desempeño por métodos estadísticos. NSE:

eficiencia de Nash-Sutcliffe; PBIAS: sesgo porcentual; R2: coeficiente de
determinación.
Calificación de
NSE PBIAS R2
rendimiento
0.75 < NSE ≤ 1.00 PBIAS ≤ ± 10 0.75 < R2 ≤ 1.00 Muy bueno
0.60 < NSE ≤ 0.75 ± 10 < PBIAS ≤ ± 15 0.60 < R2 ≤ 0.75 Bueno
0.36 < NSE ≤ 0.60 ± 15 < PBIAS ≤ ± 25 0.50 < R2 ≤ 0.60 Satisfactorio
0.00 < NSE ≤ 0.36 ± 25 < PBIAS ≤ ± 50 0.25 < R2 ≤ 0.50 Malo
NSE ≤ 0.00 ± 50 ≤ PBIAS 0.50 ≤ R2 Inapropiado
Fuente: adaptado de Moriasi et al. (2007).
127
Resultados
Precipitación y temperatura mensual en cuadrícula

PISCO
Se calcularon los estadísticos de las series de precipitación y temperatura

multianual para la cuenca Anya, obtenida con PISCO entre 1981 y 2015.
La precipitación total multianual resultó de 741.8 mm, siendo los meses
de mayor y menor precipitación febrero y julio, respectivamente; la
temperatura promedio multianual resultante fue de 11.2 °C, con
temperaturas mayores en diciembre y enero, siendo julio el mes más frío
(Tabla 6). El mes de mayor precipitación fue febrero, siendo los meses de
estiaje los de menor desviación estándar (Figura 2).
128
Tabla 6. Estadísticos de precipitación y temperatura en la cuenca Anya
entre 1981 y 2015.
Precipitación (mm) Temperatura (°C)

Mes
Prom. Mín. Máx. Desv. est. Prom. Mín Máx Desv. est.
Ene 122.5 63.8 206.6 34.4 12.4 11.3 13.8 0.58
Feb 132.8 50.2 233.7 40.6 12.1 11.2 13.8 0.63
Mar 117.9 63.5 169.4 30.9 11.8 10.9 13.2 0.59
Abr 54.5 24.2 115.5 21.4 11.2 10.3 12.7 0.52
May 14.8 1.5 32.0 7.4 10.4 9.0 11.3 0.55
Jun 5.6 0.0 35.3 6.4 9.8 8.9 10.9 0.56
Jul 4.0 0.0 21.4 4.1 9.1 7.9 10.3 0.55
Ago 11.4 0.1 31.6 8.6 10.2 9.5 11.4 0.49
Sep 33.0 10.8 70.6 13.0 11.2 10.2 12.3 0.47
Oct 63.8 19.8 124.8 21.4 12.0 11.2 12.7 0.37
Nov 71.0 31.5 143.4 25.5 12.3 11.6 13.0 0.40
Dic 110.4 48.1 179.3 30.7 12.4 11.6 13.3 0.36
Mín. 4.0 0.0 21.4 4.1 9.1 7.9 10.3 0.4
Máx. 132.8 63.8 233.7 40.6 12.4 11.6 13.8 0.6
Total precipitación: 741.8 mm; media anual de temperatura: 11.2 °C.
Fuente: elaborado con la base de datos PISCO.
129
Figura 2. Precipitación (a) y temperatura (b) en la cuenca Anya
obtenidas de la base de datos PISCO (1981-2015).
La Figura 3 muestra el comportamiento tendencial de ambas

variables en el periodo entre 1981 y 2015; se nota que la precipitación
tuvo un leve incremento, no obstante la temperatura tuvo un aumento
significativo de aproximadamente 0.8 °C en el periodo considerado,
verificándose la tendencia de calentamiento de la zona. Es importante
destacar que en las dos últimas décadas del siglo XX, el Perú enfrentó dos
fenómenos de El Niño costero de intensidad fuerte: el primero en el
periodo 1982-1983, y el segundo en el periodo 1997-1998 (SENAMHI,
2014), razón por la cual la Figura 3b muestra un notable incremento de
la temperatura en los años 1983 y 1998, demostrando la influencia del
fenómeno El Niño costero en las temperaturas de la cuenca interandina
Anya. Con respecto a la precipitación, los resultados no son concluyentes,
pero se nota que en el evento de 1983 la precipitación disminuyó, porque
130
el calentamiento en el Pacífico Central puede suprimir la lluvia en las
partes altas de las cuencas (Lavado & Espinoza, 2014). No obstante, en
el año 1998 la precipitación total anual fue igual al promedio de la zona.
Figura 3. Tendencias de precipitación (a) y temperatura (b) en la

cuenca Anya obtenidas de la base de datos PISCO (1981-2015).
Aplicación de data grillada PISCO
En principio, se estableció el nivel de correlación entre los datos de

precipitación media mensual registrada (datos obtenidos para la cuenca
entre 2013 y 2015) y la precipitación media obtenidas de la base de datos
PISCO para el mismo periodo, obteniéndose un coeficiente de
determinación R2 = 0.91 (muy bueno) (Figura 4). Del mismo modo, para
la temperatura media mensual se obtuvo un coeficiente de determinación
131
R2 = 0.63 (bueno), lo que permitió verificar que los datos obtenidos con
el producto grillado PISCO son adecuados para ser ingresados al modelo
SWAT en periodos más largos.
Figura 4. Correlación entre datos observados mensuales (2013-2015) y

datos grillados PISCO: a) precipitación, b) temperatura.
Validación de modelos CMIP5-precipitación y temperatura

proyectados con MCGs
Al comparar las precipitaciones obtenidas con la base de datos PISCO y

las simuladas con los MCGs en la cuenca para el periodo de 1981-2015
se nota una sobrestimación de las precipitaciones simuladas respecto de
las obtenidas con PISCO (Figura 5a), tal como lo reportaron Lujano et al.
(2016) para el altiplano peruano. Sin embargo, pese a que no cuantifican
con exactitud los valores observados, es evidente que las salidas de los
132
MCGs reproducen de modo adecuado la estacionalidad de la precipitación
en la zona, por lo cual el coeficiente de determinación (R2) entre
precipitación observada y simulada es “muy bueno” en todos los casos
(Tabla 7). En cuanto a la temperatura, todos los MCGs también la
sobrestiman, verificándose que el rango térmico no está siendo
representado adecuadamente, notándose rangos menores que el
observado de 3.3 °C.
Figura 5. Precipitación (a) y temperatura (b) según MCGs versus base

de datos PISCO en el periodo 1981-2015.
133
Tabla 7. Coeficientes de determinación (R2) de la variable precipitación
calculada a partir de la base de datos PISCO y datos simulados con
MCGs en el periodo 1981-2015.
MCG R2
ACCES1.0 0.915
bcc-csm1 0.941
BNU-ESM 0.907
GISS-E2-rp2 0.791
CMCC-CM 0.900
Los valores de precipitación promedio mensual de los MCGs fueron

reducidos por el factor multiplicativo estimado mediante la Ecuación (1).
En seguida, la variación de la precipitación y temperatura mensual se
calculó a través de la diferencia entre los resultados de los modelos en el
periodo futuro (2070-2100) y el periodo base (1980-2010) (cambio
delta). La evaluación del cambio climático al 2100 en el escenario RPC 4.5
y los cinco MCGs da como resultado que, en cuatro modelos, se espera
un aumento de la precipitación en la cuenca y solo en un caso ―modelo
BNU-ESM― la precipitación total anual disminuiría (-0.51 %); no

obstante, en el promedio de los modelos, la variación del porcentaje de
precipitación será de 4.63 %. En general, la precipitación futura es muy
compleja e incierta, porque se presentan diferencias entre escenarios RCP
y MCGs. Respecto a la temperatura en el escenario RCP 4.5, el incremento
del promedio anual será de 2.3 °C. En el escenario RCP 8.5 se espera un
134
aumento del porcentaje promedio anual de precipitación del 8.14 % y de
4.5 °C de la temperatura (Figura 6). Los resultados son similares a lo
reportado por investigadores del SENAMHI, quienes indican que habrá un
progresivo incremento de las temperaturas máxima y mínima en toda la
zona en relación con el clima actual (Avalos et al., 2013).
Figura 6. Proyecciones de la precipitación (a) y temperatura (b) con los

cinco MCGs al 2100 en escenarios RCP 4.5 y 8.5.
Parámetros seleccionados del modelo SWAT
Para la calibración del modelo se definieron y seleccionaron de forma

manual un total de 12 parámetros potencialmente influyentes, teniendo
como referencia los parámetros seleccionados para la cuenca andina del
135
río Vilcanota de Fernandez-Palomino et al. (2021), relacionados con el
flujo base, la unidad de respuesta hidrológica y la rugosidad (Arnold,
Moriasi, & Gassman, 2012). Se hizo variar el parámetro CN2 (curva
número en condición de humedad II, intermedia), asociado con la
escorrentía superficial. Entre los parámetros SWAT calibrados, solo dos
(SOL_AWC, GW_REVAP) pueden alterar el balance hídrico, ya que
influyen en la evapotranspiración y, posteriormente, en la estimación de
la escorrentía. Los parámetros restantes influyen en el agua subterránea
(GW_DELAY, RCHRG_DP, GWQMN, ALPHA_BF) y el enrutamiento del flujo
(CH_N2) sin afectar la pérdida de agua del sistema. El parámetro
RCHRG_DP indica el volumen de agua filtrado en el acuífero profundo en
relación con la recarga total que ingresa a los acuíferos y brindan una idea
de la recarga que ingresa a los acuíferos profundos en las cuencas andinas
peruanas, que sustentan el flujo prolongado de la estación seca en estas
cuencas (Fernandez-Palomino et al., 2021). Los parámetros
seleccionados y resultados calibrados se muestran en la Tabla 8.
136
Tabla 8. Parámetros del modelo SWAT utilizados en la cuenca Anya.
Mejor
Valor
Ítem Parámetro Definición simulación
inicial Simulación 21
Número de curva del SCS para la condición
1 *R_CN2.mgt * +4 %
II de humedad
2 V_ALPHABF.gw Factor alpha del flujo base (d) 0.048 0.4
3 V_GWDELAY.gw Desfase agua subterránea (d) 31 60
Nivel del umbral freático para iniciar flujo de
4 V_GWQMN.gw 1 000 1 000
retorno (mm)
Coeficiente de revalorización del agua
5 V_GWREVAP.gw 0.02 0.182
subterránea
Fracción de percolación del acuífero
6 V_RCHRGDP.gw 0.05 0.05
profundo
Profundidad del acuífero superficial para

7 V_REVAPMN.gw 750 1 050
producir revap. (mm)
Almacenamiento máximo de la cubierta

8 V_CANMX.hru 0 15
vegetal
9 V_ESCO.hru Factor de compensación de ET del suelo 0.95 0.64
Factor de compensación de la captación de

10 V_EPCO.hru 1 0.7
las plantas
11 R_CHN2.rte N. de Manning del cauce principal 0.014 0.137
12 *R_SOLK.sol Conductividad hidráulica saturada (mm h-1) * -4 %
*Varía de acuerdo con el tipo de suelo.
137
Calibración y validación del modelo SWAT
El valor PBIAS para la calibración y validación del caudal en el río Anya es

positivo, lo que indica la subestimación del modelo. La diferencia entre
los valores simulados y observados se puede atribuir a varios factores,
básicamente la poca data de caudales registrados no permite una
calibración y validación automática, que es necesaria para utilizar el SWAT
CUP. Las fuentes de incertidumbre en este caso son los errores de
medición, del instrumento y los errores del modelo. Sin embargo, con
base en los valores de NSE y R2, los resultados de calibración y validación
son satisfactorios (Tabla 9).
Tabla 9. Indicadores estadísticos de desempeño mensual del modelo.
Etapa de Calificación de Etapa de Calificación de

Indicador
calibración desempeño validación desempeño
NSE 0.62 Bueno 0.46 Satisfactorio
PBIAS 6.72 % Muy bueno 7.43 % Muy bueno
R2 0.81 Muy bueno 0.96 Muy bueno
138
Evaluación del cambio climático en las descargas
futuras (2070-2100)
Luego de la calibración, se incorporaron al modelo hidrológico SWAT la

precipitación y temperatura ajustadas según las variaciones por escenario
RCP y por MCG, manteniendo constante la topografía, división de cuencas
y tipo de suelo. La Tabla 10 contiene las descargas mensuales simuladas
en condición actual, y las salidas de las descargas simuladas en SWAT con
datos climáticos modificados según los cinco MCGs ensayados. El
promedio anual de los MCGs mostró un incremento de +2.4 y +12.6 %
en los escenarios RCP 4.5 y 8.5, respectivamente. La Figura 7 muestra
los hidrogramas mensuales de descargas promedio proyectadas en la
cuenca Anya para el periodo 2070-2100 en los escenarios de emisiones
RCP 4.5 y RCP 8.5, respectivamente. Se visualiza un incremento del
escurrimiento en los meses húmedos alcanzando su mayor nivel de
variación en marzo. Se evidencia que el promedio de descargas se
incrementaría en los meses de abril y mayo, resultado similar a lo
obtenido por Lujano et al. (2016) en la cuenca del río Ramis en Puno, sin
embargo, las descargas disminuirían en los meses de julio a diciembre.
139
Tabla 10. Descargas medias mensuales simuladas actual y en el
horizonte 2070-2100 en m3/s.
Q sim Acces Acces bcc - bcc - BNU - BNU - CMCC - CMCC - GISS - GISS -
Mes
act 1.0 4.5 1.0 8.5 csm 4.5 csm 8.5 ESM 4.5 ESM 8.5 CM 4.5 CM 8.5 E2 4.5 E2 8.5
Ene 1.01 0.96 1.01 0.82 1.20 1.02 1.00 0.91 1.22 0.68 0.81
Feb 1.11 1.22 1.29 1.05 1.32 1.27 1.23 1.30 1.46 0.89 1.07
Mar 1.40 1.52 1.63 1.49 1.63 1.45 1.46 1.64 1.93 1.44 1.41
Abr 0.91 1.21 1.27 1.15 1.28 1.18 1.19 1.28 1.43 1.21 1.14
May 0.56 0.89 0.93 0.84 0.93 0.82 0.82 1.00 1.14 0.83 0.79
Jun 0.16 0.14 0.15 0.12 0.15 0.11 0.10 0.18 0.24 0.04 0.11
Jul 0.04 0.04 0.04 0.04 0.05 0.04 0.04 0.05 0.06 0.03 0.04
Ago 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.04 0.02 0.03
Set 0.06 0.06 0.07 0.06 0.07 0.07 0.05 0.05 0.06 0.07 0.06
Oct 0.04 0.03 0.03 0.03 0.04 0.03 0.03 0.03 0.04 0.04 0.03
Nov 0.22 0.09 0.09 0.07 0.11 0.09 0.06 0.09 0.11 0.06 0.08
Dic 0.97 0.79 0.81 0.62 0.84 0.83 0.68 0.84 1.01 0.35 0.63
Media 0.54 0.58 0.61 0.52 0.64 0.58 0.56 0.62 0.73 0.47 0.52
Máx. 1.40 1.52 1.63 1.49 1.63 1.45 1.46 1.64 1.93 1.44 1.41
Mín. 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.04 0.02 0.03
Var. 7.4 % 13.1 % -3.0 % 17.4 % 6.6 % 3.1 % 14.0 % 34.4 % -12.8% -4.7 %
140
Figura 7. Variación de las descargas del río Anya en escenarios
climáticos RCP 4.5 y 8.5 en el horizonte 2070-2100.
Discusión
Con el producto grillado PISCO se están superando limitaciones en el uso

de modelos matemáticos en muchas cuencas del Perú por la escasez de
datos diarios de precipitación, ya que permite calibrar un mayor número
de cuencas para fines operacionales de pronóstico diario de caudales,
utilizando diferentes modelos hidrológicos (Aybar et al., 2017). Los
productos de precipitación basados en satélites son fuentes alternativas
141
prometedoras para regiones con escasas observaciones. Sin embargo, es
necesario utilizar datos terrestres para reducir el sesgo de dichas
estimaciones, ya que pueden ser erróneas o sesgadas (Fernandez-
Palomino et al., 2022). No obstante, la mayor precisión de las
estimaciones de precipitación con PISCO se obtiene en regiones
calibradas, como la costa del Pacífico, y las laderas oriental y occidental
de los Andes de Perú (Aybar et al., 2020; Llauca et al., 2021). Por tanto,
se corrobora que PISCO tiene validez en regiones de la sierra del Perú,
con altos coeficientes de correlación (Salas, 2019), por lo que su uso para
el valle del Mantaro en Junín resulta eficiente y confiable. Los resultados
muestran que el modelo SWAT representa de forma correcta la
estacionalidad de los componentes principales del ciclo hidrológico. Sin
embargo, el modelo no cuantifica de manera correcta las altas tasas de
flujo durante los periodos húmedos, como lo reportaron Asurza y Lavado
(2020), concluyendo que puede ser usado como apoyo para estudios de
balance hídrico y manejo del agua en el drenaje del Pacífico peruano. El
enfoque y los métodos desarrollados se pueden replicar en cualquier otra
región del Perú.
Para la calibración del modelo, en la cuenca Anya existen

limitaciones de datos observados, característica típica de cuencas poco
instrumentadas; sin embargo, Arnold, Srinivasan, Muttiah y Williams
(1998) mencionan que el SWAT no requiere calibración para cumplir con
su propósito de predicción en este tipo de cuencas. No obstante, se
alcanzó un buen ajuste de calibración del caudal medio mensual, que
permitió el uso del modelo SWAT para la proyección del cambio climático
en las descargas futuras de la cuenca. A veces, las incertidumbres debido
142
a la calidad de los datos observados impiden un buen modelado
hidrológico. Por tanto, se necesitan más estudios para cuantificar las
incertidumbres en el modelado hidrológico debido a errores en los datos
de descarga observados en las cuencas andinas (Fernandez-Palomino,
2021).
La anomalía de precipitación juega un rol importante en la

probabilidad de inundaciones y erosión en la cuenca, dado que la cantidad
e intensidad de lluvia son los principales factores que se modifican con el
cambio climático (González-Celada et al., 2021), y es lo que se puede
verificar en el comportamiento de la precipitación en la zona actualmente,
notándose que en la cuenca Anya, las temperaturas son mayores y las
precipitaciones son más intensas y de corta duración. Estos resultados
indican el aumento en la concentración de eventos de lluvia a lo largo del
siglo XXI, lo que sugiere que eventos individuales de lluvia pueden tener
mayor potencial físico para el riesgo de erosión a finales del siglo
(Wongchuig et al., 2018). Desde el punto de vista climático, es sabido
que un promedio mensual de precipitación suministra información valiosa
sobre la pluviometría de un territorio, pero no dice nada acerca de la
frecuencia o número de días de lluvia, ni tampoco del desglose de las
cantidades registradas en los días lluviosos (Sarricolea & Romero, 2015).
La erosión hídrica en la cuenca Anya es mayor en los meses de altas
precipitaciones debido a las características geomorfológicas y de paisaje
del área de estudio, donde el factor topográfico es indicador de pendientes
pronunciadas y, por consiguiente, de mayor intensidad de procesos
erosivos (Del Águila & Mejía, 2021).
143
Al analizar el cambio climático en regiones ubicadas en los Andes
centrales, Acuña et al. (2019) obtuvieron resultados similares en cuanto
a la precipitación utilizando tres modelos globales del CMIP3, con una
posible variación de la precipitación anual de ± 15 % en el peor escenario
de emisiones, lo cual tendrá repercusión directa en las descargas.
Asimismo, Álvarez y Villaverde (2015), al realizar la modelación
hidrológica ante el cambio climático en la cuenca del río Lurín (vertiente
del océano Pacífico-costa peruana), determinaron que habrá un
incremento en la disponibilidad del recurso hídrico (aumento de
caudales), y los periodos húmedos y secos serán más intensos en el
futuro. Pilares (2018), en su investigación para la cuenca del río
Cabanillas en Puno (vertiente del lago Titicaca-zona altoandina sur del
Perú), obtuvo que la variación promedio anual de descargas es positiva
en todos los escenarios y modelos probados.
Conclusiones
En la actualidad, en la cuenca Anya el cambio climático se manifiesta en

la alteración de las variables temperatura y precipitación. Los resultados
promedio muestran un incremento de precipitación entre 4.63 y 8.14 %,
y temperatura de 2.3 a 4.2 °C, en escenarios RCP 4.5 y 8.5 al 2100,
respectivamente. Para la evaluación del cambio climático a futuro se
extrajo información de cinco modelos climáticos globales (MCGs) en dos
escenarios de emisiones (RCP 4.5 y 8.5) para simularlos en SWAT. Se
logró comprobar que, para los dos escenarios, habrá un aumento en la
144
precipitación y la temperatura en la zona, lo cual incidirá en el incremento
de la escorrentía superficial. Por tanto, se concluye que en la cuenca Anya
habrá un alza de los caudales en ambos escenarios de emisiones: del 2.4
% en RCP 4.5 y del 12.6 % en RCP 8.5. Sin embargo, cabe destacar que
las proyecciones de cambio climático contienen varias incertidumbres
asociadas con la resolución de los modelos climáticos globales; no
obstante, estos resultados muestran la vulnerabilidad potencial de la
agricultura en condiciones de calentamiento global.
Los indicadores estadísticos de bondad de ajuste de modelos

hidrológicos demuestran que el modelo SWAT permite reproducir la
capacidad de escurrimiento de la cuenca Anya, cuya ejecución se realizó
en un entorno SIG, utilizando de entrada los mapas de cobertura y tipos
de suelo, los que pueden ser actualizados a partir de imágenes satelitales,
como en este caso, en que se actualizó el mapa de cobertura vegetal.
Además, el modelo SWAT demostró ser muy útil para modelar el cambio
climático a partir de registros obtenidos de base de datos como PISCO del
SENAMHI y modelos climáticos globales (MCGs).
Respecto al probable aumento de los caudales influenciados por el

cambio climático, es importante que se realice la adecuada gestión del
recurso hídrico en la cuenca Anya, respetando las fajas marginales del río
y evitándose todo tipo de construcciones en ellas. Asimismo, es necesario
continuar con las prácticas de conservación de suelos (control de
cárcavas) y reforestación, de preferencia con especies nativas. Se resalta
la importancia del monitoreo hidrológico, y conocimiento de la dinámica
de uso y gestión de recursos hídricos, para lograr mejores ajustes
hidrológicos en zonas de alta intervención antrópica, incrementando el
145
uso potencial de la modelación hidrológica como herramienta de
planificación.
Agradecimientos
Los autores expresamos nuestro agradecimiento a la Universidad Nacional

de San Cristóbal de Huamanga y a la Universidad Nacional del Centro del
Perú, instituciones donde se nos permite ejercer la docencia y la
investigación.
Referencias
Abbaspour, K. C., Vaghefi, S. A., & Srinivasan, R. (2017). A guideline for

successful calibration and uncertainty analysis for soil and water
assessment: A review of papers from the 2016 international SWAT
conference. Water (Switzerland), 10(1). Recuperado de
https://doi.org/10.3390/w10010006
Acuña, D., Flores, W., Llacza, A., & Rorher, M. (2019). Escenarios futuros
de cambio climático desde modelos globales para localidades de los
Andes centrales. Anales Científicos, 80(2), 476-494. Recuperado de
https://dialnet.unirioja.es/servlet/articulo?codigo=7546798
Almeida, R. A., Pereira, S. B., & Pinto, D. B. (2018). Calibration and

validation of the SWAT hydrological model for the Mucuri river basin.
Engenharia Agrícola, 38(1), 55-63. Recuperado de
https://doi.org/10.1590/1809-4430-Eng.Agric.v38n1p55-63/2018
146
Álvarez, T., & Villaverde, R. (2015). Balance hídrico futuro en la cuenca
del rio Lurín a través de la modelación hidrológica ante el cambio
climático (tesis de grado). Universidad Nacional Agraria La Molina.
Lima, Perú. Recuperado de
http://repositorio.lamolina.edu.pe/handle/UNALM/2157
Arnold, J. G., Srinivasan, R., Muttiah, R. S., & Williams, J. R. (1998). Large
area hydrologic modeling and assessment part I: Model
development. Journal of the American Water Resources Association,
34(1), 73-89. Recuperado de https://doi.org/10.1111/j.1752-
1688.1998.tb05961.x
Arnold, J. G., Moriasi, D. N., & Gassman, P. W. (2012). SWAT: Model use,
calibration, and validation. American Society of Agricultural and
Biological Engineers, 55(4), 1491-1508. Recuperado de
https://swat.tamu.edu/media/99051/azdezasp.pdf
Ashu, A., & Lee, S. (2020). Reutilización de agua de drenaje agrícola en

una cuenca de uso de suelo mixto. Agronomía, 9(1), 6. Recuperado
de https://doi.org/10.3390/agronomy9010006
Asurza, F., & Lavado, W. (2020). Estimación de parámetros regionales del

modelo SWAT: metodología y aplicación a cuencas hidrográficas en
el drenaje del Pacífico peruano. Agua, 12(11), 3198. Recuperado de
https://doi.org/10.3390/w12113198
147
Aybar, C., Lavado-Casimiro, W., Huerta, A., Fernández, C., Vega, F.,
Sabino, E., & Obando, O. (2017). Uso del producto grillado “PISCO”
de precipitación en estudios, investigaciones y sistemas
operacionales de monitoreo y pronóstico hidrometeorológico (Nota
Técnica 001 SENAMHI–DHI-2017). Lima-Perú. Recuperado de
https://www.senamhi.gob.pe/load/file/01402SENA-8.pdf
Aybar, C., Fernández, C., Huerta, A., Lavado, W., Vega, F., & Felipe-
Obando, O. (2020). Construction of a high-resolution gridded
rainfall dataset for Peru from 1981 to the present day. Hydrological
Science Journal, 65(5), 770-785. Recuperado de
https://doi.org/10.1080/02626667.2019.1649411
Avalos, G., Oria, C., Jacome, G., Acuña, D., Llacza, A., & Cubas, F. (2013).
Cambio climático en la cuenca del río Mantaro. Proyecciones para el
año 2030. Lima, Perú: Servicio Nacional de Meteorología e
Hidrología.
Del Águila, S., & Mejía, A. (2021). Caracterización morfométrica de dos

cuencas altoandinas del Perú utilizando sistemas de información
geográfica. Tecnología y ciencias del agua, 12(2), 538-562.
Recuperado de https://doi.org/10.24850/j-tyca-2021-02-12
Deng, C., Pisani, B., Hernández, H., & Li, Y. (2020). Assessing the impact
of climate change on water resources in a semi-arid in central
Mexico using a SWAT model. Boletín de la Sociedad Geológica
Mexicana, 72(2), 1-19. Recuperado de
http://dx.doi.org/10.18268/BSGM2020v72n2a150819
148
Fernandez-Palomino, C. A., Hattermann, F. F., Krysanova, V., Vega-
Jácome, F., & Bronstert, A. (2021). Towards a more consistent eco-
hydrological modelling through multi-objective calibration: A case
study in the Andean Vilcanota River basin, Peru. Hydrological
Science Journal, 66, 59-74. Recuperado de
https://doi.org/10.1080/02626667.2020.1846740
Fernandez-Palomino, C. A., Hattermann, F. F., Krysanova, V., Vega-

Jácome, F., Lavado, W., Santini, W., Aybar, C., & Bronstert, A.
(2022). A novel high-resolution gridded precipitation dataset for
Peruvian and Ecuadorian watersheds: Development and
hydrological evaluation. Journal of Hydrometeorology, 23(3), 309-
336. Recuperado de https://doi.org/10.1175/JHM-D-20-0285.1
Funk, C., Peterson, P., & Landsfeld, M. (2015). The climate hazards
infrared precipitation with stations-a new environmental record for
monitoring extremes. Scientific Data, 2, 150066, Recuperado de
https://doi.org/10.1038/sdata.2015.66
Gomáriz, F., & Sarría, F. (2018). Efecto de la subdivisión de cuencas y la

estimación de variables climáticas en la simulación hidrológica con
el modelo SWAT en cuencas semiáridas mediterráneas. Papeles de
Geografía, (64), 114-113. Recuperado de
http://dx.doi,org/10.6018/geografia/2018/331531
149
González-Celada, G., Ríos, N., Benegas-Negri, L., & Argotty-Benavides,
F. (2021). Impacto del cambio climático y cambio de uso/cobertura
de la tierra en la respuesta hidrológica y erosión hídrica en la
subcuenca del río Quiscab. Tecnología y ciencias del agua, 12(6),
363-421. DOI: 10.24850/j-tyca-2021-06-09
Guabloche, J., & Saldarriaga, M. (2013). Aspectos económicos y sociales

de la región Junín. Revista Moneda, Banco Central de Reserva del
Perú, 155, 2-17. Recuperado de
https://www.bcrp.gob.pe/docs/Publicaciones/Revista-
Moneda/moneda-155/moneda-155-02.pdf
Gupta, H. V., Sorooshian, S., & Yapo, P. O. (1999). Status of automatic

calibration for hydrologic models: Comparison with multilevel
expert calibration. Journal of Hydrologic Engineering, 4(2), 135-
143. Recuperado de https://doi.org/10.1061/(asce)1084-
0699(1999)4:2(135)
IGP, Instituto Geofísico del Perú. (2005). Diagnóstico de la cuenca del

Mantaro bajo la visión del cambio climático. Serie: evaluación local
integrada de cambio climático para la cuenca del río Mantaro, vol.
2. Lima, Perú: Fondo Editorial del Consejo Nacional del Ambiente-
Consejo Nacional del Ambiente. Recuperado de
https://repositorio.igp.gob.pe/handle/20.500.12816/715
150
Lavado, W., & Espinoza, J. C. (2014). Entendiendo los impactos de
diferentes tipos de El Niño y La Niña en las lluvias del Perú. Boletín
técnico: Generación de modelos climáticos para el pronóstico de la
ocurrencia del Fenómeno El Niño, Instituto Geofísico del Perú, 1 (3),
4-7. Recuperado de
https://repositorio.igp.gob.pe/handle/20.500.12816/5043
Lujano, E., Hidalgo, L. S., Diaz, R., Tapia, B., & Lujano, A. (2016).
Cambios proyectados de los recursos hídricos bajo escenarios de
emisiones RCP 4.5 y 8.5 de modelos climáticos globales del CMIP5
en el Altiplano Peruano. Revista de Investigaciones Altoandinas -
Journal of High Andean Research, 18(2), 195-204. Recuperado de
https://doi.org/10.18271/ria.2016.200
Llauca, H., Lavado-Casimiro, W., Montesinos, C., Santini, W., & Rau, P.
(2021). PISCO_HyM_GR2M: A model of monthly water balance in
Peru (1981–2020). Water, 13, 1048, Recuperado de
https://doi.org/10.3390/w13081048
MINAM, Ministerio del Ambiente. (2015). Mapa de zonificación ecológica

económica del departamento de Junín. Sistema Nacional de
Información Ambiental-SINIA. Recuperado de
http://geoservidor.minam.gob.pe/zee-aprobadas/junin/
151
Molina-Navarro, E., Hallack-Alegría, M., Martínez-Pérez, S., Ramírez-
Hernández, J., Mungaray-Moctezuma, A., & Sastre-Merlín, A.
(2016). Hydrological modeling and climate change impacts in an
agricultural semiarid region. Case study: Guadalupe River basin,
Mexico. Agricultural Water Management, 175(SI1), 29-42.
Recuperado de https://doi.org/10.1016/j.agwat.2015.10.029
Moriasi, D. N., Arnold, J., Van Liew, M., Bingner, R. L., Hermel, R. D., &
Veith, T. L. (2007). Model evaluation guidelines for systematic
quantification of accuracy in watershed simulations. Transactions of
the ASAE, 50, 885-900. Recuperado de DOI: 10.13031/2013.23153
Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through

conceptual models part I — A discussion of principles. Journal of
Hydrology, 10(3), 282-290. Recuperado de
https://doi.org/10.1016/0022-1694(70)90255-6
Nazari, M., Masoud, T., & Karakouzian, M. (2020). Análisis de sensibilidad

de la resolución DEM y parámetros efectivos de rendimiento de
escorrentía en el modelo SWAT: un estudio de caso. Revista de
Suministro de Agua: Investigación y Tecnología-Aqua, 69(1), 39-
54. Recuperado de https://doi.org/10.2166/aqua.2019.044
Neitsch, S., Arnold, J., Kiniry, J., Williams, J., & King, K. (2005). Soil and
water assessment tool theoretical documentation. Texas, USA:
Agricultural Research Service. Recuperado de
https://swat.tamu.edu/media/1292/SWAT2005theory.pdf
152
Ocampo, O., & Vélez, J. (2013). Análisis comparativo de modelos
hidrológicos de simulación continua en cuencas de alta montaña:
caso del río Chinchiná. Revista Ingenierías Universidad de Medellín,
Colombia. DOI: https://doi.org/10.22395/rium.v13n24a3
OMM, Organización Meteorológica Mundial. (2017). Directrices de la

Organización Meteorológica Mundial sobre la generación de un
conjunto definido de productos nacionales de vigilancia del clima.
(N° 1204). Ginebra, Suiza: Organización Meteorológica Mundial.
PDC, Plan de Desarrollo Concertado. (2013). Plan de Desarrollo

Concertado del distrito San Pedro de Saño-Huancayo. Recuperado
de https://es.scribd.com/document/294120690/PDC-SANO-2013-
2021
Penalba, O., & Pántano, V. (2019). Proyecciones de los flujos de agua en

el suelo a partir de los modelos climáticos globales del CMIP5 en
Sudamérica y su impacto regional. Revista Argentina de
Agrometeorología. Recuperado de
https://www.siteaada.org/_files/ugd/cf1a17_db661b62ac7e4910b
830787e59313cea.pdf?index=true
Pilares, I. (2018). Disponibilidades hídricas reguladas del reservorio

Lagunillas y Río Verde para usos múltiples en la cuenca del río
Cabanillas (tesis de doctorado). Universidad Nacional Agraria La
Molina, Lima, Perú. Recuperado de
http://repositorio.lamolina.edu.pe/handle/UNALM/3675
153
Ramírez, J., & Jarvis, A. (2010). Downscaling global circulation model
outputs: The delta method decision and policy analysis working
paper No. 1. International Center for Tropical Agriculture, 1, 1-18.
Recuperado de https://cgspace.cgiar.org/handle/10568/90731
Sabino, E., Lavado, W., & Aybar, C. (2019). Estimación de las zonas de
vida de Holdridge en el Perú. Servicio Nacional de Meteorología y
Climatología del Perú. Recuperado de
https://www.senamhi.gob.pe/load/file/01401SENA-87.pdf
Salas, M. (2019). Estimación de la carga de sedimentos en la cuenca del

río Pitumarca mediante el uso del modelo SWAT (tesis de Ingeniero
Civil). Pontificia Universidad Católica del Perú, Lima, Perú.
Recuperado de
https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/16823
Sarricolea, P., & Romero, H. (2015). Variabilidad y cambios climáticos

observados y esperados en el Altiplano del norte de Chile. Revista
de Geografía Norte Grande, 183(62), 169–183.
https://doi.org/10.4067/S0718-34022015000300010
SENAMHI, Servicio Nacional de Meteorología e Hidrología del Perú.

(2014). El fenómeno El NIÑO en el Perú. Recuperado de
https://www.minam.gob.pe/wp-content/uploads/2014/07/Dossier-
El-Ni%C3%B1o-Final_web.pdf
154
Swain, S. S., Mishra, A., Sahoo, B., & Chatterjee, C. (2020). Water
scarcity-risk assessment in data-scarce river basins under decadal
climate change using a hydrological modelling approach. Journal of
Hydrology, 590, 125260. Recuperado de
https://doi.org/10.1016/j.jhydrol.2020.125260
Taylor, K. E., Stouffer, R. J., & Meehl, G. A. (2012). An overview of CMIP5

and the experiment design. Bulletin of the American Meteorological
Society, 93, 485-498. Recuperado de
https://doi.org/10.1175/BAMS-D-11-00094.1
VLIR & UNALM, Vlaamse Interuniversitaire Raad University Development

Cooperation & Universidad Nacional Agraria La Molina. (2015).
Actividades claves dentro de la UNALM. Lima, Perú: Vlaamse
Interuniversitaire Raad University Development Cooperation y
Universidad Nacional Agraria La Molina.
Wongchuig, S. C., Mello, C. R., & Chou, S. C. (2018). Projections of the

impacts of climate change on the water deficit and on the
precipitation erosive indexes in Mantaro River Basin, Peru. Journal
of Mountain Science, 15(2), 264-279. Recuperado de
https://doi.org/10.1007/s11629-017-4418-8
155

3285-Texto Del Artículo-17882-1-10-20231222

Cargado por

Copyright:

Formatos disponibles

3285-Texto Del Artículo-17882-1-10-20231222

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

3285-Texto Del Artículo-17882-1-10-20231222

Cargado por

Copyright:

Formatos disponibles

DOI: 10.

Impacto del cambio climático en las descargas futuras

Impact of climate change on future discharges from a

Sandra del Aguila1, ORCID: https://orcid.org/0000-0001-8051-3575

Francisco Espinoza-Montes2, ORCID: https://orcid.org/0000-0002-0093-

1Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú,

Autora para correspondencia: Sandra del Aguila,

El objetivo de esta investigación fue analizar el impacto del cambio

Palabras clave: PISCO-SENAMHI, SWAT, modelos climáticos globales

Keywords: PISCO-SENAMHI, SWAT, global climate models (GCM), RCP

Publicado online: 15/07/2022

Los temas relacionados con los recursos hídricos son ampliamente

Conocer e identificar los procesos predominantes en las cuencas

Actualmente existen muchos modelos hidrológicos que permiten

El impacto del cambio climático se evalúa utilizando modelos

La cuenca de estudio está ubicada en los Andes centrales del Perú

La cuenca del río Anya se encuentra ubicada en la zona central altoandina

Holdridge (Sabino, Lavado, & Aybar, 2019)― es el Bosque seco montano

Figura 1. Ubicación de la cuenca Anya, Junín, Perú.

Fuente de datos y procesamiento

Para la cuenca Anya no existen datos climáticos diarios de extensión

En este caso, se utilizaron las coordenadas de tres estaciones, una

Tabla 1. Puntos de reducción de escala de Peruvian Interpolated data of

Punto Estación Latitud (°) Longitud (°) Altitud (msnm)

X1 Anya -11.9552 -75.2600 3 279

X2 Ingenio -11.8653 -75.2800 3 390

X3 Huayao -12.0335 -75.3381 3 360

Datos del suelo, cobertura vegetal y topografía

Se trabajó con el mapa de cobertura vegetal actualizado a octubre de

Datos de modelos climáticos globales (MCGs)

Para encontrar la variación del clima futuro se aplicó la metodología

Tabla 2. Cambio delta de precipitación y temperaturas mensuales.

𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏. 𝐟𝐟𝐟𝐟𝐟𝐟 − 𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏. 𝐡𝐡𝐡𝐡𝐡𝐡𝐡𝐡

• PREC.camb. = cambio de precipitación

• PREC.fut.= promedio multianual de la • T.fut.= promedio multianual de la

• PREC.hist.= promedio multianual de la • T.hist.= promedio multianual de la

Nombre del Resolución atmosférica

1 ACCES1.0 Australia 192 x 145

2 bcc-csm1-1 China 281 x 279

3 BNU-ESM China 142

4 GISS-E2-rp2 EUA 110 x 110

5 CMCC-CM Italia 82.5 x 82.5

Se utilizó el factor de corrección multiplicativo para corregir las

Donde Fc es el factor de corrección; Pobs, la precipitación

Luego las precipitaciones y temperaturas modificadas, según las

Tabla 4. Descripción y fuente de datos de la cuenca Anya usados en el

Modelo de elevación ASTER versión 3

Mapa de cobertura y uso

Zonificación ecológica económica Junín

Precipitación observada Estaciones Anya, Ingenio y Huayao (2013-

Estación hidrométrica Anya. Programa VLIR-

Modelos climáticos Climate Explorer:

Dada la poca extensión del registro de caudales, el periodo de simulación

Tabla 5. Calificaciones de desempeño por métodos estadísticos. NSE:

NSE ≤ 0.00 ± 50 ≤ PBIAS 0.50 ≤ R2 Inapropiado

Fuente: adaptado de Moriasi et al. (2007).

Precipitación y temperatura mensual en cuadrícula

Se calcularon los estadísticos de las series de precipitación y temperatura

Precipitación (mm) Temperatura (°C)

12 R_SOLK.sol Conductividad hidráulica saturada (mm h-1) -4 %