MODELAMIENTO ESTOCÁSTICO DE LAS DESCARGAS DEL RÍO PISCO / PERÚ CON FINES DE APROVISIONAMIENTO HÍDRICO
DOI:
https://doi.org/10.21704/rea.v19i2.1558Palabras clave:
modelos estocásticos, modelos autorregresivos, simulación, recursos hídricos.Resumen
El modelamiento estocástico de las descargas de un río es importante porque permite predecir su comportamiento a futuro, constituyéndose en una herramienta en la gestión de los recursos hídricos. En ese sentido, el objetivo del trabajo fue modelar las descargas medias anuales del río Pisco / Ica / Perú con el programa MAR1 (Modelo autorregresivo de orden 1), a través del análisis de su serie temporal, para simular y cuantificar su disponibilidad como parte del Servicio Ecosistémico Hidrológico (SEH) de provisión para distintos usos. Los estadísticos de la serie, parámetros del modelo y el ajuste a distribuciones de probabilidad teóricas, se obtuvieron con el uso del programa MAR1, que es un código computacional en MATLAB R2016a desarrollado específicamente para este trabajo, con el cual se tabularon y graficaron las salidas de descargas de las sucesivas simulaciones realizadas. Los resultados indican que el modelo autorregresivo de orden 1, ajustado a la distribución Gamma, es el más apropiado para modelar las descargas anuales del río Pisco, porque reportan el menor valor de la raíz del menor error medio cuadrático (RMEC). Las pruebas de bondad de ajuste estadística y gráfica reportan igualdad entre estadísticos históricos y simulados, verificándose el principio de aleatoriedad en los residuos de las series simuladas. Además, en la evaluación de los SEH de provisión, se estimó la disponibilidad del agua superficial con fines de almacenamiento, comprobándose la tendencia a la disminución de los volúmenes de descarga del río Pisco.
Descargas
Referencias
Alcántara A., Montalvo N., Mejía A. & Ingol E. 2014. Validación de modelos hidrológicos lluvia-escorrentía para su aplicación a la cabecera de cuenca del río Jequetepeque. Revista del Instituto de Investigación (RIIGEO) de la Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica (FIGMMG) –UNMSM, 17(33): 7-17. https://revistasinvestigacion.unmsm.edu.pe/index.php/iigeo/article/view/11492.
Alcántara F.A. 2015. Modelo de geoformaciones cóncavas para recargas de agua subterránea en cabeceras de la cuenca del río Jequetepeque, Cajamarca. Tesis de Doctorado en Recursos Hídricos. Universidad Nacional Agraria La Molina, Lima, Perú. URI: http://repositorio.lamolina.edu.pe/handle/UNALM/2156.
Alfaro E.J. & Soley F.J. 2009. Descripción de dos métodos de rellenado de datos ausentes en series de tiempo meteorológicas. Revista de Matemática: Teoría y Aplicaciones, 16(1): 60-75. DOI: https://doi.org/10.15517/rmta.v16i1.1419.
Aliaga S.V. 1985. Hidrología estadística. Editorial UNMSM. Lima.
Arellano J.L.L. & Ruiz L.E. 2018. Evaluación y tendencias de los servicios ecosistemicos hidrologicos de la cuenca del río Zanatenco, Chiapas. Investigaciones geográficas, (95) 0-0. DOI: https://doi.org/10.14350/rig.59467.
Bussettini M. 2018. Environmental Flows in Sustainable Integrated Water Resources Management. Bulletin (Special issue on Water), 67 (1): 65-66. https://library.wmo.int/doc_num.php?explnum_id=4448.
Del Aguila S. 2001. Modelamiento estocástico de las descargas medias del río Santa – Ancash. Tesis de Maestría en Recursos Hídricos. Universidad Nacional Agraria La Molina, Lima, Perú.
INRENA. 2003. Evaluación y ordenamiento de los recursos hídricos de la cuenca del río Pisco.
Kummu M., Guillaume J.H.A., Moel H. de, Eisner S., Flörke M., Porkka M., Siebert S., Veldkamp T.I.E. & Ward P.J. 2016. The world’s road to water scarcity: shortage and stress in the 20th century and pathways towards sustainability. Scientific Reports, 6, 38495. DOI: https://doi.org/10.1038/srep38495.
Loucks D.P., Beek E. van, Stedinger J.R., Dijkman J.P.M. & Villars M.T. 2005. Water Resources Systems Planning and Management: An Introduction to Methods, Models and Applications. UNESCO PUBLISHING. Enlace permanente: https://unesdoc.unesco.org/ark:/48223/pf0000143430.locale=es.
Maidment D.R. 1993. Handbook of hydrology. McGraw-Hill.
McDonald R.I., Weber K., Padowski J., Flörke M., Schneider C., Green P.A., Gleeson T., Eckman S., Lehner B., Balk D., Boucher T., Grill G. & Montgomery M. 2014. Water on an urban planet: Urbanization and the reach of urban water infrastructure. Global Environmental Change, 27: 96-105. DOI : https://doi.org/10.1016/j.gloenvcha.2014.04.022.
Mejía A. 2017. Probabilidad y Estadística en Hidrología. Lima, Perú: Fondo Editorial UNALM.
Moreno J.M. & Salazar J.E. 2008. Modelo Autorregresivo Multivariado basado en Regímenes para la Generación de Series Hidrológicas. DYNA, 76(157): 101-108. https://revistas.unal.edu.co/index.php/dyna/article/view/9557.
Obregón E. 1993. Modelos en series de tiempo aplicado a descargas medias mensuales del río Pisco. Tesis para optar el Título de Ingeniero Agrícola. Universidad Nacional Agraria La Molina, Lima, Perú.
Quispe E.L.F., Delgado C.A.S. & Condori E.F. 2017. Predicción de caudales diarios de la estación hidrométrica Tumilaca aplicando modelos estocásticos autorregresivos. Ciencia & Desarrollo, (19): 68-73. DOI: https://doi.org/10.33326/26176033.2015.19.489.
Roldán J. 1994. Tendencias actuales en el modelado de la precipitación diaria. Ingeniería del agua, 1(1): 89-100. DOI: https://doi.org/10.4995/ia.1994.2633.
Salas J.D. & Yevjevich V.M. 1972. Stochastic structure of water use time series. Hydrology papers, no. 52. Colorado State University. http://hdl.handle.net/10217/61535.
Salas J.D., Delleur J.W., Yevjevich V. & Lane W.L. 1997. Applied modeling of hydrologic time series. Water Resources Publication. Littleton, Colorado, U.S.A.
Tealab A. 2018. Time series forecasting using artificial neural networks methodologies: A systematic review. Future Computing and Informatics Journal, 3(2): 334-340. DOI: https://doi.org/10.1016/j.fcij.2018.10.003.
Thomas H. & Fiering M. 1962. Mathematical synthesis of streamflow sequences for the analysis of river basins by simulation. In: Mass et al. Design of Water Resource Systems. Harvard University Press, Cambridge. 459-493.
Wan H., Zhang X. & Barrow E.M. 2005. Stochastic modelling of daily precipitation for Canada. Atmosphere-Ocean, 43(1): 23-32. DOI: https://doi.org/10.3137/ao.430102.
