TENDENCIA ANUAL DEL CAUDAL DE SALIDA, EN REFERENCIA AL CAUDAL ECOLÓGICO EN LA MICROCUENCA APACHETA / AYACUCHO / PERÚ, DEL 2000 AL 2018
DOI:
https://doi.org/10.21704/rea.v19i2.1560Palabras clave:
tendencia, escasez hídrica, Apacheta, PRMS, caudal, ecológico.Resumen
El decreciente caudal de salida en la microcuenca Apacheta, observado durante el periodo 2000-2018, afecta de manera directa el almacenamiento de agua en la presa Cuchoquesera e impacta, de manera negativa, en la demanda para consumo humano y agrícola, muchas veces por encima de su disponibilidad hídrica, así como en el buen estado ecológico de la microcuenca. A largo plazo, este problema puede intensificarse a consecuencia del cambio climático. El objetivo del presente estudio fue evaluar la tendencia anual del caudal de salida en la microcuenca Apacheta, así como pronosticar valores futuros, en referencia a su caudal ecológico de 2.24 m3/s y su sensibilidad en el momento de satisfacer adecuadamente las diferentes demandas. Para ello, se combinaron datos hidrometeorológicos, información satelital y el modelo PRMS-IV. Nuestros resultados indican que, de continuar la tendencia anual del caudal de salida, se podría esperar una disminución del 46.1% y 56.1% por debajo de su caudal ecológico, para los próximos 5 y 10 años, respectivamente. A nivel de gobiernos regionales y nacionales, estos plazos se consideran típicamente para fines de planificación, en ese sentido, nuestros resultados tienen el potencial de guiar procesos de toma de decisiones hacia la mitigación de riesgos de escasez de agua.
Descargas
Referencias
ANA (Autoridad Nacional del Agua). 2019. Resolución Jefatural Nro 267-2019: Aprobación de lineamientos generales para determinar caudales ecológicos. Diario Oficial El Peruano (Normas Legales), XXXVI (1517): 8-9. Viernes 6 de diciembre. Lima / Perú. https://busquedas.elperuano.pe/download/full/50KiirONKuAAsuYUVHSGla.
Canty M.J. 2014. Image Analysis, Classification and Change Detection in Remote Sensing: With Algorithms for ENVI/IDL and Python, Third Edition. ed. CRC Press, New York.
Chang H. & Jung I.-W. 2010. Spatial and temporal changes in runoff caused by climate change in a complex large river basin in Oregon. J. Hydrol., 388(3-4): 186-207. DOI: https://doi.org/10.1016/j.jhydrol.2010.04.040.
Cook A.J., Murray T., Luckman A., Vaughan D.G. & Barrand N.E. 2012. A new 100-m Digital Elevation Model of the Antarctic Peninsula derived from ASTER Global DEM: methods and accuracy assessment. Earth Syst. Sci. Data 4, 129–142. DOI: https://doi.org/10.5194/essd-4-129-2012.
Corporación de Fomento y Desarrollo Económico y Social de Ayacucho. 1983. Proyecto Integral del río Cachi: estudio de factibilidad (Proyecto). Ayacucho-Perú.
Dozier J. 1989. Spectral signature of alpine snow cover from the Landsat thematic mapper. Remote Sens. Environ. 28, 9–22. DOI: https://doi.org/10.1016/0034-4257(89)90101-6.
Duan Q., Sorooshian S. & Gupta V.K. 1994. Optimal use of the SCE-UA global optimization method for calibrating watershed models. J. Hydrol., 158(3-4): 265-284. DOI:
https://doi.org/10.1016/0022-1694(94)90057-4.
Huaman Y., Moreira-Turcq P., Espinoza R., Llanos R., Apaéstegui J., Turcq B. & Willems B. 2020. Influencia de los cambios climáticos en la acumulación de carbono en Bofedales Altoandinos durante los últimos 2 500 años. Ecol. Apl., 19(1): 35-41. DOI:
https://doi.org/10.21704/rea.v19i1.1444.
Hyndman R., Athanasopoulos G., Bergmeir Ch., Caceres G., Chhay L., O'Hara-Wild M., Petropoulos F., Razbash S., Wang E. & Yasmeen F. 2020. Package “Forecast”. Forecasting functions for time series and linear models. https://pkg.robjhyndman.com/forecast/.
Krause P., Boyle D.P. & Bäse F. 2005. Comparison of different efficiency criteria for hydrological model assessment. Adv Geosci, 5: 89-97. DOI:
https://doi.org/10.5194/adgeo-5-89-2005.
Kult J., Choi W. & Choi J. 2014. Sensitivity of the Snowmelt Runoff Model to snow covered area and temperature inputs. Appl. Geogr. 55, 30-38. DOI:
https://doi.org/10.1016/j.apgeog.2014.08.011.
LaFontaine J.H., Hay L.E., Viger R.J., Markstrom S.L., Regan R.S., Elliott C.M. & Jones J.W. 2013. Application of the Precipitation-Runoff Modeling System (PRMS) in the Apalachicola-Chattahoochee-Flint River Basin in the southeastern United States (USGS Numbered Series No. 5162), Scientific Investigations Report. U.S. Geological Survey, United States.
Leavesley G.H., Lichty R.W., Troutman B.M. & Saindon L.G. 1983. Precipitation-runoff modeling system; user’s manual (USGS Numbered Series No. 83–4238), Water-Resources Investigations Report. U.S. Geological Survey, Water Resources Division, Denver, Colorado.
Lilliefors H.W. 1967. On the Kolmogorov-Smirnov Test for Normality with Mean and Variance Unknown. J. Am. Stat. Assoc., 62(318): 399-402. DOI: https://doi.org/10.1080/01621459.1967.10482916.
Markstrom S., Niswonger R., Regan R.S., Prudic D. & Barlow P. 2008. GSFLOW-Coupled Groundwater and Surface-Water Flow Model Based on the Integration of the Precipitation-Runoff Modeling System (PRMS) and the Modular Ground-Water Flow Model (MODFLOW-2005). U.S. Geological Survey, Virginia.
Markstrom S., Regan R., Hay L., Viger R., Webb R., Payn R. & LaFontaine J. 2015. PRMS-IV, the precipitation-runoff modeling system, version 4: U.S. Geological Survey, Reston, Virginia. USGS, United States.
MINAM (Ministerio del Ambiente). 2016. Decreto Supremo Nº 009-2016-MINAM: Aprobación del Reglamento de la Ley N° 30215, “Ley de Mecanismos de Retribución por Servicios Ecosistémicos”. Diario Oficial El Peruano (Normas Legales), XXXIII (13745): 593739-593745. Lima / Perú.
https://busquedas.elperuano.pe/download/full/CljZHnW9awWAX9rwPZcaou.
Moncada W., Pereda A. M. & Lagos M. 2018. Caracterización de la dinámica espacial de humedales en la cabecera de cuenca Cachi-Apacheta, Región Ayacucho, mediante el uso de imágenes de radar Sentinel 1A. Revista Investigación, 26(1): 173-183. http://revistas.unsch.edu.pe/index.php/investigacion/article/view/245.
Moncada W., Willems B. & Rojas J. 2020. Estimación de estadíos estacionales a partir de parámetros climáticos medidos en la estación meteorológica de la microcuenca Apacheta, Región Ayacucho, 2000 al 2018. Revista de Investigación de Física, 23(2): 17-25. UNMSM. https://fisica.unmsm.edu.pe/rif/previo_files/2020-2/03moncada.pdf.
Nash J.E. & Sutcliffe J.V. 1970. River flow forecasting through conceptual models part I - A discussion of principles. J. Hydrol. 10, 282-290. DOI: https://doi.org/10.1016/0022-1694(70)90255-6.
Pereda A., Moncada W. & Verde L. 2018. Respuesta nival de la cabecera de cuenca Cachi-Apacheta de Ayacucho. Editorial Académica Española, Perú.
Rouse J., Haas R., Deering D., Schell J. & Harlan J. 1974. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. NASA, United States.
Sobrino J.A. 2000. Teledetección. Servicio de publicaciones Universidad de Valencia, Valencia-España.
Taylor S. & Letham B. 2017. Forecasting at scale. PeerJ Prepr., 5 25. DOI:https://doi.org/10.7287/peerj.preprints.3190v2.
Teng F., Huang W., Cai Y., Zheng C. & Zou S. 2017. Application of Hydrological Model PRMS to Simulate Daily Rainfall Runoff in Zamask-Yingluoxia Subbasin of the Heihe River Basin. Water, 9(10): 769:1-14. DOI: https://doi.org/10.3390/w9100769.
Tornero J. 2017. Introducción al Forecasting con R Statistics. Dr. Metrics. https://www.doctormetrics.com/introduccion-al-forecasting-con-r-statistics/.
