la_modelacion_hidrologica_operativa._estado_del_ar by Enrique Ortiz

MEMORIA-INFORME SOBRE MODELOS DE PREVISIÓN HIDROLÓGICA EMPLEADOS EN OTRAS ORGANIZACIONES Enrique Ortiz HidroGaia S.L.

INDICE 1. 2. 3.

INTRODUCCIÓN ..................................................................................... 4 MODELOS HIDROLÓGICOS .................................................................. 5 REVISIÓN DE MODELOS HIDROLÓGICOS......................................... 13 3.1. NAM-UHM (Danish Hydraulic Institute)........................................................ 13 3.2. SOBEK RAINFALL-RUNOFF (Delft Hydraulics) .......................................... 15 3.3. ENTORNO EDIMACHI (CEDEX)................................................................. 19 3.4. SACRAMENTO (SMA-NWSRFS)................................................................ 21 3.5. ARNO/ Xinanjiang/VIC-2L (Todini/Zhao/Wood y Liang)............................... 23 3.6. HBV (Swedish Meteorological and hydrological Institute) ............................ 26 3.7. TOPMODEL (Beaven, K.) ........................................................................... 30 3.8. SHE (Abbott, M.B., Bathurst, J.C., Cunge, J.A., O’Connell, P.E. y Rasmussen) ............................................................................................................ 32 3.9. TOPKAPI (Todini, Ciarapica y Liu) .............................................................. 33 3.10. TETIS (Francés, F. y Vélez, I.) .................................................................... 37 3.11. TRIBS (Bras, R. et al).................................................................................. 40 3.12. LISFLOOD (De Roo, A. et al.) ..................................................................... 46 3.13. MODELOS DE CAJA NEGRA..................................................................... 48 3.13.1. MODELOS ESTOCÁSTICOS .............................................................. 48 3.13.2. REDES NEURONALES....................................................................... 51 4. NUEVAS FUENTES DE DATOS Y SU CONEXIÓN CON LA MODELACIÓN HIDROLÓGICA ................................................................................................. 55 4.1. DATOS PROVENIENTES DE LA TELEDETECCIÓN ................................. 56 4.2. DATOS PROVENIENTES DEL RADAR METEOROLÓGICO ..................... 77 4.3. DATOS PROVENIENTES DE LOS MODELOS NUMÉRICOS DE TIEMPO 96 5. SISTEMAS INTEGRADORES DE DATOS HIDROMETEOROLÓGICOS Y SISTEMAS DE AYUDA A LA DECISIÓN........................................................ 110 5.1. EFFORTS ................................................................................................. 111 5.2. FEWS........................................................................................................ 117 5.3. EDIMACHI................................................................................................. 124 5.4. FLOOD WATCH........................................................................................ 126 6. EXPERIENCIAS MUNDIALES RESPECTO A MODELOS HIDROLÓGICOS EN SISTEMAS DE PREDICCIÓN DE CRECIDAS EN TIEMPO REAL ........... 128 6.1. PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO MOSELA (ALEMANIA) .......................................................................................... 128 6.2. PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO PARANA (ARGENTINA) ....................................................................................... 135 6.3. PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO PO (ITALIA)................................................................................................................. 141 6.4. PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO RENO (ITALIA) ..................................................................................................... 148 6.5. PREDICCIÓN OPERATIVA DE CRECIDAS EN BANGLADESH............... 151 6.6. PREDICCIÓN OPERATIVA DE CRECIDAS EN LAS CUENCAS DE LOS EEUU DE AMERICA ............................................................................................. 155 6.6.1. La experiencia de Pittsburg ............................................................... 155 6.6.2. La experiencia de Illinois.................................................................... 157 6.6.3. La experiencia de Huston, Texas....................................................... 161 6.7. PREDICCIÓN OPERATIVA DE CRECIDAS EN EL RÍO YANGTZE, CHINA 163 6.8. PREDICCIÓN OPERATIVA DE CRECIDAS EN EL RÍO MEKONG .......... 166

6.9. PREDICCIÓN OPERATIVA DE CRECIDAS EN EL RÍO ARICANDUVA, SÃO PAULO (BRAZIL) .................................................................................................. 169 6.10. PREDICCIÓN OPERATIVA DE CRECIDAS EN COSTA RICA ................. 171 6.11. PREDICCIÓN OPERATIVA DE CRECIDAS EN VIETNAM ....................... 174 6.12. PREDICCIÓN OPERATIVA DE CRECIDAS EN LAS CUENCAS DE GALICIA COSTA (ESPAÑA) ................................................................................................ 178 6.12.1. Predicciones Meteorológicas ............................................................. 179 6.12.2. Predicciones hidrológicas .................................................................. 180 7. CONCLUSIONES ................................................................................ 183

1. INTRODUCCIÓN El presente informe pretende ofrecer una visión a la Dirección General del Agua del estado tecnológico y las tendencias actuales mundiales en el campo de la modelación hidrológica para conseguir el objetivo de realizar predicciones de caudal en tiempo real. Actualmente la tendencia mundial no es sólo utilizar las redes de telemedida convencionales de datos hidrometerológicos (pluviómetros, estaciones de aforo, etc.) como la existente en el Sistema Automático de Información Hidrológica, sino la utilización de datos provenientes de otras fuentes como son la teledetección y el radar meteorológico; por supuesto no hay que olvidar que actualmente en el mundo, dentro de los programas de previsión de avenidas, cabe destacar el acople de modelos meteorológicos con modelos hidrológicos. Los modelos meteorológicos, o dicho de otra manera los modelos de predicción numérica de tiempo (Numerical Weather Prediction Models), cada vez están avanzando en el conocimiento y modelación de la física del fenómeno ofreciendo predicciones cuantitativas de precipitación (QPF, Quantitative Precipitation Forecast) a escalas horarias o inferiores y a escalas espaciales de hasta cuatro kilómetros de resolución. En Abril de 2004 en el Seminario sobre Sistemas de Información y Pronóstico Hidrometeorológicos organizado por el Instituto Nacional de Meteorología de España, la Confederación Hidrográfica del Júcar y la Organización Meteorológica Mundial (OMM) en Valencia, se generó un documento denominado Declaración de Valencia en el cual se recoge la necesidad de acoplar los modelos meteorológicos a modelos hidrológicos con el principal objetivo de mejorar las posibilidades de predicción y alerta de las crecidas. En dicha Declaración quedó reseñado que una cooperación estrecha entre meteorólogos e hidrólogos y sus respectivas organizaciones es, además de absolutamente necesaria para la elaboración de una predicción de crecidas confiable y oportuna, beneficiosa para ambas comunidades: si la hidrológica aprovecha los datos y predicciones meteorológicas para definir mejor los parámetros de entrada a sus modelos, en particular el campo de precipitaciones, tanto la comunidad meteorológica como la hidrológica obtienen ventajas y realzan el valor socio-económico de su labor. Hoy en día en los sistemas de predicción de avenidas hay un creciente interés en cuantificar y establecer la incertidumbre en la predicción, entendiendo ésta como una cascada de incertidumbres relativas a los modelos meteorológicos, modelos hidrológicos, modelos hidráulicos.

La utilización de modelos precipitación - escorrentía vehicula la posibilidad de realizar predicciones de los caudales durante las crecidas, a partir de la información del campo espacio-temporal de precipitación que simultáneamente se está generando en la cuenca. Estas predicciones se conocen como predicciones en tiempo real y tienen un tiempo de antelación respecto a la ocurrencia del evento en la realidad (conocido como ventana de pronóstico). El tiempo de antelación se puede aprovechar para la operación de estructuras hidráulicas que contribuyen a la laminación de la crecida y las decisiones sobre la operación se basan en los resultados del modelo. En otros casos el tiempo de antelación es de vital importancia para la evacuación de personas en algunas zonas de mayor riesgo y en este caso la activación de las alarmas se hace con base en los resultados del modelo. Para la realización de predicciones hidrológicas se requiere de un modelo rápido y robusto, tal que pueda producir resultados aceptables en muy corto tiempo para contar con el tiempo de respuesta de la cuenca para hacer cálculos, tomar decisiones y realizar las acciones necesarias, en otras palabras para gestionar (flood management). La rapidez del modelo es un aspecto crítico en cuencas de montaña, donde los tiempos de respuesta son bastante reducidos. El desarrollo creciente en los campos de teledetección y sistemas de información geográfica ha facilitado el manejo de información espacialmente distribuida. El uso cada vez más generalizado de estas técnicas obliga a la hidrología, como a otras disciplinas, no sólo a incorporar nuevas metodologías y tecnologías, si no también a revisar los métodos tradicionales para aprovechar las ventajas de las nuevas técnicas. Los modelos precipitación – escorrentía no son ajenos a esta tendencia. Es importante reseñar que no existe un único modelo universal, y que la elección del mismo, debe ser fruto del conocimiento de la física del fenómeno en cada cuenca a modelar, su comportamiento, así como de la disponibilidad de estimar con rigurosidad los parámetros del modelo elegido. Para la elección del modelo a utilizar se requiere una información bastante completa, que nunca se tiene en su totalidad, y que es necesario completar mediante un proceso de calibración y validación. Es por ello que en líneas generales los modelos deben cumplir con los siguientes requisitos (Francés,2004): • • • •

Parsimonia. El número de parámetros debe ser minimizado. Modestia. El objetivo y la aplicabilidad del modelo no debe ser sobre valorado. Precisión. La precisión de la simulación o predicción no puede ser mayor que la precisión de las medidas. Que se pueda probar. Un modelo se debe poder probar, así sus límites y su validez pueden ser definidos.

2. MODELOS HIDROLÓGICOS Con la aparición de los primeros modelos precipitación – escorrentía para ordenador, desarrollados en la década de los sesenta, se empezó a contemplar la posibilidad de tener en cuenta la variabilidad espacial de algunas de las características de la cuenca hidrográfica. Algunos de estos modelos intentaban considerar la variabilidad de algunos aspectos, pero sólo lo hacían de una manera bastante burda (por ejemplo la

función de infiltración del modelo Stanford para cuencas - Crawford y Linsley, 1966). En los años posteriores, a medida que la variabilidad espacial ha ido ganando importancia en la modelación de las cuencas hidrográficas se ha favorecido el desarrollo de modelos distribuidos. A continuación vamos a presentar cual ha sido la evolución histórica de los modelos precipitación – escorrentía de manera ilustrativa con algunos ejemplos y unos comentarios generales al respecto que facilitaran a situarse en el estado general del conocimiento de la hidrología, de cómo ha ido evolucionando y del por qué de la existencia de múltiples modelos. LA PREHISTORIA La necesidad de un caudal de diseño

Ejemplos: • El método racional y la Curva Área Tiempo • La teoría del hidrograma unitario • Los modelos lineales: El embalse lineal, la cascada de Nash .... Asunción de hipótesis altamente restrictivas LA EDAD MEDIA Los modelos conceptuales

Ejemplos: • El modelo STANFORD IV • El modelo HSPF • El modelo SACRAMENTO

•

El modelo de Tanque Gran cantidad de parámetros y éstos carecen de significado físico

EL RENACIMIENTO Los modelos físicamente basados

Ejemplos: • El modelo SHE (Systeme Hydrologique Europeen) • El modelo IHDM ( Institute of Hydrology Distributed Model) • El modelo SHETRAN Se produce un primer punto de inflexión en la modelación hidrológica. Los procesos físicos están completamente representados.

EL ROMANTICISMO Los modelos de área variable contribuyente

Ejemplos: • El modelo PDM (Probability Distributed Soil Capacity model) • El modelo Xinanjiang • El modelo Arno • El modelo VIC ( Variable Infiltration Capacity model) Son los nuevos modelos conceptuales, tienen pocos parámetros, pero sus significados no están directamente relacionados con variables físicas medibles

LA EDAD MODERNA Modelos derivados de la topografía

Ejemplos: • El modelo TOPMODEL • El modelo del SCS + el Hidrograma Unitario Geomorfológico • El entorno EDIMACHI Modelos con pocos parámetros y que pueden estar relacionados con variables físicas medibles, pero son realmente modelos físicamente basados?

LA EDAD CONTEMPORÁNEA Nuevos modelos físicamente basados / modelos orientados a procesos

Ejemplos: • El modelo TETIS • El modelo tRIBS (TIN-based Real-time Integrated Basin Simulator) • El modelo TOPKAPI (TOPographic KInematic wave APproximation and Integration) Modelos físicamente basados con una representación distribuida de los procesos dominantes (síntesis). En ocasiones acoplan aproximacione de base conceptual/física En general, hoy en día existen dos tipos fundamentales de modelos desde el punto de vista de la distribución espacial tanto de parámetros como de las entradas al modelo

(precipitación, temperatura, etc). Los modelos agregados y los modelos distribuidos. En la mayoría de los modelos que adoptan esquemas agregados se hace la división de la cuenca en subcuencas y se procede a la modelación agregada de las mismas (es lo que en la literatura se conoce como modelos quasi-distribuidos o pseudodistribuidos). De estos esquemas se destacan los siguientes tipos de modelos: •

Los modelos que en cada una de las subcuencas se aplica la metodología convencional de modelación agregada para eventos de crecida. Para cada subcuenca se obtiene un hidrograma de respuesta y mediante la agregación de loshidrogramas de las distintas subcuencas y el tránsito de los hidrogramas resultantes a través de los elementos de la red de drenaje se van integrando a aguas abajo hasta obtener el hidrograma a la salida de la cuenca.

•

Los esquemas en los que a cada una de las subcuencas se aplica un modelo agregado de simulación continua. Los resultados parciales obtenidos para cada una de las subcuencas se integran y transitan por la red de drenaje para obtener la respuesta de la cuenca en el sitio de interés.

•

Los modelos agregados que incluyen una representación conceptual de la estructura espacial de la cuenca y de la red de drenaje. Como modelos agregados no permiten tener en cuenta la variabilidad espacial de la precipitación ni de los parámetros. En las distintas subcuencas se pueden considerar distintos valores de la precipitación y los parámetros, y por ende su variabilidad espacial. Los resultados obtenidos en cada una de las subcuencas se pueden agregar y transitar aguas abajo.

Dentro de este tipo podemos destacar los siguientes modelos que están o han estado operativos en sistemas de predicción y alerta de crecidas en tiempo real en distintos países: • • • • • •

NAM-UHM (Danish Hydraulic Institute) SOBEK RAINFALL-RUNOFF (Delft Hydraulics) ENTORNO EDIMACHI (CEDEX) SACRAMENTO (SMA-NWSRFS) ARNO/ Xinanjiang/VIC-2L (Todini/Zhao/Wood y Liang) HBV (Swedish Meteorological and hydrological Institute)

En otros esquemas el modelo ha sido concebido como distribuido y considera la división de la cuenca y la subcuenca en otros elementos. De estos esquemas se identifican los siguientes dos tipos de modelos: •

Modelos distribuidos conceptuales. Estos modelos establecen un esquema conceptual para la producción y la traslación de la escorrentía, teniendo en cuenta que la cuenca está formada por múltiples elementos discretos. Estos modelos se apoyan en la discretización para considerar la variabilidad espacial de los datos de la precipitación y de los parámetros de la cuenca. Por lo general estos modelos consideran esquemas simples de la estructura espacial de la cuenca y de la red de drenaje.

•

Modelos distribuidos de base física. Estos modelos son distribuidos para: los datos de entrada, los parámetros de producción de escorrentía y para los resultados. Incluyen, además, la estructura de la red de drenaje y se fundamentan en la representación de la física de los procesos hidrológicos en la cuenca.

Dentro de este tipo de modelos se pueden destacar los siguientes: • • • • • •

TOPMODEL (Beaven, K) SHE (Abbott, M.B., Bathurst, J.C., Cunge, J.A., O’Connell, P.E. y Rasmussen, J.) TOPKAPI (Todini, Ciarapica y Liu) TETIS (Francés, F. y Vélez, I.) TRIBS (Bras, R. et al) LISFLOOD (De Roo, A.)

MODELOS TRADICIONALES AGREGADOS VERSUS MODELOS DISTRIBUIDOS? Los modelos hidrológicos tradicionales agregados son los que más se utilizan con fines prácticos, Esto ayuda a entender que la deficiencia de estos modelos en cuanto a la validación no sea tan evidente. Muchas veces las deficiencias en los resultados de este tipo de modelos se atribuyen a la falta de variabilidad espacial de la precipitación y la falta de variabilidad espacio temporal de la humedad del suelo y a la heterogeneidad de las características del terreno y de la cobertura del suelo. Una manera de resolver este problema ha sido considerar subcuencas de análisis cada vez menores y así, al considerar un gran número de subcuencas con características distintas, considerar la variabilidad espacial, pero es esto correcto? Con las nuevas versiones o adaptaciones de este tipo de modelos a la modelación pseudo-distribuida ya no es tan claro atribuir las deficiencias de los resultados al hecho de no considerar la variabilidad espacial de la precipitación y de los parámetros asociados a características de la cuenca, si no a la falta de información adecuada para considerar subcuencas suficientemente pequeñas. Adicionalmente, parte de las deficiencias de estos modelos se pueden disminuir mejorándolos en dos aspectos: mejorando el procedimiento para la obtención de la precipitación efectiva y mejorando la función de transformación mediante hidrogramas que correspondan a una representación conceptual adecuada de la estructura de la cuenca o de la red de drenaje (Rodríguez-Iturbe y Valdés, 1979; Mesa y Mifflin, 1986; Hebson y Wood, 1986). En la realidad estos elementos pueden ser importantes, pero las debilidades y carencias de los modelos tradicionales van más allá, pues estos modelos no responden a conceptos claves de la hidrología de la cuenca que se han introducido en los últimos años. Entre estos conceptos tenemos: •

La escorrentía superficial no necesariamente es la componente más importante durante las crecidas, y sólo es determinante en algunas condiciones bioclimáticas y de uso del suelo muy específicas. La componente subsuperficial

de la escorrentía puede representar un papel más importante de lo que se ha creído. •

La existencia de áreas parciales de escorrentía de extensión variable en función de la magnitud y la distribución del evento, pone de manifiesto una nolinealidad en la respuesta de la cuenca e indica, además, que por pequeñas que se consideren las subcuencas, éstas no son los elementos adecuados para dividir la cuenca en elementos que se puedan considerar homogéneos para la respuesta hidrológica.

•

El cálculo de las pérdidas se hace con unas ecuaciones que no siempre son aplicables a la escala de la subcuenca. La fracción considerada como pérdidas hidrológicas en una escala espacial puede ser una componente bastante importante en otra escala.

•

En la propagación de la onda de avenida a través de los cauces, se utilizan métodos simplificados que se apoyan en linealizaciones de las ecuaciones de flujo bastante deficientes. En la mayoría de los casos los cauces y la red de drenaje se han representado por unos elementos prismáticos interconectados que tienen muy poca relación con la disposición y la forma real en la cuenca.

•

En las versiones modernas de los modelos tradicionales que se presentan como modelos distribuidos, se destaca la posibilidad de representar la variabilidad espacial de la precipitación y de algunas características de la cuenca. Éste es un avance muy pequeño ya que el modelo sigue con grandes limitaciones conceptuales. En el fondo esta modernización es sólo un cambio de empaque. Este apego a los modelos convencionales responde al temor a lo desconocido por utilizar nuevos conceptos, combinado con la comodidad de seguir lo tradicional con el respaldo de prestigiosas agencias gubernamentales (tanto Europeas como Americanas)

En la hidrología han aparecido nuevos conceptos que no se incluían en las metodologías convencionales, e incluso, algunos de estos conceptos contradicen los supuestos básicos en los que éstas se fundamentan. Entre las nuevas ideas, hay algunas de ellas bastante interesantes relacionadas con la producción de escorrentía, entre otras: •

La conceptualización de la escorrentía, que a grandes rasgos considera que la escorrentía superficial sólo se da en áreas parciales de la cuenca que son de tamaño variable con el tiempo a medida que ocurre el evento. El agua que cae directamente de la lluvia se convierte directamente en escorrentía superficial por dos motivos: la cantidad de lluvia excede la capacidad de infiltración (escorrentía hortoniana – Horton, 1945) o porque el suelo está saturado (escorrentía de Dunne o escorrentía por saturación – Dunne, 1978). También hay que considerar que en un sitio no sólo se tiene la cantidad de lluvia que cae sobre el mismo si no que es posible que reciba flujo de escorrentía superficial procedente de aguas arriba, e incluso, es posible que reciba el retorno del flujo en el subsuelo para el flujo subsuperficial.

•

El agua infiltrada aguas arriba en la ladera y que fluye a través del subsuelo puede retornar a la superficie como flujo superficial ya sea por la saturación del suelo o por la baja transmisividad de la capa de suelo en la que fluía y por lo tanto encuentra mejores condiciones de circulación sobre la superficie.

•

El agua que satura el suelo puede tener diferente procedencia: la lluvia que se ha infiltrado directamente en el sitio, el agua que escurre superficialmente por la ladera procedente de la parte alta, la que se ha infiltrado en la parte alta de la ladera y llega al sitio circulando lateralmente por la capa superior del suelo y el agua procedente de los ríos aguas abajo que cuando el nivel es muy alto inunda el sitio o pasa al suelo en la interacción acuífero-río, etc.

•

A la luz de estos elementos la importancia de la escorrentía hortoniana es reducida y sólo se presenta en un sitio donde el suelo tiene una conductividad hidráulica muy baja o donde se presenta intensidad excepcional de la lluvia. En estas condiciones la escorrentía superficial hortoniana sólo alcanzaría a cubrir una fracción importante del área de la cuenca en condiciones climáticas y de uso del suelo muy específicas. En la mayoría de las cuencas naturales las otras componentes de la escorrentía pueden representar un papel más preponderante.

Por otra parte se debe mencionar y debe de ser tenido en cuenta: • • • • •

• • • • • •

La importancia de la evapotranspiración real y su relación con la vegetación y la humedad del suelo. La no linealidad del flujo hacia el interior del suelo en la zona no saturada. La existencia de dedos capilares en la zona no saturada (Burt,1985). La no linealidad del flujo lateral en la zona de flujo subsuperficial. La presencia de macroporosidad y de discontinuidades en el suelo y del comportamiento del flujo subsuperficial y subterráneo que no necesariamente cumple la ley de Darcy (Beven y Germann 1982). La importancia de la macroporosidad en el flujo subsuperficial y en la recarga del acuífero (Germann, 1986). La posible existencia del flujo a pistón en suelos saturados (Anderson y Burt,1990). La forma de la sección del cauce como un producto de las crecidas que pasan a través de ella. Las posibilidades de representar la variabilidad espacial de las características hidrológicas del suelo en función de características morfológicas del terreno. La estrecha relación entre características hidrológicas del suelo y las características morfológicas de la ladera. El suelo, la vegetación y la morfología como un resultado de las interrelaciones: clima - suelo - geología - vegetación - relieve - morfología.

3. REVISIÓN DE MODELOS HIDROLÓGICOS 3.1.

NAM-UHM (Danish Hydraulic Institute)

El modelo hidrológico conceptual y agregado NAM (NedbØr-AfstrØmnings-Model) simula los procesos de transferencia lluvia-escorrentía a escala de cuenca. NAM es parte del módulo de lluvia-escorrentía (RR, Rainfall-Runoff) del sistema de modelación hidráulica MIKE11. El modelo puede ser aplicado independientemente a una o varias cuencas contribuyentes a la generación de flujos laterales hacia la red fluvial. El modelo es un conjunto de relaciones matemáticas que describen de una forma cuantitativa simplificada el flujo superficial, el interflujo y el flujo subterráneo como funciones del contenido de agua en 4 embalses (tanques) de almacenamiento interrelacionados. Cada embalse o tanque representa un diferente fenómeno físico conceptualizado en cada subcuenca. Un modelo conceptual como el NAM se basa sobre estructuras y ecuaciones físicas, usadas conjuntamente con aquellas semi-empíricas. Siendo un modelo agregado, trata la cuenca como una única unidad, por tanto los parámetros y las variables representan valores promediados en la subcuenca. Algunos parámetros del modelo pueden ser estimados a partir de datos físicos de la cuenca, sin embargo la estimación final del parámetro debe de ser obtenida a través de una calibración con observaciones hidrológicas. El proceso de transferencia lluvia-escorrentía viene simulado a través del cómputo continuo del contenido de agua en los 4 embalses de almacenamiento interrelacionados recíprocamente, que representan 4 diferentes fenómenos físicos que ocurren al interior del sistema físico de la subcuenca:

El almacenamiento de nieve; El almacenamiento superficial; El almacenamiento inferior (es la zona de raíces); El almacenamiento subterráneo.

Además el NAM incluye el la posibilidad de simular intervenciones antrópicas en el ciclo hidrológico como riegos y bombeos del agua subterránea. En la base de datos meteorológicos en entrada al modelo, el NAM reproduce las respuestas hidrológicas de la cuenca así como otros fenómenos: la variación temporal de la evapotraspiración, el contenido de humedad del suelo, la recarga del acuífero, y los niveles piezométricos. La escorrentía de la cuenca es dividida conceptualmente en:

Flujo superficial; Interflujo; Flujo subterráneo.

Almacenamiento superficial: este tipo de almacenamiento conceptualiza la humedad interceptada por la vegetación, el agua retenida en las depresiones y en las partes

más altas del suelo cultivado. El contenido de agua disminuye constantemente por evaporación y por generación de interflujo. Cuando se alcanza el almacenamiento máximo, una fracción del agua en exceso drena en el cauce fluvial (flujo superficial) y la fracción que queda se infiltra en la capa inferior. Almacenamiento inferior: representa la zona de las raíces, una capa debajo de la superficie desde la cual la vegetación sustrae agua por transpiración, que condiciona el contenido de humedad. Este ultimo controla la cantidad de agua que contribuye a la recarga subterránea, el interflujo y el flujo superficial. La evapotranspiración: si el contenido de humedad en el almacenamiento superficial es menor de la evapotraspiración potencial, la restante fracción de agua necesaria viene sacada por las raíces desde el almacenamiento inferior; esta fracción es proporcional a la evapotraspiración potencial y varía linealmente en función del contenido de humedad relativa del almacenamiento inferior. Flujo superficial: cuando la capa superficial del agua está saturada, el agua en exceso se transforma en flujo superficial (QOF) e infiltra en la capa inferior, según la siguiente expresión:

L / Lmax − TOF si L / Lmax >TOF; 1 − TOF

QOF = CQOF

QOF= 0 si L / Lmax <TOF.

donde: CQOF es el coeficiente de escorrentía superficial (0 ≤CQOF≤1) TOF es el valor umbral para que se haya escorrentía superficial (0 ≤TOF≤1) L / Lmax es la humedad relativa de la capa inferior. El agua en exceso que no se transforma en escorrentía superficial infiltra en la zona inferior. Una ulterior fracción del agua infiltrada está concebida como infiltración profunda en el estrado de almacenamiento subterráneo. Interflujo: está modelado como proporcional al contenido de agua en el almacenamiento superficial, y varía linealmente con el contenido de humedad relativa en la capa de almacenamiento inferior:

L / Lmax U si L / Lmax >TIF; 1 − TIF

QIF = (CKIF ) −1

QIF= 0 si L / Lmax ≤TIF.

donde CKIF es una constante de tiempo y TIF es el valor umbral de la zona de las raíces por el interflujo (0 ≤TIF≤1). Propagación de flujo para el interflujo y el flujo superficial: el interflujo se propaga a través de dos embalses lineales puestos en serie, con la misma constante temporal

CK12. El flujo superficial está basado tambíen en el concepto de propagación en embalses, sin embargo con costantes temporales variables:

CK= CK12 si OF<OFmin;

 OF CK = CK 12   OFmin

  

−β

si OF ≥ OFmin,

donde OF es el flujo superficial (mm/h), OFmin es el valor umbral para dicho flujo (=0,4 mm/h) y β=0,4, que corresponde a la formula de Manning para modelaciones de flujo superficial. El almacenamiento de nieve: este modulo es opcional y se utiliza en situaciones donde la acumulación de nieve y la fusión aportan un cantidad de flujo que afecta de manera significativa el balance hidrológico. La contribución de nieve se calcula a partir de datos de temperatura en entrada al modelo. En situaciones normales la precipitación entra directamente en el embalse de almacenamiento superficial. Durante periodos fríos la precipitación se retiene en el almacenamiento de nieve para luego fundirse con el aumento de temperatura. Para modelar esto, pueden ser aplicados dos modelos diferentes: un esquema agregado sencillo o un método más general que divide la cuenca en un cierto número de zonas a diferentes alturas con parámetros de fusión de nieve, temperatura y precipitación distintos para cada zona. Módulo de riego: este módulo ha sido introducido en el NAM para describir los efectos del riego con respecto a los siguientes aspectos: El balance hidrológico total en la cuenca. En este caso el balance será afectado por un aumento de evapotraspiración y por posibles fuentes externas de agua destinada al riego; Infiltración local y recarga subterránea en las superficies de regadío; La distribución del flujo en la cuenca entre superficial, interflujo y flujo base. Esta puede ser influenzaza por el aumento de infiltración en las áreas de regadío así como por extracciones locales de agua para riego desde el acuífero o desde la red fluvial. Para cada área de riego presente en la subcuenca, el NAM modela una subcuenca con parámetros individuales. El flujo total es modelado combinando, con las herramientas de edición del NAM, el flujo resultante de cada subcuenca.

3.2.

SOBEK RAINFALL-RUNOFF (Delft Hydraulics)

El modelo lluvia-escorrentía utilizado dentro del modelo hidráulico SOBEK-Rural de WL| Delft Hydraulics pertenece a la clase de modelos que en la literatura científica han sido nombrados como modelos conceptuales agregados, es similar al concepto utilizado por el Danish Hydraulic Institute. El modelo está estructurado en las siguientes componentes: •

Área impermeable

•

Área permeable, dividida en -

Upper Zone: representa la capa superficial , esquematizada en dos subcapas, la primera capa tiene en cuenta del almacenamiento de agua capilar en el suelo (tension water storage), la segunda capa modela el almacenamiento de agua libre (free water storage)

Lower zone: es la capa inferior que tiene en cuenta los almacenamientos del agua capilar y libera, contabilizando además la contribución de agua de percolación procedente de la capa superior.

La dinámica del modelo conceptualizada se observa en la figura siguiente:

Conceptualización del modelo de lluvia-escorrentía RR en SOBEK-Rural.

Areas impermeables: En estas áreas la precipitación se transforma en escorrentía directa, drenando directamente en el cauce. Las superficies impermeables que drenan en áreas permeables antes de alcanzar el cauce, no son consideradas impermeables al fin de la modelación. Ambas están estructuradas por medio de dos embalses almacenamiento capilar y almacenamiento de agua libre. El almacenamiento capilar es considerado como la capa de agua vinculada a las partículas del suelo. Generalmente el agua se almacena como agua libre solo después que la capa de agua capilar se haya saturado. A continuación se presenta una esquematización de la estructura del modelo con todos los procesos involucrados, que se van a describir más en detalle:

Esquematización de funcionamiento del modelo

Areas permeables: Capa Superior: El almacenamiento capilar de la capa superior representa aquel volumen de precipitación requerido, a partir de una condición totalmente seca, para que se genere percolación: cuando se alcanza la capacidad máxima de almacenamiento en la capa de agua capilar, el agua se va almacenando en la capa superficial de agua libre, generando un almacenamiento temporal desde el cual el agua percola en la capa inferior (en la figura, Lower Zone Sistem) y al mismo tiempo se genera un interflujo por descarga lateral. El flujo desde la capa superior se dirige de manera preferencial en dirección vertical, privilegiando la percolación al interflujo. Este último se genera solo cuando la tasa de precipitación excede la tasa de percolación, según el mecanismo Hortoniano. La capa superior es tratada como un embalse lineal vaciado según una ley exponencial. Cuando la intensidad de precipitación excede la intensidad de percolación y a la vez la capacidad de drenaje por interflujo, la capa superior de agua libre se encuentra totalmente saturada y un exceso de precipitación provoca escorrentía directa. Areas permeables (Capa Inferior): Está constituida por el almacenamiento de agua capilar, es decir el agua retenida por el suelo de la capa inferior después del drenaje, y dos embalses de almacenamiento de agua libre: el almacenamiento principal y el almacenamiento secundario, cada uno correspondiente respectivamente al flujo subterráneo lento y rápido que esquematizan. La percolación hacía los almacenamientos de agua libre y por tanto la generación del flujo base ocurre antes que el embalse de almacenamiento capilar esté totalmente saturado. El modelo contempla este mecanismo permitiendo que una fracción de agua infiltrada desde la capa superior venga destinada a los almacenamientos de agua libre, hasta que se llene el embalse de agua capilar. A partir de este momento toda el agua procedente de la capa superior contribuye a la generación del flujo base.

Evapotraspiración Actual: La evapotraspiración está determinada por el contenido da agua de los embalses de agua capilar de las dos capas modeladas. La tasa de evapotraspiración actual es una función lineal del contenido de agua de la capa superior. Cuando la evapotraspiración actual es menor de la evapotraspiración potencial se sustrae agua desde la capa inferior, de una cantidad proporcional al ratio de la cantidad de agua capilar con su capacidad máxima de almacenamiento. Percolación entre las Capas Superior y Inferior : La tasa de percolación desde la capa superior hacia la capa inferior depende por un lado de la demanda de la zona inferior, es decir del contendido de agua de la capa inferior con respecto a su capacidad máxima de almacenamiento, por otro lado depende del contenido de agua de la capa superior con respecto la su capacidad máxima de almacenamiento.

Representación de la demanda de percolación actual.

La demanda de percolación de la capa inferior varía entre dos límites, el inferior llamado Percolación BASE (PBASE), y el superior, representado en figura como ZPERC. Se genera la demanda mínima de percolación cuando todos los tres almacenamientos inferiores han alcanzado la saturación. Por tanto, por continuidad, la tasa de percolación es igual a la tasa de flujo de base. El limite superior de la demanda de percolación se alcanza cuando la capa inferior está totalmente seca, es decir cuando su contenido de agua es nulo. La demanda actual de percolación depende del contenido de agua de la capa inferior con respecto a su capacidad de almacenamiento. Mecanismo de propagación del flujo superficial: En este modelo la propagación de flujo superficial está modelada con el método de Clark. EL método requiere la construcción de un diagrama tiempo-área. La sub-cuenca viene repartida según líneas con el mismo tiempo de viaje hacía el desagüe (isocrónas). Las áreas entre una isocróna y la sucesiva se calculan escalándolas con el tiempo de concentración Tc, es decir el tiempo que emplea una gota de agua caída en el extremo aguas arriba de la cuenca en llegar al desagüe. El flujo del diagrama tiempo-área se propaga en un embalse lineal, que caracteriza el efecto del almacenamiento en la red de drenaje de la cuenca. Este embalse está representado por el coeficiente de recesión “k”. La salida del embalse representa el hidrograma unitario instantáneo (IUH, Instantaneous Unit Hydrograph).

Principios del método de Clark para la simulación del flujo superficial y del interflujo.

3.3.

ENTORNO EDIMACHI (CEDEX)

Los modelos desarrollados a través del Centro de Estudios Hidrográficos del CEDEX han ido evolucionando en generaciones sucesivas, como por ejemplo la Biblioteca de Modelos elaborados por la entonces Dirección General de Obras Hidráulicas y Calidad de las Aguas mediante convenio de colaboración con el Centro de Estudios Hidrográficos perteneciente al CEDEX realizando las aplicaciones hidrológicas PLU, CREM y CRAF; hasta que actualmente se han agrupado y ampliado en el entorno de desarrollo y aplicación de modelos de previsión y gestión de embalses denominado EDIMACHI (Aldana, A.). EDIMACHI no es sólo un modelo precipitación-escorrentía sino más bien un entorno basado en una serie de conceptos, dichos conceptos quedan relacionados entre si mediante el siguiente nomograma:

EDIMACHI incluye entre otras las siguientes aplicaciones: •

PLU: Aplicación informática desarrollada para la representación espacial de la evolución temporal de una tormenta y la estimación de los hietogramas de precipitación areal en una serie de subcuencas previamente seleccionadas

•

CREM: Aplicación informática para la previsión de caudales entrantes en un embalse y la búsqueda de la gestión óptima de los órganos de desagüe. La previsión se realiza por métodos hidrológicos de autocalibrado a partir de las características del embalse (curva de embalse y capacidades de desagüe) y las de la cuenca vertiente (superficie e hidrograma unitario).

•

CRAF: Aplicación informática para la previsión de hidrogramas de avenida en simulaciones de crecida en tramos de red fluvial donde exista estación de aforos. La predicción se efectúa a partir de la curva de gasto de la estación, evolución temporal de niveles o caudales en la estación hasta el instante en que se realiza la previsión y las características hidrológicas de la cuenca vertiente (superficie e hidrograma unitario).

Ejemplo de las salidas gráficas de las aplicaciones PLU y CREM

3.4.

SACRAMENTO (SMA-NWSRFS)

El modelo de Sacramento es quizá el más popular de los modelos agregados conceptuales aplicables a crecidas y que pretenden una representación con sentido físico de la cuenca. En la siguiente figura se presenta un esquema conceptual del modelo.

El modelo determina los caudales a partir de la precipitación y la evapotranspiración en la cuenca. Utiliza además un grupo de almacenamientos con determinada capacidad, los cuales están conectados por procesos que permiten al sistema representar muchas de las condiciones de humedad del suelo que controlan la producción de caudal. El agua de los almacenamientos puede salir de éstos a través de tres caminos que representan la evapotranspiración, la percolación y la descarga lateral. El modelo de Sacramento es un modelo agregado en el que se utilizan variables globales sobre toda la cuenca para representar los siguientes elementos: • • • • • • •

La evaporación. El almacenamiento de agua capilar en el suelo. El almacenamiento de agua libre en la capa superior del suelo. La percolación desde el almacenamiento de agua libre en la capa superior del suelo hacia la capa inferior. El almacenamiento de agua capilar en la capa inferior. El almacenamiento de agua libre en la capa inferior (principal y suplementario). El caudal de agua subterránea no observable en el río.

y las distintas componentes de la escorrentía: •

La escorrentía directa proveniente de las zonas impermeables. La escorrentía superficial ocurre cuando la intensidad de la lluvia supera la tasa de infiltración (flujo hortoniano).

•

El interflujo cuando la capa superior de almacenamiento del suelo se encuentra saturada y se presenta por descarga lateral desde un almacenamiento de agua freática.

•

El flujo base suplementario que corresponde a una respuesta rápida de la zona de almacenamiento inferior del suelo.

•

El flujo base principal procedente de la zona de almacenamiento inferior del suelo, que constituye la descarga con respuesta lenta.

Para la simulación de eventos, el modelo de Sacramento divide la cuenca en “áreas Sacramento” que se representan como unos planos inclinados que drenan hacia un canal y, tanto sobre los planos como sobre el canal, la escorrentía se traslada de acuerdo a la ecuación de la onda cinemática utilizando la ecuación de Manning. La escorrentía que se produce en cada área de Sacramento se transita y se agrega aguas abajo sobre la red de canales. El modelo de Sacramento es un modelo con 16 parámetros, algunos de los cuales se obtienen por calibración. Los modelos conceptuales que tienen tantos parámetros no son muy atractivos para la modelación operacional ya que trata de representar la variabilidad espacial considerando cada vez un mayor número de subcuencas más pequeñas, ya que para todas y cada una de ellas será necesario determinar todos los parámetros.

3.5.

ARNO/ Xinanjiang/VIC-2L (Todini/Zhao/Wood y Liang)

Estos modelos se encuentran enmarcados en lo que en la literatura se conoce como ESMA (Explicit Soil Moisture Accounting Models), son modelos conceptuales agregados de lluvia-escorrentía superiores a los modelos conceptuales NAM y RR de SOBEK. El almacenamiento vertical de la humedad en el suelo viene representada a partir de tres embalses de almacenamiento no lineales: el primero representa la “parte alta” (Upper Zone) del almacenamiento en la zona de raíces, el segundo representa la “parte baja” (Lower Zone) del almacenamiento en la zona de raíces y el tercero el almacenamiento subterráneo. Los tres almacenamientos de volúmenes así concebidos están conectados entre ellos, acompañados por funciones que parametrizan los intercambios entre un elemento y el otro, las pérdidas por evapotraspiración y el drenaje al cauce fluvial. En general, todos los parámetros están a escala de subcuenca y se calibran mediante la comparación de los hidrogramas observados con aquellos calculados, modificando dichos parámetros hasta alcanzar el mejor ajuste. Estos tres modelos son los más representativos entre todos los modelos ESMA por una característica interesante: en este tipo de modelos hay una función que intenta tener en cuenta la heterogeneidad de la producción rápida de escorrentía en la cuenca, centrándose el la capacidad de almacenamiento de humedad del suelo. La primera formulación de dicha clase de modelos se obtuvo en China en los años Setenta, cuando Zhao modeló con el Xinanjiang la formación de escorrentía, en regiones que no sufren de sequía prolongada, como altamente relacionada a la dinámica de las superficies saturadas en función de los volúmenes de precipitación. Este modelo ha tenido una amplia aplicación en China en sistemas de pronóstico y previsión de crecidas. La idea ha sido adaptada más tarde en Italia para una aplicación operativa en sistemas de predicciones de avenida del Río Arno en tiempo real por Todini (1996). El módulo de balance de humedad en el suelo del modelo ARNO se

deriva del módulo de la capacidad de almacenamiento de humedad del suelo del modelo Xinanjiang (pensado como una función de distribución probabilística). Las hipótesis básicas expresadas en el modelo ARNO son: •

el input de precipitación en el suelo se considera uniforme en cada subcuenca.

•

la cuenca está modelada por un numero infinito de áreas elementares (cada una con una capacidad de almacenamiento de humedad del suelo diferente). En cada una de estas celdas se aplica la ecuación de continuidad de la masa y se simula en el tiempo

•

toda la precipitación infiltra en el suelo a menos que el suelo tenga una pendiente muy alta o esté saturado;

•

la proporción de las áreas saturadas se expresa con una función de distribución espacial;

•

la función de distribución espacial describe la dinámica de área de contribución para que se genere escorrentía;

•

el aporte total de escorrentía es la integral en el espacio de las contribuciones infinitesimales de cada área elemental.

•

el almacenamiento de humedad en el suelo es reducido por la evapotrspiración, por el drenaje sub-superficial hacía la red de drenaje y por la percolación en zonas más profundas.

A continuación se propone el esquema general del funcionamiento del modelo ARNO:

Los procesos reproducidos en el modelo ARNO son: •

Agua subterránea: el flujo subterráneo ha sido modelado con un modelo de embalses no lineales a cascada, basándose en el modelo de Nash (1958). Los parámetros requeridos son dos, el volumen del embalse y el parámetro de proporcionalidad K. Se supone que el outflow de cada embalse es proporcional a su volumen.

•

Evapotraspiración: puede ser introducida como dato o calculada con la ecuación de Penman-Monteith, simplificada despreciando los efectos de la presión de vapor y de la velocidad del viento. Como alternativa se puede utilizar la ecuación de Thornthwaite y Mater (1955), cuya formulación bastante más sencilla necesita en entrada solo valores de temperatura media y del número máximo de horas de sol.

•

Acumulación y fusión de nieve: simula el efecto del acumulo de la capa de nieve y evalúa la cantidad de precipitación/fusión transferido al suelo. Utiliza un modelo de balance energético con entrada de precipitación y temperatura, y hace una estimación de la radiación en función de la temperatura.

•

La transferencia parabólica de la escorrentía superficial y del flujo en cauce: se asume que la transferencia ocurra en una cuenca esquematizada como un “libro abierto”, el flujo en ladera y el flujo en cauce (las primeras dos imagines) están modelados con un modelo distribuido parabólico lineal, mientras que la transferencia del flujo en cauce desde aguas arriba a las secciones aguas abajo está modelado por un modelo parabólico concentrado:

•

Balance de la humedad del suelo: el módulo de balance de humedad en el suelo del modelo ARNO se deriva del módulo de la capacidad de almacenamiento de humedad del suelo del modelo Xinanjiang (pensado como una función de distribución probabilística).

Esquematización de los tres pasos de la transferencia de flujo

El modelo prevé que en una área superficial dada (menos aquella ocupada por lagos o embalses) está formada en general por una mezcla de suelos permeables y menos permeables, por tanto la respuesta a la precipitación será substancialmente diferente. Entonces, para que el balance de la humedad del suelo esté actualizado en continuo y el almacenamiento del agua en el suelo pueda ser reproducido de manera verosímil, se ha introducido una distribución acumulativa de la humedad del suelo a saturación para cada área elemental de la siguiente forma: 1   w = wm 1 − (1 − ξ ) β   

donde: w es la humedad del suelo del área elemental a saturación; wm es la máxima humedad del suelo del área elemental a saturación; ξ es el área genérica a saturación; β es un parámetro de forma. La expresión puede ser graficada como en figura:

Distribución acumulativa de la humedad del suelo del área elemental a saturación. Si, Sp, St son respectivamente el área impermeable, el área permeable y el área total.

3.6.

HBV (Swedish Meteorological and hydrological Institute)

El modelo hidrológico HBV es un modelo hidrológico conceptual semi-distribuido desarrollado por el Instituto Meteorológico y Hidrológico Sueco (SMHI) y utilizado en más de 30 países en el mundo. Al día actual modelo se ocupa de estudiar multíplices aspectos medioambientales, como los efectos del cambio climático, las predicciones hidrológicas, las simulaciones de la respuesta del agua subterránea y la generación de mapas sinópticos de balance de agua. El modelo se basa sobre el principio de simplicidad: es necesario que describa de manera exhaustiva la realidad física que investiga, sin exceder con el número de parámetros utilizados para describirla. Siempre según el mismo principio se ha intentado de reducir al máximo el número de parámetros “libres”, es decir aquellos cuyo valor optimo se obtiene calibrando el modelo con datos observados.

Por lo dicho el modelo HBV pertenece a la segunda generación de modelos, que esta caracterizada por intentar reproducir los procesos más importantes que están presentes en la producción de escorrentía con una estructura más robusta y sencilla posible. Como ya se ha mencionado se trata de un modelo conceptual semi-distribuido: dentro de su estructura la unidad hidrológica básica es la subcuenca, que está acompañada por una caracterización de área y elevaciones y por una clasificación de uso de suelo muy poco detallada. La subdivisión en subcuencas viene utilizada cuando se está en presencia de una cuenca geográficamente o climatológicamente heterogénea, o cuando hay presencia de lagos con importante extensión. El modelo está estructurado en tres módulos principales: • • •

acumulación/fusión de nieve; computo del contenido de humedad del suelo; respuesta hidrológica y la propagación del flujo en el río.

Los datos requeridos de entrada al modelo son: precipitación y, en el caso de que se considere la contribución de la nieve, también la temperatura atmosférica. Estos datos se proporcionan con paso temporal diario, de todas formas acepta resoluciones temporales más bajas. El procedimiento de calculo del estado de humedad del suelo requiere datos de evapotraspiración potencial, que pueden ser proporcionados mediante calculo (ecuación de Penman) o por medio de medidas, en este caso es importante que los datos estén depurados de los errores sistemáticos de las herramientas, antes de entrar al modelo. Los valores climáticos promediados se calculan independientemente para cada subcuenca, mediante un balance pesado en el cual los pesos se determinan por consideraciones topográficas y climatológicas, o por métodos geométricos, como por ejemplo el método de los polígonos de Thiessen. A continuación se va a describir más en detalle los módulos del modelo. Acumulación /fusión de nieve: El módulo de nieve controla su acumulo y fusión y trabaja separadamente para cada zona de vegetación y elevación. La precipitación se considera acumulada como nieve cuando la temperatura atmosférica excede un valor umbral (TT). Para tener en cuenta las subestimaciones de precipitación de nieve y de evaporación invernal el acumulo de nieve viene multiplicado por un coeficiente de ajuste, el factor de corrección de nieve. La fusión empieza cuando la temperatura baja debajo de la temperatura umbral, de acuerdo con una expresión grados-día sencilla:

MELT = C MELT ⋅ (T − TT ) donde: MELT= fusión de nieve( mm/día); CMELT = factor grados-día (mm/ºC al día); TT= temperatura umbral (ºC).

Entonces los parámetros estimados por calibración en este modulo son el factor de corrección, el factor CMELT y la temperatura umbral. Humedad del suelo: El modulo de humedad del suelo del modelo HBV calcula un índice de humedad para la cuenca entera y integra las cantidades de intercepción y de contenido de humedad del suelo. El cálculo está controlado por tres parámetros libres, FC, BETA y LP. FC es el máximo almacenamiento de humedad en el suelo en la cuenca y BETA determina la contribución relativa a la escorrentía de cada milímetro de lluvia o nieve fusa por dado déficit de humedad del suelo. LP controla la forma de la curva de reducción de la evapotraspiración potencial, es decir que para valores inferiores a LP (adimensional, siendo el ratio entre evapotranspiración actual y potencial) la evapotraspiración actual será reducida. Al fin de la generación de escorrentía, la respuesta aumenta en cantidad al aumentar del estado de humedad. Recientemente el modulo de calculo de evapotraspiración ha sido modificado para tener en cuenta anomalías de temperatura durante primaveras y veranos más fríos de lo normal o al revés inviernos caracterizados por temperaturas más altas del estándar. Tal modificación ha sido obtenida mediante una corrección que se calcula comparando los datos actuales de temperatura y evapotraspiración con aquellos promediados sobre un largo rango de registros:

PE A = (1 + C ⋅ (T − TM )) ⋅ PE M donde:

PE A = evapotraspiración potencial ajustada; C= parámetro empírico del modelo; T= temperatura media diaria; TM = temperatura mensual promediada sobre un intervalo largo de registros;

PEM = evapotraspiración potencial promediada un intervalo largo de registros. El valor ajustado de la evapotraspiracíon potencial está limitado a valores positivos y no puede exceder el doble del valor mensual promediado. Respuesta de la escorrentía: El modulo que calcula la respuesta hidrológica trasforma en caudal el exceso de agua calculado por el modulo de la humedad del suelo, para cada sub-cuenca. El modulo está estructurado en dos embalses con los siguientes parámetros libres: • • •

Tres coeficientes de recesión: K0, K1 y K2; Un umbral de percolación, UZL; Un ratio de percolación constante PERC.

Finalmente el proceso consta de un proceso de filtro para suavizar (smoothing) el flujo generado. Este filtro consiste en una función triangular de peso con un parámetro libre, MAXBAS. Además está disponible el método de propagación en cauce de Muskingum, para propagación de ondas de crecidas. Los lagos están modelados como embalses, sin embargo en las últimas versiones del modelo la propagación puede ser modelada explícitamente con la relación caudalvolumen. Esta posibilidad incluye una subdivisión de la cuenca en subcuencas

vertientes a los desagües de cada lago grande. El relativamente grande número de parámetros que es necesario calibrar en el modulo de propagación de flujo del modelo ha enfocado el riesgo de sobreparametrización. Por eso se está montado un modulo de propagación con reducción de parámetros. Calibración del modelo El modelo HBV en su versión mas sencilla con solo una cuenca esquematizada, tiene 12 parámetros libres que deben de ser calibrados. Generalmente la calibración del modelo es manual, viene efectuada mediante la técnica por tentativos (trial and error), durante la cual se van cambiando los valores de los parámetros hasta que se obtenga una correspondencia aceptable con los valores observados. La evaluación de la bondad del proceso está controlada por un criterio estadístico, normalmente el R cuadrado.

Esquema conceptual del modelo HBV

Principales campos de aplicación del modelo

Predicciones en tiempo real: vienen realizadas predicciones a corto (pocos días) y largo plazo (varios meses). Para cuanto concierne las predicciones hidrológicas a corto plazo, vienen utilizadas a menudo como entrada al modelo las predicciones meteorológicas. Las predicciones hidrológicas a largo plazo están basadas sobre las condiciones hidrológicas modeladas en el presente y un número de simulaciones con datos climáticos de varios años anteriores. La salida del modelo es entonces sujeta a un análisis estadístico que puede ser utilizado para opinar sobre el riesgo de avenida o la probabilidad de llenar un embalse. Simulaciones de balance subterráneo: un producto de investigación generado a partir del HBV es el estudio de la respuesta hidrológica subterránea a los cambios climáticos. Estas simulaciones requieren en adjunta la modificación de la zona saturada del sistema. Mapas de balance hídrico sinóptico: otro spin-off del modelo HBV es la obtención de mapas de balance hídrico, producidas diariamente por el SMHI. Estos mapas muestran la situación hidrológica en Suecia por medio de símbolos que representan la cantidad de nieve, el déficit de humedad del suelo, la generación de escorrentía.

3.7.

TOPMODEL (Beaven, K.)

El TOPMODEL (Topographical Model), presentado inicialmente por Beven y Kirby en 1976, más que un modelo, es un grupo de conceptos y criterios acerca del proceso lluvia - escorrentía y su modelación. Estos conceptos desembocaron en lo que hoy en día conocemos como hidrología distribuida y fue una gran salto en la ciencia hidrológica. A partir de este primer trabajo se inicia un proceso de mejoramiento del método en el que toman parte distintos autores tales como Beven y Kirby (1979), Beven y Wood (1983), etc. El modelo se basa en los siguientes principios: ecuación de continuidad, ley de Darcy, modelo de escorrentía de Dunne y modelo de almacenamiento exponencial. En este modelo se subdivide la cuenca en pequeños elementos y para cada uno de ellos se estima: el área aguas arriba que drena a través del elemento, la longitud del lado por el que sale el agua hacia otros elementos aguas abajo y la pendiente local del elemento. Este modelo propone que las distintas partes de la cuenca se pueden considerar equivalentes desde el punto de vista de la respuesta hidrológica de la cuenca si tienen un mismo valor del Índice Topográfico [ln (a/tgβ)] Donde a es el área drenada por unidad de longitud y tg β es la pendiente local del terreno. Una vez se ha estimado este índice para todos los elementos de la cuenca, se analiza la frecuencia relativa de los distintos valores del índice en la cuenca. En la siguiente figura se describen los elementos en los que el modelo divide la cuenca.

En la mayoría de las laderas naturales, de acuerdo a su trayectoria, la escorrentía que llega a los cauces se puede dividir en dos componentes: una de flujo subsuperficial y otra de escorrentía superficial. El TOPMODEL considera que la escorrentía puede ser estimada con base en un modelo en el que se enlazan las dos componentes separadas y que son obtenidas de dos submodelos. El primer submodelo predice flujo espacialmente uniforme a tasas determinadas por la topografía y los suelos en la parte alta de la ladera. Este submodelo es capaz de predecir el área saturada. El segundo submodelo predice la escorrentía en condiciones de saturación a partir de las áreas obtenidas con el primero. Estos modelos de flujo en ladera se pueden combinar con un algoritmo de tránsito de crecidas en la red de canales para dar la respuesta hidrológica de la cuenca. En la versión más simple del modelo, ambos, flujo superficial y flujo subsuperficial, se generan a partir de un solo almacenamiento saturado, para el cual se ha considerado que se extiende indefinidamente hacia abajo en el suelo y alcanza un nivel variable con el tiempo y la posición, pero que en un intervalo de tiempo es igual para todos los elementos que tengan el mismo Índice Topográfico. Se supone que al inicio de un intervalo de tiempo todos los elementos que tienen el mismo Índice Topográfico (dentro de la misma clase), tienen el mismo déficit de almacenamiento saturado, e igualmente se supone que trasladan aguas abajo a la misma tasa de flujo subsuperficial. Este flujo lo reciben en conjunto los elementos que tienen un Índice Topográfico mayor, haciendo que disminuya su déficit en el almacenamiento saturado. Para los elementos que tienen determinado Índice Topográfico cuando el déficit es cero se alcanza la saturación y cuando el déficit es negativo se tiene escorrentía superficial (Beven y Kirkby, 1979). El déficit de almacenamiento cero se define como la condición de saturación en la superficie del suelo, así los valores negativos de déficit de almacenamiento son asociados con déficit de flujo subsuperficial saturado, y valores positivos con escorrentía en la ladera en conjunto con la tasa máxima de flujo subsuperficial. En estos casos se introduce directamente la lluvia neta para producir el hidrograma.

Con frecuencia, a este modelo simple se le agrega un almacenamiento no saturado que deja pasar agua por percolación al almacenamiento saturado (Beven y Wood, 1983). Para esto se asume que no se presenta flujo horizontal en la zona no saturada. Igualmente, este almacenamiento en la zona no saturada puede ser utilizado para predecir la capacidad de infiltración y el flujo hortoniano en la ladera. El concepto fundamental del TOPMODEL está en la suposición de que el almacenamiento subsuperficial saturado tiene una ley exponencial de flujo, la cual tiene un ajuste satisfactorio a la respuesta de la cuenca (Beven, 1984). Para el flujo de agua en el suelo, el modelo se basa en las siguientes suposiciones: el espacio entre los granos o partículas que componen el suelo (microporosidad) soporta gran parte del almacenamiento pero casi nada del flujo, la totalidad del flujo ocurre a través de pequeñas grietas, oquedades, conductos y discontinuidades del suelo algunos de ellos asociados a la estructura del suelo y otros a la actividad de plantas y otros organismos. Estos elementos se conocen como macroporos y su tamaño es mucho mayor que el de los poros que quedan en el empaquetamiento de los granos. La microporosidad varia exponencialmente con la profundidad y la variación de la macroporosidad es proporcional con la de la microporosidad (Beven et al., 1995).

3.8.

SHE (Abbott, M.B., Bathurst, J.C., Cunge, J.A., O’Connell, P.E. y Rasmussen)

El modelo SHE (Système Hydrologique Européen) fue desarrollado originalmente con el objeto de describir detalladamente la fase terrestre del ciclo hidrológico en una cuenca dada. En la figura se muestra la representación esquemática del modelo.

El modelo tiene base física en el sentido de que varios de los procesos de flujo son modelados con representaciones en diferencias finitas de las ecuaciones diferenciales

parciales de conservación de masa, momentum y energía, o por ecuaciones empíricas derivadas de investigaciones llevadas a cabo en la cuenca a modelar. La distribución espacial horizontal de las propiedades de la cuenca, precipitación y respuesta hidrológica se logra mediante la representación de la cuenca por un conjunto de celdas ortogonales, y verticalmente por un conjunto de capas sobre cada una de ellas. La red de drenaje es representada sobre la superficie siguiendo los límites de las celdas. Los procesos modelados por el SHE son: intercepción de la lluvia por parte de la cobertura vegetal, evaporación del agua interceptada en el suelo y en los canales, transpiración del agua presente en la zona de raíces, fusión de nieve, flujo unidimensional en la zona no saturada, flujo bidimensional en la zona saturada, flujo superficial bidimensional, flujo unidimensional en canales, interacción acuífero-río e interacción acuífero-flujo superficial. Para el tránsito de la escorrentía a través de la cuenca se utiliza la aproximación bidimensional de la onda de difusión de las ecuaciones de Saint-Venant. Para el flujo de agua a través del suelo en la zona no saturada el programa encuentra la solución de la ecuación de Richards en una dimensión. Para el flujo en la zona de saturación se utiliza la ecuación no lineal de Boussinesq. La información de entrada, distribuida espacial y temporalmente, se puede basar en información histórica o ser generada para algún escenario climático particular. La experiencia de algunas aplicaciones del modelo sugiere que el efecto de la incertidumbre en la información meteorológica supera a los generados por la incertidumbre asociada a sus parámetros. En cuanto a la resolución temporal, el modelo en sí no tiene ninguna restricción, el problema son las condiciones del equipo en el que se ejecutará el algoritmo y el tiempo de ejecución. El modelo es una representación integrada de los flujos subsuperficial y superficial de la fase terrestre del ciclo hidrológico. El nivel de detalle debe ser tal que el esfuerzo en la modelación física no se pierda. Las ecuaciones empleadas en el modelo, con unas pocas excepciones no son empíricas, y buscan por lo tanto representar la física de los procesos a una escala adecuada en las diferentes fases del ciclo hidrológico. En muchos estudios no es posible representar las variaciones en las características de la cuenca con suficiente detalle como para validar la representación física de los procesos. En consecuencia se presentan problemas de escala, los cuales deben ser considerados cuidadosamente en las aplicaciones del modelo.

3.9.

TOPKAPI (Todini, Ciarapica y Liu)

TOPKAPI acrónimo de TOPographic Kinematic APproximation and Integration es un modelo de transformación lluvia escorrentía distribuido físicamente basado desarrollado por el Profesor Ezio Todini de la Universidad de Bologna en 2001. •

El desarrollo inicial del modelo partía de conseguir las siguientes premisas:

• • •

Sólida base física, basada en la interpretación físicamente basada e inmediata de los parámetros. Aplicabilidad del modelo a diferentes escalas, conservando al aumentar esta el significado físico de los parámetros. Simplicidad y parametrización parsimoniosa.

El modelo combina la aproximación cinemática con la topografía de la cuenca (representada por el modelo digital del terreno) basándose sus tres módulos, que simulan los diferentes procesos hidrológicos e hidráulicos, en una representación de cascada de embalses no lineales. En el inicio del desarrollo del modelo, se buscaba la forma de testar y comprobar la hipótesis fundamental de tener una mejor comprensión del efecto de escala en los parámetros de un modelo con significado físico y por otro lado la identificación del mecanismo de activación del área saturada contribuyendo a la escorrentía superficial en función de la saturación del suelo. En su primera versión (Todini & Ciarapica, 2001) las ecuaciones de los tres embalses no lineales se resolvían mediante cálculo numérico con el método de Runge-Kutta, posteriormente en el proceso de mejora del mismo se ha desarrollado una alternativa que permite obtener una solución analítica basada en una apropiada aproximación (Todini & Liu, 2002). El dominio de aplicación del modelo viene discretizado en una malla de celdas cuadradas que constituyen el modelo digital del terreno (MDT). Generalmente, la dimensión de la celda crece al aumentar el tamaño de la cuenca y su realidad física a causa de las limitaciones computacionales aun hoy en día existentes, es por ello importante que los parámetros del modelo mantengan su significado físico en ese incremento de la escala espacial. El modelo permite discretizar la cuenca desde celdas de pocos metros (en cuencas pequeñas) hasta centenares de metros o incluso el kilómetro para cuencas grandes. En cada celda del modelo digital del terreno viene asignado un valor por cada una de las características físicas representadas por el modelo hidrológico TOPKAPI. La pendiente y la dirección de la escorrentía son obtenidas a partir del modelo de elevación digital (DEM) siguiendo una relación de vecindad basada en el principio del menor coste energético; en base a la aproximación en diferencias finitas que caracterizan al modelo, se considera que cada una de las celdas esta relacionada con las cuatro que la rodean en la dirección horizontal y vertical, es decir una celda cualquiera puede recibir escorrentía de otra celda o hasta un máximo de tres. La integración en el espacio de las ecuaciones no lineales de la onda cinemática se resuelve en tres embalses no lineales: • • •

El primero representa el drenaje del suelo, El segundo reproduce la escorrentía superficial, y El tercero simula la escorrentía a lo largo de la red de cauces drenantes en la cuenca.

En la siguiente figura se presenta la estructura del modelo TOPKAPI con sus módulos base.

La componente del suelo es importante debido a un flujo en dirección horizontal en condiciones no saturadas, definiendo el drenaje. El drenaje ocurre en un estrato superficial, de espesor limitado, con una conductividad hidráulica elevada debida a la macroporosidad, revistiendo un mecanismo fundamental en la contribución directa de la escorrentía en la red drenante, sobretodo, como factor que regula el balance hídrico del suelo, en particular por cuanto respecta a la activación del área saturada contribuyente, activando así la componente de escorrentía superficial. El fenómeno de la evapotraspiración, considerado como pérdida de agua en el balance hídrico del suelo, puede ser un dato (calculado externamente por cualquiera de las formulaciones existentes en la literatura o medida mediante técnicas de teledetección como por ejemplo la basada en el LAI, índice de área foliar), o puede ser calculada por el modelo TOPKAPI a partir de datos de temperatura y otra información de tipo topográfico, geográfico y climático, adoptando el mismo método utilizado en el modelo ARNO (Todini, 1996). Siempre y por motivos ligados a la disponibilidad de los datos, en la versión actual del TOPKAPI la componente relativa a la acumulación y fusión de nieve es regulada por una estimación de radiación basada en la medida de la temperatura simular al modelo SHE y que también proviene del modelo ARNO. Las hipótesis fundamentales sobre las que se basa el modelo son las siguientes: 1. La precipitación es constante sobre el dominio de aplicación del modelo (es decir la precipitación es constante en cada celda para cada instante temporal), esto implica que el campo espacio-temporal de la precipitación es distribuido en la cuenca. Dicho campo puede ser interpolado a partir de datos puntuales (pluviómetros) mediante la técnica de los polígonos de Thiessen, Mediante

geoestadística (Block Kriging) o mediante la combinación bayesiana y Block Kriging de datos puntuales, Radar Meteorológico y Satélite (EUMETSAT). 2. Toda la precipitación que cae en el suelo (celda) se infiltra, a menos que el suelo esté saturado en dicha celda o ésta sea impermeable, lo cual equivale a dotar como único mecanismo de la formación del flujo superficial el mecanismo por exceso de saturación o mecanismo de Dunne. Esta decisión está justificada por el hecho que el mecanismo por exceso de infiltración (mecanismo hortoniano) es característico de una escala de modelación local, mientras el mecanismo de exceso de saturación es un fenómeno de tipo acumulativo estando condicionado por la redistribución lateral del agua en el suelo, siendo dominante al aumentar la escala de la modelización. 3. La pendiente de la superficie piezométrica se asemeja a la pendiente del terreno, a menos que esta no sea muy pequeña (menor del 0.01%); lo que constituye la hipótesis de base de la aproximación de la onda cinemática en las ecuaciones de Saint Venant e implica la adopción de un esquema de propagación de onda cinemática por lo que respecta al flujo horizontal de agua o drenaje de la zona no saturada. 4. La trasmisividad local, así como el flujo local horizontal local, depende del contenido global de agua en el suelo, es decir de la integral del perfil del contenido de agua a lo largo de la dirección vertical. 5. La conductividad hidráulica saturada es constante en cada celda y a lo largo de la profundidad del estrato de suelo, y que es muchísimo más elevada que la de los estratos inferiores, esto representa la base para la agregación vertical de la trasmisividad y por supuesto del flujo horizontal. Precipitación: - Radar - Pluviómetros - Satélite - Predicciónes meteorológicas

Varias de las ventajas del modelo TOPKAPI es la facilidad dpara la obtención de los valores modales de los parámetros físicos, en la interpretación físicamente basada e inmediata de los parámetros y en la aplicabilidad del modelo a diferentes escalas, conservando al aumentar ésta el significado físico de los parámetros. En la siguiente tabla se presentan los parámetros necesarios para establecer topológicamente el

modelo hidrológico en cada cuenca indicando en que componente se utiliza y el significado físico del mismo.

Los parámetros pueden ser estimados a partir de coberturas GIS como: • • •

Modelo de Elevación Digital del Terreno, a partir del cual se deriva el flujo a través de la cuenca y la red de drenaje Textura y litología del suelo y/o Edafología Usos del suelo

3.10. TETIS (Francés, F. y Vélez, I.) El modelo TETIS ha sido desarrollado por la Departamento de Ingeniería Hidráulica y Medio Ambiente de la Universidad Politécnica de Valencia (Francés et al, 2000) para realizar la simulación hidrológica en cuencas naturales. El objetivo es obtener de la mejor forma posible la respuesta hidrológica ocasionada por la precipitación de lluvia o de nieve, teniendo en cuenta los diferentes procesos físicos involucrados y empleando la modelación distribuida de tipo conceptual. La representación de la producción de escorrentía se hace mediante esquemas conceptuales simples adaptados a la escala de la celda (inferior al tamaño de las laderas) y al intervalo de tiempo que se considera en la modelación de eventos (entre 1 hora y 10 minutos). En cualquier otra escala espacio-temporal aparecerán inevitablemente efectos de escala en los valores de los parámetros. En la literatura se encuentran muchos esquemas conceptuales para representar la producción de escorrentía, la mayoría de ellos coincide en una representación esquemática que incluye varios tanques de almacenamiento interconectados entre sí. En TETIS, la producción de la escorrentía se basa en la realización de un balance hídrico en cada celda, asumiendo que el agua se distribuye en cinco niveles o tanques

de almacenamiento conceptuales y conectados entre sí, como puede observarse en la siguiente figura:

El flujo entre los tanques es función del agua almacenada en ellos, por lo que las variables de estado son los volúmenes almacenados en cada uno de los tanques. La función que relaciona el flujo con estas variables de estado es función del esquema conceptual adoptado, del tipo de tanque y de las características morfológicas de la celda e hidrológicas del suelo en la misma. En realidad, la conceptualización del modelo TETIS es una malla interconectada en tres dimensiones como se puede observar en la siguiente figura. Los tres tanques inferiores drenan hacia el correspondiente tanque aguas abajo, siguiendo las direcciones del flujo propuestas por el Modelo de Elevación Digital del Terreno, hasta alcanzar la red principal de drenaje. La longitud de interconexión máxima para cada tanque es definida por el usuario, teniendo en cuenta que para la escorrentía y el flujo subsuperficial esta longitud está asociada al tamaño de las laderas. Para el flujo base esta longitud se estima teniendo en cuenta el punto inicial del flujo permanente en el cauce.

Para la traslación de la escorrentía TETIS presenta una formulación que incluye elementos de la geometría hidráulica. Con estos elementos se puede hacer un análisis hidráulico razonable de las transferencias entre las celdas, sin requerir grandes volúmenes de información (generalmente bastante costosa) y sin recurrir a simplificaciones exageradas a escala cuenca. Esta formulación aprovecha al máximo la información disponible, siendo al mismo tiempo un esquema bastante robusto. La traslación de la escorrentía a lo largo de la cuenca se realiza considerando que el agua no abstraída circula sobre las laderas hasta alcanzar algún canal perteneciente a la red de drenaje natural de la cuenca, y a partir de allí circula por la red drenaje en sí. Su estimación se puede hacer de acuerdo con las leyes de la hidráulica de los cauces naturales o con simplificaciones conceptuales. En el caso de TETIS, el modelo empleado es de la “onda cinemática”, que es una simplificación de las ecuaciones de Saint Venant al despreciar en la ecuación de conservación de la energía los términos correspondientes a los efectos inerciales y de presión. Por otra parte, las características hidráulicas de los cauces se van a obtener con base en parámetros propios de la cuenca (o regionales si no se dispone de los propios) que se extraen de la información geomorfológica de la cuenca. Por eso, esta nueva metodología se ha denominado de la Onda Cinemática Geomorfológica En cuencas naturales y a escala de la cuenca se puede considerar que en la red de drenaje prácticamente toda la energía potencial se disipa por fricción en los cauces y la fracción de energía potencial que se transforma en energía cinética es una fracción muy pequeña. Esta fracción es comparable (si no es menor) al error acumulado que se podría obtener mediante la aplicación rigurosa del método mas complejo y preciso que incluyera la ecuación de conservación de energía incluso disponiendo de la mejor información de campo que es posible obtener en la actualidad. Para las cuencas de montaña, a la escala de la cuenca y sin temor a grandes errores se puede proponer un modelo de flujo en la red de drenaje a partir de las siguientes hipótesis: •

El método se basa en el principio de conservación de masa (ecuación de continuidad).

•

En la red de drenaje la pendiente de la línea de energía es aproximadamente igual a la pendiente del terreno.

•

La cantidad de movimiento se ajusta en todos los elementos de la red de tal forma que las aceleraciones sean despreciables y que a nivel local solo se presentan las requeridas para que la nueva velocidad y las deformaciones en el cauce sean tales que la resistencia al flujo alcance a contrarrestar a la acción de la fuerza de gravedad.

•

La resistencia al flujo es función de velocidad, del radio hidráulico y de la rugosidad del cauce.

•

La sección del cauce se modifica (tanto en la profundidad de la lámina de agua como en las características del cauce) hasta que su nueva forma produce una resistencia al flujo similar a la acción de la gravedad.

•

La velocidad del flujo en la que se presenta esta condición de cuasi-equilibrio se puede obtener por medio de expresiones como las de Chezy o Manning.

•

La forma del cauce depende del ambiente geomorfológico, del área drenada y del flujo. Se puede decir que es regionalizable en función del área y del caudal.

•

El coeficiente de rugosidad se puede obtener de acuerdo al tamaño de los sedimentos, aplicando expresiones como las de Limerinos, Kennedy, Hey, etc.

•

A todas y cada una de las celdas en que se ha discretizado la cuenca le corresponde un elemento de red de drenaje.

La red drenaje se obtiene a partir de la estructura de conexión de las celdas en el Modelo de Elevación Digital del Terreno, con base en las direcciones de flujo. La calidad de la red obtenida depende de la resolución y calidad del MDT y de los algoritmos utilizados para su procesamiento.

3.11. TRIBS (Bras, R. et al) Para vehicular la necesidad de una predicción hidrológica, un grupo de científicos y ingenieros del MIT (Massachussets Institute of Technology, Instituto de Tecnología del Massachussets) ha desarrollado un sistema moderno de modelación hidrológica capaz de incorporar datos meteorológicos y geomorfológicos procedentes de sensores remotos, los inicios en estos trabajos que han concluido en el presente modelo fueron iniciados en los 90 fundamentalmente por Bras y Luis Garrote dando como fruto dos artículos en el Journal of Hydrology en los albores de la hidrología distribuída contribuyendo enormemente a su difusión y desarrollo en otros centros o grupos de investigación en la previsión de caudales en tiempo real: •

Garrote, L., Bras, R.L. 1995a. A Distributed Model for Real Time Flood Forecasting using Digital Elevation models. Journal of Hydrology 167 (1995) pp. 279-306.

•

Garrote, L., Bras, R.L. 1995b. AnIntegrated software Environment for Real Time use of a Distributed Hydrologic Model. Journal of Hydrology 167 (1995) pp. 307-326.

La disponibilidad de un modelo digital del terreno, de campos de precipitación procedentes de datos radar y de informaciones de superficie de suelo obtenidas por datos satelitales permite una representación precisa de las áreas afectadas por los eventos meteorológicos. Gracias a la modelación hidrológica de los varios componentes del ciclo hidrológico, como la infiltración, el flujo superficial, el flujo subterráneo, la evapotraspiración y la intercepción, la precipitación incipiente en la cuenca puede ser utilizada para obtener informaciones acerca de la cantidad de agua presente en el suelo y de la evolución del almacenamiento hídrico en el suelo en los diferentes tipos de superficies físicas (ríos, agua subterránea, suelo).

El corazón del nuevo sistema de predicción hidro-meteorológica es el modelo tRIBS. tRIBS (TIN-based, Real Time, Integrated, Basin Simulator) es un modelo deterministico, físicamente basado, a parámetros distribuidos, que utiliza como unidad computacional redes triangulares irregulares (TIN, Triangular Irregular Networks). La representación TIN permite simular de manera eficiente terrenos heterogéneos en mallas altamente irregulares, para obtener un ahorro computacional sin perder ninguna información física. En el estado actual, el modelo está equipado por predicciones hidrológicas continuas en tiempo real, a escala de cuenca medio-grande. El modelo utiliza para ésto una serie de módulos de procesos hidrológicos independientes. Siendo un simulador integrado que trabaja a escala de cuenca, el modelo permite un eficiente acople entre el sistema superficial y subterráneo según la posición de la nivel piezométrico del agua calculando de manera eficaz el balance de agua y de energía en superficie a través de cómputo del estado de humedad de suelo. Los módulos del modelo tRIBS El modelo tRIBS incluye los siguientes módulos hidrológicos: • • • • • •

Módulo de intercepción; Módulo de evapotraspiración; Módulo de balance de energía y radiación; Módulo de infiltración; Modulo de producción de escorrentía directa; Módulo de propagación hidrológica e hidráulica de flujo en cauce.

A continuación se ofrece una representación grafica de la integración de todos los módulos del sistema:

Esquema de los módulos contenidos en el modelo tRIBS:Campo de precipitación distribuido, Intercepción, Evaporación, Infiltración en zona vadosa y saturada, propagación del flujo en cauce, todo modelado sobre una malla topográfica obtenida con la representación en TIN..

Intercepción

El mecanismo de intercepción de la precipitación por la cobertura vegetal está modelado en el modelo tRIBS mediante dos métodos: •

Almacenamiento en la cobertura vegetal (Gray);

•

Balance de agua de la cobertura vegetal (Rutter): el método se basa en el cálculo del balance de agua retenida por la cobertura vegetal pensada como agua retenida por las hojas y por el tronco. El balance se obtiene considerando el tronco y las hojas como dos embalses de diferente capacidad.

Ambos métodos se basan en una parametrización de la capacidad de campo de la cobertura vegetal, del coeficiente de drenaje, de los diferentes usos de suelo, y de la cantidad de precipitación generada.

Modelación de la intercepción con el método del almacenamiento en la cobertura vegetal (Gray) en el modelo tRIBS.

El modulo de evapotraspiración El fenómeno físico de evapotraspiración puede ser reproducido en el modelo tRIBS a través de los siguientes métodos: •

La ecuación de Penman-Monteith, que es un poco la base todas las técnicas empíricas utilizadas para estimar la evaporación, es una expresión fundamental para la descripción unidimensional sencilla del proceso de evapotraspiración. Necesita estimaciones previas de la radiación incidente, del albedo, de la tensión de vapor y de la velocidad del viento.

•

La ecuación de Deardorff;

•

La ecuación de Priestley-Taylor, que es función de la radiación solar al suelo efectivamente disponible para la vegetación y depende de factores como la altitud, la temperatura, con ajustes según la humedad relativa de la zona , el numero de horas de sol y la velocidad promedio del viento

Se recurre a una parametrización del uso del suelo y de la textura del suelo. La modelación del fenómeno tiene en cuenta la evaporación desde la cobertura vegetal, la transpiración de las plantas y la evaporación del suelo no cubierto. A continuación se ofrece una representación grafica del método de Penmann-Monteith, donde el ratio de evapotranspiración actual está calculado a partir de la evapotranspiración potencial, es decir la cantidad de evapotraspirado de un cultivo en condiciones de suelo de capacidad de campo (cuando el suelo retiene el máximo almacenamiento hídrico sin que se haya escorrentía):

Metodo de Penmann-Monteith por el cálculo de la evapotraspiración actual.

La propagación en cauce La propagación de la escorrentía superficial viene modelada utilizando un modelo de propagación hidrológica, cuya ley de dependencia de la velocidad del flujo con la descarga en cauce es de tipo exponencial (representado gráficamente en la figura a continuación):

V (t ) = C v ⋅ Qi (t )

Representación del mecanismo de propagación del flujo en el modelo tRIBS.

La propagación del flujo en cauce viene modelada a través de un enfoque hidráulico cinemático. Es decir se asume en la ecuación de cantidad de movimiento en las ecuaciones de Saint Venant la hipótesis de onda cinemática, despreciando los otros términos. Esquema de funcionamiento del modelo: El modelo admite en entrada datos climáticos procedentes de diferentes fuentes: datos radar de precipitación espacialmente distribuida y datos de precipitación puntal procedente de la información pluviométrica. En el siguiente esquema se representa la estructura computacional del modelo

Estructura computacional del modelo tRIBS.

Para una representación espacial de las características geomorfológicas e hidrológicas de la cuenca se ha utilizado la técnica de interpolación lineal de TIN, una red de triángulos irregulares que permite de tener diferentes resoluciones según los requerimientos de la modelación. La típica estructura TIN está representada a continuación:

Estructura TIN.

Mecanismos de generación de escorrentía: El modelo tRIBS admite diferentes mecanismos que conducen a la producción de escorrentía directa: •

exceso de saturación; Mecanismo hortoniano

•

exceso de infiltración; Mecanismo Dunniano

•

flujo de retorno del agua subterránea.

Aplicación del modelo tRIBS La necesidad del perfeccionamiento de la predicción hidrológica nace de la necesidad de gestionar las alertas meteorológicas en función de los requerimientos de la sociedad. Muchas actividades comerciales, industriales e individuales requieren algunos conocimientos de las características hidrológicas del territorio y de sus cuerpos hídricos. Además de para la agricultura, para la construcción o el turismo, la capacidad de predecir con pocos días o con horas de antelación el estado hidrológico es esencial para todas las actividades outdoor (deporte, entretenimiento, política, militar), mantenimiento y operaciones de todas las infraestructuras civiles (caminos, presas, puentes) y todas las actividades de evaluación de riesgo. La nueva tecnología para predicciones hidrológicas puede ser incorporada además dentro de un cuadro más amplio de sistemas de modelación climática. El tRIBS, como módulo separado, puede ser incluido en los sistemas mencionados para mejorar los módulos hidrológicos ya existentes.

3.12. LISFLOOD (De Roo, A. et al.) El modelo LISFLOOD ha sido desarrollado en el Joint Research Centre (JRC) y ha sido desarrollado específicamente con la finalidad de simular crecidas en las cuencas de los grandes ríos Europeos (EFFS y EFAS). Es un modelo distribuido físicamente basado, integrando además la posibilidad de realizar simulaciones hidráulicas. La siguiente figura ilustra los diferentes procesos que son considerados en el modelo

Los parámetros necesarios para el modelo se obtienen a partir del Modelo Digital de Elevaciones, coberturas de los usos del suelo y coberturas de suelos (espesor y textura). Las condiciones iniciales necesarias para realizar una simulación deben ser especificadas y estas pueden estimarse o pueden ser derivadas a partir de simulaciones anteriores que permitan el conocimiento inicial del sistema hidrológico. Dichas condiciones iniciales son: • • • • • •

Estado inicial de la humedad del suelo Estado inicial en el acuífero Caudal inicial en la red de drenaje o calado Calado inicial en superficie Estado de los embalses si existen Estado de los “polder” si existen

El usuario puede definir la resolución espacial y temporal en el modelo, dependiendo de la cuenca a simular y de los procesos hidrológicos involucrados. Cuencas grandes de tipo trasnacional, por ejemplo, pueden ser simuladas con una resolución espacial de 1 a 5 Km y discretización diaria, no obstante aunque el modelo ha sido desarrollado para este tipo de cuencas, también se ha comprobado su buen comportamiento en cuencas pequeñas, donde predominan crecidas rápidas (flashfloods) y que requieren discretizaciones espaciales de 100 m a 1 Km y discretizaciones temporales horarias o inferiores a ésta. LISFLOOD es también denominado como un modelo anidado, ya que consiste en tres módulos que difieren en su resolución espacial y temporal con los siguientes: •

Modelo de balance, el cual simula el balance en la cuenca a escala diaria y provee al modelo de crecidas de las condiciones iniciales más realistas.

•

Modelo de crecidas, el cual simula a escala temporal horaria eventos de crecida, utilizando como condiciones iniciales los resultados de la simulación del modelo de balance con la misma resolución espacial. Modelo de Inundación, el cual utiliza los resultados de caudal obtenidos por el modelo de crecidas para simular la inundación, la resolución espacial es entonces del orden de metros y la temporal del orden de segundos.

•

En el siguiente esquema se representa el concepto de anidamiento utilizado en LISFLOOD:

3.13. MODELOS DE CAJA NEGRA Aunque realmente no son modelos hidrológicos, entendidos éstos como modelos de precipitación-escorrentía ya sean conceptuales o físicamente basados, su uso se extendió desde los años sesenta hasta hoy en día para realizar pronósticos operativos para la previsión de caudales y niveles. Este tipo de modelos denominados de caja negra (Black-Box), intentan poner en relación inputs del sistema con sus outputs sin recurrir a justificaciones de tipo físico. Según la experiencia en diferentes partes del mundo se ha demostrado que las técnicas de modelos estocásticos y redes neuronales, especialmente estas últimas, permiten una importante mejora en la predicción de crecidas, siendo además su coste computacional bastante más bajo que la utilización de modelos lluvia-escorrentía. Actualmente una línea abierta de investigación es realizar multitud de simulaciones haciendo uso de modelos distribuidos ya calibrados y que puedan alimentar a este tipo de modelos (tanto inputs como outputs) con el objetivo de encontrar modelos operativos de caja negra ya sean modelos estocásticos o redes neuronales, con bajo coste computacional para ser insertados en sistemas de pronóstico de crecidas.

3.13.1.

MODELOS ESTOCÁSTICOS

Se asume que este tipo de modelo tiene como objetivo representar las características estadísticas más relevantes de las series históricas. Existe una gran cantidad de diferentes tipos de modelos estocásticos: modelos Autorregresivoss (AR), modelo de “fraccional Gaussian noise” (FGN), Modelo autorregresivo de media móvil (ARMA), modelo autorregresivo de media móvil integrado (ARIMA), modelo autorregresivo de media móvil periódico (PARMA) modelo “broken line” (BL), modelos “shot noise”,

modelos de procesos intermitentes, modelos de desagregación, modelos de mezcla Markov, modelos ARMA Markov y modelos de mezcla general. Entre los modelos estadísticos más utilizados para la predicción de caudales en tiempo real están los modelos estocásticos autorregresivos (Thomas y Fiering, 1962; Yevjevich. 1963). Estos son más prácticos que los conceptuales porque no es necesario entender la estructura interna del proceso físico a modelar. Para aplicar un modelo ARMA óptimo la serie debe ser estacionaria y seguir una distribución normal. Como tienen la capacidad de determinar la relación interna entre las entradas y salidas del modelo la generalización es muy buena. La justificación física de este tipo de modelos es relevante para usos operacionales. En los años 70 hubo una gran tendencia a vincular y reconciliar las aproximaciones determinísticas y estocásticas obteniendo muy buenos resultados (Quimpo, 1971). El tratamiento estocástico del problema entronca de lleno el carácter aleatorio de los fenómenos hidrológicos a la vez que facilita la obtención de los intervalos de confianza de las predicciones. Utilizando metodologías adecuadas se puede generar un modelo recursivo que aproveche toda la información disponible en cada instante, con el fin de mejorar las predicciones venideras. Este mecanismo permite predecir con un modelo lineal un proceso claramente no lineal, como es la conversión de lluvia en escorrentía. La construcción de un modelo estocástico que reproduzca las características de una serie temporal utiliza un esquema de modelación formado por varias etapas sucesivas a través de las cuales se va construyendo el modelo. Las etapas básicas comprenden la selección del modelo a emplear, la identificación del orden, la estimación de los parámetros y la validación del modelo. Para ello se debe tener en cuenta los distintos tipos de modelos disponibles entre los cuales se puede seleccionar el más adecuado, las propiedades que se deben modelar así como las características de los datos o las variables a representar. Los modelos (univariados) más utilizados son las siguientes: AR(p) p

yˆ t = ∑ φi y t −i + ε t i =1

ARMA(p,q) p

i =1

yˆ t = ∑ φi y t −i + ∑ θ i ε t −i +ε t ARMAX(p,r,q) p

i =1

i=0

i =1

yˆ t = ∑ φi y t −i + ∑ γ i xt −i + ∑ θ i ε t −i + ε t ARIMA(p,d,q) p

i =1

d d w &&t = ∑ φi wt −i + ∑ θ i ε t −i +ε t

Donde φi : coeficientes de autorregresión con p parámetros θi: coeficientes de media móvil con q parámetros

γi: coeficientes de variables exógenas con r parámetros εi: son los ruidos blancos del modelo o error en el punto i, con media 0 y desvío σ ε yt : es el la variable a predecir en el tiempo t (ej. caudal) xt : es la variable exógena en el tiempo t (ej. lluvia) yˆ t : es la estimación de la variable a predecir en el tiempo t wdt: es la diferencia número d de la variable a predecir. Para d = 1 w1t = (yt-1-yt) Este tipo de modelos también pueden ser generalizados para problemas multivariados. Una forma de predecir con un modelo lineal un proceso claramente no lineal, como es la conversión de lluvia en escorrentía es utilizando el filtro Kalman. Este genera una actualización automática del modelo que es capaz de predecir probabilísticamente en tiempo real la venida y magnitud de una crecida o una sequía. La actualización del modelo se hace con un proceso recursivo que minimiza la covarianza del error utilizando las predicciones en tiempos anteriores para mejorar las predicciones futuras. El modelo dinámico del filtro kalman es el siguiente

Zˆ k = hk-1 Mk-1 + W k

hk+1 = hk + Vk

de forma matricial

 φ1  φ   2  ...    φ p  Zˆ k =   Z k −1 Z k −2 θ1   θ 2   ...    θ q   φ1   γ 1  φ   γ   2  2  ...   ...      φp γp hk+1 =   +    θ 1  α 1      θ 2  α 2   ...        θ q  α q 

[

... Z k − p

ε k −1 ε k −2 ... ε k −q ] + ε k

El filtro de Kalman es: Sk+1/k = Sk/k + Qk Sk+1/k+1 = Sk+1/k – Sk+1/k Mk+1T [Rk+1 + Mk+1 Sk+1/k Mk+1T]-1 Mk+1 Sk+1/k Kk+1 = Sk+1/k+1 Mk+1TRk+1-1 hk+1 = hk + Kk+1 [Zk+1 – Mk+1 hk]

donde: Zk: son las descargas observadas en el tiempo k (1 x 1) Zˆ k : es el vector de descargas predichas en el tiempo k (1 x 1) Wk : es el error de predicción (1 x 1) hk: vector de estado para la predicción número k (1 x p+q) Mk : Matriz de dimensiones (p+q x 1) cuyos elementos se indican arriba. Vk : Es el vector de los errores de los parámetros en la predicción número k (1 x p+q) φ p : es el parámetro p que esta vinculado con la medición (Z) en el tiempo k-p

θ q : es el parámetro q que esta vinculado con el error (ε) en el tiempo k-p γ p : Es el error de la estimación del parámetro φ p α q : Es el error de la estimación del parámetro θ q Sk+1/k: es la covarianza de la estimación número k+1 calculada en el a partir de los datos de la estimación k (p+q x p+q) Qk : es la matriz de covarinazas de Vk. (p+q x p+q) Rk: es la matriz de covarinazas de Wk. (1 x 1) Kk: es la matriz de ganancias Kalman (1 x p+q) Vk = Kk+1(Zk+1 – Mk+1hk,k) Wk = Zˆ k − Z k qki,j : es el elemento i,j de la matriz Qk n : es la cantidad de valores Z medidos

3.13.2.

REDES NEURONALES

Las redes neuronales artificiales (ANN) constituyen potentes herramientas de análisis y modelación que han demostrado un extraordinario potencial en aplicaciones dentro del ámbito de la ingeniería hidrológica. Tienen la habilidad de captar y modelar complejas relaciones en sistemas no lineales, además de gestionar con eficacia los errores o lagunas existentes en la información. Por último, son adecuadas para incorporación en la modelación de variables cualitativas y esquemas o criterios de clasificación. Todo ello las hace especialmente indicadas en modelación hidrológica, dada la naturaleza de los sistemas hidrológicos, la información registrada y la clase de objetivos de modelación planteados. Realmente las ANN son modelos tipo data-driven, de modo que su utilidad real y los beneficios que pueden aportar son tanto mayores cuanto más extensa y representativa es la información disponible. Los S.A.I.H. son en este sentido los mejores aliados, al generar una gran cantidad de información. Otra gran ventaja de las ANN es su extraordinaria rapidez de proceso. Pueden procesar grandes cantidades de información en escasos segundos, lo cual representa en la práctica una ventaja operacional de gran valor para aplicaciones en tiempo real. Una vez configuradas, entrenadas y adaptadas a un entorno de usuario amigable, su empleo en una cuenca o sistema dado no requiere de especialistas, y pueden ejecutarse de forma continua para generar información de soporte a la toma de decisiones. Con el paso del tiempo, las bases de datos S.A.I.H. son cada vez más extensas y representativas, incorporando, por ejemplo, más episodios de crecidas de distinta magnitud, información evidentemente de gran interés. Las ANN ofrecen en este punto

la ventaja de permitir de forma sencilla un proceso de recalibración y actualización, sin necesidad de cambios en la estructura operativa o en la aplicación concreta desarrollada. Esto tiene extraordinarias ventajas desde el punto de vista práctico, al garantizar vías de mejora contínua aprovechando la mejora de la información hidrológica y nuevos registros existentes, sin necesidad de cambios o inversiones adicionales de programación en las rutinas o aplicaciones informáticas desarrolladas. Todas estas características hacen de las ANN una excelente alternativa innovadora para facilitar un mejor y provechoso uso de la información hidrológica facilitada en tiempo real por los sistemas S.A.I.H. Los campos en los cuales serian útiles su empleo dentro de los SAIH son los siguientes: •

Predicción en tiempo real de caudales / niveles de ríos

•

Clasificación cualitativa de situaciones de riesgo potencial en clases o intervalos para adopción de decisiones sobre alertas hidrológicas.

•

Como herramienta compacta sustitutiva de procedimientos ó cálculos costosos que ralentizan en exceso las aplicaciones orientadas a la toma de decisiones en tiempo real.

•

En modelación lluvia-escorrentía.

•

Elaboración de reglas simples / protocolos de alerta a partir de desarrollos más extensos derivados de modelación hidrológica.

•

En el establecimiento de relaciones no paramétricas entre variables en procesos complejos insuficientemente conocidos o sin representación física o conceptual adecuada a partir de los datos SAIH. Por ejemplo, humedades del suelo, coeficientes de escorrentía, tiempos de respuesta hidrológica.

•

Como herramientas combinadas con técnicas clásicas de modelación para la mejora global de las metodologías, permitiendo incrementar los beneficios prácticos en gestión de los sistemas SAIH.

El gran interés de los modelos de redes neuronales en hidrología para la predicción de caudales o niveles de ríos ha tomado mucha importancia en la última década. Estas son capaces de reproducir cualquier relación no lineal entre diferentes variables que describen un cierto proceso, por lo tanto tienen una buena adaptabilidad para describir el proceso de lluvia escorrentía o el de propagación de una onda de crecía en un río. Una red neuronal artificial (ANN) es un procesador distribuido en paralelo que almacena conocimiento experiencial y lo hace accesible al uso. Se asimila al cerebro en dos maneras: •

El conocimiento de la red se logra por un proceso de aprendizaje

•

Los pesos de las conexiones interneuronales conocidas como pesos sinápticos se usan para almacenar el conocimiento.

El desarrollo de las ANN se basa en las siguientes reglas: •

El proceso de la información ocurre en muchos elementos llamados nodos o neuronas.

•

La información pasa entre los nodos a través de conexiones

•

Cada conexión tiene un peso asociado que representa la fuerza de la conexión

•

Cada nodo, generalmente, aplica una transformación no lineal, llamada función de activación, a sus señales de entrada para determinar la señal de salida.

Cada red se caracteriza por su arquitectura que representa la forma de las conexiones entre los nodos y el método de determinar los pesos de las conexiones. Una forma de clasificar las redes es por su número de capas y la dirección del flujo de la información y procesos. En una red feedforward, los nodos se agrupan en capas, empezando por la primera capa de entradas y terminando por una capa final de salidas. Pueden haber varias capas ocultas (multilayer) y cada una con uno o más nodos. La información pasa de los nodos de entrada a los de salida. Todos los nodos de una capa se conectan totalmente con los de las capas adyacentes, pero no con los de la misma capa. A cada conexión se le asigna un peso sináptico para representar la fuerza de las conexiones entre los nodos y predecir la relación entre las entradas y las salidas (inputs - outputs). En la siguiente figura se muestra un esquema general de una red neuronal Multilayer perceptron con 11 nodos en la capa de entrada, 3 en la capa oculta y dos en la capa de salidas.

Esquema de una rede neuronal [11-3-2] MLP/BPNN

En la siguiente figura se muestra un diagrama esquemático del nodo j de una red del tipo MLP/BPNN (Multilayer perceptron / Back propagation neural network). Los Wij representan los pesos de las conexiones entre el nodo i de la capa anterior a este

nodo j. La salida del nodo Yj se obtiene de de la función f(X,W,bj), donde bj es el valor del umbral (bias) del nodo en cuestión (j). La función anterior se escribe:

 n  Y j = f  ∑ Wi , j X i − b j   i =1  donde: n es la cantidad de nodos de la capa anterior al nodo j. La función f se llama función de activación. Su forma funcional determina la respuesta del nodo de las entradas totales que recibe. La función más común utilizada es la función sigmoidal:

f (X ) =

1 1 + e−X

(0,1)

La popularidad de estas funciones se da por la simplicidad de su derivada que se utiliza para el proceso de entrenamiento.

x1 W1j x2 x3

W2j W3j

yj = f(X,W,bj)

W...j x.... Wnj xn Esquema de un nodo general j

Según estudios teóricos (Cybenko, 1989; Hornik et al., 1989).una sola una capa oculta es suficiente para aproximar cualquier función no lineal con cualquier precisión deseada. Para la predicción de caudales a un cierto horizonte las variables de entrada varían según el problema entre las mes utilizadas se pueden nombrar, la temperatura, evapotranspiración, caudales anteriores, caudales en estaciones aguas arriba de la estación a predecir, media móvil de la precipitación antecedente, elementos de periodicidad, diferenciación de caudales, precipitación distribuida o agregada, humedad, índice de precipitación antecedente, índice de derretimiento de la nieve, alturas, velocidades, características físicas de la sección, viento, etc.

Es importante llevar a cavo varias decisiones en el momento de desarrollar un modelo con una red neuronal para que esta sea lo mas optima posible, para esto es necesario estudiar cada componente de esta y elegir bien el tipo, desde la elección y preprocesamiento de los datos de entrada hasta la elección de la cantidad de nodos y funciones de activación de la misma.

Resumiendo, los componentes o características de las ANNs son los siguientes: 1. Dirección de flujo de la información 2. Cantidad de nodos 3. Cantidad de capas 4. Entrenamiento supervisado o no (“data driven” o “no data driven”) 5. Algoritmos de entrenamiento 6. Función de activación 7. Función PSP 8. Función objetivo 9. Criterios de finalización de entrenamiento 10. Pre-procesamiento de los datos de entrada [Shi, 2000] De la variación de estas características surgen diferentes tipos de redes neuronales de las cuales las más utilizadas en aplicaciones en la hidrología son: Multilayer perceptron (MLP) con algoritmo de entrenamiento tipo back propagation (BP), Multilayer perceptron (MLP) con algoritmo de entrenamiento tipo Levenberg– Marquardt back-propagation (LM), Conjugate gradient (CG), Cascade correlation (CC), Radial Basis Function (RBF), Radial Basis Function (RBF) con algoritmo de entrenamiento tipo Ortogonal Least Squares (OLS), Generalized Regression Network (GR), Temporal Back-Propagation Network (TBP), Dynamic Recurrent Network (DRN), Threshold Network (TN), Recurrent Network (RNN), Cluster Network (CN), Periodic Network (PN), Time delay Neural Network (TDNN), Self Organizing Feature Map (SOFM), Recurrent Self Organizing Feature Map (RSOFM), Finite Impulse Neural Network (FIRNN), Real time recurrent learning (RTRL).

4. NUEVAS FUENTES DE DATOS Y SU CONEXIÓN CON LA MODELACIÓN HIDROLÓGICA La utilización de los modelos hidrológicos actualmente en los diferentes sistemas de pronósticos en tiempo real han ampliado sus fuentes de datos, no restringiendo sus inputs tan sólo a los derivados de las redes convencionales de adquisición de datos, tal es el caso de los SAIH en España. Actualmente, gracias a los avances tecnológicos en el campo de la teledetección, los modelos hidrológicos empiezan a estar preparados para absorber información distribuida de diferentes variables geofísicas derivadas de sensores activos o pasivos instalados en distintas plataformas (por ejemplo satélites). En general podemos hablar en primer lugar de dos fuentes de datos muy claros con una importancia muy relevante en la modelación hidrológica:

Fuentes de datos derivados de la teledetección satelital

Fuentes de datos derivados del Radar Meteorológico

En un tercer lugar hablaríamos, no de una fuente de datos en sí, sino más bien de futuros datos, esto es, los pronósticos derivados de los modelos numéricos de tiempo o modelos meteorológicos. Estos modelos con sus predicciones cuantitativas de precipitación, nos aumentan la ventana de pronóstico de nuestros modelos hidrológicos entre veinticuatro y noventa y seis horas.

4.1.

DATOS PROVENIENTES DE LA TELEDETECCIÓN

La integración de datos provenientes de satélites en un sistema automático de información hidrológica puede realizarse, pues desde dos perspectivas distintas:

La contribución al establecimiento de los parámetros del modelo hidrológico y sobre todo a reflejar el estado del sistema hidrológico en un instante dado

La definición de “inputs” del modelo como por ejemplo la precipitación

Durante los últimos años, más concretamente desde mitad de la década de los noventa, se han producido grandes avances en el desarrollo de plataformas aerotransportadas equipadas con sensores de múltiples tipos, orientados a una gran variedad de aplicaciones, sobre todo en los campos de la meteorología y el medio ambiente. La observación de la Tierra desde el espacio ha posibilitado la generación de una serie de productos de gran aplicabilidad en estos campos, y así lo han entendido las administraciones públicas de la mayoría de países desarrollados. En este sentido, se han desarrollado organizaciones especializadas que se dedican al mantenimiento y tratamiento de los productos derivados de las observaciones realizadas desde el espacio. De toda esta variedad de satélites y sensores, cabe destacar el gran desarrollo de aquellos dedicados específicamente a meteorología y climatología. Los satélites pueden dividirse en tres clases, según su tipo de órbita:

Satélites de órbita geoestacionaria (GEO): Describen una órbita circular ecuatorial de altitud 35.786 Km. A esta distancia el satélite da una vuelta a la Tierra cada 24 horas permaneciendo estático para un observador situado sobre la superficie terrestre. Por tal razón son llamados geoestacionarios.

Satélites de órbita baja (LEO) Altitud de 725 a 1.450 Km. Son necesarios más de unos 40 satélites para la cobertura total. Los satélites proyectan haces sobre la superficie terrestre que pueden llegar a tener diámetros desde 600 hasta 58.000 Km

Satélites de órbita media (MEO)

Altitud de 9.000 a 14.500 Km. Son necesarios de 10 a 15 satélites para abarcar toda la Tierra. Además de la clasificación anterior, existen distintos tipos de satélite según su finalidad. En este apartado nos centraremos en el análisis de los satélites meteorológicos, enmarcados dentro de los de órbitas geoestacionarias. Los satélites meteorológicos pueden clasificarse en dos grandes grupos:

De órbita polar o heliosincrónicos (significa que están sincronizados con el Sol) que como su nombre lo indica orbitan la Tierra de polo a polo y lo constituyen principalmente la serie TIROS de la agencia NOAA (National Oceanic and Atmospheric Administration) de origen norteamericano y los METEOR de origen ruso (los más populares).

El segundo grupo se compone de los satélites Geoestacionarios o Geosincrónicos (significa que están sincronizados con el movimiento de rotación de la Tierra), que orbitan a mayor altura y se encuentran sobre o muy cercanos a la línea del Ecuador. Los más populares de este grupo son el GOES, norteamericano y el METEOSAT, europeo. Este tipo de satélites giran en torno a la Tierra sincronizados con su velocidad de rotación, es decir que acompañan a la Tierra y por consiguiente se encuentran situados siempre en un mismo punto sobre la superficie terrestre. Actualmente se encuentran en operatividad el GOES-8 (0ºN,75ºW), GOES-9 (0ºN,135ºW), Meteosat-7 (Operativo en posición 0ºN,0ºE), Meteosat-6 (Redundante en stand-by en posición 0ºN,9ºW), Meteosat-5 (Programa INDOEX en posición 0ºN,63ºE), Rusia: GOMS (0ºN,76ºE), India: INSAT (0ºn,93ºE), China: FY-2 (0ºN,105ºE) y Japon: GMS (0ºN,140ºE).

Satélites meteorológicos geoestacionarios y de órbita polar.

La utilidad de los satélites meteorológicos es poder visualizar el conjunto Tierraatmósfera, y extraer la mejor información posible a través de distintas técnicas y procesos para obtener los productos cuyo objetivo se basa en el análisis cualitativo y cuantitativo de las imágenes obtenidas. De entre estos satélites dedicados fundamentalmente a la observación de la Tierra desde órbitas altas y geoestacionarias, destaca por su aplicación directa a los propósitos de este proyecto, la segunda generación de satélites METEOSAT (MSG – Meteosat Second Generation), gestionada, mantenida y explotada por EUMETSAT

(European Organisation for the Exploitation of Meteorological Satellites - European Meteorological Satellite system). EUMETSAT Este Sistema europeo de satélites meteorológicos da continuidad al programa Meteosat de satélites geoestacionarios. La posición nominal del satélite es de 0º de longitud sobre el meridiano de Greenwich, y sobre el Ecuador (0º de latitud). El sistema comprende dos componentes: el segmento espacial y el segmento de tierra, encargado del seguimiento y mantenimiento del sector espacial y del procesado de los datos. De la misma forma, utiliza las observaciones proporcionadas por el EPS – Eumetsat Polar System. La descripción funcional de ambos segmentos es la siguiente: Segmento espacial: Los satélites están equipados con:

Sensores de imágenes en tres regiones del espectro: visible, infrarrojo en la ventana atmosférica e infrarrojo en la banda del vapor de agua. Transmisión de datos en dos canales, cada uno capaz de transmitir datos analógicos o digitales a las estaciones usuarias. Adquisición de datos transmitidos por las estaciones de medida. Distribución de datos meteorológicos a las estaciones de tierra.

Segmento de tierra: Este segmento proporcionará las siguientes funcionalidades, la mayor parte de las cuales tienen que ser realizadas en tiempo cuasi-real para cumplir los propósitos meteorológicos:

Control, monitorización y uso operacional del satélite activo. Posibilidad de controlar un segundo satélite no operativo. Recepción y preproceso de imágenes, para el ajuste radiométrico y geométrico. Distribución de las imagines preprocesadas a las estaciones de usuario primarias (PDUS) y secundarias (SDUS). Distribución a través del satélite de datos varios incluyendo mensajes administrativos y gráficos de los distintos servicios meteorológicos. Distribución de imágenes de otros satélites meteorológicos. Extracción de datos meteorológicos cuantitativos, incluyendo vectores de vientos, y otros datos necesarios para meteorología operacional, tales como temperatura del mar en superficie, humedad de la alta troposfera cantidad y elevación de las nubes… Almacenamiento en formato digital de todas las imágenes disponibles para períodos de al menos 5 meses además de toda la información meteorológica elaborada de forma permanente. Almacenamiento en película fotográfica de al menos 2 imágenes completas por día. Búsqueda y mantenimiento de la información almacenada.

Producción y distribución de documentación, tal como un catálogo de imágenes y guías de usuario del sistema. Control de la calidad de los productos y transmisiones.

El sistema MSG se estructura también en dos segmentos: el espacial y el de tierra. Segmento Espacial El segmento espacial del sistema Meteosat Second Generation está basado en una serie de cuatro satélites geoestacionarios de diseño avanzado equipados con:

Sensor radiométrico SEVIRI (Spinning Enhanced Visible and Infra-Red Imaging), para la generación de imágenes multiespectrales, análisis de las masas de aire y de la colección de imágenes en el espectro visible de alta resolución. Este sensor usa 12 canales: - Siete canales en la banda del espectro visible e infrarrojo. - Cuatro canales para la medición de emisiones infrarrojas en las bandas del vapor de agua, dióxido de carbono y ozono. - 1 canal en la banda del espectro visible con mejor resolución espacial. El GMCP (Geostationary Meteorological Communication Payload), que posibilita la transmisión de datos y las misiones de adquisición. Otros instrumentos de carácter científico (para climatología o meteorología, como los GERB - Geostationary Earth Radiation Budget – que son radiómetros experimentales para las medidas de las componentes de onda corta (SW) y onda larga (LW)).

Segmento De Tierra El segmento de tierra de MSG consiste en una serie de instalaciones con un nodo central correspondiente a EUMETSAT. Este segmento se compone de tres tipos de instalaciones: EUMETSAT System Ground Segment, EUMETSAT Applications Ground Segment y User Ground Segment. Componentes de EUMETSAT System Ground Segment

Una estación primaria (PGS – Primary Ground Station) para la adquisición de la telemetría y los datos para el soporte de las operaciones del sistema general. Una estación de seguridad de tierra (BGS - Back-up Ground Station) para las operaciones de emergencia. Una o más estaciones de soporte (SGS - Support Ground Stations) para la adquisición y preproceso de los datos de otros satélites meteorológicos. Una Instalación central en el centro de operaciones de EUMETSAT para el control de satélites y misiones, así como el proceso primario de los datos recibidos. Un archivo que forma parte del Unified Meteorological Archive and Retrieval Facility (U-MARF). EUMETSAT Applications Ground Segment

Incluye todas las infraestructuras de tierra que se ocupan de la generación de productos de las imágenes:

Instalación de extracción de productos meteorológicos (MPEF - Meteorological Products Extraction Facility) que se ocupa de las tareas de gestión para el control de la disponibilidad de los productos clave así como de las tares de procesado que no dependen de la interacción con el usuario.

Una red de 7 Satellite Application Facilities (SAF), localizadas en los servicios meteorológicos de los estados miembros de EUMETSAT o otras entidades ligadas a una comunidad de usuarios como ECMWF (European Centre for Medium-Range Weather Forecasts). User Ground Segment

Se basa en estaciones receptoras de tierra que serán operadas por los usuarios para la recepción de datos distribuidos por el MSG. Existen dos tipos:

High Rate User Stations (HRUS), para la adquisición de datos según el esquema High Rate Information Transmission (HRIT). Low Rate User Stations (LRUS), para la adquisicón de datos según el esquema Low Rate Information Transmission (LRIT).

La hidrología requiere de información actualizada y detallada para poder realizar modelaciones correctas del ciclo hidrológico. La teledetección proporciona productos útiles tanto para la caracterización de las cuencas (determinación de los parámetros de los modelos) como para la utilización de los mismos como “inputs” para los modelos hidrológicos, que por tanto deben estar preparados para asimilarla. Como ejemplos operativos de la teledetección que deben ser asimilados por los modelos hidrológicos están los productos derivados del EUMETSAT, concretamente de la Land SAF. Esta SAF (Satellite Application Facilities), mantenida y explotada por el Instituto de Meteorología de Portugal (IM), se ocupa de la generación de productos y su distribución. Después de almacenar los datos preprocesados, se les aplican distintos algoritmos para la generación de los siguientes productos:

Acrónimo AL BRDF AE LST EM TSP DSSF DSLF SM SC ET

Producto Surface Albedo Bi-directional Reflectance distribution Function Aerosol Land Surface Temperatura Surface emissivity Thermal Suface Parameter Downwelling Surface Shortwave Fluxes Downwelling Surface Longwave Fluxes Soil Moisture Snow Cover Evapotranspiratrion

Acrónimo LAI FVC

Producto Leaf Area Index Fractional Vegetation Cover Productos a generar por la Land SAF

No todos estos productos, se encuentran disponibles en la actualidad, ya que se encuentran en fases de implementación y/o validación. El estado de los productos de interés a aplicar en el presente proyecto es:

Energía superficial y balance hídrico: Preoperacionales: - Land Surface temperature: 15 min. (LST). - Downwards SW and LW radiation: 15 min. (DSSF, DSLF). - Albedo: diaria, 10-días. (AL). - Snow cover: diaria. (SC). En desarrollo: - Evapotranspiration. - Soil moisture. En proceso de validación: - Leaf Area Index (LAI). - Fraction of Vegetation Cover (FVC).

Los productos se distribuyen según áreas geográficas determinadas, con prioridades distintas establecidas:

La primera región (Euro) cubre todos los estados miembro de EUMETSAT, y tiene asignada la máxima prioridad. Otras dos regiones que cubren el continente africano (NAfr, SAfr), con una prioridad inmediatamente menor que la de Europa. Por último, la región con menor prioridad cubre la totalidad de Sur América (SAme).

Regiones EUMETSAT que distribuye Land SAF.

A continuación se realiza una breve descripción de estos productos: Temperatura en superficie - Land Surface Temperature (LST) Se define como la temperatura de la capa radiante de la superficie terrestre. Juega un papel muy relevante en la evolución de los fenómenos físicos en la superficie terrestre, estando involucrada en los procesos de balance hídrico y energético entre la superficie y la atmósfera. Es un producto muy útil para aquellos procesos relacionados con

modelos climáticos y meteorológicos. En la actualidad, sólo aquellos sensores transportados por satélites son operativos para adquirir datos a gran escala de forma consistente, sistemática y económica. Sin embargo, los campos radiantes detectados por satélite se ven influenciados por parámetros superficiales (Emisividad Superficial – EM y Temperatura en superficie LST), así como por la composición de la atmósfera y la estructura termal. Por tanto, para obtener LST desde el espacio, es necesario corregir la influencia atmosférica y tener en cuenta que la Emisividad Superficial no se conoce de forma lo suficientemente aproximada y varía normalmente en tiempo y espacio. Por otro lado, la precisión de las correcciones atmosféricas depende de la calidad de los modelos de transferencia de radiancia, de la incertidumbre de los coeficientes de absorción molecular atmosférica, de los coeficientes de absorción/dispersión de los aerosoles así como de los errores de medida en perfiles atmosféricos. La adquisición de LST se basa en mediciones realizadas desde los sistemas MSG/EPS (Meteosat Second Generation/Eumetsat Polar System) en la banda del infrarrojo térmico (canales-MSG/SEVIRI IR10.8 y IR12.0 y canales-EPS/AVHRR-3, 4 y 5). En teoría, los valores de LST pueden ser determinados 96 veces al día desde MSG y del orden de 4 desde el EPS, pero en la práctica la influencia de la cobertura de nubes hace que hayan menos observaciones disponibles. LST se calcula para cada uno de los píxeles libres de nubes, realizándose la identificación de aquellos cubiertos mediante el software distribuido por la Nowcasting and Very Short Range Forecasting Satellite Application Facility (NWC SAF – SAF para la predicción inmediata o a muy corto plazo). Los productos LST se distribuyen para el área del MSG, en las cuatro regiones geográficas específicas de EUMETSAT (Europe, Africa - N_Africa and S_Africa- y South America), en formato HDF5 que contiene tanto los valores LST como valores de control de calidad. Flujos superficiales de onda corta - Downwelling Surface Shortwave Fluxes (DSSF) Se refiere a la energía radiante en el intervalo de longitudes de onda [0.3µm, 4.0µm] que alcanza la superficie terrestre por unidad de tiempo y superficie. Depende esnecialmente del ángulo zenital solar, de la cobertura de nubes y en menor medida de la absorción atmosférica y el albedo en superficie. El método de adquisición de DSSF implementado en la el sistema LSA SAF procede en gran medida de desarrollos previos realizados en Météo France en el marco de la SAF on Ocean & Sea-Ice (Brisson et al., 1999; OSI SAF, 2002). Las diferencias fundamentales respecto al producto de LSA SAF son las resoluciones espacial y temporal, la fuente de los datos auxiliares de entrada y el uso de tres canales de onda corta del sensor SEVIRI (0.6µm; 0.8µm, and 1.6µm). Los productos DSSF se distribuyen para el área del MSG, en las cuatro regiones geográficas específicas de EUMETSAT (Europe, Africa - N_Africa and S_Africa- y South America), en formato HDF5 que contiene tanto los valores LST como valores de control de calidad.

Flujos superficiales de onda larga - Downwelling Surface Longwave Fluxes (DSLF) DSLF es una de las componentes más importantes del balance energético superficial se puede definir como la irradiancia que alcanza la superficie terrestre en el espectro infrarrojo térmico (4-100µm). Está directamente relacionada con el efecto invernadero y su monitorización juega un rol muy importante en los estudios de cambio climático (Philipona et al., 2001). Otras aplicaciones incluyen la meteorología y la oceanografía. Es un parámetro particularmente difícil de estimar ya que no puede ser medido directamente desde los satélites. Sin embargo, los Modelos de transferencia de radiancia (Radiative Transfer Models - RTM) se pueden utilizar para la estimación de DSLF a partir de perfiles atmosféricos de temperatura y humedad. DSLF es el resultado de la absorción atmosférica, emisión y dispersión en la columna total atmosférica. En condiciones de cielo claro, DSLF depende de los perfiles verticales de temperatura y absorbentes gaseosos (fundamentalmente vapor de agua seguido de CO2 y otros de menor importancia como O3, CH4, N2O and CFCs). Se utilizan dos algoritmos diferentes para cada una de las condiciones atmosféricas: nuboso/claro. La identificación de aquellos píxeles cubiertos de nubes, se realiza mediante el software distribuido por la Nowcasting and Very Short Range Forecasting Satellite Application Facility (NWC SAF – SAF para la predicción inmediata o a muy corto plazo) Los productos DSLF se distribuyen para el área del MSG, en las cuatro regiones geográficas específicas de EUMETSAT (Europe, Africa - N_Africa and S_Africa- y South America), en formato HDF5 que contiene tanto los valores LST como valores de control de calidad. Cobertura de nieve - Snow Cover (SC2) La utilización de la cobertura de nieve a gran escala a partir de sensores en satélites resulta de gran utilidad, ya que la presencia de nieve ejercd una gran influencia en los balances hídrico y energético de la baja atmósfera. Se puede utilizar como “input” de los modelos numéricos de predicción meteorológica (Numerical Weather Prediction models - NWP). También rsulta de gran importancia para predicción hidrológica de escorrentía en ríos durante la temporada de deshielo. Además, otros parámetros superficiales estimados mediante teledetección requieren información sobre si la superficie está cubierta de nieve o no. Las radiancias medidas en el las bandas del espectro visible (VIS), infrarrojo cercano (NIR) e infrarrojo (IR), tales como las medidas por los sensores SEVIRI, se determinan por sus características espectrales (reflectancia, emitancia, transmitancia, temperatura) de las nubes y de las superficies terrestre o marina. La radiancia de la nieve difiere de de las radiancias de la superficie no cubierta por nubes o nieve de un modo característico en la banda del espectro visible e infrarrojo cercano (VIS/NIR). La cobertura de nieve MSG (SC) se basa en la NWC SAF-MSG Cloud Mask. Este algoritmo de detección de nieve se basa en la técnica de umbral multiespectral aplicada a cada píxel de la imagen. En un primer análisis “celda a celda”, si se

identifica nieve o hielo, ya no se aplican posteriormente los algoritmos de detección de nubes. El algoritmo ejecuta las siguientes tareas: obtención de la cobertura de nieve a partir de la máscara de nubes (MSG-SEVIRI), suavizado espacial (spatial smoothing opcional) e integración temporal de las escenas de satélite de las 24 horas previas. La implementación del algoritmo presenta dos partes bien diferenciadas; la primera de ellas ejecuta la obtención de la cobertura inicial de nieve y el suavizado espacial para cada imagen satélite. Esto produce un mapa de cobertura de nieve cada 15 minutos con o sin suavizado espacial. La segunda parte produce un mapa de cobertura de nieve diario mediante la integración temporal de todos los mapas disponibles, resultantes de la primera parte. El mapa de cobertura de nieve resultante producido por los datos MSG contiene una clasificación de cada una de las celdas de la superficie en una (y sólo una) de las clases siguientes:

Totalmente cubierto de nieve Parcialmente cubierto Sin nieve No clasificado No procesado

Se añade además una capa de estimadores de calidad/procesado para cda una de las celdas, indicando la bonanza de la clasificación, aportando además información sobre las condiciones de procesado. Los productos SC se distribuyen para el área del MSG, en las cuatro regiones geográficas específicas de EUMETSAT (Europe, Africa - N_Africa and S_Africa- y South America), en formato HDF5 que contiene tanto los valores LST como valores de control de calidad. Evapotranspiración – Evapotranspiration (ET) La evapotranspiración (ET) se define como el ratio de transformación del agua líquida en vapor de agua, desde agua corriente, del suelo desnudo o bien de suelo cubierto de vegetación. Este índice está controlado por la disponibilidad de energía en la superficie evaporante, y por la facilidad con que el vapor de agua puede evaporarse hacia la atmósfera. La evapotranspiración depende pues, también de las condiciones meteorológicas y propiedades del suelo y la vegetación. En otras ocasiones se han hecho grandes esfuerzos para entender mejor las interacciones entre la superficie y la atmósfera, pero siempre ha habido una seria falta de datos de validación. De hecho, estos datos se encontraban únicamente en algunas estaciones equipadas a tales efectos. La Teledetección aparece por tanto como una herramienta prometedora para completar esta falta de información. El conocimiento de la ET como parte del ciclo del agua es imprescindible, además para un mejor entendimiento de los recursos y la gestión del agua. De todas formas, la medida directa de la evapotranspiración usando satélites de Teledetección no es nada sencilla. El cambio de estado entre moléculas de agua líquida a vapor de agua no produce emisiones o absorciones de ondas

electromagnéticas. Por tanto, la ET debe ser detectada a través de medidas indirectas usando un modelo físico que relacione la ET con otras magnitudes físicas que puedan ser obtenidas mediante Teledetección. El objetivo es estimar la ET en grandes regiones, en las zonas libres de nubes. Se añade además una capa de estimadores de calidad/procesado para cda una de las celdas, indicando la bonanza de la clasificación, aportando además información sobre las condiciones de procesado. Los productos SC se distribuyen para el área del MSG, en las cuatro regiones geográficas específicas de EUMETSAT (Europe, Africa - N_Africa and S_Africa- y South America), en formato HDF5 que contiene tanto los valores LST como valores de control de calidad. Albedo en superficie – Surface Albedo (AL2) El albedo en superficie es una variable clave para la determinación del balance energético en el sistema acoplado suelo-vegetación-atmósfera. El albedo cuantifica la parte de la energía que es absorbida y transformada en calor y flujos latentes (Noilhan and Planton, 1989; Sellers et al., 1986). Debido a que la radiación solar está concentrada en el rango del espectro visible e infrarrojo cercano, la cantidad de albedo relevante es la correspondiente al albedo de “onda corta” (short wave albedo). El albedo espectral de una superficie plana se define como el ratio entre la integral hemisférica de la reflectancia entre la integral hemisférica de la radiancia, ponderada por el coseno del ángulo que forma con la normal a la superficie. El esquema operacional para la obtención de esta variable comprende cuatro pasos: en primer lugar se corrige de efectos atmosféricos las radiancias medidas de la capa externa de la atmósfera (Top Of Atmosphere -TOA) enviadas por los instrumentos del satélite, para convertirlas en sus correspondientes valores de reflectancia de la Top Of Canopy - TOC. Éstas sirven pues como input para la inversión de modelo lineal BRDF, que permite tener en consideración la dependencia angular del factor de reflectancia. Los valores de albedo espectral se determinan por las integrales angulares de las funciones del modelo con los parámetros obtenidos. Finalmente, se realiza una conversión de banda estrecha a banda ancha mediante fórmulas de regresión lineal. Técnicamente el procedimiento comprende dos módulos distintos: uno para las correcciones atmosféricas y otro para inversiones del modelo e integración direccional y espectral. El módulo de correcciones atmosféricas se aplica de forma independiente a cada imagen después de su adquisición. Por otra parte, la inversión y el módulo de cálculo de albedo operan sobre un conjunto de imágenes de TOC-reflectancia recibidas durante un día completo. Se añade además una capa de estimadores de calidad/procesado para cda una de las celdas, indicando la bonanza de la clasificación, aportando además información sobre las condiciones de procesado. Los productos AL se distribuyen para el área del MSG, en las cuatro regiones geográficas específicas de EUMETSAT (Europe, Africa - N_Africa and S_Africa- y

South America), en formato HDF5 que contiene tanto los valores LST como valores de control de calidad. Formato de los datos Para optimizar el sistema y asegurar la consistencia de los datos, se hace imprescindible la definición de un formato interno específico. La idea es imponer que dentro de la LSA SAF todos los datos (de entrada y salida) deben cumplir con el formato interno establecido. Se seleccionó el formato HDF5 por varias razones:

Cumple con los estándares de todos los sistemas internos. Es un formato robusto, adecuado para su utilización con datos de tipo científico. La LSA SAF reside en el IM de Portugal, que cuenta con experiencia en el tratamiento de este tipo de datos.

Los ficheros HDF5 en el sistema LSA SAF presentan la siguiente estructura: Un conjunto de atributos común para todo tipo de datos, que contienen información general sobre los datos (incluyendo metadatos que cumplen con las especificaciones de U-MARF). Una capa de información para los valores de los parámetros. Capas de información adicionales para metadatos (p.ej qualiy flags o indicadores de calidad). Una cobertura de datos estará compuesta por tanto por una conjunto de atributos comunes y otros distribuidos espacialmente. Cada cobertura de datos puede tener dimensiones diferentes y números diferentes de bytes por píxel (1 o 2 bytes). Cada fichero contiene un solo producto y sus metadatos respectivos. Los nombres de los ficheros internos de LSA SAF, de entrada y salida está formado por una cadena de caracteres de hasta 255, compuesta de 6 campos separados por “underscores”, de la forma: “FORMAT_FREE_SOURCE_VARIABLE _AREA_DATE” Donde: FORMAT es o HDF5 o GRIB; FREE es un campo libre; SOURCE identifica al proveedor de los datos; VARIABLE es el parámetro o variable contenida en el fichero; AREA identifica una de las cuatro regions geográficas: Euro, NAfr, SAfr o SAme; DATE es el instante de tiempo YYYYMMDDhhmm, o el tiempo de cálculo en el caso de modelos meteorológicos numéricos de predicción. Por ejemplo, el fichero de nombre: “HDF5_MSG_LSASAF_LST_Euro_200601010000”, indica:

FORMAT = HDF5 (formato del fichero) FREE=MSG (este campo libre indica que se corresponde a datos proporcionados por el sistema Meteosat Seond Generation)

SOURCE=LSASAF (el proveedor de datos es la Land Surface Analysis SAF, soportada por el IM de Portugal) VARIABLE=LST (Land Surface Temperature) AREA=Euro (Región geográfica: Europa) DATE= 00:00h del día 01 de Enero de 2006 (fecha y hora correspondiente a los datos).

Estos ficheros consisten en una matriz de 651x1701 píxeles o celdas cuadradas de y cubren todos los países miembros del consorcio EUMETSAT. Consideraciones cartográficas y geodésicas. Resta por hacer una referencia específica a las características espaciales de la información que se está recibiendo. En este punto, se atenderá a la región que resulta de interés para el desarrollo del presente proyecto: Europa. A pesar de ello, la adquisición realizada mediante el sensor SEVIRI incluye la totalidad de la Tierra visible desde la posición del satélite geoestacionario, centrada en el Ecuador y el meridiano de Greenwich. Es decir, su posición sería de (0ºlon, 0ºlat) y una altitud de unos 35.800 Km sobre el Ecuador. Este sensor está diseñado para realizar barridos o escaneos de la superficie terrestre mediante un cabeceo en la dirección E-W (100 rpm +/- 1%) y realizando distintas pasadas en la dirección N-S, después de finalizar cada barrido en dirección horizontal. Estos datos brutos obtenidos para cada uno de los canales soportados por el sensor, reciben el nombre de RAW data o Level 1.0. EUMETSAT corrige en tiempo real cada imagen recibida del nivel 1.0 de los efectos radiométricos, geométricos y espaciales, georeferenciando la imagen ya de nivel 1.5 según una proyección estándar. El resultado consiste en una imagen georeferenciada, calibrada y corregida de los efectos radiométricos, preparada pues para la aplicación de algoritmos para la obtención de productos meteorológicos.

Principios de adquisición del sensor SEVIRI. Fuente: EUMETSAT.

La proyección de la imagen es la Normalized Geostationary Projection [GS], centrada en el meridiano 0º, donde cada una de la posición (i, j) de los píxeles imagen se corresponden con una (longitud, latitud) y viceversa. Esta proyección define la Tierra como un elipsoide teórico de semieje mayor (radio ecuatorial) de 6.378,1690 km. y semieje menor (radio polar) de 6.356,5838 km. estando situado el satélite a 42.164 km. del centro de la Tierra.

Malla de longitudes-latitudes definidas por la proyección normalizada Geoestacionaria [GS]. Fuente: EUMETSAT.

La definición de este sistema de referencia implica que los productos meteorológicos derivados se definan sobre el mismo. La consecuencia directa de realizar el proceso de adquisición desde una órbita geoestacionaria mediante un satélite MSG, basada en incrementos angulares, es que la resolución espacial de los píxeles o celdas que la forman, dependan de su posición geográfica.

Izquierda: Resolución de MSG en dirección N-S. Derecha: en dirección E-W. Fuente: EUMETSAT.

La composición de las resoluciones en las direcciones N-S y E-W genera la siguiente superficie:

Composición superficial de las resoluciones en las direcciones N-S y E-W. Fuente: EUMETSAT

La franja más oscura representa 3,1 Km y las sucesivas 4 Km, 5 Km, 6 Km, 8 Km y 11 Km. Como se puede apreciar, España se encuentra en su práctica totalidad en la franja correspondiente a los 5 Km. Esto implica que al tenerse que integrar este tipo de datos de forma distribuida con otras fuentes cartográficas de información, debamos realizar las transformaciones de DATUM pertinentes para conservar la homogeneidad espacial y mantener la coherencia de los posibles cálculos y procesos posteriores. Para ello, y dada la discrepancia entre el elipsoide definido para la Proyección Geoestacionaria normalizada y el que define el sistema ED-50 (el sistema de referencia oficial español, que se apoya en el elipsoide de Hayford) o bien el definido para el sistema europeo ETRS-89 (con el elipsoide WGS-84) se hace necesaria la aplicación de transformaciones polinómicas de segundo o tercer orden para el ajuste geométrico de los datos meteorológicos. Se propone la generación de una serie de puntos homólogos a lo largo de toda la costa peninsular, conservando siempre tanto las coordenadas proyectadas (bien en ED-50 o ETRS-89, siempre con proyección UTM-Universal Transverse Mercator) como las coordenadas imagen o píxel, de forma que este proceso pueda ser automatizado y se asegure que se aplicará la misma transformación espacial a cada una de las imágenes de forma que siempre coincidan en ubicación geográfica los píxeles homólogos (posición i,j) de imágenes distintas. A continuación se muestra una imagen de la visualización de los productos meteorológicos (en este caso DSSF de la región Euro a las 06:00h del día 09/06/2005) mediante el software HDF Viewer, Version 2.1, de libre distribución y desarrollado por la Universidad de Illinois. Es únicamente un visualizador que permite el acceso tanto a los datos como a los metadatos y las Quality Flags o estimadores de confianza.

Visualización de los productos meteorológicos mediante el software HDF View, 2.1

Como se ha comentando con anterioridad, el primer paso será convertir estos datos a un formato tipo GIS estándar y que permita su integración con otras fuentes cartográficas. Para ello, y al tratarse el HDF5 de un formato tipo RASTER, puede ser convertido a una matriz RASTER de tipo GRID de ArcInfo. Tras obtener los datos en un formato adecuado, sólo resta definir una transformación polinómica de 2º o 3er grado para obtener un ajuste geométrico lo suficientemente preciso como para poder integrar estas fuentes de datos con otra información georeferenciada.

Producto meteorológico DSSF después de una transformación polinómica de tercer orden para su ajuste con otras fuentes cartográficas.

Como se puede apreciar en las dos figuras anteriores, se trata de la misma información; la primera de ellas es el formato bruto proporcionado por EUMETSAT y referido a la Normalizad Geoestationary Projection, mientras que la segunda es un GRID de ArcINFO, proyectado en UTM-Huso 30 (resolución de 5x5 Km), ya preparado para interactuar con otras fuentes cartográficas. Otro producto derivado de la teledetección es la precipitación derivada por satélite. La estimación de precipitación en superficie usando observaciones de satélite es un primer paso lógico en cualquier sistema de Nowcasting, como complemento a otros tipos de información (RADAR, NWP – Numerical Weather Prediction Models). Para la definición de “inputs de precipitación” del modelo se podría tener cobertura desde la SAFNWC (SAF Nowcasting: predicción inmediata o a muy corto plazo). Esta SAFNWC está liderada por el INM (Instituto Nacional de Meteorología español), en colaboración con los Servicios Meteorológicos de Francia (Météo-France), Suecia (SMHI), Austria (ZAMG) y la empresa GMV, y pertenece a la SAF Network como parte del segmento de Tierra de EUMETSAT (Ground Segment). De acuerdo a la decisión del 29º Congreso de EUMETSAT, se firmó el Acuerdo de Cooperación de una SAF para el soporte a la Predicción Inmediata y a Muy Corto Plazo, en Diciembre de 1996. El proyecto comenzó en Febrero de 1997 y terminó en Febrero de 2002. La fase de desarrollo se orientó a la producción de Software para la generación y tratamiento de productos Nowcasting y VSFR a partir de los datos MSG SEVIRI., así como la consideración de los desarrollos introducidos por AVHRR (NOAA y EPS). Su objetivo principal es proporcionar productos derivados que aseguren el óptimo uso de los datos de los satélites meteorológicos en Predicción Inmediata y a Muy Corto Plazo, siendo aplicable a los servicios MSG (Meteosat Second Generation) y EPS (European Polar System). Para ello, la SAFNWC es responsable del desarrollo y mantenimiento de Paquetes de Software a los Servicios Meteorológicos de los países miembros y colaboradores de EUMETSAT. Es por tanto la estimación de la precipitación mediante la SAFNWC un producto importantísimo a integrar en los SAIH para la alimentación de los modelos hidrológicos con el campo de precipitación derivado de satélite. Evidentemente esta información debe ser combinada con otras fuentes de datos de precipitación como el Radar Meteorológico y la red de pluviómetros en tiempo real de los SAIH, para ello existen diversas opciones siendo la más interesante a nuestro juicio la derivada del proyecto Europeo MUSIC (MUlti-Sensor precipitation measurements Integration, Calibration and flood forecasting). Los tipos de productos que ofrece esta SAF se distinguen en dos clases fundamentales, según sea el origen de los datos, estando en azul aquellos prioritarios para su integración en el SAIH:

Productos derivados de MSG PGE01: CMa (Cloud Mask) PGE02: CT (Cloud Type) PGE03: CTTH (Cloud Top Temperature and Height)

PGE04: PC (Precipitating Clouds) PGE05: CRR (Convective Rainfall Rate) PGE06: TPW (Total Precipitable Water) PGE07: LPW (Layer Precipitable Water) PGE08: SAI (Stability Analysis Imagery) PGE12: AMA (Air Mass Analysis) PGE09: HRW (High Resolution Winds) PGE10: ASII (Automatic Satellite Image Interpretation) PGE11: RDT (Rapid Developing Thunderstorms)

Productos derivados de PPS PGE01b: CM (Cloud Mask) PGE02b: CT (Cloud Type) PGE03b: CTTH (Cloud Top Temperature and High) PGE04b: PC (Precipitating Clouds)

De todos ellos, los productos que genera un valor añadido para su utilización en los SAIH es PGE06: TPW (Total Precipitable Water). Es decir, la cantidad de agua líquida, en milímetros, contenida en el vapor de agua de la columna de aires correspondiente. Valores altos de TPW suponen de forma frecuente las condiciones previas al desarrollo de precipitaciones abundantes e inundaciones rápidas (flash floods). Las precipitaciones fuertes se producen en zonas con valores altos de TPW que presenten un proceso de ascenso y advección cálida en niveles bajos. Estos datos aportan una herramienta importante para la predicción inmediata o a muy corto plazo.

Imagen derivada de SAFNowcasting. Producto CRR

La inclusión de los productos derivados de la SAFNowcasting como input a los modelos hidrológicos integrados en un Sistema de Ayuda a la Decisión van a ser fundamentales para la previsión de crecidas en el corto plazo, fundamentalmente en cuencas de respuesta rápida y alta convectividad. Actualmente se están desarrollando nuevas SAF fundamentalmente la SAF on Support to Operational Hydrology and Water Management enfocada a generar productos para los requerimientos operacionales en hidrología aplicada; esta SAF ha sido aprobada por el EUMETSAT council en Junio de 2004 y todavía se encuentra no operacional, a continuación se presenta el futuro de esta SAF que ineludiblemente deberá, cuando este operacional, incorporarse al futuro de los sistemas SAIH en España.

La fase de desarrollo comenzó el 1 de septiembre de 2005 y tiene un futuro de cinco años, la Hydrology-SAF está coordinado por el Ufficio Generale della Meteorologia, UGM (Italia) integrando en el consorcio las siguientes organizaciones: • • • • • • •

Zentral Anstelt fÜr Meteorologie und Geodynamik (ZAMG), Royal Meteorological Institute of Belgium (KMI), Ilmatieteen Laitos of Finland (FMI), Meteo-France, Bundesanstalt für Gewässerkunde of Germany, Turkish State Meteorological Service Hydro-Meteorological Services of Hungary, Poland and Slovenia.

Finalmente un dato importantísimo para el pronóstico de caudales es el estado de humedad del suelo de la cuenca, dicho input puede ser derivado de la teledetección, ya que estó permitirá, por un lado establecer realmente el estado inicial del sistema hidrológico (en la componente de suelo-vegetación) de cara a la predicción de caudales en una cuenca y por otro lado permitirá calibrar y validar los diferentes

modelos hidrológicos, dada la importancia de la humedad del suelo en las condiciones iniciales del sistema hidrológico. Es evidente que el uso de la información obtenida por teledetección (en cualquiera de sus productos) invitan a la modelación distribuida, es por eso que el conocimiento de la humedad del suelo en todas y cada una de las celdas del dominio topológico de una cuenca es fundamental, aunque aún hoy en día los algoritmos para determinar dicho estado de humedad están en fase de desarrollo (LANDSAF, Misión SMOS: SOIL MOISTURE & OCEAN SALINITY) y todavía no se tiene un producto estandar final y operacional, pero debe ser tenido en cuenta, para cuando sea posible poderlo incorporar a los modelos en uso en los distintos SAIH. La estimación de la humedad del suelo en la zona no saturada es una cuestión importante en la modelización meteorológica a corto y medio plazo, en la modelización hidrológica. Los intentos de pronósticos de crecidas amenudo fallan porque la hidrología de la zona no saturada se describe sin ninguna precisión. Una vez que se conoce la humedad del suelo, es posible inferir el contenido en humedad del suelo en la zona de las raíces. A continuación se presenta el por qué de la importancia de que la humedad del suelo es una variable fundamental a considerar para este proyecto de innovaciones tecnológicas en los SAIH: •

Sobre tierra, los flujos de energía y de agua en la interfase superficie/atmósfera dependen fuertemente de la humedad del suelo

•

La Evaporación-Evapotranspiración, infiltración y escorrentía están controlados por la humedad del suelo

•

La humedad del suelo también regula el ritmo de absorción de agua por la vegetación en la zona no saturada

•

Es, por tanto, la humedad del suelo y su conocimiento una variable crítica en el ciclo hidrológico

•

Su evolución espacio-temporal, es una variable importante en los modelos numéricos meteorológicos y climáticos, y en los modelos hidrológicos.

El ciclo hidrológico, importancia de la humedad del suelo y su conocimiento para la modelación

Desde el punto de vista hidrológico, el suelo es una gran embalse no lineal por el cual circula el flujo subsuperficial (flujo en la zona no saturada) y que tiene una altísima importancia en la respuesta hidrológica de una cuenca, sobretodo en función de su grado de saturación (es decir el contenido de humedad del mismo). Es en el suelo donde se produce los fenómenos de infiltración y de exfiltración y es él que en función de sus características físicas (porosidad, conductividad hidráulica, espesor del horizonte de suelo) y su relación con la roca madre permite el proceso de percolación al acuífero (groundwater flow). Según las características físicas de los suelos y la cobertura de vegetación (el denominado complejo suelo-vegetación) y climáticas de una cuenca, las diversas variables que intervienen en la infiltración tendrán una importancia u otra, dando lugar a distintos mecanismos de formación de escorrentía superficial. En una amplia parte de las cuencas del ámbito de España el mecanismo generador de escorrentía se debe fundamentalmente al exceso de saturación del suelo o mecanismo de Dunne. El mecanismo de formación de escorrentía por exceso de saturación se produce cuando el suelo presenta un nivel muy elevado de saturación de agua y en ese caso, cuando existe precipitación, el suelo apenas puede absorber más agua de la que ya contiene por lo que inicia la escorrentía sin darse apenas infiltración. Las variables que principalmente condicionan este tipo de escorrentía son la topografía de la superficie, la edafología, la existencia de estratos impermeables en la roca madre generando suelos de poco desarrollo radicular, etc. Durante los últimos años, varios autores (Todini, 1996, 2002) han señalado la importancia de que la formación de escorrentía por este mecanismo no se produce de una manera general por toda la cuenca, sino únicamente en algunas áreas (es lo que algunos autores denominan las áreas contribuyentes variables). Las más propensas a

formar parte de dichas áreas contribuyentes variables son las siguiente (Beven y Kirkby, 1979): •

Áreas próximas a los cauces de los ríos donde el nivel freático está más próximo a la superficie. Estas áreas se incrementan poco a poco a medida que la precipitación continúa.

•

Áreas de las laderas en forma cóncava, donde se acumulas más rápidamente agua y aumentan rápidamente los niveles freáticos.

•

Áreas con suelos poco profundos donde la capacidad de almacenamiento de agua y de transmisividad es baja y rápidamente se llega al estado de saturación del suelo.

Al igual que estas áreas de aportación de escorrentía van aumentando a medida que transcurre la precipitación, una vez acabada ésta, la extensión de estas áreas disminuye. La importancia de esta diversificación de áreas contribuyentes de escorrentía es reflejada en Nachabe et al. (1997) donde se analiza cómo la diferente distribución de estas áreas da origen a distintos hidrogramas de crecida. La humedad del suelo puede obtenerse mediante: •

Óptico/Infrarrojo (IR) o o o

•

Radar o o o

•

Solamente durante el día Atenuado por nubes No penetra la vegetación

Poco atenuado por nubes Poca precisión Alta resolución

Radiometría o o o

Poco atenuado por nubes Alta precisión Poca resolución

Todos estos problemas parecen mejorados y soslayados con la teledetección por microondas y abre un camino hacia el mapeado de la humedad superficial del suelo y su inclusión en la modelación hidrológica, a continuación se presenta el diagrama de flujo para la obtención a partir de la Temperatura de Brillo de la Humedad del suelo:

DIAGRAMA DE BLOQUES 20

T (θ,φ) = e (θ,φ)T B

15 10 5 0 -5

Visibilidades

-10 -15 -20 -10

-5

Emisión Espontánea (Banda L)

Caso ideal IDFT

Caso real Algoritmo de inversión

Temperatura de Brillo

Humedad del Suelo

Diagrama de flujo para la obtención a partir de la Temperatura de Brillo de la Humedad del suelo

Como conclusión final queda justificado orientar los modelos hidrológicos a utilizar en los SAIH en base a poder asimilar toda la información espacialmente distribuida provista por la teledetección.

4.2.

DATOS PROVENIENTES DEL RADAR METEOROLÓGICO

Es sabido por toda la comunidad científica meteorológica e hidrológica que la utilización del Radar Meteorológico en la generación de campos espacio-temporales de precipitación supone una mejora cualitativa y cuantitativa a los modelos hidrológicos de simulación y previsión de caudales. La precipitación es una variable atmosférica caracterizada por un comportamiento altamente variable, por eso es muy complicado proporcionar una descripción cuantitativa espacial precisa. Por un lado las medidas pluviométricas se pueden considerar como una estimación de lluvia cuantitativamente bastante precisa, pero no pueden reproducir la distribución espacial de dicha lluvia. (Marshalek, 1981; Nespor, 1995; Niemczynowicz, 1986; Sevruk, 1982, 1986, 2002). Por otro lado los radares son sensibles a los elementos de precipitación (gotas de agua) y entonces pueden considerarse herramientas eficaces para al observación meteorológica. Los radares proporcionan una mejor representación espacial que los pluviómetros, pero mas pobre en la estimación cuantitativa. (Atlas, 1990; Austin, 1987; Collier, 1986, 1989, 1990, 2002; Doviak and Zrnic). En los últimos treinta años han habido numerosass tentativass de utilizar las medidas satelitales para estimar la precipitación (Kidder and Vonder Haar, 1995; Petty, 1994a,b, 1995), se han utilizados los satélites geoestacionarios o polar orbiting como METEOSAT, GOES, GMS, NOAA, DMSP (e.g. Lovejoy and Austin, 1979; Wu et al., 1985; Barrett et al., 1988; Uddstrom and Gray, 1995; Huffman et al., 1995; Cheng and Brown, 1995). Las medidas del satélite en el infrarrojo o en el visible, sin embargo, son

sensible a las características físicas de las nubes, y entonces proporcionan una información indirecta de la precipitación. Las diferentes tipologías de información de precipitación, directa e indirecta, tienen además diferente resolución espacial: por ejemplo los pluviómetros representan una medición puntual del dato de lluvia, mientras los radares y los satélites proporcionan una información espacialmente distribuida. Las estaciones pluviométricas y los radares proporcionan una información más precisa, a pesar de sus límites espaciales, mientras el satélite, aun si ofrece mediciones de precipitación (indirectas) de calidad inferior, proporciona una cobertura continua a banda más ancha. Es por tanto imprescindible que los modelos hidrológicos puedan asimilar los datos provenientes del Radar, en este sentido existe un modelo operativo denominado Rainmusic que ha sido desarrollado dentro del Proyecto Europeo MUSIC (MUltiSensor precipitation measurements Integration, Calibration and flood forecasting) de duración trienal (febrero 2001-julio 2004). El proyecto MUSIC se propone por un lado aportar mejoras a la fiabilidad de las técnicas de estimación radar y satelital de la precipitación, creando un acople de estas con las observaciones tradicionales proporcionadas por las estaciones pluviométricas. Por otro lado se ha preocupado de proporcionar herramientas para la comunicación y divulgación de los resultados a las autoridades involucradas en predicción y gestión de avenidas en tiempo real. Para cada una de las técnicas sensoriales de medición de precipitación: pluviometros, Radar y Satélite el proyecto se propuso desarrollar algoritmos mejorados de estimación de la precipitación, de evaluar sus incertidumbres y de utilizar una combinación innovadora de las salidas de las tres técnicas de estimación (radar, satelital y pluviométrica) para proporcionar un campo de precipitación espacio temporal mas fiable a un sistema de predicción de avenidas a corto plazo, junto con la medida de su incertidumbre. Este sistema, que presupone mejorar considerablemente la fiabilidad de las predicciones dentro de un mismo horizonte de predicción, puede ser aplicado a cuencas de diferentes escalas: puede funcionar para predicciones a muy corto plazo (1-6 horas) o, en conjunto con Modelos de Área Limitada (LAM), para predicciones con horizonte temporal del orden de días. Los potenciales usuarios, como por ejemplo los Organismos de Cuenca (SAIH), serán capaces de obtener acceso a la información de manera inmediata y clara. El rol básico de un sistema de predicción de precipitación y de avenidas se concentra de hecho en su capacidad, dentro del horizonte de predicción, de evaluar y reducir la incertidumbre en predecir episodios futuros, y permitir así lanzar las alertas con más precisión y tomar decisiones operativamente con la intención de reducir el riesgo de inundación. El proyecto MUSIC encaja con estos objetivos, desarrollando una técnica innovadora de mejora en la obtención de los datos de precipitación, por radar, satélite y datos procedentes de las estaciones pluviométricas, y de utilizar el producto resultante en un sistema integrado de predicción de avenidas.

En el Framework del proyecto europeo MUSIC (Contract no. EVK1-CT-2000-00058), la Universidad de Bologna ha desarrollado una técnica innovadora para acoplar radares meteorológicos, satélites y precipitación obtenida por mediciones pluviométricas, con el objetivo de proporcionar estimaciones de precipitación lo más fiable posible. Para conseguir esto, se han utilizado las tres diferentes fuentes de estimación de precipitación: la información obtenida a partir de las estaciones pluviométricas, la información proporcionada por el radar meteorológico y las imágenes satelitales. Cada una de las estimaciones está afectada por errores de origen distintos. Dada la independencia del origen de los errores, se ha desarrollado una técnica basada en el uso conjunto del Block Kriging y de la combinación Bayesiana, para una substancial eliminación del bias y una reducción de la variancia de los errores estimados, con una consiguiente mejora de la fiabilidad de las estimaciones de precipitación. Se han desarrollado tres diferentes combinaciones Bayesianas: • • •

entre radar y pluviómetros entre satélite y pluviómetros entre radar, satélite y pluviómetros

El RAINMUSIC es el software desarrollado para efectuar la combinación Bayesiana entre los datos pluviométricos, radares y satelitales, y en el cual se manejan todos los parámetros involucrados en dicha combinación y que proponemos utilizar en la siguiente oferta. Combinación Bayesiana entre radar y pluviómetros (GRBC) El dato pluviométrico ofrece una información bastante precisa, sin embargo proporciona una información escasa por lo que concierne la distribución espacial de la precipitación, sobretodo en el caso de que se haya una situación de tipo convectivo. Por otro lado, los radares son capaces de delinear los límites espaciales de una tormenta, a pesar de ser una información cuantitativamente cargada de errores muchas veces bastantes significativos. Por tanto se ha proporcionado una combinación Bayesiana de los dos tipos de información, con el objetivo de proporcionar una información resultante que tenga buenas características en cuanto a distribución espacial y a precisión cuantitativa de la precipitación. El primer problema que hay que solucionar consiste en que las medidas pluviométricas se refieren a un punto, y no pueden ser directamente comparadas con los valores del radar promediados sobre una malla de 1x1 Km2 o más grande aún. Por tanto se ha utilizado el Block Kriging, una extensión de la técnica geoestadistica del Kriging, con el intento de regionalizar los datos pluviométricos a escala radar. En el Block Kriging el peso que cada medida pluviométrica puntual tiene sobre el píxel está calculada por medio de función de la distancia, el Variograma, que describe la dependencia espacial entre el área estimada y las medidas puntuales. La técnica de la combinación Bayesiana con el Block-Kriging actualiza los parámetros de la función del variograma en cada paso temporal usando el estimador de Maxima Verosimilitud (Maximum Likehood, Todini, 2001).

Si se considera por ejemplo la siguiente distribución espacial de pluviómetros y cobertura radar: el espacio Ω. Los dos tipos de sensores proporcionan una medida de precipitación en el intervalo de tiempo ∆Τ:

Representción esquematica de los datos radar y pluviométricos.

Se utiliza la tecnica del Block Kriging para regionalizar las medidas de precipitación procedente de los pluviómetros en los pixels del radar, para que la escala espacial de la medida pluviométrica sea compatible con el dato radar, y asumiendo que los registros pluviométricos son insesgados, una vez determinado la estima del error, se aplica el filtro de Kalman para obtener una estima a posteriori combinando la estima a priori proporcionada por la medida ya tratada con el Block Kriging, en el contexto Bayesiano. A continuación se presenta un esquema resumen de los pasos para conseguir la combinación Bayesiana entre radar y pluviómetros (Todini 2000):

POINT MEASUREMENTS

RAINGAUGES

SPATIAL ESTIMATES

BLOCK KRIGING

BLOCK KRIGING OF THE RAINGAUGES

RADAR

KALMAN FILTER

BLOCK KRIGING OF THE RAINGAUGES + RADAR (= GRBC)

Esquema de funcionamiento de la técnica de combinación Bayesiana entre radar y pluviómetros.

Una vez acabada la estimación del error de las estimaciones ya tratadas con el Block Kriging, la combinación Bayesiana entre radar y pluviómetros utiliza el filtro de Kalman para combinar las estimaciones radar con los registros pluviométricos en un contexto

Bayesiano. La GRBC considera las estimaciones radar y pluviométricas proporcionadas a cierto paso temporal, completamente independientes de las estimaciones del paso temporal anterior. Por esta razón el filtro aplicado por la GRBC no considera el conjunto de ecuaciones que compone el algoritmo del filtro de Kalman. Por esto no es necesario actualizar el estado del sistema pasando de un time step al otro, la GRBC considera solo las ecuaciones de actualización de las medidas, mientras las ecuaciones de predicción temporal se ignoran. La siguiente Tabla resume las ecuaciones de actualización de las medidas del filtro de Kalman, donde zt es la medida, H es la matriz identidad, xt es el estado estimado, vt es el error, x't es la estimación a priori, x' ' t es la estimación a posteriori, Kt es la ganancia de Kalman; Rt es la matriz de covarianza del ruido de la medida, P' t es la matriz de covarianza de los errores de la estimación a priori, P ' 't es la matriz de covarianza de los errores de la estimación a posteriori:

zt = Hxt + vt

ecuación de medida

(

K t = Pt ' H T HPt ' H T + Rt

(

x' ' t = x' t + K t z t − Hx' t P ' ' t = (I − K t H )P ' t

)

−1

(1)

ganancia de Kalman (2)

actualización del estado

(3)

actualización de la covarianza del error

(4)

Ecuaciones discretas de la actualización de la medida del filtro de Kalman

En las ecuaciones (1) hasta (4) el índice t no implica ninguna relación entre los pasos temporales, siendo las matrices resultantes actualizadas en cada paso temporal y por tanto se efectúa la combinación Bayesiana entre los dos tipos de estimación escogiendo el campo de precipitación proporcionado por el radar como la estimación a priori x't y el campo proporcionado por el Block-Kriging de los datos pluviométricos como vector de medida zt . Combinación Bayesiana entre satélite y pluviómetros (GSBC) La combinación Bayesiana entre satélite y pluviómetros tiene las mismas dificultades de la realizada entre radar y pluviómetros. Es necesario primero homogeneizar las dos diferentes escalas de cada fuente de información de precipitación, en cuanto los pluviómetros proporcionan una información puntual con un bastante alto grado de precisión, a pesar de la escasa descripción espacial, mientras las imágenes satelitales proporcionan una información espacialmente agregada menos precisa. Se trata en primer lugar de regionalizar los datos pluviométricos así que puedan ser utilizados para corregir el error procedente de la información satelital. Esa misma, una vez corregida, puede ser utilizada para la estimación de la precipitación en áreas donde los registros pluviométricos no se encuentran disponibles. Se puede imaginar una distribución de estimaciones satelitales de precipitación en el tiempo ∆Τ como el grid representado en la figura 3, donde los puntos en negro corresponden a la distribución espacial de los pluviómetros que proporcionan datos de lluvia para el mismo intervalo de tiempo:

Representación espacial de las estimaciones de precipitación satelital y pluviométrica. Las líneas rojas representan los pixels del Block-Kriging.

En este caso se utiliza también la técnica de combinación Bayesiana para acoplar datos pluviométricos y satelitales, que tiene como objetivo principal lo de eliminar el bias en las estimaciones satelitales y reducir la varianza en las estimaciones de precipitación. A continuación se propone un esquema del algoritmo de combinación Bayesiana entre satélite y pluviómetros:

RAINGAUGES

BLOCK KRIGING

BLOCK KRIGING OF THE RAINGAUGES

UPSCALING

SATELLITE

BK GAUGES at satellite scale KALMAN FILTER

BK GAUGES + SATELLITE at satellite scale

DOWNSCALING (KALMAN SMOOTHING)

BLOCK KRIGING OF THE RAINGAUGES + RADAR + SATELLITE

Esquema de la combinación Bayesiana entre satélite y pluviómetros.

Como primer paso la GSBS utiliza la técnica de Block Kriging para regionalizar las medidas pluviométricas sobre una malla de resolución espacial idónea para aplicaciones hidrológicas, es decir una malla de 1x1 Km2 o 2 x 2 Km2 Después, se procede homogenizando la resolución de la malla de píxels obtenida con la técnica del Block-Kriging con la resolución espacial de la información satelital. La precipitación es una cantidad aditiva, por tanto es posible pasar de una escala más pequeña a una escala más grande:

UPSCALING (FINE-TO-COARSE STEP)

SATELLITE (x)

BLOCK KRIGING of the RAINGAUGES (y)

Esquema de agregación de los pixels del Block-Kriging (con escala Y) para obtener una homogeneización de escala con respecto al los pixels del satélite (X)

Las estimaciones del Block-Kriging así agregadas pueden entonces ser combinadas con las estimaciones del satélite mediante el utilizo del filtro de Kalman. Una vez obtenida una estimación óptima de la precipitación, es necesario mejorar la resolución de los resultados, en cuanto se encuentran a la resolución del satélite, que resulta ser demasiado grosera para aplicaciones hidrológicas. Por tanto es necesario aplicar una reducción de escala (downscaling) para reconvertir los datos a la resolución anterior del Block-Kriging:

DOWNSCALING (COARSE-TO-FINE STEP)

SATELLITE (x)

BLOCK KRIGING of the RAINGAUGES (y) Reducción de la escala: desde la escala del satelite (X) a la escala del Block-Kriging (Y)

Combinación Bayesiana entre satélite, radar y pluviómetros (GRSBC) Desde el punto de vista Bayesiano, el algoritmo de la combinación Bayesiana de satélite, radar y pluviómetros puede ser visto como un algoritmo de asimilación de datos. Las medidas de lluvia vienen de diferentes dispositivos, cada uno con su dinámica específica y su nivel de error. Teniendo en cuenta la incertidumbre local relacionada a cada tipo de técnica de captura de datos, se puede obtener una combinación de la información finalizada a una descripción óptima de la cantidad requerida, en este caso de la precipitación. Si se conocen los errores de la medición,

incluso medidas con un alto ruido como aquellas del satélite pueden aportar mejoras a la información del sistema. Por esta razón una combinación que involucre medidas de pluviómetros, radares y satélites proporciona la mejor información que se pueda obtener para el campo de precipitación. Se puede estructurar una red de medidas de lluvia que cubre un cierto espacio Ω como el conjunto de tres tipos de sensores que proporcionan información en cada paso temporal ∆Τ: satelital, radar y pluviométrico: El algoritmo utilizado que se propone para combinar en un contexto Bayesiano los tres tipos de medidas, con el objetivo de eliminar el bias en las estimaciones radar y satelital y reducir la varianza en las estimaciones pluviométricas y alcanzar por tanto una estimación óptima y fiable del campo de precipitación, a una escala adecuada para aplicaciones hidrológicas utiliza el algoritmo de la GRBC para combinar datos pluviométricos con datos radar y el algoritmo de la GSBC para combinar datos pluviométricos y satelitales. En las figuras a continuación se puede visualizar el esquema general del algoritmo global:

Representación de los datos satelitales (cuadrados azules), radar (cuadrados rojos) y pluviométricos (puntos).

BLOCK KRIGING OF THE RAINGAUGES + RADAR

UPSCALING

BK GAUGES + RADAR at satellite scale

SATELLITE

KALMAN FILTER

BK GAUGES + RADAR + SATELLITE at satellite scale

DOWNSCALING (KALMAN SMOOTHING)

BLOCK KRIGING OF THE RAINGAUGES + RADAR + SATELLITE

Representación esquemática del algoritmo de combinación Bayesiana entre datos pluviométricos, radar y satelitales.

Los pasos del algoritmo global son los siguientes: • Utilización de la técnica del Block-.Kriging para reconducir los datos pluviométricos a una escala comparable con la escala de los pixels radar; •

Utilización del filtro de Kalman para proporcionar una estimación a posteriori por medio de la combinación entre los datos radar y los datos pluviométricos a escala radar;

•

Reconducir la combinación obtenida a una escala comparable con aquella del satélite, por medio de un upscaling;

•

Utilización del filtro de Kalman para combinar el resultado de la combinación GRBC (pluviómetros y radar) agregado a la escala del satélite, con los datos las estimaciones del satélite. La estimación a posteriori, llamada combinación de las estimaciones de Block-Kriging, radar y satélite, a la escala de satélite, está calculada por medio de la combinación de las estimaciones a priori proporcionadas por los resultados de la GRBC agregada con las estimaciones proporcionada por el satélite;

•

Reducción de la escala de los resultados, desde la escala satelital a una escala idónea para aplicaciones hidrológicas, como puede ser la escala de los datos de Block-Kriging.

A titulo de ejemplo de las diferentes combinaciones utilizadas para optimizar el conocimiento del campo de precipitación se muestra el caso de la aplicación de dichas técnicas al río Reno, en su subcuenca vertiente a Casalecchio (Bologna, Italia):

Área de la cuenca: 1081 Km Numero de pluviómetros: 25 Radar: C band Doppler Double Polarization Pixels: 1 x 1 Km Satélite: Meteosat Pixels: 5 X 5 Km

La subcuenca del Río Reno esta cubierta por una red de 25 pluviómetros, por imágenes satelitales procedentes de Meteosat de 5x5 Km de resolución y por una información radar proporcionada por un Doppler a banda C a doble polarización de 1x1 Km de resolución. En la imagen a continuación se pueden analizar los resultados de las combinaciones Bayesianas: la primeras tres imágenes visualizadas corresponden a la representación de los tres distintos campos de precipitación, recopilados el 15 de abril 1998 a las 18 horas; a partir de la izquierda se encuentran los datos pluviométricos regionalizados con el Block-Kriging, los datos radar y los datos satelitales. Las imágenes abajo representan los tres tipos de combinación: la primera es el resultado de la combinación Bayesiana entre datos radar y pluviométricos (GRBC), la segunda representa el resultado de la combinación Bayesiana de datos satelitales y pluviométricos (GSBC) y la tercera es la combinación de los tres tipos de datos (GRSBC)

Block Kriging

BK + RADAR

Radar

BK+SATÉLITE

Satellite

BK+RADAR+SATÉLITE

8.7

0.0

Resultados de las diferentes combinaciones Bayesianas.en la subcuenca del Río Reno

A continuación se muestra el resultado en cuanto a respuesta hidrológica de la misma subcuenca del Río Reno, en el episodio de precipitación. La respuesta hidrológica ha sido modelada con el modelo distribuido físicamente basado TOPKAPI (Todini, 2002),. Los datos radares se refieren a información horaria recopilada desde el 13 hasta el 22 de noviembre del 2000, cuando se observó una crecida en Casalecchio:

Reno @ CASALECCHIO

650 600 550

OBS

RAD

BKR

BKS

KRS

Discharge (m3/s)

500 450 400 350 300 250 200 150 100 50 0 1

121

145

169

193

217

time (h) Comparación de pronósticos de caudal haciendo uso de diferentes combinaciones de fuentes de información pluviométrica en el Río Reno. El modelo hidrológico utilizado con dicha información es el TOPKAPI.

Por otro lado en España el grupo de investigación liderado por Daniel Sempere GRAHI-UPC cuenta con una extensa trayectoria en la utilización hidrológica del radar meteorológico. Esa experiencia aborda los procesos de tratamiento y control del funcionamiento de una red de radares, tratamiento y corrección de errores que afectan a la medida de lluvia por radar, optimización cuantitativa de los datos radar y la creación de productos hidrometeorológicos y de alerta basados en datos radar. En ese campo han trabajado tanto en el entorno de proyectos de investigación nacionales y europeos como en el desarrollo de aplicaciones operacionales. En ese sentido podemos destacar dos experiencias clave a tener en cuenta: • La colaboración que se mantiene con el Instituto Nacional de Meteorología desde 1993 en el estudio de la medida de lluvia por radar meteorológico y de sus aplicaciones hidrológicas a través de diversos proyectos de I+D en los que el INM ha apoyado al equipo investigador mediante acuerdos para la cesión de datos radar y colaboración de personal técnico e investigador. Esa colaboración ha permitido conocer en gran detalle el funcionamiento de la infraestructura radar del INM y sus particularidades. • Desde el 2001 el GRAHI-UPC, colabora con la Agencia Catalana de l’Aigua (ACA) y el Servei Meteorològic de Catalunya (SMC) en el desarrollo de herramientas de optimización de la medida de lluvia radar y el desarrollo de modelos hidrológicos. La motivación de esos desarrollos es la creación por parte del SMC de una red de radares meteorológicos (actualmente 3 operacionales) y el interés estratégico del SMC

y el ACA para contar con herramientas avanzadas de alerta hidrometeorológica y de mejora de la gestión de recursos hídricos. El conjunto de herramientas agrupado bajo el nombre de EHIMI (Herramienta de Previsión Hidromenteorológica Integrada), contienen la transferencia de una gran parte de la I+D realizada por el GRAHI-UPC en los últimos 5 años y representa un primer prototipo que se aplica de forma operacional en el ACA y el SMC para sus labores de gestión y previsión. La importante sinergia creada en los últimos años entre esas tres instituciones ha permitido situar el proyecto realizado como un referente europeo en les aplicaciones hidrometeorológicas del radar, con una presencia destacada en los principales forums internacionales. Se han desarrollado aplicaciones de visualización y gestión de datos hidrometeorológiocos en general. Podemos destacar las siguientes actuaciones: • Desarrollo en el contexto del proyecto EHIMI con el ACA y el SMC de las herramientas de gestión y visualización de datos radar, productos y alertas hidrometeorológicas y datos hidrológicos. • Desarrollo de aplicaciones de visualización 3D y tratamiento de datos radar en tiempo real para el Centro Meteorológico Territorial de Catalunya del INM. • Desarrollo de aplicaciones de visualización 3D de datos radar para la formación de los operadores de previsión hidrometoeorológica de MeteoFrance. • De forma general el GRAHI-UPC ha diseminado diversos productos de visualización de datos radar en diversos centros de investigación con los que colabora (LTHE, Universidad de Wageningen, MRO, Goddard Space Flight Center de la NASA, etc.) • Desarrollo para el SMC de una herramienta para la visualización combinación y animación de datos/productos hidrometeorológicos en general: radar, satélite, modelos numéricos, rayos, estaciones meteorológicas (precipitación, temperatura, viento), salidas de modelos hidrológicos, etc. La aportación del radar meteorológico a los modelos de previsión hidrológicos es considerado una herramienta esencial para los propósitos cuantitativos, el radar ofrece una medida del campo espaciotemporal de lluvia de gran resolución temporal y espacial: ∆t ≈ 5 - 10 minuto y ∆x ≈ 1km² cubriendo amplias áreas desde el punto de ubicación del mismo (200 x 200 km²). En la siguiente figura se presenta el campo espacial de lluvia en Cataluña durante un episodio obtenido haciendo uso de la red de radares y el mismo campo obtenido por interpolación a partir de la red de pluviómetros.

Comparación del campo espacial obtenido por Radar (izquierda) y por interpolación de la red de pluviómetros (derecha)

El radar meteorológico ofrece una medida indirecta de la precipitación y se hace necesaria antes de su utilización con fines hidrológicos el procesado y corrección de las imágenes obtenidas, esta línea de trabajo comenzó hace ya más de 15 años y se fundamenta en una nueva mentalidad en los estudios radar: Necesidad de entender la física de la medida radar antes de hacer nada más En base a esto se ha trabajado en todo el mundo y en concreto desde el GRAHI-UPC en la corrección, tratamiento de las imágenes, y derivación de la intensidad de lluvia a partir de la medida de reflectividad (relación Z-R); donde podríamos citar: •

Intercepción del haz del radar con el terreno, necesidad de eliminar los ecos de suelo (por ejemplo con información Doppler)

• • •

Errores en la orientación del Radar Eliminación de apantallamientos Eliminación de lóbulos secundarios

Todo esto nos lleva a realizar una corrección orográfica completa como se observa en la siguiente figura:

Imagen original

• • • •

Imagen corregida

estabilidad debido a la lluvia sobre el rádomo Corrección por perfil vertical de reflectividad Variación del PVR en función del tipo de lluvia algoritmos de identificación del tipo de lluvia: •

Steiner et al. 1995 => áreas convectivas (gradientes horizontales)

•

Sanchez-Diezma et al. 2000 => áreas estratiformes (detección de la banda brillante)

Desde el GRAHI-UPC también se está trabajando en la utilización de la información derivada de la red de pluviómetros para combinar dicha información con la imagen radar, dentro de las líneas de trabajo podemos citar: Interpolación por Splines Interpolación geoestadística • • •

Kriging Cokriging Kriging con derivada externa

A continuación se presenta el resultado de combinar los datos Radar con los datos pluviométricos mediante Kriging con derivada externa:

Combinación haciendo uso de un método geostadístico

Finalmente los productos que han sido desarrollados por el GRAHI-UPC y están operativos son: •

GENRAD

•

MOVIRAD

•

ANIPRAD

•

MOVHI

Como conclusión general los modelos hidrológicos deben de poder asimilar los datos provenientes del radar meteorológico y concluir que para su incorporación operativa en los diferentes SAIH: •

Llegar a la utilización hidrológica del radar requiere un cuidadoso proceso de corrección de todas las fuentes de error.

•

Es importante disponer de herramientas que permitan configurar, visualizar y generar productos hidrometeorológicos basados en datos radar.

•

El uso de la información distribuida del radar mejora muchos aspectos de la predicción dada por los modelos e implica la adopción de modelos distribuidos.

4.3.

DATOS PROVENIENTES DE LOS MODELOS NUMÉRICOS DE TIEMPO

Actualmente en el mundo, dentro de los programas de previsión de avenidas, cabe destacar el acople de modelos meteorológicos con modelos hidrológicos. Los modelos meteorológicos, o dicho de otra manera los modelos de predicción numérica de tiempo (Numerical Weather prediction models), cada vez están avanzando en la física del fenómeno ofreciendo predicciones cuantitativas de precipitación (QPF, Quantitative Precipitation Forecast) a escalas horarias o inferiores y a escalas espaciales de hasta cuatro kilómetros de resolución. Estas predicciones sirven de entrada como excitación a modelos hidrológicos, los cuales simulan matemáticamente el fenómeno físico de la producción de escorrentía en una cuenca hidrológica, esto es, la conversión de lluvia a caudal. En Abril de 2004 en el Seminario sobre Sistemas de Información y Pronóstico Hidrometeorológicos organizado por el Instituto Nacional de Meteorología de España, la Confederación Hidrográfica del Júcar y la Organización Meteorológica Mundial (OMM) en Valencia, se generó un documento denominado Declaración de Valencia en el cual se recoge la necesidad de acoplar los modelos meteorológicos a modelos hidrológicos con el principal objetivo de mejorar las posibilidades de predicción y alerta de las crecidas. El Seminario consideró que una cooperación estrecha entre meteorólogos e hidrólogos y sus respectivas organizaciones es, además de absolutamente necesaria para la elaboración de una predicción de crecidas confiable y oportuna, beneficiosa para ambas comunidades: si la hidrológica aprovecha los datos y predicciones meteorológicas para definir mejor los parámetros de entrada a sus modelos, en particular el campo de precipitaciones, tanto la comunidad meteorológica como la hidrológica obtienen ventajas y realzan el valor socioeconómico de su labor. La predicción de caudales en tiempo real acoplando modelos meteorológicos a modelos hidrológicos, es una materia incipiente y en desarrollo a nivel mundial con un alto grado de incertidumbre dada la alta no linealidad de los procesos implicados. Existen varias experiencias en este campo en el mundo y también como no en España, concretamente dos: uno en el SAD del SAIH del Ebro en el cual se utilizan los resultados proporcionados por el HIRLAM (High Resolution Limited Area Model) a un modelo agregado conceptual de tanques (el NAM-UHM del DHI) y otro en las cuencas internas de Galicia: Galicia-Costa (Consellería de Medio Ambiente)

dependiente de la Xunta de Galicia donde se ha implementado un sistema de generación de predicciones de caudal en tiempo real acoplando las predicciones cuantitativas de precipitación de los modelos numéricos de predicción meteorológica ARPS (Advanced Regional Prediction System) y MM5 (The Fifth-Generation NCAR/Penn State Mesoscale Model) anidados en el GFS (Global Forecast System) que están siendo ejecutados dos veces al día (00Z y 12Z) por MeteoGalicia, en el superordenador Superdome del Centro de Supercomputación de Galicia (CESGA) al modelo hidrológico distribuido físicamente basado TOPKAPI: TOPographic Kinematic APproximation and Integration. Las predicciones de caudal resultantes de dicho acople con un horizonte de 72 a 96 horas en los diversos puntos de interés (30) son servidas en tiempo real a Aguas de Galicia mediante una página WEB dedicada. En la siguiente figura se presenta el diagrama de flujo esquematizado realizado para llevar a cabo las previsiones de caudal a partir de las predicciones cuantitativas de precipitación (QPF) elaboradas por MeteoGalicia en cualquiera de los puntos de las cuencas modeladas de Galicia Costa. El esquema conceptual del acople es el siguiente:

A continuación se muestra el interfaz vía WEB de los resultados de las previsiones de caudal a 96 horas por acople de los modelos meteorológicos

Es por tanto muy importante que los modelos hidrológicos puedan asimilar la información derivada de los modelos numéricos de predicción de tiempo actualmente operativos en España y en las posibilidades de su acople a dichos modelos hidrológicos con el objetivo de obtener una predicción a más largo plazo, que permita ampliar el horizonte de previsión (Ventana de pronóstico), lo que supondrá una

importante ventaja en muchos casos de aplicación práctica para la toma de decisiones. D

P Q

Previsión de lluvias Hidrogramas resultantes

Hipótesis de lluvia futura

t Pasado (período de simulación hidrológica)

Futuro (horizonte de previsión hidrológica)

Instante de previsión

Ventana de pronóstico ampliada por el acople de modelos numéricos de tiempo

Los modelos de simulación atmosférica han sido durante los últimos 50 años una herramienta esencial para la meteorología, tanto para la investigación propiamente dicha como para el establecimiento de una predicción operativa. A pesar del enorme avance en la capacidad de cálculo de los ordenadores, todavía no es posible un único modelo para representar adecuadamente todas las escalas de movimiento existentes en el flujo atmosférico, lo que hace necesario el desarrollo de diferentes modelos ajustados para cada una de ellas. Actualmente, se puede decir que este amplio espectro de escalas se encuentra bien representado por los diferentes modelos específicos que han ido surgiendo en los últimos años. En un extremo de este espectro se encuentran los modelos hidrostáticos de circulación general, (GCM, General Circulation Models) designados para mallas de baja resolución (200 Km.) que contienen un alto grado de parametrización para los procesos de menor escala. Estos se aplican para investigar los fenómenos globales de la atmósfera, como por ejemplo simulaciones de clima y estudios sobre el cambio climático. En el otro extremo de este espectro, se encuentran los modelos no hidrostáticos de microescala, de muy alta resolución (100 metros o menos), que al contrario de los anteriores, calculan explícitamente todos los procesos físicos y dinámicos que caracterizan esa escala y se aplican principalmente al estudio de formación de nubes y de fenómenos turbulentos (Large Eddy Simulation, LES). Entre ambas escalas se encuentran los modelos de MESOESCALA, que son aquellos que cuentan con resolución horizontal y vertical suficiente para pronosticar fenómenos meteorológicos de mesoescala. Estos fenómenos son a menudo forzados por la topografía, las líneas costeras ó están vinculados con la convección. Hoy en día existen numerosos modelos de mesoscala. Por un lado, modelos como el Penn StateNCAR (MM5), el Mesoscale Atmospheric Simulation System (MASS), el ARPS (Advanced Regional Prediction System) y el RAMS (Regional Atmospheric Modeling System) permiten realizar predicciones operativas en prácticamente todo el mundo, también en España; otro modelo de mesoescala, el HIRLAM (High Resolution Limited

Area Model) es el adoptado por el Instituto Nacional de Meteorología español para realizar sus predicciones. Desde un punto de vista físico, la atmósfera puede ser considerada como una mezcla de gases y agua en sus distintos estados. Esta mezcla está en movimiento dentro de un campo gravitatorio sobre una esfera en rotación y calentada por el Sol. En este sistema se deben cumplir la ecuación de estado de los gases y las leyes de conservación de energía, masa y momento. La mayoría de estas leyes se expresan con ecuaciones que relacionan las derivadas totales de ciertas magnitudes físicas en el tiempo. Estas derivadas son normalmente descompuestas en sus términos local y advectivo. se tienen siete ecuaciones y siete incógnitas que son v = (u, v,w), T, p, ρ = 1/α y q descritas por el siguiente sistema de ecuaciones:

dv = −α∇p − ∇φ + F − 2Ωxv dt

∂ρ = −∇ ⋅ ( ρv) ∂t pα = RT Q = Cp

dT dp −α dt dt

∂ρq = −∇ ⋅ ( ρvq) + ρ ( E − C ) ∂t A las ecuaciones anteriores se las suele denominar ecuaciones primitivas, y representan el sistema que gobierna la dinámica de la atmósfera. El objetivo de la predicción numérica del tiempo es obtener el estado de la circulación atmosférica en un tiempo futuro a partir de la condición inicial actual. Para ello es necesario disponer de un modelo numérico capaz de integrar las ecuaciones y que incluya los intercambios energéticos (en la capa límite) más importantes (radiación, turbulencia, calor latente, etc.). Dada la alta no linealidad y complejidad de las ecuaciones primitivas, en la práctica se suele recurrir a distintas aproximaciones que simplifican la resolución numérica y eliminan inestabilidades numéricas. Las simplificaciones más básicas de las ecuaciones anteriores ayudan a entender las características de los tipos de ondas básicos presentes en la atmósfera, que también aparecen en las soluciones más generales. Por ejemplo, suponiendo que el movimiento es adiabático, rectilíıneo, y sin gravedad, se obtienen como soluciones las ondas sonoras puras que se propagan a través de la compresión del aire. Si se considera la aproximación hidrostática (sin velocidad vertical), las ondas sonoras sólo se propagan horizontalmente (ondas de Lamb). Por otra parte, si se supone que no hay movimiento horizontal, pero sí desplazamientos verticales (el movimiento se considera adiabático y rectilíneo), entonces el resultado son las ondas gravitatorias externas: ‘oleaje’ en la superficie libre; y las ondas gravitatorias internas: cualquier partícula de fluido desplazada de su nivel de equilibrio oscila verticalmente con una frecuencia característica denominada frecuencia de Brunt-Vaisala (en la atmósfera, en condiciones normales, las oscilaciones típicas son de 100 s). Por otra parte, considerando un flujo inicial zonal (v = w = 0) y un campo uniforme de densidad, cualquier perturbación al flujo zonal supone un cambio de latitud y por tanto un cambio en la fuerza de Coriolis, que siempre actúa tratando de restaurar el flujo zonal produciendo las llamadas ondas de Rossby que se propagan alrededor del globo con

un periodo de desarrollo de varios días a una semana y con una longitud de onda del orden de 3000 km para latitudes medias (φ = 45º). En general interesa que las soluciones obtenidas para la circulación de la atmósfera en un problema operativo muestren el comportamiento de interés meteorológico, por lo que es deseable eliminar algunas de las ondas básicas que no intervienen en esta dinámica, pero que pueden producir inestabilidades en el modelo numérico al ser propagadas (esto ocurre, por ejemplo con las ondas sonoras y gravitatorias). Este procedimiento de selección de tipos de ondas se denomina filtrado y consiste en eliminar parcialmente las fuerzas restauradoras que originan la onda que se desea filtrar. Por ejemplo, la aproximación hidrostática impide la propagación vertical de las ondas sonoras. Por tanto, los modelos operativos utilizados en la predicción numérica del tiempo son aproximaciones más o menos completas de las ecuaciones primitivas de la atmósfera. Los modelos atmosféricos de circulación se resuelven utilizando técnicas numéricas que discretizan el espacio y el tiempo. En coordenadas cartesianas se considera una rejilla 4D sobre la que se aplican técnicas de elementos finitos, mientras que en coordenadas esféricas se aplican técnicas espectrales que consideran un número finito de armónicos esféricos en la descripción del sistema. En ambos casos, la precisión del modelo está fuertemente influenciada por la resolución espacial (dada directamente por el tamaño de rejilla o por el período del modo de mayor frecuencia). Sin embargo, aumentar la resolución del modelo es extremadamente costoso ya que, por ejemplo, duplicar la resolución en el espacio tridimensional también requiere reducir a la mitad el paso de tiempo para satisfacer las condiciones de estabilidad computacional. Por tanto, el coste computacional total de duplicar la resolución crece con un factor de 24 = 16. Las técnicas modernas de discretización intentan obtener un incremento en la precisión sin tanto coste computacional; estas técnicas son los esquemas semi-implícitos y semi-lagrangiano en el tiempo. Además, estos esquemas poseen condiciones de estabilidad menos estrictas. Aún así, existe una constante necesidad de aumentar la resolución para obtener una predicción mejor y más detallada, sobre todo para aplicaciones hidrológicas como es el caso del presente proyecto de Innovaciones Tecnológicas en los SAIH. Esta tarea es la mayor aplicación de los superordenadores disponibles. A pesar de los avances logrados en cuanto a la modelización física de la atmósfera y a la resolución numérica de los modelos, la notable mejora en la capacidad de predicción se debe principalmente a otros factores. Por ejemplo, Kalnay (2003) describe los siguientes factores: •

Por un lado, el aumento de la potencia de los superordenadores permitiendo resoluciones mucho más finas y menos aproximaciones en los modelos atmosféricos operacionales.

•

El aumento de la disponibilidad de datos, especialmente procedentes de satélites y aviones sobre los océanos y el hemisferio Sur.

•

El uso de métodos más exactos de asimilación de datos, lo que resulta en una mejor condición inicial para los modelos.

•

La mejora en la representación de procesos físicos de escala pequeña en los modelos (nubes, precipitación, transferencia de calor en régimen turbulento, humedad, radiación, etc.).

La predicción numérica es, en buena parte, un problema de condiciones iniciales: dada una estimación actual del estado de la atmósfera, un modelo numérico simula su evolución, para obtener una predicción en un estado futuro. Esta condición inicial se establece a partir de la interpolación sobre los puntos de rejilla del modelo de las observaciones disponibles; este proceso de obtención de la condición inicial a partir de las observaciones se denomina asimilación. El principal problema de este proceso es que la cantidad de datos disponibles no es suficiente para inicializar el modelo en todos sus grados de libertad (por ejemplo, un modelo con una resolución típica de 1º de resolución (aprox. 111 Km) horizontal y20 niveles verticales podría tener 180×360×20 = 1.3×106 puntos de rejilla, en cada uno de los cuales están definidas 7 variables, con lo que tendríamos aproximadamente 107 grados de libertad). Para una ventana temporal de ±3 horas, existen normalmente entre 104 y 105 observaciones de la atmósfera, dos ordenes de magnitud menor que el número de grados de libertad del modelo. Más aún, la distribución espacial y temporal de las observaciones no es uniforme, existiendo regiones en Eurasia y Norteamérica con muchos datos, y regiones en el Hemisferio Sur con pocos datos. Por tanto, se hace necesario usar información adicional (llamado fondo, first-guess o información a priori) para preparar las condiciones iniciales de la predicción. Inicialmente se usaba la climatología como first-guess, pero al mejorar la pericia de las predicciones, se utiliza una predicción a corto plazo como first-guess en los sistemas de asimilación de datos operacionales (ciclos de análisis). Para los modelos globales, el first-guess es la predicción del modelo a las 6 horas, xp (un array 4-dimensional) que es interpolada a los puntos de observación mediante un operador H(xp) y convertida al mismo tipo que las variables observadas y0. Las diferencias entre las observaciones y el first-guess y0 − H(xp) son los incrementos observacionales o mejoras, y el análisis x0 se obtiene añadiendo las mejoras al firstguess del modelo con unos pesos W que son determinados en base a las covarianzas de los errores estadísticos de la predicción y observación. Los diferentes esquemas de análisis están basados en este método: •

Interpolación óptima, donde la matriz de pesos se determina minimizando los errores en cada punto de rejilla.

•

Métodos variacionales 3D y 4D, con funciones de coste proporcionales al cuadrado de la distancia entre el análisis, el first-guess y las observaciones (sobre un intervalo temporal o ventana de asimilación para el caso 4D).

•

Más recientemente, los filtros de Kalman extendidos (Judd, 2003).

A la vista de lo anterior se puede interpretar que el ciclo de asimilación de datos es una continua integración del modelo que se va perturbando con las observaciones de tal forma que permanezca lo más cerca posible del estado real de la atmósfera. La función del modelo es transportar información de zonas con muchos datos, a zonas con pocos datos y ofrecer una estimación del estado de la atmósfera.

Los errores que se cometen en el proceso de asimilación imponen una incertidumbre en el plazo de predicción, dada por la no linealidad de la atmósfera (y, por tanto, de los modelos que aproximan su dinámica). Este problema se vuelve importante en el plazo medio y en la predicción estacional y obliga a formular la predicción en términos probabilísticos. La predicción por conjuntos (ensemble forecast), es una técnica práctica para mejorar la predicción teniendo en cuenta esta incertidumbre. TIPOS DE MODELOS NUMÉRICOS DEL TIEMPO la estabilidad numérica de los métodos de integración obliga a mantener un compromiso entre la resolución espacial y el alcance de los modelos numéricos operativos, para que estos puedan ser integrados en un tiempo limitado. Las integraciones con gran resolución espacial requieren un paso de integración pequeño limitando el alcance operativo de las mismas a unos pocos días, mientras que las integraciones de modelos de baja resolución pueden prolongarse en el tiempo hasta escalas mensuales o interanuales. Así, cada tipo de modelo caracteriza un conjunto de fenómenos asociados con la escala espacial de trabajo, desde fenómenos sinópticos de miles de kilómetros y períodos de días, hasta fenómenos mesoescalares de escalas de kilómetros y períodos de horas. Este hecho ha motivado que operativamente se consideren distintas configuraciones o tipos de modelos numéricos según el alcance y resolución de la predicción deseada. A continuación se describen las características de algunas de estas configuraciones. MODELOS GLOBALES DE CIRCULACIÓN GENERAL Los modelos globales se integran sobre todo el globo por lo que su tratamiento numérico se realiza en coordenadas esféricas. Por tanto, la resolución horizontal de estos modelos viene caracterizada por el número de modos esféricos que se consideren en el desarrollo de las soluciones; así, un modelo truncado a 144 modos se denomina T144 y tiene una resolución horizontal de 2.5 grados, que corresponden aproximadamente a 250 km en nuestra latitud. Este truncamiento también influye en la resolución vertical (número de niveles de presión) que habrá de ser consistente con la resolución espacial y temporal. Así, el modelo global operativo en la predicción a corto plazo del ECMWF (European Center for Medium-Range Weather Forecast) es un T511L60 con 60 niveles de presión, mientras que el modelo utilizado para la predicción estacional es un T95L40.

Rejilla global de 2.5º de resolución horizontal utilizada por modelos de circulación general sobre todo el globo; el tamaño de la rejilla es 144 × 73 = 10512 puntos. (derecha) Dos perfiles verticales con 31 y 60 niveles de altura geopotencial (expresados en milibares mb, y en números de nivel del modelo, respectivamente). La altura máxima mostrada (0.1mb) es de aproximadamente 64 km.

Dada su escasa resolución espacial, estos modelos utilizan la aproximación hidrostática de la atmósfera (los movimientos verticales están parametrizados) y capturan su dinámica sinóptica. Normalmente son utilizados en la predicción mensual y estacional, y también en las simulaciones de escenarios de cambio climático. En algunos casos, los modelos de circulación general son acoplados con modelos oceánicos para tener caracterizado este término importante del forzamiento de la atmósfera; en otros casos, dado que la evolución de la atmósfera es la componente rápida del sistema, la temperatura del agua se supone constante (por ejemplo en la predicción mensual). Otros términos como la orografía, el uso del suelo, la cubierta de hielo, etc. se parametrizan a escala de la rejilla del modelo y, por tanto, por ejemplo la orografía está muy suavizada y sólo refleja de forma grosera los principales sistemas montañosos del planeta.

Rejilla horizontal de resolución 1 º de longitud y latitud sobre Europa (izquierda). Orografía del modelo para la resolución dada (derecha).

MODELOS REGIONALES Una solución para aumentar la resolución del modelo sin incrementar el coste computacional es considerar rejillas limitadas a zonas geográficas de especial interés. Por ejemplo, la figura anterior muestra una rejilla de 1º de resolución en longitud y latitud centrada en Europa. Debido a su mayor resolución, los modelos regionales tienen una mayor exactitud para reproducir fenómenos de pequeña escala como las tormentas, y también tienen mejores forzamientos orográficos que los modelos globales. A pesar de que estos modelos han utilizado históricamente la aproximación hidrostática de la atmósfera, la tendencia actual es utilizar modelos no hidrostáticos en este tipo de predicciones. Por otro lado, al no ser globales, estos modelos tienen la desventaja de no ser “autocontenidos” y, aparte de las condiciones iniciales, requieren condiciones de contorno en las fronteras del dominio. Estas condiciones de contorno necesitan ser lo más precisas posibles y por ello se toman interpolando la salida de un modelo global. Normalmente las condiciones de contorno se actualizan durante el transcurso de la predicción para imponer sobre el modelo regional la dinámica sinóptica simulada por el modelo global. En algunos casos, se define un anidamiento de rejillas de tamaño decreciente y resolución creciente y las integraciones se realizan de forma anidada aprovechando las salidas de una rejilla como condiciones de contorno de la siguiente. Por ejemplo las salidas de los modelos del GFS (antiguo AVN) se utilizan en MeteoGalicia como condiciones de contorno para modelos regionales de mayor resolución. Por ejemplo, el producto final de predicción operativa de MeteoGalicia para Galicia se obtiene aplicando el modelo MM5, con una resolución espacial de 30 Km y 10 Km, a las salidas del GFS y el modelo ARPS con una resolución espacial de 50 Km y 10 Km.

Campos de precipitación previstos para D+1 por (a) el modelo AVN (GFS) del NCEP; y el modelo MM5 utilizado por MeteoGalicia con (b) 30 y (c) 10 km de resolución.

MODELOS MESOSCALARES Más recientemente, la resolución de algunos modelos regionales ha aumentado hasta llegar a unos pocos kilómetros, con objeto de mejorar la resolución de fenómenos convectivos locales (tormentas) y otros procesos físicos de pequeña escala. Dada su escasa gran resolución horizontal, la formulación de estos modelos suele darse en coordenadas cartesianas y no usan la aproximación hidrostática, la cual deja de tener validez para escalas horizontales menores de 10 km. En este caso, las parametrizaciones juegan un papel fundamental y su calibración para la zona geográfica de interés es determinante para el buen funcionamiento del modelo. Los fenómenos de mesoescala son a menudo forzados por la topografía, las líneas costeras ó están vinculados con la convección. Así se han desarrollado varios modelos no hidrostáticos que se utilizan rutinariamente para la predicción de fenómenos de mesoscala. Los más usados son ARPS (Advanced Regional Prediction System), MM5 (Penn State/NCAR Mesoscale Model), RSM (NCEP Regional Spectral Model) y el HIRLAM ((High Resolution Limited Area Model). ARPS El modelo de predicción meteorológica ARPS (Advanced Regional Prediction System) ha sido desarrollado en el CAPS (Center for Análisis and Prediction of Storms), centro que pertenece a la universidad de Oklahoma. Este modelo está en continua evolución,

ya que desde el comienzo de los años 90 han ido surgiendo sucesivas versiones que han ido completando y mejorando a las anteriores. ARPS es un modelo de mesoscala no hidrostático que incluye un elevado número de opciones de cálculo a elegir por el usuario, como por ejemplo: múltiples posibilidades de tratamiento de las condiciones de contorno, datos iniciales, cálculo de los términos de advección, integración de las ecuaciones de pronóstico, esquemas de parametrización de nubes, aproximaciones de turbulencia o la posibilidad de parametrizar agua en estado sólido, líquido y gaseoso. Este gran número de posibilidades hace que el ARPS sea un modelo muy adecuado para la investigación, ya que únicamente modificando los datos de entrada se obtienen las diferentes respuestas del modelo. Además funciona como modelo operativo ya que actualmente se está calibrando para realizar una predicción operativa para Corea de fenómenos meteorológicos muy adversos que provocan inundaciones, también se aplica en la aviación comercial de Estados Unidos y actualmente se encuentra operativo en algunas regiones de España. MM5 El modelo meteorológico de mesoescala de quinta generación MM5 (Mesoscale Model of the 5th Generation) es un modelo de pronóstico del tiempo de área limitada y nohidrostático desarrollado por la Universidad Estatal de Pennsylvania (Penn State University, PSU) y el Centro Nacional de Investigaciones Atmosféricas (Nacional Center for Atmospheric Research, NCAR), este último organismo se encarga del soporte operativo al modelo. Ha sido seleccionado por diversas organizaciones gubernamentales y de investigación en toda España como modelo operacional, por su alta definición en la detección de sistemas atmosféricos de mesoescala, y cuenta con todas las características necesarias para su adaptación a las condiciones específicas de cada región. Las versiones más modernas del modelo MM5 presenta ventajas respecto a las anteriores, como la capacidad de multianidamiento, asimilación de datos en cuatro dimensiones, así como más opciones de parametrización físicas. Algunas de las características principales del MM5 se describen a continuación: •

Es un modelo de diagnóstico o pronóstico. Puede ser utilizado para realizar simulaciones de fechas anteriores (reanalysis), actuales o a manera de pronóstico.

•

Es un modelo de tipo euleriano.

•

Hace uso de la asimilación de datos en cuatro dimensiones ó FDDA ( FourDimensional Data Assimilation ), es decir en los ejes X, Y, Z, y el tiempo.

•

Tiene la capacidad de efectuar múltiples anidamientos (hasta nueve dominios corriendo simultáneamente e intercambiando información entre ellos) y simulaciones de una forma hidrostática o no hidrostática.

•

Se puede aplicar a cualquier zona del mundo, ya que es posible desarrollar la información de entrada (campos meteorológicos, topografía y uso de suelo) necesaria para su funcionamiento, inclusive para zonas con alta resolución espacial que con topografía compleja.

•

Cuenta con una amplia gama de parametrizaciones de capa límite planetaria, convección, física de nubes, etc.

HIRLAM HIRLAM (High Resolution Limited Area Model) es un modelo numérico de predicción meteorológica de mesoescala, desarrollado dentro del proyecto europeo HirlamProject en el cual están involucrados los Institutos Meteorológicos de 9 países: Dinamarca, Holanda, Finlandia, Islandia, Irlanda, Francia, Noruega, Suecia y España, y utilizado en la actualidad por estos mismos. Se trata de un modelo numérico cuya formulación acepta la hipótesis hidrostática, es decir que supone que en la vertical exista equilibrio perfecto entre la fuerza del gradiente de presión y la fuerza gravitatoria. El modelo utiliza un sistema de coordenadas que siguen el terreno (sistema híbrido p-sigma) en la vertical, y como representación horizontal una malla referenciada con coordenadas esféricas. La resolución actual del modelo es de 55 a 5 Km como escala horizontal, y va de 16 hasta 31 niveles en la vertical. El área total cubierta por el modelo está representada en la figura a continuación:

Área total cubierta por el modelo Hirlam.

Las condiciones meteorológicas de contorno para la versión a grande escala están obtenidas por el modelo global ejecutado por el Centro Europeo para Predicciones Meteorológicas a Medio Rango (ECMWF). La versión que cubre Europa esta anidada en la versión más grande, que proporciona los valores de contorno. La resolución de la versión global es de 0.45º (aproximadamente 49 Km), la de la versión a escala europea es de 0,15º (16Km), mientras las versiones locales utilizadas por cada país están a su vez anidadas en la versión europea, con una resolución de 0,06º de promedio. En España el Hirlam está ejecutado por el INM (Instituto Nacional Meteorológico) desde el febrero 1995. Actualmente, el INM utiliza este modelo para tres áreas operativas denominadas ONR, HNR y CNN. Se hacen cuatro pasadas diarias (00, 06, 12 y 18 UTC) con un alcance máximo de predicción de 72 horas para el área ONR, siendo de 36 horas para HNR y CNN. En la figura siguiente se presenta el área de integración del modelo Hirlam del INM, como puede verse aunque el área de interés del INM es España, el Sur de Europa y el Norte de África, el área del modelo se extiende desde las costas de Norteamérica hasta Turquía.

Área de integración del modelo Hirlam en el INM

El INM también integra una versión de mayor resolución anidada en ésta. Con ella se realizan predicciones hasta 24 horas cuatro veces al día. La resolución horizontal de ésta es de 0.16 grados de latitud-longitud y el área de integración se muestra en la figura siguiente:

Resolución horizontal del modelo Hirlam centrado en la Península Ibérica.

El modelo HIRLAM operativo en el INM tiene las siguientes características: Resolución horizontal: 0.16 grados (de latitud-longitud) para el modelo ONR y 0.05 grados para los modelos anidados HNR y CNN, con una malla de : -ONR: 246768 puntos ( 582 puntos de longitud x 424 puntos de latitud) -HNR: 260580 puntos ( 606 puntos de longitud x 430 puntos de latitud) -CNN: 260580 puntos ( 606 puntos de longitud x 430 puntos de latitud) Resolución vertical: 40 niveles híbridos. Condiciones de contorno: -Modelo ONR: predicciones del modelo IFS del ECMWF, a 0.5 grados de resolución horizontal y 91 niveles en la vertical. -Modelo HNR: predicciones del modelo HIRLAM/ONR a 0.16 grados de resolución horizontal y 40 niveles en la vertical. -Modelo CNN: predicciones del modelo HIRLAM/ONR a 0.16 grados de resolución horizontal y 40 niveles en la vertical. Campo previo (first guess): predicciones a seis horas del propio modelo de la pasada de seis horas antes (como alternativa, predicciones a doce horas del propio modelo, de la pasada de doce horas antes). Por cuanto concierne los análisis de altura, la asimilación de datos ocurre a intermitencia cada seis horas con una ventana de datos de -3 a +2 horas. Las variables obtenidas por dicha asimilación son el geopotencial (Z), el viento (u,v) y la humedad relativa (HR), a través del método de Interpolación Optima Tridimensional, que se diferencia en multivariante para neopotencial y viento, y univariante para humedad relativa . Para la variable temperatura del agua del mar, el análisis de superficie utiliza el método de Interpolación Óptima Tridimensional univariante. Además se proporciona una predicción para las variables de presión en superficie, temperatura, viento en las dos direcciones (u,v) y humedad especifica, resolviendo las ecuaciones con el método de las diferencias finitas. Se utiliza la orografía de la base de datos NOAA (0,1º) y base de datos nacionales. El tiempo de integración va de 4 minutos para el ONR a 2 minutos para el HNR y el CNN.

5. SISTEMAS INTEGRADORES DE DATOS HIDROMETEOROLÓGICOS Y SISTEMAS DE AYUDA A LA DECISIÓN Desde que vio la luz el proyecto de los sistemas SAIH en España, una de las prioridades del mismo era servir como base para la ayuda a la toma de decisiones en situación de eventos hidrometeorológicos severos. Desde que se inició el proyecto en la década de los ochenta, se ha evolucionado tanto en los sistemas de adquisición de datos como en los modelos de previsión meteorológica, modelos de transformación lluvia escorrentía, modelos de fusión de nieves y modelos hidráulicos a la par que las

nuevas tecnologías han permitido su incorporación en sistemas informáticos que gestionen por un lado la adquisición de los datos, tanto los propios del SAIH como los datos externos proporcionados por el INM u otros organismos nacionales o internacionales (predicciones meteorológicas, teledetección, radar meteorológico, datos de otras redes, etc.) y por otro lado que sirvan de gestor de los modelos numéricos, tanto hidrológicos como hidráulicos, a fin de realizar previsiones y con ello su aprovechamiento en el centro de proceso de cuenca siendo una herramienta útil para la ayuda en la toma de decisiones (SAD). Es por ello necesario el desarrollo e implementación de un sistema interactivo que permita de una manera sencilla y robusta el planteamiento de posibles formas de explotación del sistema y la simulación de sus consecuencias en caudales y niveles en los puntos de interés de la cuenca. En general se analizan los diferentes SAD bajo la premisa de que sean los más abiertos posibles tanto por la integración de diferentes fuentes de datos, como por la integración de diferentes modelos hidrológicos e hidráulicos, ya que no existen modelos universales y en función de las características específicas y necesidades de cada cuenca hidrográfica deben poder soportar la inclusión en el SAD de por una parte el/los modelos más apropiados y por otra aquellos que sean más familiares y este comprobado su buen funcionamiento en cada uno de los diferentes SAIH. Existen diferentes sistemas en el mundo, entre ellos destacan los siguientes SAD: •

EFFORTS (European Flood Forecastig Operational Real Time System)

•

FEWS (Flood Early Warning System)

•

EDIMACHI (Entorno de Desarrollo de Interfase Modular de Análisis y Cálculo Hidrológico)

•

FLOOD WATCH (Sistema de gestión para pronóstico y alerta de crecidas en tiempo real)

5.1.

EFFORTS

El Sistema de apoyo a la decisión Efforts (European Flood Forecastig Operational Real Time System) ha sido desarrollado en el ámbito del proyecto Europeo de Investigación y Desarrollo “Real-Time Monitoring System for Optimal Computer Control of the Fuchn River Hydropower Station Reservoir” para la prevision y la gestión optima de un embalse en el río Fuchun en la provincia de lo Zhejiang de la Republica de China. Actualmente se encuentra operativo en los Ríos RENO y PO en Italia. El Efforts está pensado como un sistema de visualización de datos ambientales en tiempo real y como un sistema automático de predicción de avenidas en tiempo real, con posibilidad de integración con un sistema de soporte a la decisión, que consiente de evaluar los efectos de un fenómeno de inundación causado por la crecida prevista. El paquete está pensado para proporcionar: •

Una interfaz amigable con el usuario;

•

Una vista georeferenciada de los datos recopilados sea en formato sin refinar, validados, reconstruidos (en el caso de falta de datos) o muestreados a paso constante;

•

Una previsión de avenida y su incertidumbre por medio de una cascada de modelos matemáticos (de lluvia-escorrentía y de propagación), y además una predicción de la evolución a corto plazo del sistema físico bajo examen, por medio de la actualización automática de los datos;

•

Una visualización fácilmente comprensible de los resultados de las elaboraciones matemáticas bajo forma de mapas, graficas de series temporales y animaciones correspondientes a las variaciones de cantidades en el tiempo.

•

Una gestión de datos de tipo: -

Hidrológicos (dato y predicciones): caudales, niveles, temperaturas, precipitación etc.;

De calidad de agua: DBO, DO, nitratos, fosfatos, clorofila α etc.;

De calidad atmosférica: temperaturas, CO2 etc.

El sistema es completamente automático, es decir la actualización de los datos, la averiguación de validez, su muestreo, la reconstrucción de los datos que faltan y las elaboraciones de los modelos se procesan en automático sin la intervención del usuario, el cual puede solo proceder a la visualización de las diferentes operaciones proporcionadas. Características peculiares: En la siguiente Figura se muestra un esquema del funcionamiento del software integrado EFFORTS, con cada uno de sus módulos y sus dinámicas internas:

Meteo System LOKAL MODEL (LAM)

Real Time Acquisition System Meteosat Images

Radar Images

Ground station gauges

In case of Real Time Forecast simulation:

Rainfall prediction on Lokal Grid

Meteosat Rainfall fields

Ground station Raw data

Radar Rainfall fields

PROGRID (gridding on RR models grid)

RT Data Base Structural data

Data validation and sampling

Gauges sampled data

Geo referenced data visualisation

MUSICRAIN (Rainfall gridding and combination ) Rainfall prediction fields

Combined Rainfall fields

temperature data

RR Hydrological models

hydrometric data

Stochastic model 1 on hydrometric data

Hydraulic forecast model 1

Stochastic model 2 on hydrometric data

Hydraulic forecast model 2

Remote measuring

(Rain)

(Temperature)

Flood forecast in plain area

Radar Data

EFFORTS(N) Byesian combination

RT RC (Rating curves)

NOWCASTING LAM

Satellite or other

(Level)

BlockKriging interpolation

Meteorological models

Flood forecast mountain area

RF Forecasted) Rainfall

Validation Level Flow Rate Sampling Reconstruction Comparison Rain forecast input INPFOR RR model (TOPKAPI) Flood W ave forecast stochastic correction of forecast (MISP)

S (cross sections)

Flood wave propagation (PAB)

VISUALIZATION GIS Digital Terrain Model HydrologicNetwork Sub-catchment Stations Rain Isolines Temperature Isolines Other geo referenced maps Alarms TEMPORAL SERIES Observed Sampled and reconstructed Forecasted level and flow Forecasted overtopping ANIMATIONS W ater level in Cross sections W ater level in Longitudinal View

DB-GIS

Esquema del EFFORTS

A continuación se especifican los detalles más importantes del Sistema: Alarmas: el sistema está dotado de la posibilidad de proporcionar alarmas cuando, establecido un nivel límite para cada sensor real o no, se excede dicho valor límite. Esta alarma puede ser visualizada por medio del cambio de color en la estación en su visualización GIS y puede ser enviada a un modulo externo para una gestión operativa de las alarmas en tiempo real. GIS: el sistema se apoya interamente en una plataforma GIS que permite una visualización georeferenciada de todos los mapas y las informaciones correspondientes a la cuenca examinada:

Ejemplos de visualización en plataforma GIS en el EFFORTS.

El GIS utilizado por el Efforts es el GRASS, de publico dominio, realizado por “US army Coprs of Engineers”. Aunque puede ser utilizada otras plataformas como los productos de ESRI. Modelos: son el corazón computacional del sistema, en un principio dispone de los siguientes modelos, aunque el sistema está diseñado para incluir cualquier modelo hidrológico y/o hidráulico según las necesidades: •

ARNO: modelo aplicado a las sub-cuencas para simular el balance hídrico y proporcionar el hidrograma de crecida en la sección de desagüe de las mismas. Está estructurado en diferentes módulos: el módulo de acumulo-fusión de nieve, el módulo de evapotraspiración, el módulo de balance hídrico en el suelo y el módulo de transferencia parabólica, este ultimo que permite transferir el flujo desde el terreno a as secciones de interés.

•

TOPKAPI: este modelo simula los procesos de transferencia lluviaescorrentía, basándose en la descripción topográfica de la cuenca proporcionada por el Modelo Digital del Terreno (DEM), en la topología de los recorridos de drenaje al interior de la cuenca y en las propiedades físicas de los suelos y de la cobertura vegetal, asignadas en la misma malla del DEM y traducidas en parámetros para una

interpretación física directa. La ventaja está en que se pueda calibrarlo a escala distribuida y luego aplicarlo a escala agregada, teniendo la ultima unos tiempos de cálculo que encajan más con las exigencias operativas comunes, incluso la simulación en tiempo real. •

PAB: este método (Parabolic and Backwater) permite calcular los perfiles hidráulicos de moto variado (o moto permanente) en cada instante de simulación y de predicción en un tramo fluvial marcado por dos secciones.

•

MISP: (Mutually Interactive State Parameter, estimación recíprocamente interactiva del estado de los parámetros) es un proceso de tipo estocástico que permite en tiempo real la corrección de los caudales de predicción, evaluadas con el modelo determinístico en cada sección, basándose en los correspondientes valores de flujo registrados hasta el último instante de medida haciendo uso del filtro de Kalman.

•

NEAREST NEIGHBOUR: permite generar un conjunto de n escenarios futuros de precipitación, condicionadamente a las últimas observaciones, por medio de una regresión lineal de la precipitación de las últimas 12 horas sobre los valores horarios de precipitación registrados en un periodo de mínimo 5 años. Estas series de precipitaciones se utilizan como entrada a los modelos lluviaescorrentía, generando así previsiones de caudal en las secciones de interés.

•

RAINMUSIC: Es un paquete operacional para el desarrollo del Block Kriging de los datos suministrados por los pluviómetros además de la combinación algorítmica Bayesiana con los campos de precipitación controlados por los Radares y Satélites. Está implementado en el sistema un algoritmo original proveniente del proyecto de la Unión Europea MUSIC. En el módulo de Block Kriging los parámetros semi-variables son estimados en cada período de tiempo bajo una estima de máxima verosimilitud. En primer lugar, es llevada a cabo una combinación bayesiana entre el campo RADAR y los datos interpolados. Cuando los campos Satélites están disponibles, la combinación de Block Kriging y algoritmo bayesiano proporciona un desarrollo analítico del algoritmo “upscalingdownscaling” para interrelacionar la información del satélite con la combinación bayesiana de niveles de precipitación y el RADAR.

Datos en entrada: los datos en input al sistema pueden ser de dos orígenes: observados o predichos, generando respectivamente resultados hidrológicos de observación en tiempo real o de predicción. En cuanto a los primeros, el sistema está alimentado en continuo y en tiempo real por registros de precipitación, temperatura y nivel.

La fuente de datos puede ser de diferente origen: sea desde sensores remotos, sea desde tecnologías como radar o bien satélites. Los datos meteorológicos predichos, que sirven a los modelos hidrológicos para generar predicciones hidrológicas, pueden ser proporcionados en diferentes maneras: -

Series de precipitación generada por el modelo MISP en modalidad autoregresiva;

Series de precipitación predicha por modelos meteorológicos de tipo LAM (Limited Area Model);

Series de precipitación generadas por NEIGHBOUR, de más compleja realización.

modelo

NEAREST

En este contexto el EFFORTS puede ser visto como un sistema integrado de adquisición datos de los diferentes sensores, elaboración de dichos datos y emisión de hidrogramas de crecida, trasmisión del alerta a un posible sistema de soporte de la decisión en grado de asociar al riesgo una eventual política de protección o de gestión de la alarma:

G2 G1

Adquisición de los datos desde los sensores remotos

Pluviómetros RADAR Meteorológicos EFFORTS R2 R1

Data Base

METEOSAT

S2 S1

Interfaz de visualización y Sistema de Soporte a la Decisión

DB-Gis Grass

Esquema de funcionamiento global en el cual el EFFORTS puede ser incorporado.

5.2.

FEWS

Un sistema integrado que pueda cumplir con las necesidades antes mencionadas es el sistema de alerta temprana de avenidas desarrollado por WL | Delft Hydraulics ’Flood Early Warning System (Delft-FEWS). El software ha sido completamente renovado en los últimos años usando plataformas independientes como JAVA y XML. Ha establecido un nuevo estándar en Europa en cuanto a predicciones de avenidas, habiendo sido involucrado en los sistemas de alerta temprana de avenidas de Inglaterra, Suiza y Holanda, así como ha sido incorporado en otras aplicaciones en Alemania, Austria y en el Joint Research Center (JRC) de la Comisión Europea. Una de las ventajas del sistema es la libertad de poder incluir en el sistema cualquier tipo de modelo hidrológico/hidráulico, no sólo los desarrollados por Delft. Objetivos Con el crecimiento de la población y las inversiones de capital en zonas sujetas a avenidas, la alarma de avenidas, la protección y la gestión de estas se ha hecho un tema de primaria importancia. Las avenidas pensadas como fenómeno natural no se pueden evitar, sin embargo el riego de ocurrencia puede ser reducido aumentando el nivel de protección con inversiones en infraestructuras como presas, embalses y obras de ingeniería hidráulica, a menudo bastante costosas. De toda forma el riesgo de inundación no puede ser eliminado totalmente. En consecuencia han sido desarrollados herramienta de alerta para la gestión y la detección del riesgo de inundación, todo para intentar de minimizar el riesgo de daños y victimas causados por un episodio de avenida. Un sistema de alarma de avenidas generalmente está estructurado de la siguiente forma:

Esquematización general de un sistema de alarma de avenida.

Las observaciones meteorológicas e hidrológicas recopiladas por un sistema de monitoreo en tiempo real proporcionan informaciones para la decisión de emisión o no emisión de una alarma de inundación. Las alarmas deben de ser suficientemente fiables y es necesario lanzarlas en tiempo de manera que se pueda proporcionar una respuesta apropiada, sea por las autoridades responsables de la protección de las avenidas sea por los habitantes que residen en la zona afectada. Ejemplos de respuesta pueden ser la evacuación del área y gestión de la avenida con el fin de detener el pico de la onda de crecida, ambas operaciones son muy costosas y muy complejas. Aún si las alarmas pueden ser emitidas directamente basándose en los datos observados, la predicción de avenidas aumenta de manera significativa la precisión y el tiempo de respuesta de las predicciones y proporciona informaciones detalladas sobre la respuesta requerida. Las respuestas podrían así ser más enfocadas y eficaces, y las predicciones de avenidas podrían activar una alarma temprana de inundación.

El desarrollo de un sistema de alertas tempranas es un elemento esencial en las estrategias de alarmas nacionales y regionales, y ha conseguido una prioridad muy alta en muchos países. Los recientes desarrollos en las predicciones meteorológicas de tipo numérico, y la recopilación de datos radar y datos meteorológicos e hidrológicos on-line, han significado un importante paso en adelante por lo que concierne el desarrollo de los sistemas de alerta de avenidas. Junto con el progreso del desarrollo de las base de datos, de los modelos hidráulicos e hidrológicos y con la disponibilidad on-line de los datos, el desafío en desarrollar un sistema moderno de predicción y alarma de avenidas está enfocado en la integración de grandes series de datos, módulos especializados en procesar datos, y interfaces abiertas para permitir una fácil integración de las capacidades de los modelos existentes. El sistema de alarmas tempranas FEWS. En respuesta a los recientes desarrollos de las predicciones y alertas tempranas de avenidas, el sistema de alerta temprana de avenida Delft FEWS proporciona un estado del arte de la predicción de avenidas y de un sistema de alerta. El sistema es un sofisticado conjunto de módulos proyectados para construir un sistema de predicciones de avenidas a medida de los requerimientos específicos de cada organismo de predicción de avenidas. La filosofía del sistema es la de proporcionar un sistema abierto que permita de gestionar el proceso de predicción. El sistema incorpora un amplio rango de modalidad de tratamiento de datos, también proporciona un interfaz abierta para un amplio rango de modelos de predicción. El carácter modular y altamente configurable del sistema permite una utilización en modalidad “rudimental” es decir en sistemas de predicción sencillos, sea con sistemas de predicción más complejos, utilizando el entero rango de modelación hidrológica e hidráulica. El Delft FLEWS puede además ser utilizado en modalidad stand-alone, en un ambiente estructurado manualmente o en aplicaciones enteramente automatizadas.

Aplicación del Delft-FEWS en la cuenca de Severn, Inglaterra (imagen reproducida por gentil concesión de la Agencia Ambiental, UK)

Conexión del Delft-FEWS con fuentes de datos externos. De suprema importancia en un sistema de predicción de avenidas operativo es una conexión eficiente con fuentes de datos externas. Delft-FEWS proporciona un módulo de importación que permite importar datos meteorológicos e hidrológicos on-line desde base de datos externos. Estos datos incluyen por ejemplo series temporales obtenidas por sistemas telemétricos como observaciones de niveles hídricos, observaciones de precipitación, y también datos de predicción meteorológica, datos radar etc. Los datos son importados con un formato de intercambio estándar, como XLM, GRIS (para predicciones meteorológicas numéricas) y ASCII.

Aplicación del Delft-FEWS para un sistema de predicción de avenidas europeo (EFFS). En la imagen se muestra el campo de precipitación sobre Europa en el episodio del año 1995 importado por el Instituto de Meteorología de Dinamarca.

Validación, interpolación y transformación de los datos Un énfasis particular es atribuido en el Delft-FEWS al control de calidad de los datos obtenidos a partir de fuentes externas, con numerosas opciones de validación de datos y interpolación para completar las series de datos, en el caso de la falta parcial. Los datos que no satisfacen la validación pueden ser rectificados por medio de una interpolación temporal o espacial. Además hay la posibilidad de insertar procesos de validación a decisión del usuario. Por lo que concierne la interpolación, esta puede ser utilizada para completar series de datos con faltas parciales o bien para distribuir espacialmente por ejemplo la información meteorológica obtenida bajo forma de serie temporal, es decir temperaturas y precipitación. Los metodote de interpolaciones disponibles son: • • • •

Funciones de regresión; Polígonos de Thiessen; Kriging; Método del inverso de la distancia.

Está disponible en el paquete FEWS una ulterior serie de herramientas para proporcionar trasformaciones de datos con desvariadas escalas temporales y espaciales. Esta incluye interpolaciones geoestadísticas espaciales para transformar por ejemplo la precipitación procedente de fuentes espacialmente distribuidas, de datos radar o de modelos meteorológicos numéricos en precipitación áreal pesada. El paquete incluye además métodos para la agregación y la disgregación temporal, para

la resolución de ecuaciones sencillas y funciones hidrológicas típicas, como por ejemplo relaciones nivel-caudal o cálculos de evaporación.

Ejemplo de transformación de datos

Gestión de la toma de decisión en las predicciones de avenidas El principal objetivo en los sistemas de alertas tempranas es lo de predecir los caudales futuros y los niveles de agua en cuenca para poder lanzar alertas y obtener respuestas. Aun si en los sistemas fluviales naturales no hay una interacción entre hombre y propagación del flujo los embalses con un suficiente volumen de almacenamiento pueden ser considerados una herramienta útil para el control de la propagación del flujo. La aplicación de la gestión de embalses en un contesto de predicciones de avenidas incorpora un elemento de toma de decisión al interior del sistema. El desagüe de un embalse viene regulado por el operador del embalse que tendrá en cuenta de especificas condiciones de contorno relacionadas con la avenida, por ejemplo la conformidad con el máximo nivel de agua que se pueda almacenar en embalse, o la capacidad de los aliviaderos, etc. Delft-FEWS soporta el proceso de la toma de decisión por parte del usuario en el sistema de predicción de avenidas proporcionando al usuario varios escenarios montados a partir del caso de referencia. Las decisiones pueden venir tomadas basándose en las diferentes informaciones obtenidas como resultado de los varios módulos aplicados, como por ejemplo el módulo de “trasformación de los datos”, que juega un rol muy importante en la aplicación de las estrategias de manera interactiva, por ejemplo para calcular la descarga de un embalse en función de una apertura en las compuertas del aliviadero. Consulta de los resultados

Delft-FEWS proporciona una visualización gráfica avanzada, de comprensión inmediata, basada en representación de mapas, que ayuda el usuario a cumplir con las tareas requeridas para las predicciones de avenidas de una manera estructurada. La visualización interactiva de mapas permite la navegación geográfica, mientras los iconos vienen utilizados para informar de manera inmediata de las alertas a todos sus niveles. Las series de datos visualizadas pueden ser utilizados para consultar los datos más en detalle o modificar los datos en entrada cuando se retenga necesario.

Aplicación del Delft-FEWS en la cuenca del Alto Reno

Ejemplo de serie de datos visualizados in delft-FEWS. Muestran niveles hídricos y caudales umbral en el Ró Eden, en la Región Norte-occidental, Inglaterra.

Ejemplo de serie de datos visualizados in Delft-FEWS. Muestran precipitación observada y predicha y el hidrograma simulado resultante. (Alto Severn, Inglaterra)

Esquema del Sistema FEWS, donde existe la libertad de acoplar al SAD cualquier modelo hidrológico e hidráulico, así como acoplar distintas fuentes de datos hidrometeorológicos como por ejemplo: Datos de lSAIH, Datos de modelos numéricos de predicción de tiempo, productos derivados de la teledetección, Radar Meteorológico, etc.

Ejemplo de gestión optima en un embalse en el SAD FEWS

5.3.

EDIMACHI

EDIMACHI es una base de desarrollo y utilización de modelos de utilidad en problemas de diversa índole en el mundo de la hidrología, y especialmente concebida para dar solución al problema de los modelos para ser usados en tiempo real en situaciones de crecida. Tiene en cuenta tanto los condicionantes del empleo final de las aplicaciones que con él se generen, como la problemática de la construcción de éstas. La mayor parte de las entidades de programación desarrolladas cuentan con una serie de posibilidades básicas, entre las que se encuentra la visualización de ellas o de algunas de sus propiedades, o la gestión de ficheros de almacenamiento de sus especificaciones. De este planteamiento surgió la idea de IMACHI (interfase modular de análisis y cálculo hidrológico), que lleva asociada una arquitectura modular de aplicaciones (A. L. Aldana; 1998). En el desarrollo informático de modelos hidrológicos, como en el de cualquier otro tipo de aplicaciones informáticas especializadas, resulta especialmente útil contar con una estructura del código de programación que admita un aprovechamiento óptimo en futuros desarrollos de lo ya implementado, de tal modo que queden resueltos, para usos sucesivos, un conjunto amplio de subproblemas de implementación comunes a muchas aplicaciones informáticas. Por esto, y dando continuidad a los trabajos del desarrollo de IMACHI se construyó EDIMACHI: Entorno de Desarrollo de IMACHI (A. L. Aldana; 2004).

EDIMACHI se concibió en una arquitectura modular de organización de información y aplicaciones, gestionada por una aplicación de especiales características denominada IMACHI.

Esquema Modular de EDIMACHI (tomado de Aldana)

La arquitectura modular anular de IMACHI se fundamenta en una clasificación de los dos tipos de información que se tratan: de episodio (información de variables temporales asociadas a un determinado evento de crecida) y de elementos (descripción física del sistema a modelar). La idea de estructurar el sistema completo de ayuda a la decisión, partiendo en su base de esta separación de los dos tipos de información es casi impuesta por una razón de hecho: existen en el mercado soluciones especializadas en cada uno de los dos tipos de información, a la vez que igualmente separadas se encuentran habitualmente las metodologías asociadas a los respectivos problemas de análisis. La información así clasificada se encuentra en su forma más bruta en el núcleo central de la arquitectura, evolucionando hacia el exterior del sistema hacia conceptos más elaborados, siendo tratada con módulos especializados en cada tipo de información o subproblema. La información temporal será tratada por aplicaciones específicas de validación y relleno, y por modelos, que la analizarán conjuntamente con la información descriptiva del sistema hidrológico. Las aplicaciones especializadas en el tratamiento de este último tipo de información son los SIG (sistemas de información geográfica), por lo que se les ha dado cabida en esta arquitectura En esta arquitectura, el sistema hidrológico se representa desagregándolo sobre la base de un conjunto de entidades elementales, con las cuales se pueden modelar los

casos más comunes (en realidad, no se ha encontrado ningún caso no representable con la solución adoptada). Las entidades seleccionadas tienen, cada una de ellas, unos atributos y un comportamiento que las caracteriza, y, en conjunto, permiten simular el comportamiento del sistema hidráulico real, no contándose con limitaciones en cuanto a nivel de desagregación. Estas entidades, que actúan a modo de unidades representativas elementales, son denominadas elementos y drenajes. Conceptualmente EDIMACHI tiende a modelos hidrológicos conceptuales agregados.

5.4.

FLOOD WATCH

Flood Watch es un sistema de apoyo para la toma de decisiones que combina una avanzada base de datos de series temporales, el sistema de modelización MIKE 11 FF (Flood Forecasting: módulo de pronóstico de crecidas) y el sistema de información geográfica (GIS) de ArcView. MIKE 11 FF, desarrollado por DHI, es una herramienta de modelización bajo Windows para el pronóstico de crecidas en tiempo real que incluye la modelización de la transformación lluvia-escorrentía de ríos y planicies de inundación. Asimismo el módulo cuenta con una rutina automática de actualización. La integración de un sistema de modelización de inundaciones en un ambiente GIS constituye una poderosa herramienta para el pronóstico de crecidas en tiempo real y alerta de inundaciones. Flood Watch trabaja en el ambiente ArcView y consta de tres módulos: •

un módulo para la gestión de bases de datos

•

un módulo para la edición y presentación de los datos en bases y mapas

•

y un módulo para la preparación de los modelos, simulación y posterior procesamiento de los resultados

El módulo de gestión es utilizado para establecer e indicar las actuaciones en tiemo real en la pantalla de ArcView. Una vez establecida la base de datos, un módulo de conversión vincula los bloques de datos en MIKE 11 FF con el ambiente ArcView y la base de datos. La visualización con ArcView de las estaciones permite al usuario seleccionar las estaciones para edición y presentación de datos directamente del mapa GIS. Por medio del acceso directo a MIKE 11 FF los resultados pueden visualizarse en combinación con otras estaciones y mapas. El módulo de modelación incluye herramientas para el establecimiento y la ejecución de MIKE 11 FF. Incluye un editor de informes para la creación de alertas de inundación y otra información relacionada para su distribución. También se pueden importar los resultados al módulo de mapas de inundación MIKE 11 GIS y combinarlos con mapas de profundidad/área de inundación para análisis adicionales

Las características de Flood Watch son: •

un sistema rápido y estable para operaciones en tiempo real

•

acceso directo a la base de datos de series temporales

•

importación automática de datos procedentes de redes telemétricas

•

facilidades para el control de calidad y el procesamiento de datos

•

presentación GIS de diseño del modelo, cuencas, estaciones y otros datos almacenamiento automático de pronósticos

•

módulo de diseminación para la preparación de alertas de inundación, boletines y gráficos

•

vinculación con MIKE 11 GIS para la confección de mapas de inundación

Interfaz del FLOOD WATCH

6. EXPERIENCIAS MUNDIALES RESPECTO A MODELOS HIDROLÓGICOS EN SISTEMAS DE PREDICCIÓN DE CRECIDAS EN TIEMPO REAL 6.1.

PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO MOSELA (ALEMANIA)

La mayoría de centros de predicciones operativas de avenidas en Alemania hace uso del sistema LARSIM (Large Area Runoff Simulation Model), basado en el modelo hidrológico FGMOD que fue desarrollado para la modelación sistemática de la generación de escorrentía superficial y la propagación del flujo en cauce (Ludwig 1982). La primera aplicación del LARSIM como un modelo de predicciones de eventos de crecidas se desarrolló por parte de la Autoridad Hídrica del Rhineland-Palatinate (Alemania), en la cuenca del Río Moselle, de aproximadamente 28000 Km 2 , que cubre con su extensión tres diferentes países (Luxemburgo, Francia y Alemania). El programa LARSIM ofrece submodelos alternativos para los varios pasos de trasformación lluvia-escorrentía. Debido a la limitación de datos, el número de parámetros del modelo fue reducido. La estructura de los submodelos hidrológicos se puede observar en el esquema a continuación, la sencillez del mismo está flexible a restricciones de los diferentes periodos de escorrentía:

Esquema de la estructura general del modelo LARSIM.

El LARSIM puede ser aplicado sea como modelo de balance hídrico que como sistema de predicción hidrológica. En el primer caso se tienen en cuenta procesos de intercepción, evapotraspiración y almacenamiento de agua en el suelo y en los acuíferos, además que el mecanismo de generación de escorrentía superficial y traslación y retención en cauce (Bremiker 2000). Actualmente esta modalidad está operativa en el Río Neckar (Bremicker & Gerlinger 2000). La modelación del acumulo/fusión de nieve es operativa en ambos tipos de funcionamiento, así como las influencias artificiales (embalses artificiales, trasvases de una cuenca a otra etc.). En el segundo caso se tienen en cuenta solamente simulaciones a escala de evento, despreciando todos los mecanismos que se desarrollan a una escala temporal más amplia. El objetivo en este caso es la predicción de valores de caudal a un punto temporal tal que la alerta pueda ser eficaz, o como lanzamiento de alarmas antes de que el nivel hídrico del río empiece a aumentar de manera significativa:

Usos del modelo LARSIM: en predicciones de avenidas o en balance hídrico.

En el caso de su utilizo como sistema de predicciones en tiempo real, el modelo se desarrollas en sus varias partes como explicado a continuación: -

El calculo de la precipitación areal consiste en un procedimiento de interpolación espacial a partir de información puntual, parecido al procedimiento de gridpoint del modelo NWSRFS (Departamento de Comercio, USA, 1972);

Modelos paralelos de almacenamiento: la escorrentía efectiva se distribuye a dos embalses lineares según un valor umbral (índice de ratio del interflujo);

La trasformación de la escorrentía en la zona de interflujo se simula por medio de un único embalse linear. Para la modelación de la escorrentía directa se recorre al modelo modificado de Clark (Clark 1945), siendo el área de la

cuenca aproximada a un rectángulo; el resultado es un diagrama tiempo-área de forma trapezoidal o triangular. -

Función del coeficiente de escorrentía: se construye un índice de humedad del suelo por medio del cual los coeficientes de escorrentía son variables de este con el uso conjunto de funciones parabólicas, delimitadas en ambos extremos (el valor del coeficiente de escorrentía varía de un mínimo hasta un máximo).

Existe un procedimiento de propagación de flujo para asegurar la no-linealidad de los procesos de almacenamiento, especialmente para las diferencias en el tipo de escorrentía entre cauce y llanuras de inundación. La retención en los sub-tramos de la red de drenaje se describe por medio de almacenes, cuya retención depende del flujo que entra y aquello que sale (Williams, 1969).

Los módulos que usan las predicciones meteorológicas para la predicción hidrológica incluyen: -

Modelo de alerta: antes de que empiece la crecida a los parámetros de la función del coeficiente de escorrentía se le asigna un valor específico para determinado para cada estación por medio de un análisis avenidas históricas.

Modelo de predicción: si el caudal medido da un aumento consistente, los parámetros de la función de coeficiente de escorrentía vienen obtenidos a partir de los datos de precipitación y de escorrentía corrientes. Las diferencias entre la escorrentía calculada y medida antes del punto temporal de predicción vienen minimizadas por medio del uso de una optimización de adaptación de los parámetros de la función del coeficiente de escorrentía (procedimiento de Gauss-Marquardt , Marquardt 1963).

Se determinan los errores entre hidrograma calculado y observado y se corrigen los resultados del calculo una vez pasado el punto temporal de predicción, de acuerdo con el análisis de la distribución del error por medio de modelos autoregresivos (ARIMA-correction, Box & Jenkins 1970).

1) Localización de la cuenca del Río Moselle in Europa. 2) La cuenca del Río Moselle con las estaciones pluviométricas usadas y las estaciones de aforo. 3) Ejemplo de la malla de 14x14 Km y red de drenaje. 4) Ejemplo de la malla a resolución mas alta (1x1 Km) y red de drenaje.

Los datos de entrada para las predicciones hidrológicas son las predicciones meteorológicas a 48 horas proporcionadas por el sistema numérico de predicción meteorológica (NWP) del Servicio Meteorológico Alemán (DWD). La estructura del modelo fue desarrollada de acuerdo con la resolución horizontal del NWP“Deutschland Modell” para poder directamente incluir las predicciones meteorológicas. En el caso del Río Moselle fueron delimitadas 154 sub-areas de 14x14 Km de resolución:

Modelo raster y red de drenaje.

La información necesaria para los tramos de la red de drenaje consta esencialmente en ancho y profundidad del cauce. Debido a la baja disponibilidad de estos datos para la mayoría del área de la cuenca, estos han sido estimados por medio de hipótesis de geometría hidráulica basadas en un índice estadístico de escorrentía (Allen et al. 1994). Parea tramos donde existe información de la geometría, esta fue integrada en el modelo a substitución de las aproximaciones. Después de una calibración hecha con la reproducción de 4 avenidas históricas, (12/1993, 01/1995, 11/1996 y 02/1997), se comprobó el sistema con simulaciones de de 12 horas de predicción en la estación de Traer/Moselle, comparándola después con los hidrogramas observados:

Comparación del hidrograma observado y predicho con 12 horas de adelanto, para las 4 avenidas históricas (estación Traer/Moselle)

El sistema ha respondido en manera eficaz también cuando ha sido utilizado como sistema de alerta antes del comienzo de una avenida. En la imagen a continuación se puede observar el resultado del acierto de la alarma con 24horas de adelanto con respecto al aumento significativo de caudal:

Figura 1:

Resultados de la alarma hidrológica del diciembre del 1999.(estación

de Traer/Moselle).

Actualmente el modelo está usado en manera operacional como sistema de predicción en tiempo real de avenidas en el centro de predicciones de avenidas en Trier. Los datos en entrada para un ajuste continuo de los parámetros del modelo son valores horarios de nivel hídrico de las 14 estaciones de aforo y de las 48 estaciones de

medidas pluviométricas de transmisión automática desde Francia, Alemania y Luxemburgo:

Estaciones pluviométricas que proporcionan datos en tiempo real para la cuenca del Río Moselle.

Estos datos vienen preprocesados, es decir interpolados espacialmente juntos con los datos obtenidos de las predicciones, de manera que se pueda obtener una información en entrada continuamente actualizada y completada. Estos datos juntos con los datos propiamente hidrológicos de la cuenca vienen elaborados por el modelo LARSIM, obteniendo la respuesta hidrológica consiguiente a eventos severos de precipitación, modelación de embalse, estimación del error y corrección del mismo. Sigue una fase de postproceso en la cual las predicciones de caudal vienen convertidas por medio de oportunas curvas de gasto estimadas para cada uno de los aforos en nivel hídrico en cauce, y estos resultados trasmitidos y utilizados para la decisión en merito al lanzamiento de alertas hidrológicas. A continuación se puede observar el esquema completo del sistema de alertas hidrológicas realizado a medida para la cuenca del Río Moselle:

Diagrama del uso operacional del sistema adaptado al Río Moselle.

6.2.

PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO PARANA (ARGENTINA)

La cuenca del Río Plata tiene una extensión areal de 32 miliones de Km2, que abarca el territorio de 5 países del América Meridional: Uruguay, Brasil, Bolivia, Paraguay y Argentina:

Localización de la red de drenaje del Río Plata, América del Sur.

Los principales Ríos de la cuenca son el Paraná, el Paraguay, el Uruguay, el Iguazú, el Pilcomayo y el Bermejo. En Argentina, el Instituto Nacional del Agua (INA), organismo descentralizado dependiente de la Subsecretaría de Recursos Hídricos, Secretaría de Obras Públicas, Ministerio de Planificación Federal, Inversión Pública y Servicios, es el organismo responsable del desarrollo y la operación del Sistema de Información y Alerta Hidrológico de la Cuenca del Plata (SiyAH). Tiene además en operación dos sistemas de alerta hidrológico, uno para áreas de piedemonte afectadas por eventos aluviales y otro en ríos afectados en verano por escurrimientos torrenciales. Como organismos nacionales se encarga de la coordinación de: -

SERVICIO METEOROLÓGICO NACIONAL (SMN).

PREFECTURA NAVAL ARGENTINA (PNA) .

COMISIÓN NACIONAL DE ACTIVIDADES ESPACIALES (CONAE).

SERVICIO DE HIDROGRAFÍA NAVAL (SHN).

INSTITUTO GEOGRÁFICO MILITAR (IGM)

INTA - INSTITUTO DE CLIMA Y AGUA (ICyA).

DIRECCIÓN NACIONAL DE CONSTRUCCIONES PORTUARIAS Y VÍAS NAVEGABLES (DNCPyVN).

Además de la constitución de entes binacionales: -

ENTE BINACIONAL YACYRETÁ.

COMISIÓN TÉCNIA MIXTA DE SALTO GRANDE.

COMISIÓN MIXTA ARGENTINO-PARAGUAYA DEL RÍO PARANÁ.

Estos organismos trabajan en conjunto para prever, con la mayor antelación posible, eventos de inundación o estiaje pronunciados, además de poder conocer en cada momento el estado de la cuenca y producir regularmente pronósticos hidrológicos en puntos de interés. Los puntos clave del sistema de alerta hidrológica del Servicio permanente de Pronósticos y Alerta son fundamentalmente: 1. Recepción y procesamiento de datos meteorológicos, hidrométricos y satelitales; 2. Modelación Hidrológica e Hidrodinámica; 3. Monitoreo sistemático con información satelital; 4. Adquisición e integración de información a SIG.

INGRESO DE INFORMACIÓN

OPERATIVIDAD INTERACCIÓN Y INTERACCIÓN Y PROCESAMIENTO PROCESAMIENTO CONJUNTO CON CONJUNTO CON ORGANISMOS ORGANISMOS INVOLUCRADOS INVOLUCRADOS

ANÁLISIS

SERVICIO

Evaluación

METEOROLÓGICA

HIDROLOGÍCA

DESARROLLO DESARROLLO OPERATIVO OPERATIVO

NODOS CENTRAL y PROVINCIALES

USUARIOS

SATELITAL PRODUCTOS PRODUCTOS

Metodología

Esquema del sistema de alertas hidrológicas del Servicio permanente de Pronósticos y Alerta.

Red hidrométrica nacional del Río Plata.

En particular cada organismo contribuye a construir la estructura del sistema con sus productos y aporte tecnológico-científico.

Area Meteorológica

La vigilancia meteorológica y en particular el monitoreo de la variable precipitación en diferentes escalas espaciales y temporales, brinda al sistema los datos necesarios de entrada para la realización de pronósticos hidrológicos. Teniendo en cuenta dicho propósito, en esta área se realiza productos en conjunto con el Servicio Meteorológico Nacional que van desde el monitoreo de la cantidad de agua caída a escalas diaria, mensual, trimestral y anual (a través de diferentes metodologías) hasta la previsión a corto y medio plazo de dicha variable en cuencas seleccionadas. Las actividades principales de esta área son: -

Estimación de la distribución areal de precipitaciones a través de imágenes satelitales en combinación con datos de campo (pluviómetros). Uso del modelo Hydroestimator.

Determinación de la precipitación media areal a nivel de cuenca a partir de las estimaciones de lluvia generadas por el modelo Hydroestimator.

Evaluación de diferentes técnicas de estimación de la precipitación (i.e.: TRMM) para el uso en modelos hidrológicos y redes neuronales (NN).

Seguimiento a través de imágenes de satélite de sistemas convectivos. Utilización del algoritmo FORTRACC (FORecasting and Tracking for Active Cloud Clusters) para el pronóstico a corto plazo del desplazamiento y evolución de sistemas convectivos profundos.

Pronóstico de la precipitación media areal a nivel de cuenca hasta 72 horas, con paso diario, para cuencas seleccionadas.

Ejemplos de los productos correspondientes a las actividades del área meteorológica son la obtención de una información espacialmente distribuida y en tiempo real de la precipitación, gracias a la densidad de instrumentalización como también una predicción meteorológica por medio del utilizo de un modelo numérico MRF (Médium range Forecast) que proporciona un pronostico de precipitación a 12 horas):

Medidas de precipitaci贸n en tiempo real gracias a la extensa red pluviom茅trica presente en la cuenca.

Predicciones meteorol贸gicas por medio del modelo MRF (M茅dium Range Forecast).

Área de modelación hidrológica e hidrodinámica

Los pronósticos en los ríos se realizan en tiempo real desde 1988, aumentándose gradualmente el horizonte de pronóstico en un número cada vez mayor de estaciones a lo largo de los grandes ríos de la Cuenca en territorio argentino. Las actividades desarrolladas por esta área constan de: -

Adaptación y control para pronósticos de niveles de un modelo hidrodinámico unidimensional en red de canales, desarrollado en el INA y calibrado para el tramo Yacyretá – Villa Constitución (río Paraná) y el tramo Puerto Pilcomayo – confluencia con el río Paraná (río Paraguay).

Aplicación de modelos de regresión múltiple con coeficientes variables estimados usando la técnica de filtro de Kalman. Utilización para pronóstico de niveles y caudales medios semanales y medios mensuales. Utilización para ajuste de errores del modelo hidrodinámico.

Armado de modelos de redes neuronales para mejorar la previsión de las condiciones de borde en el modelo hidrodinámico y para pronóstico de corto plazo (Paraná Superior, Paraguay Inferior y Uruguay), mediano y largo plazo (Paraná Inferior), vinculando series de lluvia diaria, niveles y caudales.

La cuenca baja del río Iguazú está modelada en forma continua con una versión del modelo de Sacramento (NWSRFS). Para la modelación por eventos se aplica la última versión disponible del modelo HEC-1.

En condiciones de normal actividad, es decir en ausencia de estados de alertas, el área hidrológica del SINA trabaja proporcionando un mensaje diario con información hidrometeorológica, 2 informes semanales en situaciones normales, con diagnostico del estado de la cuenca y pronósticos a 5 y 10 días sobre el Río Paraná y un informe mensual con tendencia a tres y seis meses sobre los Ríos Paraná y Paraguay. Además proporciona un servicio de procesamiento de datos básicos a requerimiento del usuario. En condiciones de emergencia, el sistema de alertas proporciona informes con avisos tempranos de situaciones de riesgo en la cuenca, informes diarios en situaciones de crecida o bajantes significativas con pronósticos de máximos o mínimos, fechas en las que se alcanzarían determinados niveles críticos y las permanencias por encima o por debajo de los mismos. Además proporciona informes particulares con previsión de riesgo de acuerdo con las necesidades del usuario.

Ejemplo de simulación hidrológica con el modelo Sacramento.

6.3.

PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO PO (ITALIA)

El sistema de predicción operativa de la Región Piemonte está estructurado en dos fases, una de predicción meteorológica con el consiguiente procedimiento de activación de la alerta meteorológica y la otra de simulación hidrológica con la consiguiente activación del procedimiento de alerta hidrológica. La previsión meteorológica Para la predicción meteorológica se utilizan dos tipos de modelos: -

Los GCM (Global Circulation Model)

Los LAM (Limited Area Models)

En el Centro Funcional del ARPA Piemonte, (Agenzia Regionale di Protezione Ambientale), además que los modelos de circulación global, se utiliza operativamente el Lokall Modell en su versión italiana LAMI (Local Area Model Italy) que se desarrolla en el ámbito del proyecto COSMO (COnsortium for Small-scale MOdelling), en el cual participan los servicios meteorológicos nacionales de Italia, Alemania, Suiza, Grecia y Polonia, además que varios centros locales como ARPA Piemonte y ARPA-SIM (Emilia Romagna). Desde el 2001 el modelo produce diariamente las predicciones gracias a las simulaciones numéricas efectuadas en el centro de cálculo científico CINECA de Bologna. La configuración actual es la siguiente: -

Dominio que cubre todo el territorio nacional;

7 Km de resolución horizontal;

35 niveles en la vertical;

72 horas de predicción,

output cada 3 horas;

2 actualizaciones al día (00 UTC y 12 UTC);

condiciones iniciales y al contorno del modelo global alemán GME;

Dominio del LAMI con DEM.

El modelo utiliza como variables deducidas directamente (pronosticadas) las componentes de latitud y de longitud de la velocidad, la temperatura, la perturbación de la presión desde un estado de referencia, la humedad especifica, el contenido de agua en las nubes. En cambio las variables calculadas en un segundo momento (diagnosticas) son la densidad total y el flojo de precipitación y de nieve. Para la resolución de las ecuaciones se utiliza un esquema espacial a las diferencias finitas del segundo orden con variables definidas en horizontal en una malla de tipo Arakawa C y en la vertical una malla de Lorentz. El avance temporal se realiza según un esquema del segundo orden de tipo Leapfrog, es decir explicito en la dirección horizontal e implícito en aquella vertical. Con el objetivo de averiguar la bondad del modelo de predicción se efectúa una comparación con series temporales muy largas y en un área lo suficientemente amplia para poder considerarse una muestra estadística valida. Para la validación de las precisiones el ARPA utiliza los datos registrados de las 400 estaciones automáticas que gestiona en todo el territorio regional y los datos disponibles al interior del proyecto COSMO en el Norte Italia.

Distribución de las estaciones automáticas y zonas de alerta en la región Piemonte (izquierda) y pluviómetros disponibles del Departamento de Protección Civil (derecha).

Además que una previsión de precipitación, el ARPA Piemonte utiliza modelos numéricos para simular los procesos físicos de la interfaz suelo-atmósfera, reproduciendo los balances energéticos e hídricos. En particular, el modelo SVAT (Soil Vegetation Atmosphere Transfer) que se utiliza es el LSPM (Land Surface Process Model). Dicho modelo asume que la precipitación se infiltre parcialmente en la primera capa del suelo hasta alcanzar la saturación, la parte que excede escurre (mecanismo de Dunne), mientras que las raíces retienen humedad en las capa donde estén (traspiración). Los datos de salida típicos del modelo son: -

radiación neta,

flujos de calor,

temperatura y humedad

Ejemplo de humedad del suelo calculada por el modelo LSPM.

Ejemplo de temperatura del suelo calculada por el modelo LSPM.

En la base de la información obtenida gracias al sistema de predicciones meteorológicas el Departamento debe de emitir, de forma pública, un Informe de Vigilancia Meteorológica diaria y, de forma reservada, un Informe de criticidad, ambos en el contesto del propio dominio territorial, que examina la posibilidad de ocurrencia de los siguientes fenómenos meteorológicos: -

Tormentas, fenómenos severos y a escala local,

Precipitación, cuya peligrosidad viene clasificada según magnitud e intensidad,

Nevadas,

Viento,

Altas temperaturas en las zonas de llanura,

Niebla

Dicha información viene esquematizada en un documento llamado “Bollettino di Vigilanza”:

Ejemplo de “Bollettino di Vigilanza” del ARPA de Piemonte.

En base a criterios de peligrosidad la región Piemonte ha subdividido el territorio regional en zonas de alerta:

Zonas de alerta de la Región Piemonte

La subdivisión tiene en cuenta la distribución espacial de las precipitaciones (derivados de datos históricos cuya probabilidad temporal ha sido estimada mediante ajustes estadísticos) y la distribución hidrográfica, ambas condicionadas por la distribución orográfica del territorio: dicho criterio tiene en cuenta un perímetro de las zonas según la orografía, es decir han sido separadas zonas más montuosas donde se distribuyen precipitaciones más intensas de aquellas de llanura. La previsión y la alerta hidrológica El Sistema Informativo de Previsión de Avenidas (SIPP) en la Región Piemonte ha sido realizado al interior de los proyectos internacionales Interreg IIC y IIB para

responder a las exigencias de la actividad de alerta del Centro Funcional. El objetivo de SIPP es la previsión en tiempo real de los valores de caudal y nivel hídrico a lo largo de todo el retículo hidrográfico principal de la región, con el objetivo final de una evaluación de los riesgos. El corazón del sistema de previsión y gestión de avenidas es un software llamado FLOOD WACHT, que trabaja en ambiente ESRI Arcview. Es este software que gestiona el flujo de las informaciones, organiza y controla los datos en entrada a los modelos de previsión y prepara la publicación de los resultados de las simulaciones de los modelos. La previsión de los caudales fluviales (no solamente de caudales críticos, dado que el sistema gestiona también el régimen ordinario) es obtenida por medio de modelos numéricos que, en base a los datos de input de las observaciones hidrometeorológicas, es capaz de simular los procesos de trasformación precipitación– escorrentía y de reconstruir la dinámica fluvial. Los modelos de simulación utilizados por el SIPP son determinísticos y físicamente basados. El sistema de modelación está constituido por tres modulos del codigo de simulación MIKE11, del DHI (Danish Hydraulic Institute): -

el modulo hidrológico Rainfall-Runoff (RR), que simula el proceso de trasformación lluvia-escorrentía de las subcuencas;

Esquema conceptual del modulo hidrológico RR.

el modulo hidrodinámico Hydrodynamics (HD) que simula la escorrentía en cauce y en las áreas de inundación ;

el modulo de corrección Data Assimilation (DA) que por medio de la adquisición de datos hidrométricos permite la estimación del error del modelo y la corrección de la previsión.

A continuación se puede observar el elenco de Ríos analizados por el sistema:

Ríos analizados por el sistema: nombre, secciones de control y previsión, area de la cuenca y tiempo de concentración.

Basándose sobre los análisis efectuados, emite un informe en formato de esquema en donde hay una previsión de la avenida en cada una de las secciones controladas, en términos de niveles hídricos. Los niveles de criticidad están subdivididos en 3 clases: situación ordinaria, crecida ordinaria y crecida extraordinaria. En la siguiente figura un ejemplo del informe:

Ejemplo de informe emitido por el sistema de alertas de avenidas en la región Piemonte.

6.4.

PREDICCIÓN OPERATIVA DE CRECIDAS EN LA CUENCA DEL RÍO RENO (ITALIA)

La cuenca del Río Reno, de extensión de 4930 Km2, es la más grande de la Región Emilia Romagna. En dicha cuenca la Autoridad encargada ha implementado un sistema operativo de predicción de avenidas que utiliza predicciones meteorológicas en tiempo real para acoplarlas a un modelo de trasformación lluvia-escorrentía distribuido físicamente basado.

Predicción meteorológica

El sistema se avale de predicciones meteorológicas conseguidas por medio de la simulación numérica proporcionada por el LAMBO (Limited Area Model BOlogna), cuya operatividad ha sido opera del ARPA-SIM, la sección meteorológica de la Agencia Regional de Protección Ambiental de la Región Emilia Romagna. El LAMBO ha sido utilizado a dos diferentes escalas: -

el LAMBO de baja resolución trabaja sobre una malla horizontal de 40 Km y 21 niveles en la vertical. Las condiciones iniciales han sido proporcionadas por análisis operacionales del ECMWF (European Centre for Medium-range Weather Forecasts), interpoladas a la escala ed la resolución de LAMBO. Las condiciones de contorno se obtienen por medio de la predicción operacional del ECMWF, disponible y actualizable cada 6 horas.

El LAMBO de alta resolución consta de una malla horizontal de 20 Km, el dominio de integración cubre la península italiana y las regiones alpinas, con 32 niveles en la vertical. Las condiciones iniciales y de contorno son proporcionadas por el LAMBO a escala mayor y actualizadas cada 3 horas.

LAMBO tiene dos actualizaciones diarias, una a 00UTC y la otra a 1 UTC, con horizontes de predicción a 72 y 84 horas respectivamente. Las predicciones de del modelo están sujetas a correcciones gracias a la información automática proporcionada por la densa red de estaciones pluviométricas y termométricas de la cuenca:

Localización de la red pluviométrica al interior de la cuenca del Río Reno en la Región de EmiliaRomagna.

Predicción hidrológica

Con el input meteorológico del modelo numérico LAMBO se ha implementado el modelo hidrológico distribuido físicamente basado TOPKAPI (TOPagrafic Kinematic AProximation and Integration) para la estimación en tiempo real de caudales y niveles hídricos en varias secciones del río. La resolución del DEM (Digital Elevation Model) utilizada para la implementación del TOPKAPI en el Río Reno ha sido de 1x1 Km. La calibración y la validación del modelo ha sido efectuada utilizando los registros pluviométricos horarios disponibles para los años 1990 y 2000.

DEM de la cuenca del Río Reno.

El modelo es continuamente validado y corregido gracias a la densa red hidrométrica que proporciona datos de caudal y nivel hídrico del Río Reno y de sus tributarios. Por medio de estos datos medidos ha sido posible estimar la incertidumbre relacionada a la simulación hidrológica.

Red hidrométrica de la cuenca del Río Reno.

Un ejemplo de predicción en comparación con el caudal observado se presenta en los siguientes gráficos con tiempo de pronóstico a 1 hora y a 3 horas :

Pronosticos realizados en el rio Reno a una y tres horas respectivamente

6.5.

PREDICCIÓN BANGLADESH

OPERATIVA

CRECIDAS

De los 230 ríos presentes en el territorio del Bangladesh, 57 de ellos se originan fuera del territorio. Los Río principales son el Maghna, el Padma y el Brahmaputra. Ell 92% de la precipitación que cae fuera del estado y el 8% que cae dentro contribuyen a la generación de avenidas.

Los tres grandes Río que desembocan en el territorio del Bangladesh tienen una cuenca que pertenece solo por el 7% al estado.

Las avenidas que ocurren en el territorio se subdividen en varios tipos, dependiendo de la causas del origen: la avenida del 1998 cubrió casi el 30% de las llanuras aluvionales del territorio.

Tipos de avenidas en Bangladesh

Las inundaciones en el territorio del Bangladesh son muy frecuentes, a continuación se puede observar una grafica con los registros de magnitud de las principales inundaciones desde el 1954 hasta el 2005:

Elenco de inundaciones en Bangladesh desde 1954 hasta 2005.

El Departamento Meteorológico de Bangladesh (BMD) dispone, para la observación de los fenómenos meteorológicos de: -

35 Observatorios de superficie,

10 Observatorios de radiosondeo,

3 Observatorios de Rawinsonde,

12 Observatorios Agro-meteorológicos,

4 estaciones Radar a Dhaka, Rangpur, Cox’s bazar y Khepupara,

Plataforma satelital que recibe las estaciones de GMS, NOAA y INSTA,

Mapas de Prediciones a escala mundial (WAFS) desde el Word Area Forecasting Center, Bracknell, London,

Sistema de recepción satelital SADIS,

Dos anemómetros operativos en todo el país.

El BMD tiene una capacidad de recepción de datos con las siguientes frecuencias temporales: -

datos sinópticos cada 3 horas,

datos del radiosondeo cada 6 horas,

datos Agro-meteorológicos cada 12 horas,

datos sismológicos en tiempo real de ocurrencia de terremotos.

Un sistema de predicción de avenida ha sido implantado en Bangladesh desde 1972, con 36 estaciones de monitoreo de avenidas en tiempo real, conectadas entre ellas por medio del modelo de propagación de flujo Muskingum-Cunge. En el 1990 fue introducido el modelo hidrodinámico MIKE 11, con la implementación de 16 puntos de predicción de crecidas en tiempo real. 9 años después el sistema ya estaba soportado da sistema de información georeferenciada (GIS) con 30 estaciones de predicción. En el 2004 con un ulterior esfuerzo en la mejora del sistema (Consolidation & Strengthening of Flood Forecasting Services) los puntos de predicción aumentaron a 50, cubriendo toda el área afectada por las inundaciones. Se efectuó la realización de un mapa de áreas inundadas. Actualmente el sistema comprende: -

86 estaciones de monitoreo de avenidas,

50 estaciones de predicciones de avenidas en tiempo real,

56 estaciones de medida pluviométrica en tiempo real.

El sistema de monitoreo está constituido por una red gíreles que se extende por todo el país. El sistema de predicción está formado por el modelo hidrodinámico de MIKE 11 y con el modelo de trasformación precipitación- escorrentía NAM. La actividad del sistema y los productos finales de información se estructuran dependiendo del tipo de criticidad climática de la temporada: en el periodo de los Monsones, el sistema emite un Boletín diario y un informe especial sobre inundaciones, además que informes mensuales y anuales y mapas de zonas de inundación. En los periodos secos el sistema emite un boletín de información de “Dry season” y un monitoreo semanal:

Informaciones emitidas por el sistema.

Mapa del estado de los niveles hídricos .

La Arquitectura del sistema se puede resumir en esquema a continuación:

Esquema del sistema de predicciones de avenidas.

Un ejemplo de predicción en comparación con la observación es presentada en el siguiente grafico:

Comparación del nivel de agua observado con el predicho por el sistema

6.6. PREDICCIÓN OPERATIVA DE CUENCAS DE LOS EEUU DE AMERICA

CRECIDAS

LAS

6.6.1. La experiencia de Pittsburg El territorio del Districto de Pittsburg (West Virginia) contiene en su interior las cuencas de dos tributarios del Río Ohio, el más largo tributario del Río Mississippi: la cuenca del Río Cheat y la cuenca del Río Tygart.

Localización de las cuencas del Río Cheat y del Río Tygart, ambos tributarios del Río Ohio.

La cuenca del Río Tygart tiene una extensión de 3560 Km2, aquella del Río Cheat mide 3690 Km2. Ambos rios miden en longitud alrededor de 150 Km. En los últimos 40 años en las estaciones de aforos del USGS a Parson (para el Río Cheat) y del USGS a Philippi (para el Río Tygart) han sido registrados caudales muy superior al valor

críticos, con consiguientes inundaciones dañosas en algunos casos para la populación civil. Desde el 1994 han sido registradas 5 de las 10 inundaciones más graves:

Inundaciones en los dos ríos del West Virginia.

El sistema de alerta (FWS) establecido para estas dos cuencas prevé de mejorar el tiempo de adelanto de la alerta para las poblaciones que viven justo a lado de los ríos, para permitir a los residentes de estar preparados a las avenidas y de poder organizarse para la evacuación. Además se prevé la instalación floodwall invisibles a Philippi, actualizando el sistema corriente dentro de un IFLOWS, es decir un Sistema Integrado para la Observación de las Avenidas y la Alerta hidrológica. Estos proyectos han costado al Water Resources Development Act (Tygart) y al Energy and Water Development Act (Cheat) alrededor de 500 mil dólares para cada uno de los ríos. El proyecto finaliza su mejora con la instalación de ulteriores estaciones de aforo y estaciones pluviométricas, además que estaciones computerizadas en las Oficinas de Gestion de las Emergencias de las Condeas.

Mejoras en la red de estaciones de aforos y pluviométricas en el Río Cheat.

La modelación numérica ha sido efectuada por medio de las herramientas del US Army Corp of Engineers: el HEC-1 y el HEC-HMS.

Modelación hidrológica del Río Tygart haciendo uso del HEC-HMS.

La implementación del nuevo sistema integrado de alertas para el Río Cheat ha llevado a: -

la Instalación de 5 nuevas estaciones de aforo , la actualización de las 5 estaciones de aforos ya existentes, la instalación de 4 nuevos radio repetidores, la instalación de 3 nuevas workstations.

Mejoras parecidas ha habido para el Río Tygart: -

la instalación de 4 nuevas estaciones de aforo, la actualización de las 7 estaciones de aforos existentes, la instalación de 2 nuevos radio repetidores, la instalación de 2 workstations.

6.6.2. La experiencia de Illinois En el Río Salt Creek, que con su 138 Km se extiende por la parte Norte- Occidental del País, hasta desembocar en el Río Sangamon, el USGS en colaboración con el Departamento de Asuntos Medioambientales (Department of Environmental Concerns) del condado de Du Page ha implementado un sistema de simulación hidrológica en tiempo real, basado en input de precipitación procedente de estaciones pluviométricas y del radar NEXRAD.

Localización de la cuenca del SALT Creek, Illinois, US.

El modelo hidrológico utilizado para dicho objetivo ha sido el HSPF (Hydrologic Simulation Program FORTRAN), que produce una simulación continua de trasformación lluvia-escorrentía. Dicho modelo ha sido utilizado a menudo por el USEPA y el USGS. El modelo ha sido calibrado con datos de las estaciones pluviometricas del NOAA. La propagación del flujo en cauce integrado en el sistema ha sido llevada a cabo por medio del FEQ (Full EQuations one-dimensional, dynamic model), un modelo que tiene en cuenta el flujo transitorio con una propagación totalmente distribuida. A continuación se puede observar uno de los resultados conseguidos con el modelo:

Ejemplo de resultado del modelo de propagación de flujo en cauce, caudal propagado para todas las secciones de control a lo largo del río y precipitación horaria asociada.

La modelación hidrológica y el post-procesamiento hidrológico e hidráulico esta garantizado por la simulación continua del GenScn:

Funcionamiento interactivo del software integrado GenScn.

Las operaciones principales del sistema son: -

Recopilación de datos pluviométricos y de aforo, por medio de los medios de comunicación, Conversión y inserción de los datos recopilados en el sistema, Inserción de input en el database fijando las fechas de simulación requeridas, activando de esta manera la simulación y pudiendo ver en tiempo real el resultado de la simulación bajo forma de graficas.

Esquema general del funcionamiento del sistema integrado de alerta hidrológica.

La última fase del sistema es la emisión de un informe sobre el estado hidrológico con informaciones acerca de todos los parámetros que el sistema tiene bajo control:

Informe del sistema sobre el estado hidrológico.

Como ya se ha mencionado anteriormente, los input del sistema son las precipitaciones medidas por la red pluviométrica y las informaciones meteorológicas proporcionadas por el NEXRAD radar:

Información desde el radar NEXRAD.

Los resultados obtenidos por el sistema son visibles a continuación. La comparación entre hidrograma observado y simulado confirma el buen funcionamiento del sistema, que puede ser considerado una herramienta eficaz a la hora de pronósticos hidrológicos y prevención de avenidas:

Resultados del sistema.

6.6.3. La experiencia de Huston, Texas El Hydrology and Water Resources Group del Departamiento de Ingenieria Civil de la Universidad Rice de Huston en 2003 ha mejorado el ya existente sistemas de alertas de avenidas (FAS) en la ciudad de Huston, para el Río Brays Bayou que atraviesa la ciudad.

La ciudad de Huston después de la tormenta tropical Allison en 2001

Debido al aumento del daño causado por el aumento de la escorrentía, por la disminución del tiempo de respuesta y por aumento de la densidad de la populación, entre el 1997 y el 2002 se ha desarrollado para el Río Brays Bayou un sistema de alerta de avenidas, testeado con diferentes eventos de precipitación del 1997, con el tormenta tropical Frances del 1998 y la tormenta tropical Allison del 2001. El sistema de alerta opera con datos de precipitación en tiempo real proporcionados por el radar NWS. Utiliza el NEXRAD Digital Precipitation Array para precipitaciones

horarias, actualizado cada 5-6 minutos. Este proporciona valores promedios de precipitación sobre la cuenca, a una resolución de 16x16 Km.

Esquema conceptual del sistema.

Las mejoras del sistema consisten en la utilización de QPF en entrada a un modelo hidrológico que corre en continuo, proporcionando hidrogramas de respuesta en tiempo real:

Mejoras del sistema.

La precisión de las predicciones hidrológicas ha sido aumentada por medio de calibración del modelo hidrológico con los hidrogramas observados, con respecto a caudal pico, tiempo al pico, tiempo de retardo y volumen del hidrograma.

La información sobre la precipitación es bastante completa en cuanto las predicciones a corto plazo incluyen la dirección de la tormenta, la magnitud de la precipitación y el aumento e la disminución de la intensidad, todo esto con una resolución de 1x 1 Km. La simulación hidrológica se ha desarrollado utilizando modelos agregados y distribuidos: -

Hec-1, escrito para correr en tiempo real con la precipitación del radar,

Vflo, modelo distribuido físicamente basado que también corre en tiempo real.

Ejemplo de aplicación del sistema de predicción en tiempo real.

6.7. PREDICCIÓN OPERATIVA DE CRECIDAS EN EL RÍO YANGTZE, CHINA En 1990 se implementa en China el NFFS (National Flood Forecasting System). Este programa tiene la flexibilidad de utilizar diferentes modelos según la conveniencia y características del río y la cuenca. En el momento los modelos hidrológicos utilizados por éste, son: -

Xinanjiang Soil Moisture Accounting (SMS_3), Sacramento Soil Moisture Accounting (SAC), API (Chino), URBS (Australiano), SCLS, Tank, SMAR, Shambei, Rain-Runoff correlation Method (P_RZHJR), Channel Lag and K Routing (LAG_3), Muskingum Routing (MSK),

Mike 11, Unit Hydrograph (UH_B), Diffusion Wave Model (KSB), Utility Empirical Model (P#),

Interfaz del Software utilizado para predicciones operacionales en tiempo real

Este es utilizado en 22 tipos de sectores hidrológicos del ministerio de recursos hídricos y provincias de China. La red hidrológica en toda China está compuesta por 3172 estaciones hidrológicas (medidas de precipitación, caudal y calados), 1149 estaciones de aforo, y 15368 estaciones pluviométricas. Algunas (8525) de estas son utilizadas para los reportes hidrológicos en períodos de crecidas. La información hidrológica es transmitida a través de un sistema de telecomunicación, y para proyectos y ríos de gran importancia se utiliza estaciones de radio de onda corta para asegurar la transmisión efectiva de los datos. En caso de que los niveles del río superen un umbral de alarma los organismos competentes en la realización de los pronósticos dan la alarma al gobierno y éste a los medios públicos (TV, Radio, periódicos). El río más grande de China, el Yangtze, cubre un área drenante de 1800000 km2 con una aportación media anual de 975.5 billones de m3. El río está caracterizado por crecidas de gran volumen y altos caudales picos, pero con capacidad insuficiente para

transportarlas. Los tramos medio e inferior del río están protegidos por un sistema de diques laterales de una longitud total de 45000 km y un zonas para desvío de crecidas con una capacidad total de 5.4 billones de m3 los cual juega un papel fundamental para la protección de avenidas en la zona media del río. También existen 117 embalses medios y grandes con una capacidad total de 104 billones de m3. Todas estas estructuras son capaces de proteger inundaciones producidas por avenidas con un tiempo de recurrencia de 20 años, y con la construcción de la presa de las Tres Gargantas la protección aumenta para tiempos de recurrencia de 100 años.

Mapa de ubicación del tramo alto y medio del río Yangtze.

El tramo superior del río Yangtze ubicado entre Chongqing y la presa de las Tres Gargantas tiene una longitud de 600 km con una pendiente media de 0.0002 m/m. Las crecidas superan los 70000 m3/s. A pesar de tener caudales muy altos, el río es confinado lo cual se puede considerar unidimensional. En el río Yangtze se han estado utilizando para la predicción del comportamiento de las crecidas una combinación de técnicas empíricas principalmente modelos numéricos hechos en casa. El problema de estos era que no estaban totalmente integrados a lo largo de la cuenca y se apoyaban mucho en la experiencia local de profesionales de la zona y además no tenían un nivel de precisión ni un horizonte de predicción deseado. Un nuevo sistema de predicción de 3 a 7 días se ha implementado en el año 2001 para suplir estos problemas. Utilizando como modelos hidrológicos como el URBS, XAJ y API, y el modelo hidráulico MIKE 11. Con el FSS estos modelos utilizan datos hidro meteorológicos en tiempo real para dar predicciones a 7 días extendidas a 70 secciones del Yangtze medio y alto. El modelo hidráulico provee de la funcionalidad de cuantificar la efectividad de medidas potenciales de mitigación especialmente alterando estrategias de vaciado de embalses y el uso de cuencas de detención. El tramo superior está representado por 305 secciones cada 2 km aproximadamente lo cual representa de forma satisfactoria las características de almacenaje del cauce.

Garganta Wu, Río Yangtze

6.8.

PREDICCIÓN OPERATIVA DE CRECIDAS EN EL RÍO MEKONG En los comienzos de los años 70 se implemento un sistema de predicción regional con técnicas computacionales avanzadas y modelos matemáticos. Luego de las crecidas del año 78 y 81 este sistema se expandió para poder cubrir más tributarios del río Mekong. La comisión del Río Mekong (MRC) nace en 1995 por un acuerdo entre lo gobiernos de Camboya, Lao PDR, Tailandia y Vietnam.

Las predicciones operativas se han venido realizando a lo largo de los últimos 30 años, actualizándose año tras año para mejorar la precisión de las predicciones. Durante la época húmeda se hacen predicciones a 5 días actualizados diariamente y a 7 días en la época seca actualizados semanalmente. El sistema consiste en 3 componentes principales. Adquisición y transmisión de datos, generación de predicciones, y comunicación de las predicciones. Los organismos nacionales, la cruz roja, ONG y otros utilizan los resultados a escala regional para generar alertas y comunicar a la población del estado del río.

Esquema conceptual del sistema.

Los datos hidro-meteorológicos de los cuatros países involucrados son enviados al MRC para generar predicciones. En el año 2005 se utilizan 21 estaciones de nivel de agua, sobre el río principal, para las épocas húmedas, y 19 para la época seca. Además de estos datos se utilizan datos meteorológicos como imágenes satelitales, estimación de precipitación y predicciones de varias fuentes como US Geological Survey/National Oceanic and Atmospheric Administration (USGS/NOAA) y Tropical Rainfall Measurement Misión (TRMM). En la siguiente figura se puede observar la ubicación de las estaciones utilizadas y las imágenes de predicción de precipitación obtenidas del (USGS/NOAA) sobre el cauce principal y por subcuencas. Los datos son separados en dos grupos: Históricos y operacionales.

Datos disponibles.

En la actualidad el SSARR (Streamflow Synthesis and Reservoir Regulation model, desarrollado por el US Corps of Engineers) se utiliza en la zona media y superior de río Mekong, mientras que modelos de regresión se utilizan para la zona baja del río.

También se utilizan redes neuronales (ANNs) no solo para la predicción sino también para mejorar la precisión de los modelos de regresión y el SSARR mediante el proceso de verificación cruzada. Luego se utiliza el MIKE-11 para simular los niveles de agua y las extensiones de las inundaciones en diferentes zonas. En el momento se está estudiando la posibilidad de remplazar los actuales modelos de predicción por modelos efectivos basados en sistemas modernos de integración de riesgo de crecidas junto con facilidades de GIS que gestione la información derivada de las crecidas. También se están llevando a cabo herramientas de actualización de los parámetros de lo modelos. Se generan boletines diariamente, en épocas húmedas, y semanales en épocas secas a los diferentes organismos de cada país con los datos de caudales en forma de tablas y los hidrogramas de los calados en diferentes secciones. Estos son enviados via e-mail y publicados en la página del MRC (http://www.mrcmekong.org). La MRC tiene la responsabilidad de generar predicciones a escala regional. Los usuarios son los organismos nacionales involucrados, los comités nacionales de manejos de desastres naturales, los medios masivos, ONGs, Organizaciones UN, etc. En las siguientes figuras se muestra un ejemplo de los boletines generados periódicamente por el MRC.

Boletín emitido por el sistema.

Resultados de la modelación.

6.9.

PREDICCIÓN OPERATIVA DE CRECIDAS EN EL RÍO ARICANDUVA, SÃO PAULO (BRAZIL)

El río Aricanduva está ubicado en la parte este de la ciudad de Sao Paulo. Tiene un área de aproximadamente 100 km2 (Cuenca amarilla de la figura siguiente). Esta cuenca tiene grandes problemas por las crecidas porque atraviesa la zona este de la ciudad. El sistema de alerta de inundaciones de São Paulo (SAISP) es una medida no estructural para el control urbano de inundaciones. Su principal objetivo es disminuir los impactos negativos producidos por lluvias fuertes en las zonas de riesgo. El SAISP tiene dos fuentes de datos hidrometerológicos en tiempo real: radar meteorológico ( en el nivel CAPPI) y una red telemétrica (ver figura). Los datos se utilizan para las predicciones de lluvias e inundaciones en varias zonas de Sao Paulo. Estas predicciones se distribuyen a los usuarios via internet. Un usuario muy importante es el ayuntamiento de la ciudad que se encarga del control del tráfico y otros trabajos civiles para apoyar a la población en riesgo. La compañía de tráfico puede desviar los vehículos de las zonas inundadas y también cerrar las calles y avenidas para proteger a los habitantes. El SAISP genera cada cinco minutos boletines sobre las lluvias y sus consecuencias sobre la ciudad de São Paulo. Los principales productos del SAISP son:

• • •

Mapas de lluvias en el área del radar de Ponte Nova. Lectura de las estaciones de la red telemétrica del alto Tietê, Cubatão, Registro y Piracicaba. Mapas con las predicciones de inundaciones en la ciudad de São Paulo.

Su principal objetivo es minimizar los impactos negativos producidos por las fuertes lluvias en zonas de riesgo donde la cuenca del río Aricanduva es una de ellas. El modelo MOEPH es utilizado para la predicción de crecidas, éste corre cada 10 minutos y predice a 3 horas, MOEPH establece estados hidrológicos para cada elemento de una malla de 2 km x 2 km cubriendo la ciudad de São Paulo. Hay 3 diferentes estados hidrológicos que son: de observación (sin posibilidad de inundación), atención (con posibilidades de inundación) y alerta (altas posibilidades de inundación) y según estos las agencias de defensa civil actúan.

Red telemétrica en la cuenca del Alto Tiete

Radar meteorológico (CAPPI). Escala mm/h

MOEPH usa un algoritmo empírico basado en la precipitación observada y la predicción producida por el radar meteorológico. Este tiene dos módulos: El módulo de micro drenaje, donde las inundaciones son generadas por lluvias muy intensas de corta duración y de carácter local. El módulo de meso o macro drenaje, donde las inundaciones son provocadas a través de la red principal de drenaje, generalmente resultantes de lluvias menos intensas menor duración y distribuidas espacialmente. Este modelo considera cuatro horizontes de predicción: ½ hora, 1, 2 y 3 horas.

Resultados de predicción de estados hidrológicos en la ciudad de Sao Paulo

Para cada celda el modelo calcula el estado hidrológico considerando los siguientes pasos: 1- Modelo de translación que predice la lluvia a 3 horas cada 10 minutos 2- Compara cada valor predicho con unos límites calculados con esta simple ecuación

it ,T = 37.05(t + 20) −0.914 + (t + 20) −0.914 .[−5.966 − 10.88 ln(T / T − 1) Donde i es la intensidad (mm/min), t la duración en minutos y T el período de retorno en años 3- Según esta comparación se determina uno de los 3 estados 4- Se repite para los próximos 10, 20 y 30 minutos y el estado hidrológico es el más crítico de los tres. A pesar de que el MOPEH tenga una metodología muy simple funciona muy bien para tormentas convectivas.

6.10. PREDICCIÓN OPERATIVA DE CRECIDAS EN COSTA RICA En Costa Rica la dependencia encargada de planear, construir, generar, transmitir y distribuir la energía eléctrica, desde abril de 1949, es el Instituto Costarricense de Electricidad (ICE). Con el desarrollo de los proyectos hidroeléctricos y las plantas de operación del ICE, se ha visto la necesidad de utilizar el recurso agua de manera que rinda el óptimo beneficio. Para esto es necesario implementar sistemas integrados para el manejo del mismo, de tal forma que se pueda mejorar el planeamiento y operación de sistemas de utilización de los recursos hídricos. El área de Hidrología del ICE tiene a su cargo la recolección, procesamiento y análisis de la información hidro-

meteorológica. Esta información es fundamental para el planeamiento, diseño y funcionamiento de los proyectos hidroeléctricos, en casos de emergencia también se pone a disposición de la Comisión Nacional de Emergencia (CNE) para la previsión contra crecidas e inundaciones. Para ello se ha implantado un SPH, es decir un Sistema de Pronóstico Hidrológico. El objetivo de los SPH es poder predecir en forma rápida y oportuna los caudales de crecientes en los sitios de construcción de las obras hidráulicas, en los sitios de presa, en las estaciones de control y en las comunidades en riesgo por inundaciones. Además informar, suministrando automáticamente datos en tiempo real sobre las variables hidro-meteorológicas de cada cuenca, ampliando así la red de información permanente. Prevenir sobre la evolución de niveles y caudales en los ríos y embalses, alertando de forma automática en casos de crecientes. Mejorar la operación y manejo de sistemas hidroeléctricos y de los otros aprovechamientos hidráulicos de la cuenca. Controlar y optimizar la operación de los embalses y minimizar los efectos de las crecientes. Para alcanzar estos objetivos, ha sido necesario diseñar, instalar y operar tres clases distintas de elementos, los cuales son complementarios; ellos constituyen un sistema integrado y tienen las siguientes características: •

Una red de sensores, instalados en puntos de control (estaciones medidoras de lluvia, de nivel del río, nivel de embalses, etc.) capaces de adquirir los datos necesarios,

•

Una red de transmisión de alta confiabilidad, que pueda garantizar el flujo de datos desde y hacia los puntos de control al centro de procesamiento del SPH,

•

Un sistema de recepción, almacenamiento y manejo de datos que permita y explique la situación hidráulica e hidrológica, identificando las mejores soluciones y generando el procedimiento de operación.

La necesidad de alertas de inundación, el pronóstico confiable de los caudales de entrada a los embalses y a los sistemas hidroeléctricos y la evolución de los caudales ante avenidas extremas ha estimulado el uso operacional de modelos hidrológicos, entre ellos el modelo HBV (del Instituto Sueco Meteorología e Hidrología, SMHI), es uno de los más utilizados.

Esquema general del modelo HBV implementado en el sistema.

Una aplicación del sistema es en la cuenca del Río Toro. Se trata de un sistema de información en tiempo real, estructurado y planteado para facilitar la toma de decisiones en la generación hidroeléctrica y previsión de avenidas. El SPH capta los datos hidrológicos y los transmite a través de una red de comunicación al centro de proceso o de toma de decisiones. Las variables hidro-meteorológicas (lluvia, caudal, niveles) son actualizadas cada 5 minutos incluyendo el despliegue de alertas:

Ejemplo de funcionamiento del sistema: el Río Toro.

Sistema de previsión hidrológica.

El pronóstico meteorológico a muy corto plazo (2 a 12 horas) y el de corto plazo (12 horas a 3 días) es el que utiliza la Comisión Nacional de Emergencias, a través de sus comités locales para la activación del protocolo de emergencia. Dicho protocolo se activa una vez que el IMN le remite un informe técnico de la situación actual y esperada, el cual se redacta ante la presencia de un fenómeno atmosférico, tal como baja presión, depresión tropical, tormenta tropical, huracán, frentes fríos, aguaceros localizados y oleaje fuerte.

6.11. PREDICCIÓN VIETNAM

OPERATIVA

CRECIDAS

El estado del Vietnam está viviendo una temporada de aumento de iniciativas hacia la industrialización y la modernización. Durante esta época se previó la ejecución de un proyecto de monitorización en tiempo real para realizar un sistema de pronóstico de inundaciones, estableciendose un sistema de predicción meteorológica e hidrológica. -

En la actualidad la red de estaciones meteorológicas es muy densa. El sistema cuenta con 174 estaciones propias

Red de estaciones meteorológicas.

No obstante el estado también cuenta con 764 estaciones de medida pluviométrica, de las cuales 371 se encuentran dentro de la red de estaciones hidro-meteorológica y 393 fuera de esta:

Red de estaciones pluviométricas.

Además en el territorio existen 20 estaciones de observación atmosférica: -

6 estaciones radar, 3 estaciones de radiosondeo, 8 estaciones piloto, 3 estaciones de radiación total de ozono e infrarrojos.

Estaciones de observación atmosférica.

La red de estaciones de aforos consta de 231 estaciones:

Estaciones de aforo.

El sistema de predicción meteorológica funciona según el siguiente esquema:

Esquema del sistema de predicción.

La información meteorológica viene recopilada a partir de tres diferentes fuentes: las observaciones de la red pluviométrica, los canales GTS y los sensores satelitales y radar. Los métodos de previsión son Numerical Weather Prediction (NWP): -

El HRM a 28 Km totalmente operativo desde mayo de 2002 y a 14 Km desde julio de 2004, El ETA a 22 Km que viene utilizado de manera semi-operativa desde mayo de 2006, Modelos barotropicos para las temporadas de tifones 2003, 2004, 2005 y 2006,

Para la predicción de avenidas a los datos resultantes de las predicciones meteorlógicas viene acoplado el modelo hidrológico FURR que utiliza 4 métodos combinados: -

la onda cinemática, el Hidrograma unitario, ecuació nde balance en regulación.

Ejemplo de predicción de caudal en el Río Ca.

6.12. PREDICCIÓN OPERATIVA DE CRECIDAS CUENCAS DE GALICIA COSTA (ESPAÑA)

LAS

Augas de Galicia, organismo autónomo dependiente de la Consejería de Medio Ambiente de la Junta de Galicia, ha implantado un sistema de pronósticos de avenidas en tiempo real en las cuencas de GaliciaCosta sujetas a riesgos de inundación: -

cuenca del Río Umia; cuenca del Río Sar; cuenca del Río Ulla; cuenca del Río Tambre; cuenca del Río Anllons; cuenca del Río Lerez; cuenca del Río Eume; cuenca del Río Xubia; cuenca del Río Verdugo; cuenca del Río Landro; cuenca del Río Cecebre; cuenca del Río Mandeo; cuenca del Río Ouro; cuenca del Río Masma;

Ámbito territorial de Galicia Costa con los principales ríos.

Dicho sistema de predicciones en tiempo real, el ARTEMIS (ARchitecture for TEleprediction & Management of Information System), permite de acoplar predicciones meteorológicas a corto plazo, proporcionadas por 2 modelos numéricos de tiempo, a predicciones hidrológicas por medio de un modelo de trasformación lluvia-escorrentía distribuido fisicamente basado.

6.12.1.

Predicciones Meteorológicas

Las predicciones meteorológicas son proporcionadas por MeteoGalicia por medio de una trasmisión de datos mediante servidor que almacena los ficheros emitidos por el sistema y los solicita una vez que se haya una alarma meteorológica lanzada por MeteoGalicia. MeteoGalicia hace uso de dos modelos numéricos de predicción a medio plazo, es decir el pronóstico meteorológico proporciona valores de precipitación distribuidos con un adelanto de 96 horas. Los modelos usados son el ARPS y el MM5. Modelo ARPS El modelo de predicción meteorológica ARPS (Advanced Regional Prediction System) ha sido desarrollado en el CAPS (Center for Análisis and Prediction of Storms), centro que pertenece a la universidad de Oklahoma. Este modelo está en continua evolución, ya que desde el comienzo de los años 90 han ido surgiendo sucesivas versiones que han ido completando y mejorando a las anteriores. ARPS es un modelo de mesoscala no hidrostático que incluye un elevado número de opciones de cálculo a elegir por el usuario, como por ejemplo: múltiples posibilidades de tratamiento de las condiciones de contorno, datos iniciales, cálculo de los términos de advección, integración de las ecuaciones de pronóstico, esquemas de parametrización de nubes, aproximaciones de turbulencia o la posibilidad de parametrizar agua en estado sólido, líquido y gaseoso. Este gran número de posibilidades hace que el ARPS sea un modelo muy adecuado para la investigación, ya que únicamente modificando los datos de entrada se obtienen las diferentes respuestas del modelo. Además funciona como modelo operativo ya que actualmente se está calibrando para realizar una predicción operativa para Corea de fenómenos meteorológicos muy adversos, también se aplica en la aviación comercial de Estados Unidos y actualmente se encuentra operativo en Galicia mediante la ejecución del mismo por parte de MeteoGalicia en el CESGA (CEntro de Supercomputación de Galicia). El modelo se actualiza 2 veces por día, obteniendo cada día 2 predicciones a 96 horas: la 00z y la 12z.

Predicción 12Z del Arps (horario)

Modelo MM5 El modelo meteorológico de mesoescala de quinta generación MM5 (Mesoscale Model of the 5th Generation) es un modelo de pronóstico del tiempo de área limitada y nohidrostático desarrollado por la Universidad Estatal de Pennsylvania (Penn State

University, PSU) y el Centro Nacional de Investigaciones Atmosféricas (Nacional Center for Atmospheric Research, NCAR), este último organismo se encarga del soporte operativo al modelo. Fue seleccionado por MeteoGalicia como modelo operacional, por su alta definición en la detección de sistemas atmosféricos de mesoescala, y cuenta con todas las características necesarias para su adaptación a las condiciones específicas de Galicia. Las versiones más modernas del modelo MM5 presenta ventajas respecto a las anteriores, como la capacidad de multianidamiento, asimilación de datos en cuatro dimensiones, así como más opciones de parametrización físicas.

Predicción del MM5.

6.12.2.

Predicciones hidrológicas

La predicción hidrológica se realiza mediante el uso de un modelo distribuido físicamente basado: el TOPKAPI (TOPographic Kinematic APproximation and Integration). La elección de este modelo deriva de un análisis atento sobre el estado de información del territorio y de instrumentación de las cuencas implementadas en el sistema. En primer lugar se eligió un modelo físicamente basado en cuanto no se dispone de medidas de aforo fiables y continuas para poder calibrar un modelo. Se ha preferido entonces hacer uso de un modelo que se base sobre pocos parámetros y que estos parámetros puedan ser deducibles de las características físicas del suelo: el perfil edafológico y el uso que se hace actualmente del suelo. La elección del modelo TOPKAPI para realizar las previsiones de caudal en las cuencas del ámbito de Galicia Costa mediante un acople a los pronósticos meteorológicos elaborados por MeteoGalicia se ha basado fundamentalmente, a parte de su calidad y rigurosidad en la representación de los fenómenos físicos involucrados en el proceso de transformación lluvia-escorrentía, en la facilidad de la obtención de los valores modales de los parámetros físicos, en la interpretación físicamente basada e inmediata de los parámetros y en la aplicabilidad del modelo a diferentes escalas, conservando, al aumentar ésta, el significado físico de los parámetros. En la siguiente tabla se presentan los parámetros necesarios para establecer topológicamente el modelo hidrológico en cada cuenca indicando en que componente se utiliza y el significado físico del mismo.

Parámetros del modelo TOPKAPI y su significado físico

Los parámetros pueden ser estimados a partir de coberturas GIS como: • • •

Modelo de Elevación Digital del Terreno, a partir del cual se deriva el flujo a través de la cuenca y la red de drenaje Textura y litología del suelo y/o Edafología Usos del suelo

El hecho que sea distribuido puede garantizar el máximo aprovechamiento distribuido espacialmente de la información física y meteorológica en entrada: todas las cuencas se han caracterizado con una resolución espacial casi siempre de 90 x 90 metros, asegurándose así la representatividad del fenómeno físico.

Esquema general del funcionamiento del Topkapi

El Sistema ARTEMIS actualmente se activa cada vez que MeteoGalicia lanza una alerta meteorológica. El sistema de acople está compuesto por varios protocolos para la consecución de los objetivos finales:

Captura de predicciones meteorológicas: conexión con servidor MeteoGalicia. Organización y almacenamiento de la información meteorológica. Generación de los ficheros adecuados de predicción de lluvia. Simulación hidrológica. Transmisión de resultados al usuario.

Esquema de la arquitectura del sistema ARTEMIS

El funcionamiento del sistema se estructura en dos partes. La primera fase de funcionamiento del sistema se ejecuta en modo continuo para la captura de la información generada por MeteoGalicia. Este organismo utiliza los modelos meteorológicos ARPS y MM5 para realizar predicciones de lluvia y genera así los ficheros, que almacena en su servidor web. Vienen creados de algoritmos para la captura de la información. De esta forma, se comprueba si existen nuevos ficheros en el servidor y en su caso, los almacena y estructura en una base de datos ORACLE para que estén disponibles en cualquier momento, ya desde el servidor web. Este proceso funcionando de forma continua, posibilita el almacenamiento de datos que pueden ser utilizados en cualquier momento. En el momento las predicciones de MeteoGalicia generan unos resultados que suponen alertas por precipitaciones abundantes, se activa el proceso se conversión lluvia-escorrentía para cada uno de los puntos seleccionados para predecir los

hidrogramas correspondientes con las lluvias previstas en un determinado intervalo de tiempo. Este procedimiento está lo más automatizado posible aunque se considera imprescindible el control del mismo en el momento de las simulaciones por personal con los conocimientos suficientes para la interpretación y análisis de los resultados, antes de que éstos sean transferidos al usuario mediante la página web dispuesta a tal efecto. Desde el punto de vista informático, se parte de la base de datos ORACLE, almacenada en el servidor con todos los datos disponibles de predicciones hasta el momento. Se trata pues, de generar los ficheros correspondientes al período de tiempo a evaluar, introducirlos como input del modelo hidrológico, realizar las simulaciones correspondientes y, por último poner a disposición del usuario los resultados. A continuación se detallan estos procedimientos. A continuación una imagen de la página web de consultas:

Pagina web de consulta del acople de predicciones meteorológico hidrológico

7. CONCLUSIONES La implementación de un modelo hidrológico dentro de un sistema de predicción hidrológica y la elección del mismo depende de muchos factores que hay que tener en cuenta a la hora de su selección en un sistema eficiente, dinámico, y sobretodo personalizado según las exigencias y las peculiaridades del contexto físico y operativo en el cual se va a implementar una herramienta de este tipo. Es importante reseñar que no existe un único modelo universal, y que la elección del mismo, debe ser fruto del conocimiento de la física del fenómeno en cada cuenca a

modelar, su comportamiento, así como de la disponibilidad de estimar con rigurosidad los parámetros del modelo elegido. Para la elección del modelo a utilizar se requiere una información bastante completa, que nunca se tiene en su totalidad, y que es necesario completar mediante un proceso de calibración y validación. Es por ello que en líneas generales los modelos deben cumplir con los siguientes requisitos (Francés,2004): • • • •

En primer lugar, es indispensable analizar el tratamiento de la información pluviométrica y foronómica disponible, en cuanto a recogida de datos, al tratamiento de los mismos y a la combinación de las diferentes fuentes de procedencia. En el caso de la pluviometría, la distribución espacial y la densidad de la información juegan un papel muy importante: Cuanto mayor sea la cobertura de pluviómetros en tiempo real, más precisa será la respuesta hidrológica simulada y pronosticada, ya que se puede caracterizar de una manera más precisa el campo de precipitaciones como input al modelo de trasformación precipitación-escorrentía. Por otra parte, si se dispone de información sobre el campo de precipitaciones procedente de las nuevas tecnologías, sería posible acoplar los registros puntuales de las estaciones pluviométricas del SAIH con la información espacialmente distribuida de los radares y de los satélites. Este acople proporcionaría una corrección y mejora de los datos pluviométricos, llegando a un conocimiento optimo de la distribución espacial y temporal de la precipitación. Acoplando oportunamente las tres fuentes de datos se obtendría una optimización de la caracterización del estado meteorológico como input al modelo hidrológico, que debe poder asimilar este tipo de información espacialmente distribuida. La mejora de la información pluviométrica y del tratamiento óptimo de los datos a disposición proporcionado por el SAIH debe estar relacionada con la elección de un modelo hidrológico adecuado según el caso. La elección del modelo se puede efectuar entre tres grandes categorías, y dentro de éstas en otras sub-categorías:

Modelos agregados

Modelos conceptuales Modelos Hidrológicos

Modelos distribuidos

Modelos físicamente basados Estocásticos

Modelos de caja negra

Redes Neuronales

Esquema de tipologías de modelos hidrológicos

Existen varios factores limitantes que obligan hacia la elección de un tipo de modelo u otro. Primero el tiempo disponible para intervenir en caso de que se detecte un evento de precipitación critico en cuanto a la posibilidad de que provoque una crecida. El “tiempo de alarma” está vinculado al tiempo de concentración de la cuenca, es decir al tiempo de respuesta de ésta. Cuanto menor sea el tiempo disponible para la realización de cálculos (toma de decisiones, operatividad de las estructuras de laminación, evacuación de la población de la zonas de más alto riesgo de inundación, etc) más conveniente sería la elección de un modelo hidrológico de respuesta rápida computacionalmente, tal es el caso de las pequeñas cuencas existentes en los ámbitos territoriales del Júcar, Segura y Norte. En cuanto a cuencas más grandes con tiempo de respuesta de días, como por ejemplo la cuenca del Guadalquivir o del Ebro, la modelación debe ser híbrida, por una parte utilizando modelos de precipitaciónescorrentía acoplados a modelos de propagación en cauce que resuelven las ecuaciones de Saint-Venant. Quizás uno de los puntos determinantes en la elección de un modelo es decidir si es agregado o distribuido; actualmente la tendencia mundial es a la utilización de modelos distribuidos como por ejemplo el TETIS, TOPKAPI, LISFLOOD y otros, aunque en muchos organismos se siguen utilizando modelos de tipo agregado como por ejemplo el NAM, HEC-1 y sucesivas versiones, HBV y otros. A nuestro modo de ver todas las innovaciones tecnológicas como la teledetección y todos los productos derivados de la misma (usos del suelo, humedad del suelo, evapotranspiración real, cobertura de nieve, temperatura, etc), el radar meteorológico, y las predicciones cuantitativas de precipitación (QPF) derivada de los modelos numéricos de previsión de tiempo (NWP) invitan al uso de modelos que puedan asimilar información espacialmente distribuida, y por tanto la elección de un modelo agregado haría perder la resolución al agregar los valores distribuidos a escala de subcuenca de estos nuevos inputs que nos ofrecen las nuevas tecnologías.

Es obvio pensar en la complejidad técnica y esfuerzo que supondrá acoplar y combinar las diferentes fuentes de información derivada de la teledetección, de las fuentes del radar meteorológico, del satélite meteorológico (NOWCASTING) y aquellas puntuales de las estaciones pluviométricas, dado que este input acoplado y combinado tiene el sentido de mejorar la caracterización del campo espacio-temporal (distribuido) de lluvia, la utilización de modelos agregados no parece adecuada y en principio solo se verá satisfecho el esfuerzo en el caso de realizar una modelación distribuida frente a una modelación agregada que no puede asimilar dichas fuentes de información completamente. Otro punto decisivo en cuanto a la elección de modelos de tipo agregado y distribuido, es el efecto de escala de los procesos determinantes en la génesis de las crecidas, siendo habitual encontrar en los modelos agregados dificultades para reproducir ciertos fenómenos hidrológicos que claramente su escala no es la de subcuenca, y es por ello que aún después de obtener razonables calibraciones, en fase de validación se obtengan coeficientes de eficiencia entre el hidrograma observado y el pronosticado bastante bajos. Existe la tendencia, para seguir haciendo uso de los modelos tradicionales agregados, de intentar asimilar al máximo la información distribuida haciendo uso de modelos agregados disminuyendo en gran medida el tamaño de las subcuencas, esto supone un aumento drástico de parámetros al aumentar el número de subcuencas y de tramos de propagación, (por ejemplo los parámetros que afectan al hidrograma unitario que se utilice (SCS, Clark, etc), o por ejemplo a los parámetros del modelo de propagación hidrológica que se utilice (Muskingum, Muskingum-Cunge, etc)) siendo por tanto complejo poder calibrar un modelo de estas características y no digamos validarlo. En la realidad estos elementos pueden ser importantes, pero las debilidades y carencias de los modelos tradicionales agregados van más allá, pues estos modelos no responden a conceptos claves de la hidrología de la cuenca que se han introducido en los últimos años. Entre estos conceptos tenemos: •

•

En las versiones modernas de los modelos tradicionales que se presentan como modelos distribuidos, se destaca la posibilidad de representar la variabilidad espacial de la precipitación y de algunas características de la cuenca. Éste es un avance muy pequeño como se ha reseñado anteriormente ya que el modelo sigue con grandes limitaciones conceptuales. En el fondo esta modernización es sólo un cambio de empaque. Este apego a los modelos convencionales responde al temor a lo desconocido por utilizar nuevos conceptos.

•

usos del suelo muy específicos. En la mayoría de las cuencas naturales las otras componentes de la escorrentía pueden representar un papel más preponderante. Todos estos fenómenos pueden representarse haciendo uso de modelos distribuidos la validez y la robustez de éstos permite la introducción de datos distribuidos espacialmente derivados de las nuevas tecnologías consiguiendo en líneas generales una mejora en la respuesta hidrológica de la cuenca simulada. Entre los modelos distribuidos existen dos sub-categorías: los modelos físicamente basados y los modelos conceptuales. También en este caso la elección de uno u otro requiere de un análisis previo del estado de la información de la cuenca. Los modelos conceptuales en general son de más fácil calibración, a veces de calibración automática, pero solo pueden ser calibrados cuando se disponga de registros de caudales y de eventos de crecida: es el caso de cuencas altamente instrumentalizadas, que dispongan de una red de estaciones de aforo y pluviométricas lo suficientemente densa y de sistemas de medida eficaces y fiables. Esto es necesario en cuanto a que este tipo de modelos requieren un número alto de parámetros de entrada, y en la mayoría de los casos no tienen base física. Por lo tanto una calibración manual y sin datos observados resultaría ineficaz. En cuencas donde haya accesibilidad a datos para la calibración, los modelos conceptuales pueden proporcionar una respuesta fiable de la dinámica hidrológica de la cuenca. Donde no se puedan recopilar este tipo de datos o las cuencas carezcan de sensorización y monitorización, una solución óptima y satisfactoria puede ser ofrecida por los modelos de base física. Estos se basan en la resolución de las ecuaciones físicas que gobiernan los diferentes fenómenos inmersos en el ciclo hidrológico además en la mayoría de casos en el principio de parsimonia, es decir que requieren muy pocos parámetros en entrada y todos derivados del conocimiento de las características físicas de la cuenca: donde haya acceso a información espacialmente distribuida sobre el tipo de suelo, litología y edafología y se pueda proceder a una estimación fiable de los valores modales de los parámetros, la calibración del modelo es prácticamente inexistente. La pre-calibración se realiza en la estimación de los parámetros en base a la física. Por tanto son de fácil uso y no necesitan de calibración en el modo entendido en los modelos conceptuales, reduciendo aún más el tiempo de cálculo con respecto a los modelos conceptuales: Finalmente no hay que olvidar los modelos de caja negra, tanto lineales como los modelos de series temporales o estocásticos, incluyendo aquellos con parámetros recalculados en tiempo real haciendo uso del filtro de Kalman o no lineales como son las redes neuronales. Este tipo de modelos se muestran interesantes en cuencas donde la densidad de datos no es lo suficientemente alta como para poder describir el fenómeno mediante modelos de transformación lluvia-escorrentía y son una valiosísima herramienta para realizar pronósticos de caudal en tiempo real dado su bajo coste computacional. Para el uso de este tipo de modelos hay que encontrar las correlaciones entre unas pocas variables input y la variable output estableciendo un algoritmo o caja negra que nos permita realizar predicciones o pronósticos de la misma. El modelo más simple sería un modelo en el que teniendo como dato una estación de aforos aguas arriba se pronostique el caudal o el nivel de agua en una estación aguas abajo.

Los modelos estocásticos y de redes neuronales son métodos muy útiles para la predicción en tiempo real de niveles de ríos mediante modelos de caja negra partiendo de al serie de registros existentes en estaciones de aforo o marcos de control, si bien pueden añadirse variables exógenas como por ejemplo la precipitación media areal de la cuenca. Este tipo de modelos intentan poner en relación inputs del sistema con sus outputs sin recurrir a justificaciones de tipo físico. Según la experiencia en diferentes partes del mundo se ha demostrado que las técnicas de modelos estocásticos y redes neuronales, especialmente estas últimas, permiten una importante mejora en la predicción de caudales y claramente aplicable a ríos como el Guadalquivir o el Ebro donde se dispone de un eje fluvial central (el propio río) bien sensorizado y una serie de tributarios que suelen estar controlados por embalses y de los cuales se dispone del caudal desembalsado La utilización acoplada de redes neuronales con modelos hidrodinámicos pueden permitir simular situaciones en casos extremos que no se hayan registrado, debido a la corta longevidad de las series SAIH, pudiendo así entrenar la red neuronal con eventos que no se han producido en el tiempo de funcionamiento del sistema automático de recolección de datos. Otra forma de utilizar las redes neuronales de forma operacional e integrarla en un SAIH es la realización de un acople híbrido de modelación lluvia-escorrentía con una red neuronal. Para ello, haciendo uso de un modelo distribuido calibrado y validado y realizando n simulaciones off-line con diferentes hipótesis, tanto en la distribución espacio-temporal del campo de precipitaciones (modelación estocástica multivariada de la precipitación), como en el estado de humedad del suelo y el nivel en los embalses obtener los outputs del sistema hidrológico y con ellos (tanto inputs como outputs) entrenar la red neuronal, pudiendo así establecer un modelo sencillo, robusto y computacionalmente rápido que contenga toda la información procesada con un modelo de transformación lluvia-escorrentía para la realización de pronósticos de caudal.