Informe Final: Carta de Acuerdo FAO – SENAMHI by FAO BOLIVIA/DOCUMENTACIÓN

Informe Final Carta de Acuerdo FAO – SENAMHI

La Paz – Bolivia 2017 Luis Roberto Noriega Flores DIRECTOR GENERAL a.i.

SIGLAS Y ACRÓNIMOS ................................................................................... 11 1

ANTECEDENTES ....................................................................................... 13

PLAN DE ACTIVIDADES ............................................................................ 14

MODELACIÓN HIDROLÓGICA .................................................................. 16 3.1

Metodología CIMA ................................................................................................. 16

3.1.1

Modelación Hidrológica Mediante Metodología CIMA ................................... 16

3.1.2

Cadena FLOOD-PROOFS Mediante Metodología CIMA.............................. 18

3.1.3

Modelo Hidrológico CONTINUUM Metodología CIMA .................................. 20

3.1.4

El Modelo Hidráulico Bidimensional: TELEMAC-2D ..................................... 22

3.2

Modelación en la Cuenca San Juan del Oro ......................................................... 23

3.2.1

Descripción de la Cuenca de San Juan del Oro ............................................ 23

3.2.2

Recopilación de Datos.................................................................................... 25

3.2.3

Datos Meteorológicos ..................................................................................... 28

3.2.4

Calibración y Validación ................................................................................. 31

3.2.5

Elección del Período de Calibración .............................................................. 33

3.2.6

Calibración ...................................................................................................... 34

3.2.7

Resultados Finales ......................................................................................... 35

3.3

Modelación en la Cuenca del Río Desaguadero .................................................. 38

3.3.1

Descripción de la Cuenca del Río Desaguadero ........................................... 38

3.3.2

Recopilación y Calibración de Datos ............................................................. 39

3.3.3

Calibración ...................................................................................................... 43

3.3.4

Resultados Finales ......................................................................................... 43

3.4

Disposición Operativa de la Cadena de Modelo de Pronóstico de Crecidas ....... 46

3.5

Ajustes y mejoramiento de umbrales para el Modelo FEWS-Bolivia ................... 49

3.5.1

Umbrales de Alerta para la Cuenca del Río Mamoré .................................... 49

3.5.2

Umbrales de Alerta para la Cuenca del Río San Juan del Oro ..................... 53

3.5.3

Umbrales de Alerta para la Cuenca del Río Desaguadero ........................... 54

3.5.4

Resultados Finales ......................................................................................... 57

4 INTEGRACIÓN DE LOS MODELOS DESARROLLADOS EN LA PLATAFORMA DEWETRA ...................................................................................................... 59 4.1

Metodología de la integración de la modelación hidrológica mediante metodología

cima 59 4.2

Detalles del servidor e instalación de sistemas. ................................................... 60

4.3

Modelos integrados en DEWETRA ....................................................................... 61

4.4

Arquitectura DEWETRA para la integración del modelo ...................................... 62

4.5

Integración de la cadena hidrológica Flood-PROOFS. ......................................... 63

5 PRONÓSTICO HIDROLÓGICO EN TIEMPO REAL EN LAS CUENCAS PILOTO ELEGIDAS ....................................................................................................... 64 6 MEDICIÓN DE CAUDALES EN LAS CUENCAS DEL DESAGUADERO Y SAN JUAN DEL ORO............................................................................................... 67

6.1

Métodos de Aforo Líquido...................................................................................... 67

6.2

Aforos en la cuenca del San Juan del Oro ............................................................ 76

6.3

Aforos en la cuenca del Desaguadero .................................................................. 76

6.4

Resultados Finales ................................................................................................ 76

ESCENARIOS DE RIESGO .......................................................................... 86 7.1

Metodología para la crítica de series de datos. .................................................... 86

7.1.1

Descripción general para la selección de estaciones meteorológicas. ......... 87

7.1.2

Critica de datos Climaticos. ............................................................................ 89

7.1.3

Metodología del Test de Control de Homogeneidad de datos Climáticos .. 102

7.2

Metodología para la elaboración de mapas de escenarios de riesgos Climáticos 109

7.2.1

Metodología para la determinación del grado de amenaza para la

precipitación. ............................................................................................................... 109 7.2.2

Metodología para la determinación del grado de amenaza para la

Temperatura Máxima. ................................................................................................. 116

7.2.3

Metodología para la determinación del grado de amenaza para la

Temperatura Mínima. .................................................................................................. 118 7.2.4

Metodología para la determinación del grado de amenaza para la Sequía

meteorológica. ............................................................................................................. 120 7.2.5

Metodología para la determinación del grado de amenaza para las heladas. 126

7.2.6

Metodología para la determinación de las áreas de inundación. ................ 129

7.3

Los mapas de escenarios de riesgo climático. ................................................... 130

7.4

Resultados Finales .............................................................................................. 135

7.4.1

Resultados del control de calidad. ............................................................... 135

7.4.2

Resultados para el Test de Homogeneidad. ............................................... 146

7.4.3

Resultados de escenarios de mapas Climáticos ......................................... 154

7.5

Escenarios de Riesgo Nacionales de cultivos agrícolas .................................... 154

7.5.1

Metodología para el procesamiento y determinación de umbrales de daño

agrícola 154 7.5.2

Metodología para calcular los índices agrometeorológicos. ....................... 156

7.5.3

Metodología para construir los Escenarios Nacionales de Riesgo. ............ 162

7.5.4

Umbrales de daño por etapa fenológica para el cultivo papa ..................... 171

7.5.5

Umbrales de daño por etapa fenológica para el cultivo de trigo ................. 174

7.5.6

Umbrales de daño por etapa fenológica para el cultivo caña de azúcar .... 175

7.5.7

Umbrales de daño por etapa fenológica para el cultivo arroz ..................... 176

7.5.8

Umbrales de daño por etapa fenológica para el cultivo maíz ..................... 177

7.5.9

Umbrales de alerta para lluvia en 24 horas, con afectación agrícola. ........ 178

7.5.10

Umbrales de alerta para lluvia en 1 hora, con afectación agrícola. ............ 179

7.5.11

Umbrales de Alertas de Nieve por Diferentes Elevaciones m.s.n.m. En Zonas

Agrícolas...................................................................................................................... 180 7.5.12

Umbrales de Alertas de Vientos por Zonas Agrícolas. ................................ 181

7.5.13

Umbrales de alertas de heladas por zonas agrícolas. ................................ 181

7.5.14

Umbrales de Alertas de Temperaturas Criticas Máximas por Zonas Agrícolas. 182

7.5.15

Mapas de alerta para lluvia en 24 horas, con afectación agrícola. ............. 183

7.5.16

Mapas de alerta para lluvia en 1 hora, con afectación agrícola. ................. 185

7.5.17

Mapas de Alertas de déficit de precipitaciones En Zonas Agrícolas. ......... 185

7.5.18

Mapas de alertas de heladas por zonas agrícolas. ..................................... 185

7.5.19

Mapas de Alertas de Temperaturas Criticas Máximas por Zonas Agrícolas. 186

7.5.20

Resultados finales de umbrales ................................................................... 186

7.5.21

Índices agrometeorológicos ......................................................................... 186

7.5.22

Escenarios nacionales de “Temperaturas Diurnas”. ................................... 194

7.5.23

Escenarios nacionales de “Temperaturas Nocturnas”. ............................... 196

7.5.24

Escenarios nacionales de “Horas Frío”. ....................................................... 196

7.5.25

Escenarios nacionales de “Evapotranspiración Potencial” (ETP). .............. 197

7.5.26

Escenarios nacionales de “Radiación Solar”. .............................................. 198

7.5.27

Escenarios nacionales de “Unidades de Calor o Grados Día” en base 7ºC. 198

7.5.28

Escenarios nacionales de “Unidades Fototérmicas” en Base 7ºC. ............. 199

7.5.29

Resultados Finales de escenarios ............................................................... 200

8 MODELOS Y LOS ESCENARIOS DE RIESGO INCORPORADOS A LA PLATAFORMA DEWETRA .............................................................................. 202 8.1

Modelos y escenarios de riesgo en DEWETRA ................................................. 202

8.2

Integración de los escenarios de riesgo a nivel nacional, en la plataforma

DEWETRA. ..................................................................................................................... 202 8.3

Modelos de escenarios de riesgo de Desaguadero, Mamoré y San Juan del Oro. 203

8.4

Pasos Para La Implementación De Los Escenarios De Riesgo. ........................ 204

8.5

Ajustes y mejoramiento de umbrales para el Modelo FEWS-Bolivia ................. 215

CONCLUSIONES ........................................................................................... 217 RECOMENDACIONES ................................................................................... 217 TABLAS Tabla 1 Marco del desarrollo de actividades ....................................................................... 14 Tabla 2. Estaciones de nivel de agua disponibles en la cuenca de San Juan del Oro. ..... 27 Tabla 3. Parámetros meteorológicos en la cuenca San Juan del Oro ................................ 29 Tabla 4. Conjunto de valores de los parámetros utilizados para realizar la calibración .... 32 Tabla 5. Umbrales de alerta para las estaciones El Carmen, Camiaco, San Borjita, Puerto Siles de la cuenca del Rio Mamoré...................................................................................... 50 Tabla 6. Umbral de Alerta para la estación Gundonovia de la cuenca del Rio Mamoré .... 51 Tabla 7. Umbral de alerta para la estación Puerto Junín de la cuenca del Rio Mamoré ... 52 Tabla 8. Umbrales de Alerta estaciones Pto. Villarroel, Santa Rosa del Chapare, Los Puentes, Pto. Almacén y San Borja de la cuenca del Rio Mamoré .................................... 52 Tabla 9. Umbrales de alerta para cuenca del Rio Mamoré ................................................. 52 Tabla 10. Umbrales de alerta para la cuenca del Rio San Juan del Oro ............................ 54 Tabla 11 Umbrales de alerta para la cuenca Desaguadero ................................................ 57 Tabla 12 Caudales calculados en la cuenca del Río de San Juan del Oro ........................ 76 Tabla 13 Caudales calculados en la cuenca del Río Desaguadero .................................... 76 Tabla 14 Cuantificación de las Estaciones meteorológicas ................................................ 88 Tabla 15 Detección de errores ............................................................................................. 95 Tabla 16 Cuadros explicativos sobre la utilización de los métodos de Test ..................... 103 Tabla 17 Cuadros explicativos sobre la utilización de los métodos de Test ..................... 104 Tabla 18 Cuadros explicativos sobre la utilización de los métodos de Test ..................... 105 Tabla 19 Periodo 1940-1950 .............................................................................................. 135 Tabla 20 Periodo 1960-1970 .............................................................................................. 136 Tabla 21 Periodo 1980-1990 .............................................................................................. 142 Tabla 22 Periodo 2000-2015 .............................................................................................. 144 Tabla 23 Evaluación de las series de datos aplicados el Test de homogeneidad ........... 146 Tabla 24 Evaluación de las series de datos aplicados el Test de homogeneidad ........... 148 Tabla 25 Evaluación de las series de datos aplicados el Test de homogeneidad ........... 150 Tabla 26 Umbrales de daño por etapa fenológica para el cultivo papa ............................ 172

Tabla 27 Comparaciones de los umbrales del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017. ............................................................................................ 172 Tabla 28 Umbrales de daño por etapa fenológica para el cultivo trigo ............................. 175 Tabla 29 Umbrales de daño por etapa fenológica para el cultivo caña de azúcar ........... 176 Tabla 30 Umbrales de daño por etapa fenológica para el cultivo arroz ............................ 177 Tabla 31 Umbrales de daño por etapa fenológica para el cultivo maíz ............................ 178 Tabla 32 Umbrales de alerta para lluvia en 24 horas, con afectación agrícola ................ 179 Tabla 33 Umbrales de alerta para lluvia en 1 hora, con afectación agrícola .................... 180 Tabla 34 Umbrales de Alertas de Nieve por Diferentes Elevaciones m.s.n.m. En Zonas Agrícolas ............................................................................................................................. 181 Tabla 35 Umbrales de Alertas de Vientos por Zonas Agrícolas........................................ 181 Tabla 36 Umbrales de alertas de heladas por zonas agrícolas ........................................ 182 Tabla 37 Umbrales de Alertas de Temperaturas Criticas Máximas por Zonas Agrícolas 183 Tabla 38 Días Consecutivos que se Superan los Umbrales Establecidos ....................... 183 Tabla 39 Datos de la estación Anzaldo ............................................................................. 187 Tabla 40 Índices Agrometeorológicos de la Estación Anzaldo ......................................... 188 Tabla 41 Resumen de la Estación Anzaldo ....................................................................... 190 Tabla 42 Balance Hídrico de la Estación Anzaldo ............................................................. 191 Tabla 43 Balance Hídrico de la Estación Anzaldo ............................................................. 192 Tabla 44 índice de humedad e índice hídrico .................................................................... 192 Tabla 45 Probabilidad de ocurrencia de la última y primera helada al 80% ........................................ 193

FIGURAS Figura 1 . Diagrama de la cadena de predicción de inundaciones Método CIMA .............. 17 Figura 2. Esquema conceptual de Flood-PROOFS en su versión básica - ejecución de previsión................................................................................................................................ 19 Figura 3. Ejemplo de una previsión de descarga probabilística para la Cuenca alta del Rio Beni dada por Predicciones impulsadas emitida el 04 de marzo de 2017. Los puntos azules representan las probabilidades y el área en la que están incluidos representa la geometría de la envolvente del conjunto de puntos analizados. .......................................................... 21 Figura 4. Ubicación de la Cuenca San Juan del Oro en Bolivia ......................................... 25 Figura 5. Mapas de la cubierta terrestre de la ESA 2010 (izquierda) y derivados de la CN en la Cuenca de San Juan del Oro. ..................................................................................... 26

Figura 6. Lluvia acumulada (GSMAP) en la cuenca de San Juan del Oro para el período de lluvias que va de noviembre de 2013 a abril de 2014. ........................................................ 26 Figura 7. Lluvia acumulada (GSMAP) y caudales observadas Cuenca de San Juan del Oro para el período de lluvias que va de noviembre de 2013 a abril de 2014. ......................... 28 Figura 8. Ubicación de las estaciones meteorológicas dentro y cerca de la Cuenca San Juan del Oro. ................................................................................................................................. 30 Figura 9. Ubicación de la cuenca del Rio Desaguadero en Bolivia .................................... 38 Figura 10. Puntos de inicio de la cuenca Desaguadero Aguallamaya y el punto de cierre elegido Toledo (puntos rosados), tomados como una solución para la modelación de la cuenca. ................................................................................................................................. 39 Figura 11. Descarga o Caudales históricos de la Cuenca del Desaguadero ..................... 40 Figura 12. Ubicación de las estaciones meteorológicas dentro y cerca de la Cuenca Desaguadero. ....................................................................................................................... 43 Figura 13 La cadena de predicción de inundaciones instalada en Bolivia ......................... 47 Figura 14. Salida determinística del modelo hidrológico CONTINUUM ejemplo para la cuenca del Chapare estación Icona Río Juntas Corani del 07 de marzo del 2017. ........... 49 Figura 15. Observación en la estación Gundonovia durante la instalación de limnímetros de la cuenca del Rio Mamoré.................................................................................................... 51 Figura 16. Datos históricos de la Estación El Puente de la cuenca San Juan del Oro ...... 53 Figura 17. Datos históricos de caudales de la estación Chuquiago de la cuenca San Juan del Oro .................................................................................................................................. 53 Figura 18. Datos históricos de caudales de la estación Tupiza de la cuenca San Juan del Oro ........................................................................................................................................ 54 Figura 19. Datos históricos de caudales de la estación Abaroa Mauri de la cuenca Desaguadero ........................................................................................................................ 55 Figura 20. Datos históricos de caudales de la estación Aguallamaya de la cuenca Desaguadero ........................................................................................................................ 55 Figura 21. Datos de históricos de caudales de la estación Calacoto Desaguadero........... 56 Figura 22. Datos historicos de caudales de la estación Calacoto Mauri de la cuenca Desaguadero ........................................................................................................................ 56 Figura 23. Datos de caudales de la estación Ulloma de la cuenca Desaguadero ............. 56 Figura 24. Datos de caudales de la estación Chuquina de la cuenca Desaguadero ......... 57 Figura 25: La cadena de predicción de inundaciones Metodología CIMA .......................... 59 Figura 26 Carpeta de archivos del modelo hidrológico implementado ............................... 60 7

Figura 27 Listado de carpetas del modelo ........................................................................... 60 Figura 28 Archivos Scripts en el Servidor MAYU ................................................................ 61 Figura 29 Vista del modelo Rio Beni en la plataforma DEWETRA ..................................... 63 Figura 30 Modelo telemac2D en DEWETRA ....................................................................... 64 Figura 31. Informes de Pronóstico Hidrológico realizados en forma diaria y enviados de manera inmediata a las autoridades competentes de la toma de decisión ........................ 65 Figura 32 Publicación de Alertas Hidrológicas en la página Web del SENAMHI ............... 65 Figura 33 Publicación del Pronóstico Hidrológico en Tiempo Real en la página Web del SENAMHI ............................................................................................................................. 66 Figura 34. Sección transversal en el punto de aforo. .......................................................... 68 Figura 35. Contador de revoluciones (izquierda), Escandalio (derecha) ............................ 69 Figura 36. Molinetes marca A.OTT KEMPTEN .................................................................. 69 Figura 37. Ejemplo de aforo por Vadeo ............................................................................... 70 Figura 38. Aforo por suspensión .......................................................................................... 71 Figura 39. Representación del Aforo por Bote en movimiento............................................ 74 Figura 40. Aforos con ADCP ................................................................................................ 75 Figura 41 Esquema de la utilización de la metodología para la elaboración de mapas de escenarios de riesgo. ........................................................................................................... 87 Figura 42 Clasificación de estaciones meteorológicas ........................................................ 89 Figura 43 Ploteo de datos en el Sistema RClimdex para la variable de la precipitación ... 96 Figura 44 Ploteo de datos de la temperatura mínima sistema RClíndex ............................ 97 Figura 45 Ploteo de datos de precipitación en el sistema RClímdex .................................. 98 Figura 46 Ploteo de datos de precipitación Histogramas .................................................... 99 Figura 47 Ploteo de datos de precipitación Histogramas .................................................. 100 Figura 48 Ploteo de datos de precipitación diagramas de caja......................................... 101 Figura 49 Ploteo de datos de precipitación diagramas de Histogramas ........................... 102 Figura 50 regresión sobre el comportamiento de la homogeneidad entre dos estaciones cercanas ............................................................................................................................. 107 Figura 51 Residuos acumulados detectando la homogeneidad entre dos estaciones cercanas ............................................................................................................................. 108 Figura 52 Esquema de las etapas metodológicas ............................................................. 111 Figura 53 Vecindad de IDW del punto seleccionado ......................................................... 113 Figura 54 Criterios recomendados para la valoración de la amenaza por sequía meteorológica ..................................................................................................................... 123 8

Figura 55 Umbrales de amenaza por sequía .................................................................... 124 Figura 56 Comparaciones de los umbrales de temperaturas máximas del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017 ................................................. 172 Figura 57 Comparaciones de los umbrales de temperatura mínimas del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017 ................................................. 173 Figura 58 Comparaciones de los umbrales lluvia del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017 .................................................................................... 173 Figura 59 Diagrama Agroclimático de la Estación Anzaldo .............................................. 190 Figura 60 Distribución acumulativa para el cálculo de probabilidad de ocurrencia de la primera y última helada de los datos climáticos de la estación Anzaldo .......................... 193 Figura 61 Análisis de variación interanual de precipitación de la estación meteorológica de Aiquile ................................................................................................................................. 194 Figura 62 Pantalla de QGIS para abrir los SHAPE entregados ....................................... 205 Figura 63: Selección de colores ......................................................................................... 205 Figura 64 La selección de colores es una por una de acuerdo al GRIDCODE. .............. 206 Figura 65 Guardado de los colores en el formato SLD .................................................... 206 Figura 66 SHAPE para la publicación ................................................................................ 207 Figura 67 Ventana de inicio del GEO-SERVER ............................................................... 207 Figura 68 Listado de los estilos en el geoserver. ............................................................. 208 Figura 69 Editor de estilos del Geo-Server ....................................................................... 208 Figura 70 Seleccionado del archivo SLD ........................................................................... 209 Figura 71: Vista previa del estilo subido al geo-server ...................................................... 209 Figura 72: Estilo de colores guardado en el servidor ........................................................ 210 Figura 73: Pantalla de selección de capa .......................................................................... 210 Figura 74: Selección de capa (SHAPE file) ....................................................................... 211 Figura 75: Capa seleccionada y publicada ........................................................................ 211 Figura 76: Capa guardada ................................................................................................. 212 Figura 77: Personalización de la publicación de la capa almacenada.............................. 212 Figura 78: Seleccionar el estilo para la capa ..................................................................... 213 Figura 79: Guardar el archivo de publicación .................................................................... 213 Figura 80: Ingreso a la interfaz de publicación de DEWETRA.......................................... 214 Figura 81 Formulario de los datos previos para la publicación. ........................................ 214 Figura 82 Guardar la publicación. ...................................................................................... 215 Figura 83 Resultado final del proceso de publicación. ...................................................... 215 9

Figura 84 Protocolo de intercambio establecido entre las salidas del modelo meteorológico WRF y el modelo hidrológico W-FLOW ............................................................................. 216

MAPAS Mapa 1 Ubicación de las estaciones meteorológicas de las cuencas del Desaguadero, Mamoré, Chapare y San Juan del Oro .............................................................................. 110 Mapa 2 Test evaluado para las series de precipitación y temperaturas para la Cuenca del Desaguadero ...................................................................................................................... 147 Mapa 3 Test evaluado para las series de precipitación y temperaturas para la Cuenca del Desaguadero ............................................................................................................................................ 149 Mapa 4 Test evaluado para las series de precipitación y temperaturas para la Cuencas del Mamoré y Chapare ............................................................................................................. 152 Mapa 5 Umbrales de alerta roja por precipitaciones máximas en 24 horas ..................... 184 Mapa 6 Umbrales de alerta naranja por déficit de precipitación para el mes de abril ...... 185 Mapa 7 Umbrales de alerta roja por Heladas .................................................................... 186 Mapa 8 Mapa de temperaturas diurnas del mes de julio .................................................. 195 Mapa 9 Mapa de Horas Frío promedio anual .................................................................... 197 Mapa 10 Mapa de Unidades Fototérmicas del mes de julio ............................................. 200

ECUACIONES Ecuación 1 Método simple para la estimación de la Precipitación Máxima en 24 Horas . 112 Ecuación 2 Índice de Riesgo Sistémico de Heladas ......................................................... 127 Ecuación 3. Coeficiente de Correlación (Pearson) ............................................................ 159 Ecuación 4 Temperatura diurna ......................................................................................... 162 Ecuación 5 temperatura nocturna ...................................................................................... 163 Ecuación 6 Horas frio. Formula Da Mota ........................................................................... 164 Ecuación 7 Evapotranspiración potencial (ETP) formula de Hargreaves .......................................... 164 Ecuación 8 Radiación Solar ............................................................................................... 164 Ecuación 9 Unidades de Calor ........................................................................................... 166 Ecuación 10 Unidades Fototérmicas ................................................................................. 167

SIGLAS Y ACRÓNIMOS A Angular Unit B C1 C2 Cal CLP

Hiperhúmedo

cm2

Centímetro cuadrado

Numero de Curva (En Hidrologia significa un metodo para transformar la precipitacion total en precipitacion efectiva, sin embargo existen diversas tablas clasificadas dea acuerdo a la cobertura vegetal del suelo, y otros parametros)

D Datum geodésico

Semiárido Declinación magnética o curva altimétrica

DEM

Modelo Digital de Elevacion

E ETc ETP F

Árido Evapotranspiración de cultivo Evapotranspiración potencial Fotoperiodo (duración del día) Organización de las Naciones Unidas para la Agricultura y la Alimentación Sistema operativo de pronóstico probabilístico de inundaciones (Metodlogia CIMA)

FAO Flood-PROOFS

Húmedo Subhúmedo seco Subhúmedo húmedo Calorías Combinación lineal ponderada

GRISO

Analisis Espacial de Interpolacion

GSMAP

Global Satellite Mapping of Precipitation (Cartografía global por satélite de las precipitaciones)

H H.F.

Húmedo HORAS FRIO

H14

ha sido escalado linealmente para mantener la misma media y desviación estándar de los resultados simulados de SD

HA HD HE HMD HR Hrs

Humedad Alta Humedad Deficiente Humedad Excesiva Humedad Muy Deficiente Humedad relativa Horas

IDW

Distancia Inversa Ponderada (los puntos de muestreo se ponderan durante la interpolación de tal manera que la influencia de un punto en relación con otros disminuye con la distancia desde el punto desconocido que se desea crear)

ISO 19115 Kc Km/h

International Organization for Standardization Coeficiente de Corrección de la ETP Kilómetros por hora

l/m2

Litros por metro cuadrado

m.s.n.m. mm PE RE

Elevación metros sobre el nivel del mar Milímetros Precipitacion efectiva Radiación Solar

RMSE y NS

correspondencia con la mejor combinación se identifican mediante una cruz roja

RRD Rs S3M

Reducción de riesgos a desastres Radiación solar expresada en cal/cm 2/min o mm de agua evaporable Snow Multidata Mapping and Modeling (Mapeo y Modelado Multidata de Nieve)

media SD si se ejecuta con múltiples parámetros Continuum

SIG

Sistema de información geográfico

SISMET SNATD

Tbase

Sistema de procesamiento de datos meteorológicos Sistema nacional de alerta temprana de desastres Shuttle Radar Topography Mission (Misión Topográfica Radar Shuttle) Temperatura Base

Tm Tmax

Temperatura media Temperatura máxima diaria

Tmin U.C

Temperatura mínima diaria Unidades de Calor

UFT

Unidades Fototérmicas acumuladas

WRF

Weather Research and Forecasting (Investigación y predicción meteorológica)

SRTM

1 ANTECEDENTES El Servicio Nacional de Meteorología e Hidrología (SENAMHI) y la Organización de las Naciones para la Alimentación y la Agricultura (FAO), han firmado un acuerdo en el marco del proyecto OSRO/BOL/501/ITA “Fortalecimiento de la resiliencia local ante la inseguridad alimentaria, basada en estrategias exitosas, para desarrollar y consolidar el sistema nacional de alerta temprana los medios de vida tradicionales y las condiciones de seguridad alimentaria de familias rurales vulnerables en la zona Alto Andina y en el Beni”, para la realización conjunta del proyecto que tiene como Objetivo Específico: "Fortalecer el sistema de monitoreo y la integración del SNATD en los tres niveles de Gobierno desarrollando capacidades institucionales y de resiliencia, incluyendo el nivel comunal, a través de la inclusión de actividades resilientes que enfoquen la gestión de riesgo en la planificación del desarrollo" a través de la ejecución de actividades a ejecutar, los que responden a los componentes Gestión de Riesgo de Desastres para el Desaguadero, San Juan del Oro y Mamoré. En este sentido el SENAMHI tiene el objetivo de contribuir al desarrollo de capacidades y al mejoramiento de la resiliencia institucional y de las comunidades a través de la implementación de medidas de RRD y el fortalecimiento del SNATD en el marco de la normativa legal vigente en Bolivia.

2 PLAN DE ACTIVIDADES El trabajo del SENAMHI fue planificada en base a seis actividades principales: La Tabla 1, presenta el marco lógico con las actividades, indicadores verificables y fuentes de verificación, los mismos que son entregados como anexos en digital adjunto al presente informe final. Tabla 1 Marco del desarrollo de actividades

Nro. Resumen Narrativo Indicadores verificables 1 Modelación hidrológica  A la conclusión de la para el establecimiento consultoría, se cuenta de alerta de inundación con dos cuencas en los Ríos: a. modeladas Desaguadero que tome (Desaguadero y San en cuenta los Juan del Oro), con municipios de Toledo, modelos calibrados y El Choro y Chipaya, b. operando en la unidad San Juan del Oro de pronósticos desde Tupiza hasta hidrológicos del Yunchará en Tarija y c. SENAMHI. Ajustes y mejoramiento  A la conclusión de la de umbrales para el consultoría, se cuenta Modelo FEWS-Bolivia con al menos 40 desarrollado por el umbrales riesgo de MMAyA en los ríos inundación calculada Ichilo – Mamoré desde para las estaciones en puerto Villarroel hasta las cuencas de los ríos Puertos Silez. Mamoré, Desaguadero y San del Oro integrada a FEWS – Bolivia y DEWETRA. 2 Integración de los  A la conclusión de la modelos desarrollados consultoría, se cuenta en la plataforma con dos cuencas DEWETRA. (Desaguadero y San Juan del Oro), integradas a DEWETRA. 3 Pronóstico hidrológico  A la conclusión de la en tiempo real en las consultoría, se cuenta cuencas piloto con un pronóstico para elegidas. las cuencas modeladas en el territorio Nacional. 4 Aforos realizados en  A la conclusión de la las cuencas del consultoría, se cuenta Desaguadero y San con al menos 5 caudales Juan del Oro. medidos y perfiles de la sección del río en las

Fuentes de verificación  Informe metodológico de la calibración y operación de la modelización de las cuencas del Desaguadero y San Juan del Oro.  Informe metodológico del cálculo de umbrales para las estaciones de las cuencas del Mamoré, Desaguadero y San Juan del Oro.

 Informe de Integración de los modelos a DEWETRA.

 Un documento pronóstico para cuencas modeladas en el territorio Nacional.  Informe de campañas de aforos líquidos realizados.

Nro. Resumen Narrativo

Indicadores verificables cuencas de los ríos Desaguadero y San Juan del Oro.

Escenarios (Informe,  A la conclusión de la Metodología y Mapas) consultoría, se cuenta de riesgo con con al menos 20 metodología de CIMA escenarios de riesgo de para las cuencas del inundación, heladas y Desaguadero, San sequias de acuerdo a la Juan del Oro y Mamoré metodología de CIMA, para las cuencas Mamoré, Desaguadero, San Juan del Oro y Chapare. Modelos y los  A la conclusión de la escenarios de riesgo consultoría se cuenta incorporados a la con al menos 20 mapas plataforma DEWETRA. de riesgo publicados en la plataforma DEWETRA. Fuente: Elaboración propia

Fuentes de verificación

 Informe metodológico de la elaboración de los escenarios de riesgo.ç  Mapas en formato shape, jpg e impreso.

 Informe de publicación de los modelos a DEWETRA.

3 MODELACIÓN HIDROLÓGICA 3.1 Metodología CIMA En todo el mundo, muchas ciudades se encuentran en zonas propensas a inundaciones y millones de personas están en riesgo de inundación. Para hacer frente a esto, la seguridad social exige una estructura de protección civil eficiente capaces de reducir el riesgo de inundación mediante la emisión de advertencias. Esta tarea requiere organismos como Defensa Civil que requieren sistemas capaces de apoyar sus actividades en la predicción de inundaciones y precipitaciones. Por esta razón, los sistemas de predicción de inundaciones, basados en las predicciones, se ha vuelto muy útil porque son capaces de proporcionar por adelantado una evaluación de posibles efectos de tierra en términos de descarga y flujo máximo. Tradicionalmente, estos sistemas de pronóstico usan modelos hidrológicos combinados con modelos para pronosticar la descarga en las secciones pertinentes de los ríos y se denominan hidrometeorológicos La metodología CIMA se aplica también a modelos hidráulicos bidimensionales cuando los niveles de exposición son altos o las singularidades de flujo (por ejemplo, cruces, deltas, etc.) requieren investigación. Esta información permite generar escenarios de inundación en tiempo real que pueden ser utilizadas por las autoridades de defensa civil para estimar el riesgo de inundación. También proporciona al SENAMHI el desarrollo e implementación de un modelo de plan hidrológico para predicciones de inundación en tiempo real basadas en eventos de lluvia observados y previstos. El sistema, ha sido implementado en diferentes contextos climáticos bajo el nombre de Flood-PROOFS (Probabilistic Flood Forecasting Operational System), está diseñado para apoyar a los tomadores de decisiones durante las fases de la previsión de inundación, el casting y la supervisión.

3.1.1 Modelación Hidrológica Mediante Metodología CIMA La cadena de predicción de inundaciones Metodología CIMA (Figura 1) está compuesta por Flood-PROOFS, un conjunto de datos hidrometeorológicos herramientas que combina modelos meteorológicos, una herramienta de desagregación como el modelo hidrológico denominado CONTINUUM y un modelo hidráulico bidimensional denominado Telemac-2D,

que produce escenarios de inundación en el segmento de río más expuesto del llano de inundación. El Flood-PROOFS es impulsado por la predicción numérica del tiempo a escala local proporcionada por el Modelo WRF (Modelo Meteorológico). La implementación comenzó con un análisis del desempeño del WRF. Figura 1 . Diagrama de la cadena de predicción de inundaciones Método CIMA

Met. Modelo (Modelo de área limitada)

Pronóstico de Expertos (Oficina Regional de Previsión del Tiempo)

Mapas de Lluvia

Temperatura, Viento, Radiacion, Humedad Relativa

Modelo hidráulico simple de alimentación

FloodPROOFS cadena de predicción hidrometeorológica

Pronóstico (Precipitaciones y Temperatura)

lluvia FARM (Reducción estocástica)

S3M (Mapeo y Modelado Multidado de Modelo de Nieve y Precipitación) CONTINUUM (Modelo de extracción de lluvia considerando infraestructuras

Escenarios de descarga Superación de la probabilidad de umbrales

Telemac 2D Modelo hidráulico 2D

Área inundada (profundidad y velocidad del agua)

La metodología CIMA incluye el análisis del rendimiento del Modelo Meteorológico WRF que consiste en una comparación de precipitaciones pronosticadas por el modelo WRF y el modelo estimado y observado por el Global Satellite Mapping of Precipitation GSMAP articulando 2 niveles de comparación: a) Comparación cuantitativa mensual b) Comparación cuantitativa diaria b.1) Por debajo de 1500 metros b.2) entre 1500m y 3000m 17

b.3) entre 3000m y 4000m b.4) por encima de 4000m Para el caso de la modelación hidrológica dentro de lo que significa como uno de los datos INPUT de análisis para la modelación.

3.1.2 Cadena FLOOD-PROOFS Mediante Metodología CIMA Flood-PROOFS es un sistema diseñado para ayudar a los encargados de la toma de decisiones durante las fases operacionales de pronóstico de inundaciones, Nowcasting, mitigación y monitoreo en cuencas de varios tamaños, además el sistema proporciona previsiones en tiempo real Flood-PROOFS es útil para manejar alertas de peligro hidrometeorológico y advertencias para propósitos de Protección Civil. La prioridad principal es la protección de los ciudadanos, sus bienes y, en general, la salvaguardia de todo lo que pueda ser dañado por los efectos de tierra de intensos episodios de precipitación. Además, las empresas de gestión del agua emplean Flood-PROOFS para prevenir daños a las estructuras hidráulicas en caso de precipitaciones extremas. Flood-PROOFS ingesta datos y gestiona el flujo de trabajo necesario para el modelo pronóstico hidrometeorológico: Modelos meteorológicos, los datos de estaciones meteorológicas en tiempo real, datos en tiempo real de la operación de estructuras hidráulicas reguladoras y datos de satélite, proporcionan una evaluación cuantitativa de la descarga y el flujo máximo y evalúa la probabilidad de superar los umbrales críticos en las secciones de salida críticas de las cuencas. Los resultados son publicados en DEWETRA para ser accedidos y explotados por diferentes instituciones. El flujo de trabajo del sistema se ilustra en la Figura 2. Dos fuentes diferentes de predicción pueden alimentar la cadena meteorológica: Un QPF por modelos meteorológicos (por ejemplo, IFS, GFS, COSMO-I7, WRF) , o las predicciones emitidas por expertos pronosticadores regionales. Este segundo elemento de novedad se describe en Silvestro et al. (2011) y Laiolo (2013); en esencia, los pronosticadores toman en cuenta diferentes modelos meteorológicos, su conocimiento del territorio y sus características climáticas para expresar QPFs en términos de precipitaciones acumuladas en áreas predefinidas y duraciones.

Figura 2. Esquema conceptual de Flood-PROOFS en su versión básica - ejecución de

previsión. PRONOSTICO (Lluvia y Temperatura) Modelo Meteorologico Modelo de Area Limitada

Pronostico de Expertos Oficina Regional para el Pronostico del Tiempo

Mapas de Lluvia

Mapas de Temperatura

Lluvia FARM (Reduccion Estocastica) Salida Ma pa s de Ll uvi a de a l ta res ol uci on

S3M Nieve y Lluvia Modelo de Nieve Multidata Mapeo y modelado

Salidas: Lluvia - Nieve derretida Mapas SWE Mapas de Densidad Continuum Model a do de es correntía de l l uvi a s cons i dera ndo i nfra es tructura s hi drá ul i ca s

Salidas: Escenarios de descarga Superando la probabilidad de umbrales

En ambos casos, los QPFs se reducen a una escala espacial y temporal apropiada utilizando un modelo estocástico de reducción de escala: Rainfall Filtered Auto Regressive Model (RainFARM). Genera pronósticos de precipitación de alta resolución (1 km y 30 min) (Rebora et al., 2006). El mismo enfoque, con cierta adaptación (ver Silvestro et al., 2011, Laiolo et al., 2013) se aplica a la QPF dada por los pronosticadores regionales. En ambos casos, proporciona un conjunto de 50 escenarios de predicción de precipitación reducida a pequeña resolución necesaria para aplicaciones hidrológicas (Drögemeier et al., 2000, Ferraris et al., 2002, Siccardi et al., 2005). 19

3.1.3 Modelo Hidrológico CONTINUUM Metodología CIMA El tercer elemento es un modelo hidrológico necesario para simular el caudal de flujo causado por el evento de precipitación predicho. El modelo hidrológico utilizado es CONTINUUM (Silvestro et al., 2013, 2015). Es un modelo hidrológico continuo, distribuido y físicamente basado capaz de reproducir la evolución espacio-temporal de la humedad del suelo, los flujos de energía, la temperatura superficial del suelo, la evapotranspiración y la descarga. Fue diseñado para encontrar un equilibrio entre una descripción detallada de los procesos físicos y una parametrización robusta y parsimoniosa. Se demostró que CONTINUUM es un modelo adecuado para beneficiar la información satelital, en Silvestro et al. 2015 el modelo ha sido calibrado utilizando datos de satélite de LST y de humedad del suelo produciendo resultados comparables con los de una calibración clásica en los datos de descarga; En Laiolo et al. 2015 distintos productos de humedad del suelo por satélite han sido asimilados para mejorar las prestaciones del modelo. El modelo es capaz de tener en cuenta la presencia de presas y otras estructuras hidráulicas. En particular, si las maniobras en tiempo real realizadas por cada infraestructura hidráulica dentro de la cuenca se ponen a disposición del modelo, FloodPROOFS se adapta a las configuraciones hidráulicas modificadas mientras predice la descarga. Dado que la distinción entre lluvia y nieve es crucial para emitir una advertencia fiable de inundaciones en el entorno de montaña, Flood-PROOFS implementa un procedimiento llamado Snow Multidata Mapping and Modeling - S3M (Boni et al., 2010) capaz de determinar si la precipitación es líquida o sólida y modelos de la tasa de fusión de nieve. Por lo tanto, S3M da al modelo hidrológico CONTINUUM los campos de precipitación que toman en cuenta la fusión de nieve o la acumulación de nieve. S3M utiliza, en un marco de asimilación de datos, los datos MODIS en tiempo casi real y las mediciones de profundidad de nieve en tiempo real. Se usan los datos MODIS para la estimación del Área de Nieve: la interpolación de la profundidad de nieve en tiempo real se realiza sobre los píxeles marcados como "nieve" usando una regresión multi-lineal en parámetros geomorfológicos (por ejemplo, altitud, aspecto, pendiente) y climatológicos (Por ejemplo, índices de radiación, índices de viento, véase la referencia Boni et al., 2010 para más detalles).

Los principales resultados producidos por el sistema computacional son tanto una previsión de descarga probabilística como determinista en un número definido de secciones de salida de las cuencas seleccionadas. La figura 3 representa un ejemplo de salida de descarga probabilística: los puntos representan los flujos máximos de los escenarios previstos derivados de una predicción de conjuntos, el área gris está delimitada por intervalos de confianza del 100%. Las líneas horizontales representan el umbral de aviso, y la descarga máxima permitida en esa sección. Figura 3. Ejemplo de una previsión de descarga probabilística para la Cuenca alta del Rio Beni dada por Predicciones impulsadas emitida el 04 de marzo de 2017. Los puntos azules representan las probabilidades y el área en la que están incluidos representa la geometría de la envolvente del conjunto de puntos analizados.

Dentro de este sistema hidrometeorológico probabilístico, se podrían encontrar tres tipos de incertidumbre: (i) incertidumbre meteorológica; i) la incertidumbre en la interface entre escalas meteorológicas e hidrológicas; E (iii) incertidumbre en el modelado hidrológico (por ejemplo, ver Ferraris et al., 2002 y Siccardi et al., 2005 para una definición más formal). En la configuración operativa de Flood-PROOFS se considera que los factores dominantes son la incertidumbre meteorológica y la incertidumbre en la interface entre las escalas meteorológicas e hidrológicas. La incertidumbre en la escala hidrológica puede considerarse como mínimo un orden de magnitud menor que las otras dos. La incertidumbre meteorológica suele tenerse en cuenta a partir de EPS (véase como referencia, por ejemplo, Molteni et al., 1996) o Local EPS (Molteni et al., 2001) y / o podría ser manejada por expertos pronosticadores para crear un escenario sobre la base de su Experiencia y habilidad.

La incertidumbre de la interfaz se considera utilizando los enfoques estocásticos de reducción de escala para acoplar resultados del modelo meteorológico con insumos hidrológicos. Por lo tanto, los valores de predicción se agregan a una escala espaciotemporal considerada fiable y luego se reducen a una resolución compatible con el modelado hidrológico (Gabellani et al., 2007), mediante la técnica estocástica RainFARM. Un tipo adicional de incertidumbre, que podría encontrarse en la predicción hidrológica, está vinculada a la medida de los valores de descarga; En este caso los datos de descarga observacional se asumen fiables. Para una descripción completa de la física del modelo y su validación el lector se refiere a Laiolo et al. (2013).

3.1.4 El Modelo Hidráulico Bidimensional: TELEMAC-2D TELEMAC-MASCARET es un conjunto integrado de solucionadores para su uso en el campo del flujo de superficie libre. Utilizado en el contexto de muchos estudios en todo el mundo, se ha convertido en uno de los principales estándares en su campo (http://www.opentelemac.org). El sistema fue desarrollado por el Laboratorio Nacional de Hidráulica, departamento de la División de Investigación y Desarrollo de Electricité de France. Ahora está disponible como código abierto, y es desarrollado por el Consorcio Open Telemac-Mascaret. El código de Telemac-2D resuelve las ecuaciones de flujo de superficie libre promediadas en profundidad. Esto se hace gracias a las técnicas de elementos finitos que operan sobre cuadrículas no estructuradas de elementos triangulares. Los principales resultados en cada nodo de la malla computacional son la profundidad del agua y los componentes de velocidad promediada en profundidad. La principal aplicación de Telemac-2D se encuentra en la hidráulica marítima o fluvial de superficie libre. El programa puede tener en cuenta los siguientes fenómenos: 

Propagación de ondas largas, incluyendo efectos no lineales



Fricción en la cama



El efecto de la fuerza de Coriolis



Los efectos de la lluvia, la evaporación y el viento



Turbulencia



Flujos supercríticos y subcríticos



Influencia de los gradientes horizontales de temperatura y salinidad en la densidad 22



Coordenadas cartesianas o esféricas para grandes dominios



Áreas secas en el campo computacional: pisos de marea y llanuras inundables



Entrenamiento y difusión de un trazador por corrientes, incluyendo términos de creación y decadencia



Seguimiento de partículas y cálculo de deriva Lagrangiana



Tratamiento de singularidades: vertederos, diques, alcantarillas, etc.



Dique de violación



Inclusión de las fuerzas de arrastre creadas por estructuras verticales



Inclusión de fenómenos de porosidad,



Inclusión de corrientes inducidas por ondas (mediante enlaces con los módulos ARTEMIS y TOMAWAC)



Acoplamiento con transporte de sedimentos



Acoplamiento con herramientas de calidad del agua

El modelo tiene muchos campos de aplicación. En el ámbito marítimo, cabe destacar el dimensionamiento de las estructuras portuarias, el estudio de los efectos de la construcción de diques sumergibles o de dragado, el impacto de los residuos descargados de un emisario costero o el estudio de penachos térmicos. En las aplicaciones fluviales, también se pueden mencionar los estudios relacionados con el impacto de obras de construcción (puentes, vertederos y tubos), rupturas de presas, inundaciones o el transporte de trazadores en descomposición o no decaídos.

3.2 Modelación en la Cuenca San Juan del Oro 3.2.1 Descripción de la Cuenca de San Juan del Oro La misma cadena de predicción FloodPROOFS se ha implementado para esta cuenca, bajo la aplicación de la metodología CIMA, la cuenca de San Juan del Oro que tiene su punto de salida en El Puente. Esta actividad se ha llevado a cabo como una capacitación continua en el trabajo y asesoramiento de un experto hidrólogo de la fundación CIMA, para mejorar un buen nivel de conocimiento e independencia en el uso de herramientas de pronóstico de inundaciones en Bolivia. La cuenca San Juan del Oro discurre en la región altiplánica fronteriza entre el noroeste de la Argentina y el sudoeste de Bolivia, las nacientes de este río se encuentran en colectores 23

que nacen de la cordillera de Lípez y del volcán Granada, en los departamentos de Santa Catalina y Rinconada de la provincia de Jujuy, en territorio Argentino sus primeros 46 km es conocido como río Grande de San Juan, en su tramo superior recibe múltiples afluentes, entre los que destacan los ríos Quebrada de Paicone, Granadas, Potrero, quebrada Retlyoj, río de la quebrada de Cusi Cusi, Queñoal, entre otros; con localidades que se sitúan en su cuenca alta muchas de ellas deshabitadas. Luego de recibir al Mojinete el San Juan del Oro pasa a ser un curso boliviano en ambas márgenes, condición jurisdiccional que lo acompañará los siguientes 286 kilómetros hasta su desembocadura. Su ribera izquierda (norte) pertenece a la provincia de Sud Chichas y la derecha (sur) a la provincia de Modesto Omiste. San Juan del Oro es uno de los principales contribuyentes del río Pilcomayo, el afluente occidental más largo del río Paraguay. El punto de cierre del modelo hidrológico ha sido la cuenca hasta El Puente, un poblado de aproximadamente 12,000 habitantes ubicado en el departamento de Tarija. La cuenca (Figura 4) parte de la Cordillera Andina con picos de más de 5000 m de altitud y se desarrolla en la región del Altiplano, con pendientes suaves, alcanzando la altura de 2300 msnm en la sección de cierre de El Puente. El río San Juan del Oro tiene un área de drenaje total de 45,000 km2, la mitad de esta área está ubicada en Argentina (Provincia de Jujuy).

Figura 4. Ubicación de la Cuenca San Juan del Oro en Bolivia

3.2.2 Recopilación de Datos La primera entrada necesaria para iniciar el análisis hidrológico es un Modelo de Elevación Digital (DEM) de la cuenca de San Juan del Oro. Por el tamaño de la cuenca, se ha utilizado el producto SRTM de 90 metros de resolución. Junto con el DEM, se necesita un mapa de Números de Curva (CN) para evaluar los parámetros de Horton. El mapa de la NC se obtuvo a partir del Producto de la cubierta terrestre de la ESA 2010 (a una resolución de 300 m) a través de la definición de una tabla de conversión.

Figura 5. Mapas de la cubierta terrestre de la ESA 2010 (izquierda) y derivados de la CN en la Cuenca de San Juan del Oro.

Para fines de calibración, la lluvia detectada por los satélites GSMAP es la única opción viable, ya que la mitad del área de la cuenca se encuentra fuera de las fronteras bolivianas en una remota región de Argentina, muy poco poblada y conectada. No hay estaciones de lluvia terrestres utilizables disponibles en la zona. Se trata de una cuenca seca, ya que la cuenca media anual de precipitación acumulada alcanza 250-300 mm. Figura 6. Lluvia acumulada (GSMAP) en la cuenca de San Juan del Oro para el período de lluvias que va de noviembre de 2013 a abril de 2014.

El registro diario de descarga o nivel de agua está disponible en dos estaciones de medida. Sus características principales se enumeran en la Tabla 2.

Tabla 2. Estaciones de nivel de agua disponibles en la cuenca de San Juan del Oro.

TIPO DE DATO

ESTACION

Area de la Cuenca

Elevacion

Km2

msnm

Descarga y Nivel de Agua

El Puente

45000

2313

Descarga y Nivel de Agua

Chuquiago

20000

2845

Los registros de nivel de agua pueden ser transformados en descarga usando curvas de clasificación confiables (RC) que definen una relación de descarga de escenario para cada sección de medida. En la estación de medición de Chuquiago, cerca de Tupiza, se dispone de mediciones simultáneas de la descarga y del nivel de agua. Para definir correctamente un RC, una campaña de encuesta precisa en una sección estable es necesaria, dados los cambios en la forma del lecho del río. Si no se dispone de una campaña de encuestas apropiada, es mejor utilizar sólo medidas puntuales consistentes con el período de registro de los niveles de agua. Para la sección de Chuquiago se ha definido una relación polinómica (hasta el segundo orden, Q = a H2 + b H + c) entre la etapa y la descarga y se compara con la curva de calibración proporcionada por la Unidad de Hidrología del SENAMHI. Las series de tiempo de descarga observadas completas para cada sección del medidor son los conjuntos de datos de referencia para el proceso de calibración Flood-PROOFs. Los hidrogramas observados también son útiles para mostrar y analizar la congruencia entre las secciones aguas arriba y aguas abajo y la respuesta de la cuenca a los eventos de lluvia.

Figura 7. Lluvia acumulada (GSMAP) y caudales observadas Cuenca de San Juan del Oro para el período de lluvias que va de noviembre de 2013 a abril de 2014.

Lluvia acumulada GSMAP para Nov-2013 a Abri-2014 Cuenca San Juan del Oro

Caudal observado GSMAP para Nov-2013 a Abri-2014 Cuenca San Juan del Oro La cuenca tiene una clara separación entre la estación húmeda (noviembre-marzo) y la estación seca (abril-octubre), cuando casi no se observa lluvia. Una peculiaridad de la cuenca es la presencia, en la parte de aguas arriba, de varios Salares, que se comportan como lagos no permanentes de aguas poco profundas. Esto puede ser la razón de un valor tan bajo de coeficiente de escorrentía, aproximadamente entre 5 y 10%.

3.2.3 Datos Meteorológicos Los registros meteorológicos están disponibles en 5 medidores de lluvia localizados en las cuencas seleccionadas durante un período promedio que va de 1945 a 2015. Para estos pluviómetros se dispone de datos diarios.

Tabla 3. Parámetros meteorológicos en la cuenca San Juan del Oro

ESTACIONES METEOROLOGICAS PARTE BOLIVIA NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Estación

Provincia

Municipio

Altitud Parametros Meteorologicos

Atocha Sud Chichas Atocha Campanario Méndez El Puente Carrizal Méndez El Puente Chuquiago Sud Chichas Tupiza Coimata Méndez Villa San Lorenzo Cotagaita - Mosojllajta Nor-Chichas SAT Cotagaita El Puente Méndez El Puente El Puente - GPRS Guarayos El Puente Juntas Aviles Uriondo Kocani Nor Lipez Colchaka La Palca - GPRS Nor Cinti Camargo Mojo Modesto Omiste Villazon Oploca Sud Chichas Tupiza Paicho Centro Méndez El Puente Palca Grande Nor Cinti Camargo Pinos Sud Cercado Tarija Ramadas Sud Chichas Tupiza Salo Sud Chichas Tupiza San Andres Cercado Tarija San Antonio de San Antonio de Esmoruco Sud Lipez Esmoruco San Jacinto Sud Cercado Tarija San Jose Pampa Grande Sud Chichas Tupiza San Luis de Palqui Aviles Yunchara San Pablo de Lipez -Sud SATLipez San Pablo de Lipez San Roque - SAT Nor Cinti Camargo Talina Sud Chichas Tupiza Talina - GPRS Sud Chichas Tupiza Tojo Aviles Yunchara Tomayapo Pueblo Méndez El Puente Trancas Méndez Villa San Lorenzo Tucumillas Méndez Villa San Lorenzo Tupiza Sud Chichas Tupiza Turumayo Cercado Tarija Villa Abecia Sud Cinti Villa Abecia Villazon - SAT Modesto Omiste Villazon Yunchara Aviles Yunchara

3700 3460 2447 2841 2027 2640 2345 285 1882 3800 2322 3422 3121 2570 2347 2118 3254 3245 1987

Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min

3701 Lluvia, Temperaturas Max y Min 1820 3000 3321 4256 2379 3093 3109 2643 2734 2198 2557 2923 1978 2280 3387 3580

ESTACIONES METEOROLOGICAS PARTE ARGENTINA Estacion 37 JUJUY AERO 38 LA QUIACA OBS. 39 ORAN AERO 40 SALTA AERO 41 TARTAGAL AERO

Provincia JUJUY JUJUY SALTA SALTA SALTA

CODIGO OMM Altitud Parametros Meteorologicos 87046 87007 87016 87047 87022

905 3459 357 1221 450

Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min Lluvia, Temperaturas Max y Min

También se utilizan los datos registrados en las estaciones meteorológicas que rodean la cuenca (Figura 8). Por lo general, las estaciones disponibles tienen registros escasos sobre la radiación de onda corta y la velocidad del viento, que se necesitan variables para realizar la cadena hidrológica. Para mejorar el conjunto de datos disponibles, la información sobre el viento se ha derivado de los reanálisis ERA-INTERIM, mientras que la información sobre la radiación se ha aumentado añadiendo la estimación de la radiación astronómica (corregida con la cobertura de nubes) en las ubicaciones de pluviómetros. Figura 8. Ubicación de las estaciones meteorológicas dentro y cerca de la Cuenca San Juan del Oro.

Bolivia

Argentina

Las variables meteorológicas deben ser interpoladas en el espacio y el tiempo, para proporcionar un conjunto de datos espaciales de entrada para el modelo Flood-PROOFs. Para cada cuenca, los pluviómetros utilizados para realizar la interpolación de las variables observadas son aquéllos situados dentro de las cajas rectangulares más pequeñas dibujadas para contener totalmente la cuenca.

Los datos meteorológicos se interpolan utilizando diferentes métodos dependiendo de la variable involucrada, los datos de lluvia se interpolan utilizando GRISO, la radiación solar de onda corta y la velocidad del viento se distribuyen espacialmente en la cuenca usando una función de ponderación inversa de la distancia (IDW), la temperatura y la humedad relativa se interpolan usando una regresión con la altitud. Se crean mapas por hora para cada variable meteorológica, con la misma resolución espacial del DEM de entrada. Para cada píxel de la rejilla se almacenan los valores horarios de precipitación, temperatura, humedad, radiación y viento y están disponibles para ser utilizados como insumos del modelo hidrológico distribuido. Los valores medios en la escala de la cuenca se pueden calcular para cada variable meteorológica. Las precipitaciones acumuladas en la cuenca durante un período determinado se pueden representar en un mapa (Figura 6).

3.2.4 Calibración y Validación La calibración clásica de las inundaciones consta de tres pasos principales: 

Realizar múltiples ejecuciones de modelos con diferentes conjuntos de parámetros.



Comparar descargas observadas y simuladas (u otras salidas hidrológicas relevantes).



Muestre las puntuaciones principales para cada ejecución de modelo y elija la mejor carrera.

El modelo debe ejecutarse, en un período de tiempo, con un conjunto de valores factibles para los seis parámetros del modelo. La Tabla 3 ilustra los parámetros del modelo con sus rangos.

Tabla 4. Conjunto de valores de los parámetros utilizados para realizar la calibración PARAMETRO

SIGNIFICADO

Parámetro de fricción en el canal

Colina

Capacidad de campo

Tasa de infiltración de campo

Vwmax Kratio

Contenido máximo de agua Relación anisotropía entre la conductividad hidráulica horizontal y vertical Kh / Kv

RANGO

Oct-50 0.25-0.75 0.1-0.8 0.02-0.08 200-600 0.5-1

El modelo se ejecuta con una combinación diferente de los parámetros, resultando en un conjunto de salidas simuladas (descarga u otras variables hidrológicas como la humedad del suelo). Las principales puntuaciones estadísticas que comparan la simulación y la observación se calculan. Estas puntuaciones son útiles para evaluar el rendimiento del modelo y definir el mejor conjunto de parámetros, es decir, los valores de los parámetros que dan las mejores puntuaciones. Las principales puntuaciones estadísticas calculadas para cada ejecución del modelo son: 

Error de pico absoluto medio (MAEP)



Error absoluto medio (MAE)



Error de volumen (VOL)



Error cuadrático medio de la raíz (RMSE)



Coeficiente de correlación (R)



Nash y Sutcliffe (NS)

Para seleccionar el mejor conjunto de parámetros, se puede utilizar un enfoque objetivo múltiple, combinando los valores normalizados del RMSE y de Nash-Sutcliffe (NS). El método se basa en la definición de una función objetivo múltiple:

La MO. Función es definida por dos funciones objetivas simples, F1 igual a RMSE y F2 igual a NS, combinado siguiendo a Madsen (2000):

Con el factor de transformación Ai calculado como:

Ai tiene el papel de equilibrar el peso de las dos funciones objetivas con diferentes rangos y unidades.

3.2.5 Elección del Período de Calibración El período de calibración elegido en la Cuenca San Juan del Oro, para el cual se dispone de datos meteorológicos fiables, es del 1 de noviembre de 2013 al 30 de abril de 2014. La estimación del modelo WRF está disponible para las variables meteorológicas necesarias (Temperatura, Humedad, Viento y Radiación). También las estimaciones horarias de la lluvia de GSMAP están disponibles para el período bajo análisis. Hay 20 medidores meteorológicos en tierra localizados en la cuenca (Figura 8). Estas estaciones son convencionales con un único registro diario y se localizan en la Cuenca San Juan del Oro. Como el modelo CONTINUUM necesita entradas por hora y mapas espacializados adecuadamente, las estimaciones del WRF y los datos GSMAP han sido considerados como más confiables que las observaciones diarias y puntuales. Para probar esta opción, la lluvia diaria en la escala de cuenca derivada de estaciones terrestres y satélite. Los valores espaciales obtenidos de la observación del terreno son de un orden de magnitud inferior al detectado por el GSMAP. El valor total acumulado en la cuenca derivado de la estación de tierra es tan inferior como 1000 mm, mientras que desde GSAMP alcanza los 2500 mm, este último valor es consistente con los valores de las isoyetas calculados por personal del SENAMHI. La diferencia en la magnitud de la lluvia es probablemente debido a la falta de datos de tierra en la cuenca del San Juan del Oro. La serie de tiempo parece apenas consistente con la lluvia, ni el suelo observado ni el satélite detectado uno. Además, las observaciones están disponibles cada 48 horas, una frecuencia que no es suficiente para registrar los eventos de inundación en una cuenca con un tiempo de respuesta de 6 horas. Al no ser fiable el conjunto de datos de descarga, la calibración se ha realizado utilizando valores de humedad simulados y observados por satélite. 33

3.2.6 Calibración El reducido número de observaciones de las estaciones de calibración en la cuenca San Juan del Oro, orienta a desarrollar la calibración bajo un enfoque de productos satelitales, en lugar de mediciones directas de descarga. Los productos satelitales tienen una menor resolución temporal y espacial, pero proporcionan estimaciones espacialmente distribuidas en toda la cuenca que pueden ser útiles para modelar adecuadamente la respuesta hidrológica. Los productos H-SAF son particularmente útiles para la cadena de predicción hídrica meteorológica. El 3 de julio de 2005, el Consejo de EUMETSAT creó el "Servicio de Aplicación de Satélites de EUMETSAT para el Apoyo a la Hidrología Operativa y la Gestión del Agua" (H-SAF) y se inició el 16 de septiembre de 2005 como parte de la Red SAF de EUMETSAT. La comparación entre el grado de saturación obtenido del modelo CONTINUUM (SD) y los productos derivados H-SAF (H14) ha sido la solución elegida para calibrar el modelo hidrológico. El modelo CONTINUUM es un modelo completamente distribuido capaz de resolver tanto la continuidad como los balances energéticos. Por lo tanto, los procedimientos de calibración basados en otras variables hidrológicas relevantes (como la humedad del suelo o la temperatura del suelo) son viables (Silvestro et al 2015). Se han realizado simulaciones y análisis para el período comprendido entre el 01 de noviembre de 2013 y el 31 de abril de 2014, cuando se disponía de productos de precipitación y de satélites. Se pueden calcular mapas diarios del grado de saturación (SD) y de la humedad del suelo obtenidos por satélite en diferentes capas (H14) para cada píxel de cuenca. H14 ha sido escalado linealmente para mantener la misma media y desviación estándar de los resultados simulados de SD (o de la media SD si se ejecuta con múltiples parámetros Continuum). La segunda capa de tierra (L2) se ha utilizado en el análisis. El resultado del proceso de calibración es un gráfico complejo que muestra cómo cambian las puntuaciones más importantes para diferentes valores de parámetros. Los parámetros utilizados para cada ejecución se representan como puntos con colores dependiendo del valor del parámetro (constante, superior, medio o inferior). Se representa un C rojo en 34

correspondencia con la combinación RMSE y NS óptima, es decir, con el conjunto de parámetros que proporciona la mejor ejecución del modelo. Los valores RMSE y NS en correspondencia con la mejor combinación se identifican mediante una cruz roja (+).

3.2.7 Resultados Finales  Se cuenta con la modelación de simulación hidrológica para la Cuenca San Juan del Oro con el punto de cierre en la estación hidrométrica denominada El Puente.  Se cuenta con un pronóstico hidrológico a 3 días con una salida en forma de volumen de agua denominada caudales Q [m3/s] de 6 puntos de monitoreo realizada actualmente en forma diaria.  Se cuenta con un mapa SRTM a 30 m de resolución en formato raster de toda la delimitación de la cuenca (Anexo 3.2.7.1)  Se cuenta con 550 mapas que hacen referencia al parámetro de Radiación para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Lluvias para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Lluvias TRMM para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Humedad Relativa para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Temperatura para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Viento para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.4) MAPAS REFERIDOS A LOS RESULTADOS DE LA PRIMERA EJECUCION DEL MODELO HIDROLOGICO CONTINUUM  Se cuenta con 550 mapas de Evapotranspiración para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1)  Se cuenta con 550 mapas de Caudales para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1)  Se cuenta con 550 mapas de DFE para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1)  Se cuenta con 550 mapas de Ret para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1)  Se cuenta con 550 mapas de Rou para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1)  Se cuenta con 550 mapas de T24 para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1)  Se cuenta con 550 mapas de Tmk para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1) 35

 Se cuenta con 550 mapas de Ts para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.5.1) MAPAS REFERIDOS A LOS RESULTADOS DE LA SEGUNDA EJECUCION DEL MODELO HIDROLOGICO CONTINUUM  Se cuenta con 1100 mapas de Evapotranspiración para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de Caudales para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de DFE para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de Ret para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de Rou para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de T24 para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de Tmk para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (3.2.7.1.6.2 y 3.2.7.1.6.3)  Se cuenta con 1100 mapas de Ts para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.2.7.1.6.2 y 3.2.7.1.6.3) SCRIPTS UTILIZADOS PARA LA MODELACION HIDROLOGICA DEL MODELO CONTINUUM  Se cuenta con un total de 79 scripts diseñados por CIMA para ejecutar durante la modelación hidrológica. (Anexo 3.2.7.4) a01GeneraLatLonOnDemDomain_RT_WRF_A1.m a01GeneraLatLonOnDemDomain_RT_WRF_A2.m a01GeneraLatLonOnDemDomain_RT_WRF_A3.m b01Flood_ProofsMeteoData_Creator_Main_WRF_A2.m b11GsMAPforFloodProofs_WRF_A2.m b12DownloadMeteoData_RT_WRF_A1.m b13InterpolazioniDatiMeteo_RT_WRF_A1.m b14GsMAP_Analysis_A1.m b14GsMAP_Analysis_A2.m b15TRMM_Analysis_A1.m c01Check_and_CopyMeteoModelMaps_WRF_A2.m c01Check_and_CopyMeteoModelMaps_WRF_A3.m c02CopyMeteoDet_to_Prob_WRF_A1.m d01Flood_ProofsModel_Creator_Main_WRFDA_RG_A2.m d01Flood_ProofsModel_Creator_Main_WRFRG_A2.m d01Flood_ProofsModel_Creator_Main_WRFRG_Prob_A3.m d02_ModelTime_and_Duration_WRFRG_A1.m d11DownloadWRF_DA_DataRT_WRF_A1.m d11DownloadWRFDataRT_WRFDA_RG_A4.m 36

d11DownloadWRFDataRT_WRFRG_A4.m d11DownloadWRFDataRT_WRFRG_Prob_A5.m d11DownloadWRFDataRT_WRFRG_SRDA_A4.m d12MeteoModel_CutResize_WRF_A1.m d13DownloadWRF_forGSMAP_A1.m d13DownloadWRFDA_forGSMAP_A1.m d14ModelExCons_forGSMAP_A1.m d14ModelExCons_forGSMAP_A2.m d14ModelExCons_forGSMAP_A3.m d15CutResize_forGSMAP_A1.m d15CutResize_forGSMAP_A2.m d21GetDataRunByPeriod_WRF_A1.m d22GetWRFDA_RG_BOLbyVariable3D_A5.m d22GetWRFDA_RG_BOLbyVariable3D_A6.m d22GetWRFRG_BOLbyVariable3D_A5.m d22GetWRFRG_BOLbyVariable3D_A6.m d24PrecedentReliableWRF_forGSMAP_A1.m d24PrecedentReliableWRF_forGSMAP_A1.m DownloadModelData_RT.m e01Check_and_restorefiles_WRF_A1.m f01PrepareInfoFile_RT_WRF_A1.m f01PrepareInfoFile_RT_WRF_A2.m g01Flood_ProofsDeterministicDataChapare_Archiver_WRF_A3.m g01Flood_ProofsDeterministicDataChapare_Archiver_WRF_A3.m g01Flood_ProofsDeterministicDataChapare_Archiver_WRF_A5.m g03Flood_ProofsProbabilisticDataChapare_Archiver_WRF_A5.m g03Flood_ProofsProbabilisticDataChapare_Archiver_WRF_A6.m g04Flood_ProofsSatObsDataChapare_Archiver_GSMAP_A2.m g04Flood_ProofsSatObsDataSjdo_Archiver_GSMAP_A3.m g04Flood_ProofsSatObsDataSjdo_Archiver_GSMAP_A3.m h01RainfarmResizeParameterEstimation_RT_WRF_A3.m h02_RainFARM_Subsetting_WRFRG_A5.m h02_RainFARM_Subsetting_WRFRG_A7.m h03_RainFARM_OpenStoreHydro_WRFRG_A2.m h03_RainFARM_OpenStoreHydro_WRFRG_A4.m h12_RainFARM_createBash_WRF_A1.m i01inputTelemac_Chapare_WRFRG_det_A4.m i01inputTelemac_Chapare_WRFRG_det_A4.m i01inputTelemac_Chapare_WRFRG_det_A6.m i02inputTelemac_Chapare_GSMAP_det_A1.m i02inputTelemac_Chapare_GSMAP_det_A1.m i02inputTelemac_Chapare_GSMAP_det_A1.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m PeakQ_PuenteGumucio_WRF_Perc99_LastRun.m 37

rt01DownloadModelData_ProbRT.m rt01DownloadModelData_ProbRT.m rt01DownloadModelData_WRFDA_RT.m rt02Flood_ProofsDeterministicData_Archiver.m rt02Flood_ProofsProbabilisticData_Archiver.m rt02Flood_ProofsProbabilisticData_Archiver.m

3.3 Modelación en la Cuenca del Río Desaguadero 3.3.1 Descripción de la Cuenca del Río Desaguadero La misma cadena de predicción Flood-PROOFS se ha implementado, en una segunda cuenca de Bolivia, la cuenca del Rio Desaguadero, cuyos puntos de cierre son: Aguallamaya hasta Toledo. La Cuenca tiene aproximadamente un área total de 90700 Km 2 de la cual un 26% que corresponde a un 23800 Km 2 está en nuestro territorio Boliviano un 69% del área total se encuentra en el País vecino Perú con aproximadamente 62300 Km 2 y aproximadamente un 5% está en territorio Chileno con 4500 Km2, al no poder acceder a la información de todas las estaciones hidrometeorológicas de estaciones que están dentro de la delimitación, se tuvo que delimitar con el 31% del total y estando el Lago Titicaca de por medio que requiere otro estudio debido a los factores del cambio climático entre otros no se pudo realizar la conclusión completa de la modelación por los datos faltantes y por qué no se estaría tomando toda la cuenca real. (Figura 9) Figura 9. Ubicación de la cuenca del Rio Desaguadero en Bolivia

Figura 10. Puntos de inicio de la cuenca Desaguadero Aguallamaya y el punto de cierre elegido Toledo (puntos rosados), tomados como una solución para la modelación de la cuenca.

Peru

Lago

Pto. De Cierre

Chile

Elegido

Lago Poopo

3.3.2 Recopilación y Calibración de Datos La Cuenca Desaguadero fue delimitada a partir del mapa SRTM a 90 metros de resolución, como primer paso se determinó el mapa de Flujo Acumulado y el mapa de Drenaje para que con ambos mapas se elabore la delimitación de la cuenca determinando el punto de cierre de la misma mediante el programa GRASS en Linux. Junto con el DEM, se necesita un mapa de Números de Curva (CN) para evaluar los parámetros de Horton. El mapa de la NC se obtuvo a partir del Producto de la cubierta terrestre de la ESA 2010 (a una resolución de 300 m) a través de la definición de una tabla de conversión. Para fines de calibración, la lluvia detectada por los satélites GSMAP es la única opción viable, ya que más de la mitad del área de la cuenca se encuentra fuera de las fronteras bolivianas, Perú y Chile. 39

El registro diario de descarga y nivel de agua históricos está disponible en 10 estaciones de medida sus características importantes se enumeran en la Tabla 4. Figura 11. Descarga o Caudales históricos de la Cuenca del Desaguadero

Figura 11 (Continuación). Descarga o Caudales históricos de la Cuenca del Desaguadero

Las gráficas muestran la tendencia a descender los flujos en los principales Ríos tributarios de la Cuenca del Rio Desaguadero, puntos tomados como: Chuquina Desaguadero, Ulloma, Calacoto Desaguadero, Puente Chinche, Abaroa Caquena, Abaroa Mauri. Calacoto Mauri y Aguallamaya. Debido a que existen diversos e importantes factores que intervienen en el déficit del balance hídrico en la cuenca del Rio Desaguadero, tales como Tendencias Climáticas respecto a registros históricos de temperaturas máximas y mínimas medias mensuales presentando anomalías además de estudios hidrológicos en la zona vieron un déficit del 41

flujo de agua dando flujos muy bajos; factores naturales como la evidencia en los procesos geológicos e históricos de lagos como el Michin y Lauca que hoy por hoy ya no existen; factores antropogénicos como el impacto generado por la influencia de la actividad del hombre en la que se puede citar desvíos de Rio Desaguadero para proyectos de riego y la actividad minera. Mismos factores crean una difícil posibilidad para la modelación de inundaciones que dejaron de existir en esta zona, para convertirse ahora en una zona muy vulnerable a sequias. A continuación, se detallan algunos puntos importantes analizados durante la modelación para la Cuenca del Desaguadero:  



La Cuenca del Desaguadero es un rio con un régimen de flujo bajo y con mayor amenaza de sequía que de inundaciones. La Cuenca del Desaguadero es una cuenca tri-nacional por tanto para su modelación será necesario un programa en forma conjunta con los tres Países. Cabe mencionar que esta Cuenca tiene un gran porcentaje aporte proveniente del Perú y un poco de Chile de la que no se cuenta con tal información hidrometeorológica. La Cuenca del Desaguadero en nuestro País Bolivia está condicionado en modo significativo por los niveles del Lago Titicaca. Se necesita un análisis individual presenta al igual que la Cuenca un déficit y gran evaporación de agua, debido a factores de cambio climático entre otros. El SENAMHI hizo su estudio y se determinaron las condiciones hidrológicas de la Cuenca del Desaguadero, viendo como la amenaza que necesitaba mayor atención era la sequía. Por tal razón se decidió concentrar los estudios en el régimen hidrológico, monitoreando la lluvias y el flujo bajo y no implementar Flood-PROOFS que es una cadena de pronóstico de inundaciones. Grandes indicios ya explicados líneas precedentes indican que esta zona de nuestro País debido al cambio climático entre otros factores ya mencionados agravan la situación de vulnerabilidad en sequía en la Cuenca del Rio Desaguadero todo ello hace que se necesite un monitoreo constante y completo pero orientado a la sequía y no así a la modelación de inundaciones.

Las condiciones únicas que se presentan en la cuenca del Desaguadero, condicionan también a desarrollar el estudio científico con un enfoque diferente, sin embargo, se ha concluido con la metodología para modelación para la Cuenca del Desaguadero, pero los resultados deben ser aplicados con el cuidado respectivo, considerando las condiciones previas relacionadas a la cuenca del Desaguadero.

Figura 12. Ubicación de las estaciones meteorológicas dentro y cerca de la Cuenca Desaguadero.

3.3.3 Calibración El procedimiento de Calibración y Validación para la Cuenca del Desaguadero es el mismo que para la cuenca San Juan del Oro.

3.3.4 Resultados Finales  Se cuenta con un mapa SRTM a 30 m de resolución en formato raster de toda la delimitación de la cuenca.  Se cuenta con 550 mapas que hacen referencia al parámetro de Radiación para la cuenca en formato GSMap .gz en forma horaria (10-01-2013 al 29-03-2015) (Anexo 3.3.4.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Lluvias para la cuenca en formato GSMap .gz en forma horaria (10-01-2013 al 29-03-2015)) (Anexo 3.3.4.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Lluvias TRMM para la cuenca en formato GSMap .gz en forma horaria (10-01-2013 al 29-03-2015) (Anexo 3.3.4.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Humedad Relativa para la cuenca en formato GSMap .gz en forma horaria (10-01-2013 al 29-03-2015) (Anexo 3.3.4.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Temperatura para la cuenca en formato GSMap .gz en forma horaria (10-01-2013 al 29-03-2015)) (Anexo 3.3.4.1.4)  Se cuenta con 550 mapas que hacen referencia al parámetro de Viento para la cuenca en formato GSMap .gz en forma horaria (10-01-2013 al 29-03-2015) (Anexo 3.3.4.1.4)

MAPAS REFERIDOS A LOS RESULTADOS DE LA PRIMERA EJECUCION DEL MODELO HIDROLOGICO CONTINUUM  Se cuenta con 550 mapas de Evapotranspiración para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de Caudales para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de DFE para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de Ret para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de Rou para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de T24 para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de Tmk para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo 3.3.4.1.5.1)  Se cuenta con 550 mapas de Ts para la cuenca en formato GSMap .gz en forma horaria (01-10-2013 al 29-04-2015) (Anexo3.3.4.1.5.1) SCRIPTS UTILIZADOS PARA LA MODELACION HIDROLOGICA DEL MODELO HIDROLOGICO CONTINUUM  Se cuenta con un total de 79 scripts diseñados por CIMA para ejecutar durante la modelación hidrológica. (Anexo 3.3.4.4) a01GeneraLatLonOnDemDomain_RT_WRF_A1.m a01GeneraLatLonOnDemDomain_RT_WRF_A2.m a01GeneraLatLonOnDemDomain_RT_WRF_A3.m b01Flood_ProofsMeteoData_Creator_Main_WRF_A2.m b11GsMAPforFloodProofs_WRF_A2.m b12DownloadMeteoData_RT_WRF_A1.m b13InterpolazioniDatiMeteo_RT_WRF_A1.m b14GsMAP_Analysis_A1.m b14GsMAP_Analysis_A2.m b15TRMM_Analysis_A1.m c01Check_and_CopyMeteoModelMaps_WRF_A2.m c01Check_and_CopyMeteoModelMaps_WRF_A3.m c02CopyMeteoDet_to_Prob_WRF_A1.m d01Flood_ProofsModel_Creator_Main_WRFDA_RG_A2.m d01Flood_ProofsModel_Creator_Main_WRFRG_A2.m d01Flood_ProofsModel_Creator_Main_WRFRG_Prob_A3.m d02_ModelTime_and_Duration_WRFRG_A1.m d11DownloadWRF_DA_DataRT_WRF_A1.m d11DownloadWRFDataRT_WRFDA_RG_A4.m d11DownloadWRFDataRT_WRFRG_A4.m d11DownloadWRFDataRT_WRFRG_Prob_A5.m d11DownloadWRFDataRT_WRFRG_SRDA_A4.m d12MeteoModel_CutResize_WRF_A1.m 44

d13DownloadWRF_forGSMAP_A1.m d13DownloadWRFDA_forGSMAP_A1.m d14ModelExCons_forGSMAP_A1.m d14ModelExCons_forGSMAP_A2.m d14ModelExCons_forGSMAP_A3.m d15CutResize_forGSMAP_A1.m d15CutResize_forGSMAP_A2.m d21GetDataRunByPeriod_WRF_A1.m d22GetWRFDA_RG_BOLbyVariable3D_A5.m d22GetWRFDA_RG_BOLbyVariable3D_A6.m d22GetWRFRG_BOLbyVariable3D_A5.m d22GetWRFRG_BOLbyVariable3D_A6.m d24PrecedentReliableWRF_forGSMAP_A1.m d24PrecedentReliableWRF_forGSMAP_A1.m DownloadModelData_RT.m e01Check_and_restorefiles_WRF_A1.m f01PrepareInfoFile_RT_WRF_A1.m f01PrepareInfoFile_RT_WRF_A2.m g01Flood_ProofsDeterministicDataChapare_Archiver_WRF_A3.m g01Flood_ProofsDeterministicDataChapare_Archiver_WRF_A3.m g01Flood_ProofsDeterministicDataChapare_Archiver_WRF_A5.m g03Flood_ProofsProbabilisticDataChapare_Archiver_WRF_A5.m g03Flood_ProofsProbabilisticDataChapare_Archiver_WRF_A6.m g04Flood_ProofsSatObsDataChapare_Archiver_GSMAP_A2.m g04Flood_ProofsSatObsDataSjdo_Archiver_GSMAP_A3.m g04Flood_ProofsSatObsDataSjdo_Archiver_GSMAP_A3.m h01RainfarmResizeParameterEstimation_RT_WRF_A3.m h02_RainFARM_Subsetting_WRFRG_A5.m h02_RainFARM_Subsetting_WRFRG_A7.m h03_RainFARM_OpenStoreHydro_WRFRG_A2.m h03_RainFARM_OpenStoreHydro_WRFRG_A4.m h12_RainFARM_createBash_WRF_A1.m i01inputTelemac_Chapare_WRFRG_det_A4.m i01inputTelemac_Chapare_WRFRG_det_A4.m i01inputTelemac_Chapare_WRFRG_det_A6.m i02inputTelemac_Chapare_GSMAP_det_A1.m i02inputTelemac_Chapare_GSMAP_det_A1.m i02inputTelemac_Chapare_GSMAP_det_A1.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m i03inputTelemac_Chapare_WRFRG_prob_A7.m PeakQ_PuenteGumucio_WRF_Perc99_LastRun.m rt01DownloadModelData_ProbRT.m rt01DownloadModelData_ProbRT.m rt01DownloadModelData_WRFDA_RT.m rt02Flood_ProofsDeterministicData_Archiver.m 45

rt02Flood_ProofsProbabilisticData_Archiver.m rt02Flood_ProofsProbabilisticData_Archiver.m rt02Flood_ProofsProbabilisticData_Archiver.m rt03Generate_T2D_inputs.m sr02Flood_ProofsSatObsData_Archiver.m sr03SatObs_Generate_T2D_inputs.m zAstro_rad_2DR2014.m zAstro_rad_2DRold.m zFolder_Making_A1.m zIdentificaStratoIsotermo_RT.m zInterpola_StrIso_RT.m zWriteDataContinuum.m

3.4 Disposición Operativa de la Cadena de Modelo de Pronóstico de Crecidas La implementación operacional de toda la cadena de modelado de pronósticos de crecidas tanto para las cuencas de San Juan del Oro y Desaguadero, es la actividad de cierre del sistema de alerta temprana de inundaciones. Los cuatro pasos principales de la cadena de crecidas, explicados en detalle anteriormente, son los siguientes: 1. Un modelo de entrada meteorológica capaz de pronosticar la cantidad de lluvia. El modelo utilizado es el modelo de área limitada (LAM) WRF, centrado en Bolivia con una resolución de 10 km, implementado por CIMA en 2013. 2. Un modelo de desagregación estocástica de las lluvias (RainFARM) que genera un conjunto de escenarios de lluvia de probabilidad igual a alta definición (hasta 1 km y 30 minutos). 3. Un modelo hidrológico necesario para simular el flujo causado por la Precipitación. El modelo hidrológico utilizado es CONTINUUM, distribuido, Continuo y físicamente capaz de reproducir la evolución espacio-temporal de la humedad del suelo, los flujos de energía, la temperatura en la superficie terrestre, la evapotranspiración y la descarga de los ríos. Fue diseñado para mejorar el equilibrio entre una descripción detallada de los procesos físicos y una parametrización robusta y parsimoniosa. 4. Un modelo hidráulico (TELEMAC-2D) que se puede añadir a la cadena FloodPROOFS para estimar las áreas de posible inundación de acuerdo con los flujos previstos por el modelo hidrológico CONTINUUM. Puede funcionar directamente en serie con el modelo hidrológico o, dependiendo del tipo de elaboración requerido, a

través de una serie de mapas estáticos generados para diferentes velocidades de descarga. Figura 13 La cadena de predicción de inundaciones instalada en Bolivia

El punto de partida de la cadena es el pronóstico meteorológico WRF, que se ejecuta diariamente y está disponible alrededor de las 10:00 UTC (hora local 06:00). Tan pronto como la ejecución diaria de WRF se almacena en el servidor, la cadena de previsión de dos inundaciones iniciar. Los modelos Flood-PROOFS para cada captación se calculan simultáneamente, el Chapare en el servidor DEWETRA, mientras que el San Juan del Oro en el servidor Mayu instalado recientemente. Se han implementado dos cadenas diferentes para cada cuenca: la cadena determinista y la probabilística. Dependiendo del tamaño de la cuenca, los resultados hidrológicos deterministas están disponibles alrededor de 15-30 minutos después del final del análisis meteorológico (aproximadamente a las 10:30 UTC). Si los valores de descarga en la sección de cierre sobrepasan un umbral predefinido, el modelo hidráulico (TELEMAC-2D) se inicia automáticamente y proporciona, dentro de las 2.30 horas (alrededor de las 13:00 UTC), mapas de peligros de inundación. Los modelos hidráulicos bidimensionales son exigentes

en términos de tiempo y esfuerzo computacional. El modelo hidráulico 2D es el último eslabón innovador de la cadena de previsión. Cuando la cadena determinística ha terminado, el probabilístico se puede iniciar (10:30 UTC, si no se ha realizado ningún modelo hidráulico en la cadena determinista precedente). La característica clave de la cadena es la herramienta de reducción de escala de RainFARM, que genera un conjunto de escenarios de lluvia con probabilidad igual de los pronósticos de lluvia WRF (Figura 13). El número de campos de lluvia a generar depende de la descarga máxima estimada por la cadena determinística. Normalmente se generan 20 campos y se realizan 20 series de modelos posteriores. Si la descarga máxima es inferior al 10% del período de retorno de 5 años, el número de escenarios de lluvia generados se reduce a 5. Como la cadena es operativa y los resultados son necesarios en el menor tiempo posible, las múltiples ejecuciones del modelo se realizan en paralelo, utilizando 10 núcleos en el mismo momento. Como resultado de las múltiples ejecuciones del modelo, se crea un conjunto de 20 hidrogramas (disponible alrededor de las 11:30 UTC). Los valores máximos de los hidrogramas pueden representarse en un diagrama probabilístico para comprender mejor la fiabilidad de predicción en el pronóstico de inundación. Tener un pronóstico probabilístico ayuda a reducir la incertidumbre en la estimación de descarga, especialmente en cuencas de pequeño tamaño donde la dependencia directa de la predicción meteorológica es mayor. Con un conjunto de 20 hidrogramas posibles, sólo los correspondientes al percentil 50 y 99 se utilizan como insumos para alimentar el modelo hidráulico bidimensional subsiguiente. También en el caso de la cadena probabilística, el modelo 2D sólo se inicia si se superan los valores de umbral elegidos. Todas las salidas del modelo, tan pronto como se generan, están disponibles automáticamente en la Plataforma DEWETRA. Si las descargas máximas en la sección de cierre exceden los umbrales elegidos, automáticamente se enviará un mensaje de advertencia.

Figura 14. Salida determinística del modelo hidrológico CONTINUUM ejemplo para la cuenca del Chapare estación Icona Río Juntas Corani del 07 de marzo del 2017.

3.5 Ajustes y mejoramiento de umbrales para el Modelo FEWS-Bolivia ALERTA AMARILLA Es el estado normal de los Ríos donde la intensidad y persistencia de las lluvias es baja y por lo tanto no existe riesgo a desbordes para zonas de población común. (Para el uso de navegación esta alerta significa que es casi imposible de poder navegar) ALERTA NARANJA. Se declara cuando la tendencia ascendente de los niveles de los ríos y la persistencia e intensidad de las lluvias indican la posibilidad de presentar desbordes en las próximas horas. (Para el uso de navegación esta alerta significa que es muy posible poder navegar). ALERTA ROJA. Se declara cuando los niveles de los Ríos alcanzan alturas críticas que hacen inminente el desbordamiento, o cuando ya se ha iniciado la inundación.

3.5.1 Umbrales de Alerta para la Cuenca del Río Mamoré Se analizó cada umbral propuesto en la cuenca del Mamoré, en un inicio como una cuenca piloto, se trabajó durante 3 años y el re-cálculo de los umbrales propuestos en el inicio fueron corroborados a lo largo de las alertas lanzadas los años pasados por la Direccion Departamental de Beni del SENAMHI, un trabajo importante durante la instalación de nuevos limnímetros en estaciones de igual importancia además de instalaciones de sensores en algunas de las estaciones que se tiene como monitoreo y pronostico, a

continuación se detallan las estaciones consideradas para realizar el re-cálculo de umbrales: Campaña de instalación de baterías de limnímetros Durante esta campaña se realizó la visita a las estaciones El Carmen (Rio Grande), Camiaco (Rio Mamoré), San Borjita (Rio Apere) y Puerto Siles (Rio Mamoré) el mes de febrero del 2016 de donde se concluye que los umbrales para las estaciones mencionadas son: Tabla 5. Umbrales de alerta para las estaciones El Carmen, Camiaco, San Borjita, Puerto Siles de la cuenca del Rio Mamoré ESTACION

RIO

LATITUD

ALERTA NARANJA

ALERTA ROJA

El Carmen

Grande

-15.8906611 -64.6266583

1.90

6.50

9.40

Camiaco

Mamore

-15.3356833 -64.8665667

1.90

9.31

11.31

San Borjita

Apere

-65.799975

1.90

8.00

10.00

Puerto Siles

Mamore

-12.8004833 -65.004975

1.90

9.50

12.00

-14.984

LONGITUD ALERTA AMARILLA

Estación Gundonovia Para la estación hidrométrica Gundonovia se realizó la instalación de limnímetros y también se cuenta con un sensor de alto nivel instalado en este punto importante de monitoreo, durante el trabajo se observó que el nivel de alerta roja debía corregirse (figura 14).

Figura 15. Observación en la estación Gundonovia durante la instalación de limnímetros de la cuenca del Rio Mamoré.

Según el trabajo de campo realizado durante una campaña por parte de la Dirección Departamental de Beni y la participación de otras entidades interesadas en el buen funcionamiento y en la confiabilidad de la información prestada, se definió el umbral de alerta para la estación hidrométrica Gundonovia del siguiente modo: Tabla 6. Umbral de Alerta para la estación Gundonovia de la cuenca del Rio Mamoré ESTACION

RIO

Gundonovia

Isiboro

LATITUD

LONGITUD ALERTA AMARILLA

-15.51445 -65.1156722

1.90

ALERTA NARANJA

ALERTA ROJA

6.80

8.25

Estación Puerto Junín Para la estación hidrométrica Puerto Junín el re-cálculo se realizó mediante la colaboración de la entidad SEMENA Servicio de Mejoramiento a la Navegación, el Director durante el año 2015 y sus contactos lugareños de la misma Santa Ana de Yacuma y viendo la parte más baja afectada durante febrero del 2015 s determino que el umbral de alerta es el siguiente:

Tabla 7. Umbral de alerta para la estación Puerto Junín de la cuenca del Rio Mamoré

ESTACION Puerto Junin

RIO Yacuma

LATITUD

LONGITUD ALERTA AMARILLA ALERTA NARANJA

-13.7200417 -65.4143389

1.90

ALERTA ROJA

8.00

12.65

Estaciones: Puerto Villarroel, Santa Rosa del Chapare, Los Puentes, Puerto Almacén, San Borja Para las estaciones hidrométricas Puerto Villarroel, Santa Rosa del Chapare, Los Puentes, Puerto Almacén y San Borja los umbrales permanecieron como en un inicio del siguiente modo: Tabla 8. Umbrales de Alerta estaciones Pto. Villarroel, Santa Rosa del Chapare, Los Puentes, Pto. Almacén y San Borja de la cuenca del Rio Mamoré ESTACION

RIO

LATITUD

Puerto Villarroel

Ichilo

LONGITUD ALERTA AMARILLA

ALERTA NARANJA

ALERTA ROJA

-16.8368917 -64.7926972

1.90

4.80

7.75

Santa Rosa del Chapare Chapare o Mamorecillo -15.9386778 -64.7565472

1.90

7.20

10.19

Los Puentes

Mamore

-14.8824139 -65.0326389

1.90

7.84

10.84

Puerto Almacen

Ibare

-14.870675 -64.9674083

1.90

8.49

11.49

San Borja

Maniqui

-15.1093056 -66.9075556

1.90

4.40

6.40

Finalmente, para la cuenca del Rio Mamoré se tienen los 30 umbrales de alerta presentadas en una tabla resumen: Tabla 9. Umbrales de alerta para cuenca del Rio Mamoré ALERTA AMARILLA ALERTA NARANJA ALERTA ROJA

No.

ESTACION

Puerto Villarroel

Santa Rosa del Chapare

El Carmen

Grande

Camiaco

RIO

LATITUD LONGITUD en metros

en metros

-16.8368917 -64.7926972

1.90

4.80

7.75

Chapare o Mamorecillo -15.9386778 -64.7565472

1.90

7.20

10.19

-15.8906611 -64.6266583

1.90

6.50

9.40

Mamore

-15.3356833 -64.8665667

1.90

9.31

11.31

Gundonovia

Isiboro

-15.51445 -65.1156722

1.90

6.80

8.25

Los Puentes

Mamore

-14.8824139 -65.0326389

1.90

7.84

10.84

Puerto Almacen

Ibare

-14.870675 -64.9674083

1.90

8.49

11.49

San Borjita

Apere

-65.799975

1.90

8.00

10.00

Puerto Junin

Yacuma

-13.7200417 -65.4143389

1.90

8.00

12.65

San Borja

Maniqui

-15.1093056 -66.9075556

1.90

4.40

6.40

Ichilo

-14.984

3.5.2 Umbrales de Alerta para la Cuenca del Río San Juan del Oro Para la cuenca San Juan del Oro se determinaron los umbrales de alerta mediante los datos históricos de caudales de las estaciones que se tienen información como El Puente, Chuquiago y Tupiza. Figura 16. Datos históricos de la Estación El Puente de la cuenca San Juan del Oro

Figura 17. Datos históricos de caudales de la estación Chuquiago de la cuenca San Juan del Oro

Figura 18. Datos históricos de caudales de la estación Tupiza de la cuenca San Juan del Oro

De acuerdo a la información obtenida de la cuenca se tiene los siguientes 12 umbrales expresados en unidades de caudal (metros cúbicos por cada segundo) alerta para la cuenca San Juan del Oro: Tabla 10. Umbrales de alerta para la cuenca del Rio San Juan del Oro Estacion El Puente Tupiza Chuquiago Villazon Rinconadillas Cieniaga

Latitud

Longitud

-21.2395 -21.43508 -21.5613 -22.065301 -23.447768 -21.965147

-65.2093 -65.72061427 -65.6477 -65.57096508 -66.10725479 -66.27382022

Altura [msnm] 2313 2966 2845 3327 3475 3403

Alerta Naranja [m3/s]

Alerta Roja [m3/s]

800 100 200 300 50 100

1000 125 250 400 100 125

3.5.3 Umbrales de Alerta para la Cuenca del Río Desaguadero Para la cuenca del Desaguadero, se realizó un análisis de algunos posibles umbrales de alerta mediante la información histórica que se tiene de la cuenca.

Figura 19. Datos hist贸ricos de caudales de la estaci贸n Abaroa Mauri de la cuenca Desaguadero

Figura 20. Datos hist贸ricos de caudales de la estaci贸n Aguallamaya de la cuenca Desaguadero

Figura 21. Datos de hist贸ricos de caudales de la estaci贸n Calacoto Desaguadero

Figura 22. Datos historicos de caudales de la estaci贸n Calacoto Mauri de la cuenca Desaguadero

Figura 23. Datos de caudales de la estaci贸n Ulloma de la cuenca Desaguadero

Figura 24. Datos de caudales de la estación Chuquina de la cuenca Desaguadero

Según toda la información encontrada para la cuenca del Desaguadero se pudo definir los siguientes 12 umbrales de alerta: Tabla 11 Umbrales de alerta para la cuenca Desaguadero ALERTA NARANJA en m3/s

ALERTA ROJA en m3/s

-69.2506

120

-16.8197

-68.9011

Desaguadero

-17.2850

-68.6139

200

300

Calacoto Mauri

Mauri

-17.2883

-68.6331

200

300

Ulloma

Desaguadero

-17.4856

-68.4939

250

400

Chuquina

Desaguadero

-17.7869

-67.4639

450

600

No.

ESTACION

RIO

Abaroa Mauri

Mauri

-17.5244

Aguallamaya

Desaguadero

Calacoto Desaguadero

LATITUD LONGITUD

3.5.4 Resultados Finales UMBRALES DE ALERTA  Se cuenta con 33 umbrales de alerta para la cuenca Mamoré (Anexo 3.5.4.1)  Se cuenta con 12 umbrales de alerta para la Cuenca San Juan del Oro (Anexo 3.5.4.2)  Se cuenta con 12 umbrales de alerta para la Cuenca Desaguadero(Anexo 3.5.4.3) VIDEO-MANUALES  Se cuenta con 1 video manual de la descripción y manejo de la Plataforma DEWETRA modelo meteorológico (Anexo 3.5.4.4)

 Se cuenta con 1 video manual de manejo de la Plataforma DEWETRA para visualizar las salidas de los Modelo Hidrológico CONTINUUM tanto Determinístico como el Probabilístico (Anexo 3.5.4.5) INFORMES DE PRONOSTICO HIDROLOGICO  Se cuenta con 62 informes de Pronostico Hidrológico para la Cuenca Chapare emitidos desde diciembre del 2016 al presente. (ANEXO 3.5.4.6)

4 INTEGRACIÓN DE LOS MODELOS DESARROLLADOS EN LA PLATAFORMA DEWETRA 4.1 Metodología de la integración de la modelación hidrológica mediante metodología cima La cadena de predicción de inundaciones Metodología CIMA (Figura 25) está compuesta por Flood-PROOFS, un conjunto de datos hidrometeorológicos herramientas que combina modelos meteorológicos, una herramienta de desagregación como el modelo hidrológico denominado CONTINUUM y Telemac-2D un modelo hidráulico bidimensional que produce escenarios de inundación en el segmento de río más expuesto del llano de inundación. Figura 25: La cadena de predicción de inundaciones Metodología CIMA

4.2 Detalles del servidor e instalación de sistemas. Este modelo se encuentra en un servidor adquirido por el proyecto llamado MAYU el servidor es PowerEdge R730dx, los archivos del modelo para la implementación se encuentran en el servidor. Figura 26, el cual tiene las siguientes características técnicas antes de su instalación. 1. Instalación del sistema operativo Linux Centos 6.3 final 2. java-1.6.0-openjdk-1.6.0.0-1.49.1.11.4.el6_3.x86_64 3. php-common-5.3.3-40.el6_6.x86_64 4. curl-7.19.7-26.el6_2.4.x86_64 5. sqlite-3.6.20-1.el6.x86_64 Figura 26 Carpeta de archivos del modelo hidrológico implementado

La ubicación de lo script en el servidor. Figura 27 Figura 27 Listado de carpetas del modelo

Figura 28 Archivos Scripts en el Servidor MAYU

Listado de los script generados e instalados en el servidor para el modelo hidrológico. (Anexo 4.1 listado del script implementados del modelo hidrológico.) El Flood-PROOFS es impulsado por la predicción numérica del tiempo a escala local proporcionada por el Modelo WRF (Modelo Meteorológico). La implementación comenzó con un análisis del desempeño del WRF.

4.3 Modelos integrados en DEWETRA El modelo de pronóstico meteorológico WRF Dado que los modelos de riesgo relacionados con las condiciones atmosféricas necesariamente dependen de una previsión meteorológica relativamente precisa, se estableció la prioridad en la mejora de la predicción meteorológica numérica. Por esto se ha implementado en el 2013 (AID 1039) un modelo de área limitada pensado en las necesidades de Bolivia, con el fin de establecer un servicio operativo capaz de proporcionar 72h de pronósticos meteorológicos a nivel diario. El modelo elegido para realizar esta tarea es el “Weather Research and Forecasting” (WRF). WRF puede ser utilizado ya sea directamente (para pronosticar lluvias intensas, granizo, heladas, calor y olas de frío, las ráfagas de viento y visualizarlas dentro de la plataforma DEWETRA) o indirectamente (como entrada para los modelos de riesgo específicos para pronosticar inundaciones, deslizamientos de tierra, incendios, etc.). El WRF permite mejorar la predicción de eventos peligrosos, facilitando los administradores de desastres en las decisiones preventivas y en la toma de medidas de protección hacia la población, los cultivos y el ganado.

4.4 Arquitectura DEWETRA para la integración del modelo La integración de modelos para formar parte de la plataforma DEWETRA la cual es una plataforma de pronóstico y monitoreo “multi-riesgo” que se encarga de recolectar y sistematizar todos los datos registrados de una forma automática o manual y de producir elaboraciones con valor agregado: las observaciones terrestres y modelos de previsión son integrados con datos de vulnerabilidad y exposición para producir escenarios de impacto en tiempo real. La plataforma, la plataforma DEWETRA fue diseñada con enfoque integral de gestión de desastres, para permitir un análisis multi-riesgo, combinando informaciones de amenazas y vulnerabilidades. Esos datos pueden convenientemente ser utilizados para rastrear eventos meteorológicos significativos, construir escenarios de eventos detallados y evaluar los impactos potenciales de eventos esperados sobre las comunidades y las infraestructuras (escenarios de riesgo). Además de modelos de pronóstico meteorológico, indispensables para entender la evolución de esos fenómenos, específicos algoritmos basados en la física de los eventos, pueden ser añadidos a la plataforma para la modelización del riesgo de forma dinámica. Método implementado para la integración del modelo para el pronóstico con la cadena Flood-PROOFS: El sistema consta de cuatro diferentes pasos que permiten llegar a un pronóstico de las crecidas y de las posibles áreas de inundación afectadas: 

Un modelo meteorológico de input (como el WRF a 10 km implementado por FAO-CIMA en el 2013) que permiten estimar la cantidad de lluvia.



Un modelo de desagregación estocástica de las lluvias (RAINFARM) que permite generar un conjunto de pronósticos a alta definición (1 km y 30 minutos).



Un modelo hidrológico necesario para simular el caudal causado por el evento de precipitación pronosticado. El modelo hidrológico utilizado es CONTINUUM, que es un modelo distribuido, continuo y físicamente basado capaz de reproducir la evolución espacio-temporal de la humedad del suelo, de los flujos de energía, de la temperatura de la superficie del suelo, de la evapotranspiración y del caudal en los ríos. Fue diseñado para encontrar un equilibrio entre una descripción detallada de los procesos físicos y una parametrización robusta y parsimoniosa.



Un modelo hidráulico (Telemac-2D) que se puede añadir a la cadena Flood-PROOFS para estimar las áreas de posible inundación según los caudales pronosticados por el modelo hidrológico CONTINUUM. Puede funcionar directamente en serie con el modelo

hidrológico o, según la tipología de elaboración necesaria, a través de una serie de mapas estáticas generadas para diferentes niveles de caudal en ingreso

4.5 Integración de la cadena hidrológica Flood-PROOFS. El sistema Flood-PROOFS, implementando en DEWETRA en las cuencas del Chapare y del San Juan Del Oro a lo largo del proyecto (AID 9705) y próximamente en la cuenca del Beni, es una cadena operativa diseñada para ayudar a los tomadores de decisiones durante las fases operativas de pronóstico, mitigación y monitoreo de las inundaciones en cuencas de distintos tamaños. Flood-PROOFS es útil para la gestión de las alertas de riesgos hidrometeorológicos y advertencias para los propósitos de Protección Civil y es instalado y utilizado en Italia, Albania, Serbia, Kosovo, Chad, Somalia, Kenia y Líbano. Flood-PROOFS gestiona los datos de ingreso y gestiona el flujo de trabajo del sistema necesario para el pronóstico hidro-meteorológico: modelos meteorológicos, datos en tiempo real de las estaciones meteorológicas, datos en tiempo real del funcionamiento de la regulación de las estructuras hidráulicas y datos de satélite se consideran en este proceso. Al final el sistema proporciona una evaluación cuantitativa del caudal y de los picos de crecida y evalúa la probabilidad de exceder los umbrales críticos en todas las secciones hidrométricas de las cuencas que se necesiten. Los resultados se publican en el DEWETRA para que se pueda visualizar y utilizar por las diferentes instituciones. Publicación de la información de los modelos implementados en DEWETRA. Figura 29 Vista del modelo Rio Beni en la plataforma DEWETRA

Figura 30 Modelo telemac2D en DEWETRA

5 PRONÓSTICO HIDROLÓGICO EN TIEMPO REAL EN LAS CUENCAS PILOTO ELEGIDAS Una vez analizados los resultados que presentan los modelos tanto determinista como probabilístico y, analizando también las lluvias que ocurrieron la lluvia que habrá hoy y la lluvia pronosticada los próximos días se realiza finalmente un informe de pronóstico hidrológico (figura 31) enviado de manera inmediata a autoridades como: Viceministerio de Defensa Civil VIDECI/SINAGER, Comando de la Armada Boliviana, UGRs de los departamentos de interés, Ministerio de Medio Ambiente y Agua MAAyA, entre otros. También es publicado en la página web del Servicio Nacional de Meteorología e Hidrología SENAMHI BOLIVIA. También se mantiene contacto mediante mensajería de WhatsApp que es utilizado por operadores de diferentes instituciones (SENAMHI, VIDECI, etc.) para discutir sobre el boletín y envío de fotografías que evidencian alguna alerta. El resultado será un informe en formato .pdf que puede ser emitido por correos electrónicos a las instituciones involucradas en la gestión de riesgos y publicado en Internet.

Figura 31. Informes de Pronóstico Hidrológico realizados en forma diaria y enviados de manera inmediata a las autoridades competentes de la toma de decisión

Figura 32 Publicación de Alertas Hidrológicas en la página Web del SENAMHI

Figura 33 Publicaciรณn del Pronรณstico Hidrolรณgico en Tiempo Real en la pรกgina Web del SENAMHI

6 MEDICIÓN

CAUDALES

LAS

CUENCAS

DEL

DESAGUADERO Y SAN JUAN DEL ORO La medición del caudal del río se la realiza medio de diferentes métodos denominado aforo, que permite la medición de la velocidad del río y el área de la sección utilizando instrumental como ser molinetes y otros, con estos datos se calculan caudales y niveles de los ríos de interés, se procede al cálculo de Curvas de Calibración, estas son de vital importancia para la modelación hidrológica para obtener así los caudales a través de los niveles y poder obtener de manera más continua de información de caudales.

6.1 Métodos de Aforo Líquido Es un procedimiento que consiste en realizar una serie de mediciones en campo que permiten posteriormente calcular el caudal de una corriente. Este caudal debe estar asociado a un nivel del agua. El caudal puede medirse por diferentes métodos. La elección del método de aforo depende de las condiciones específicas de cada sitio; la mayoría de estos métodos están basados en la medición de la velocidad y el área en una sección transversal determinada. Generalmente se efectúan aforos periódicos para determinar la relación entre el nivel del agua y el caudal en la estación hidrométrica, con estos datos se construye la curva de gastos o curva de calibración nivel de agua – caudal con la cual es posible determinar el flujo cuando sólo se cuenta con el dato de nivel. Se define el caudal como el volumen de agua que pasa a través de una sección transversal de una corriente en la unidad de tiempo; generalmente se expresa en metros cúbicos por segundo (m3/s) o litros por segundo (l/s). Molinete o Correntómetro Este método consiste básicamente en medir en un área transversal de la corriente, previamente determinada, las velocidades de flujo con las cuales se puede obtener luego el caudal. El lugar elegido para hacer el aforo o medición debe cumplir los siguientes requisitos:  

La sección transversal debe estar bien definida y que en lo posible no se presente agradación o degradación del lecho. Debe tener fácil acceso. 67

 

Debe estar en un sitio recto, para evitar las sobre elevaciones y cambios en la profundidad producidos por curvas. El sitio debe estar libre de efectos de controles aguas abajo, que puedan producir remansos que afecten luego los valores obtenidos con la curva de calibración.

La sección escogida se divide en tramos iguales tal como muestra la Figura. En cada vertical, de las varias en que se divide la sección, se miden velocidades con el molinete a 0.2, 0.6 y 0.8 de la profundidad total. Cada vertical tiene su respectiva área de influencia (sombreada en la gráfica), la cual se determina de la siguiente manera: Una vez conocido el tirante inicial yi, y el final yi+1 del área de influencia Ai, se determina el tirante promedio:

Luego calculamos el área de influencia Ai mediante la siguiente formula:

Dónde: b = ancho del área de influencia Figura 34. Sección transversal en el punto de aforo.

Las verticales deben tener las siguientes características:  

El ancho entre ellas (b), no debe ser mayor que 1/15 a 1/20 del ancho total de la sección. El caudal Qi que pasa por cada área de influencia Ai, no debe ser mayor que el 10% del caudal total. 68



La diferencia de velocidades entre verticales no debe sobrepasar un 20%.

La velocidad media en cada vertical se determina como:

Y el caudal Qi correspondiente a la respectiva área de influencia, Ai, es:

Y el caudal total, QT, será entonces:

Cuando las profundidades de la sección son pequeñas, menores de 0.6 m, solo se mide la velocidad a 0.6 de la profundidad, velocidad que se considera representativa de la velocidad media de la vertical. Figura 35. Contador de revoluciones (izquierda), Escandalio (derecha)

Figura 36. Molinetes marca A.OTT KEMPTEN

Aforo por Flotador Este método de aforo comúnmente se utiliza cuando es difícil o peligroso implementar el método de aforo por molinete o cuando la corriente es muy pequeña y no brinda las condiciones mínimas para la inmersión del mismo. Cuando esto ocurre, es necesario realizar el aforo por medio de flotadores para medir la velocidad superficial del flujo. En general se puede utilizar cualquier elemento natural que esté en condiciones de flotar. Este método se aplica en corrientes medianas y pequeñas en un tramo que tenga forma recta, y del cual se conozca su longitud (se recomiendan distancias mayores o iguales a 30 m). Debe usarse la mayor cantidad de flotadores posible, que cubran todo el ancho del río en franjas proporcionales. El equipo necesario para realizar un aforo de este tipo es el siguiente: flotadores, cinta métrica, cronómetro, formato para registro de datos de campo, radios portátiles. Se requieren dos técnicos Aforo por Vadeo Se emplea cuando la corriente es poco profunda, pequeña y de fondo resistente. Al igual que en el método de aforo por suspensión, es necesario tener un abscisado que permita determinar la posición de las verticales sobre las cuales se hace la medición de profundidades y velocidades de flujo. Para medir estos parámetros, el técnico entra al río con el equipo de medición, toma como referencia una cuerda abscisada o una cinta métrica y efectúa las mediciones. Figura 37. Ejemplo de aforo por Vadeo

Aforo por suspensión El aforo por suspensión se realiza desde una estructura (generalmente un puente o una tarabita), sobre la cual se hace la medición de profundidades y velocidades de flujo en cada una de las verticales seleccionadas. La medición de la velocidad del agua se hace utilizando un molinete o correntómetro. Figura 38. Aforo por suspensión

El aforo por suspensión se realiza cuando:  

La corriente a aforar es de magnitud considerable, de manera que no es posible aplicar el método de vadeo. Se dispone de un puente (o tarabita) en el cual la sección transversal cumple con las condiciones técnicas requeridas para la realización del aforo.

En el método de aforo por suspensión el equipo hidrométrico se suspende generalmente de un cable, el cual está acoplado a un malacate que permite medir la profundidad con ayuda de un contador. El equipo requerido para llevar a cabo un aforo por suspensión es el siguiente: malacate y tabla con polea, molinete completo incluido cola estabilizadora, contador, formato para registro de datos de campo, lastres de 30, 60 y 75 lb. Este tipo de aforo requiere de dos personas. En algunos casos, dependiendo de las condiciones de velocidad de la corriente, es necesario hacer correcciones (por ángulo de arrastre) a la profundidad medida.

Aforo Volumétrico La medida volumétrica del caudal se aplica solamente a las corrientes muy pequeñas, siendo éste el método más exacto para medirlas. Se determina el tiempo requerido para llenar un recipiente de capacidad conocida o el tiempo necesario para llenar parcialmente un recipiente calibrado a un volumen determinado. Las medidas volumétricas se recomiendan en casos en los cuales se concentra el flujo en una corriente estrecha, o donde éste se puede direccionar para captarlo en un recipiente. La medida se efectúa tres o cuatro veces tratando de minimizar el error comparando los datos obtenidos (los resultados deben ser constantes). El aforo volumétrico se aplica bajo circunstancias especiales en las cuales no es posible emplear otros métodos; por ejemplo, cuando el tirante es muy pequeño y no hay molinete que pueda utilizarse o cuando la velocidad es muy baja. El procedimiento consiste en captar una cantidad de agua en un recipiente durante un tiempo determinado. Luego se mide el volumen recogido y se divide su valor entre la magnitud del tiempo empleado para recogerlo. El equipo requerido para ejecutar un aforo volumétrico es: canaleta, balde aforado en litros (l), cronómetro, formato para registro de datos de campo. Son necesarias dos personas, una para captar el agua en el balde y la otra para contabilizar el tiempo que tarda éste en llenarse. Aforo por el Método de Dilución La existencia de corrientes con características especiales, tales como: régimen torrencial, alta pendiente, poca profundidad, lechos inestables y líneas de flujo desordenadas en las secciones de aforo, hacen poco aplicable el método convencional (con molinete) en cuyo caso se aplica el método de aforo por dilución (el método puede emplearse también en ríos con características normales cuando se quiere determinar el caudal con una mayor precisión que la que ofrecen los métodos convencionales). Los aforos con trazadores o aforos químicos permiten calcular el caudal a partir de la variación de la concentración de una sustancia que es inyectada en el cauce. El procedimiento consiste en realizar aguas abajo, a una distancia lo suficientemente lejos del sitio de inyección del trazador, mediciones de la concentración y muestreos que permitan 72

calcular el caudal; sin embargo existen equipos con los cuales es posible hacer la medición en campo. En todo este procedimiento no se requiere conocer el área de la sección transversal de medición. Puede definirse como trazador a toda sustancia que incorporada a un proceso físico o químico permite estudiar su comportamiento y evolución a lo largo de un tramo de la corriente. Entre los trazadores más empleados pueden citarse los sólidos en suspensión, los trazadores químicos solubles en el agua, los colorantes y los elementos radioactivos. La medición del caudal mediante este método está basada en la determinación del grado de dilución en el agua del río de una solución trazadora. Para las mediciones del caudal se pueden emplear principalmente dos métodos en los que intervengan sustancias trazadoras; el primero basado en la inyección de la sustancia a un ritmo constante y el segundo, aquel en que la solución se vierte en forma instantánea. El equipo requerido para ejecutar un aforo por el método de dilución es: trazador, conductímetro, cronómetro, cinta métrica, probetas, baldes graduados, frascos de 100 cm3, agua destilada, radios portátiles, formato para registro de datos de campo. Esta metodología es considerada una de las más adecuadas. Sin embargo puede suceder que su ejecución sea difícil debido a la excesiva velocidad del agua o a la presencia de cuerpos extraños que pongan en peligro la integridad física de los aforadores o la seguridad del equipo hidrométrico empleado. Aforo con Bote en movimiento Frecuentemente, en ríos muy anchos y caudalosos, la aplicación de los métodos convencionales de aforo no es posible debido a que no existe la infraestructura necesaria (puentes o tarabitas). El fundamento del método de aforo con bote en movimiento es el mismo del procedimiento habitual de los aforos convencionales y se basa en la determinación de áreas parciales de subsecciones y las velocidades del agua para cada una de ellas. La diferencia radica en la manera de tomar los datos, el aforador con su molinete viaja en un bote que se traslada de una orilla a la opuesta en forma continua y a una velocidad constante.

Figura 39. Representación del Aforo por Bote en movimiento

Para la ejecución de este método se debe contar con el siguiente equipo: un molinete direccional el cual registra la velocidad combinada del bote y del río, una ecosonda que mide las profundidades de la sección transversal, equipos de posicionamiento como GPS que indican la trayectoria perpendicular al flujo que debe seguir la embarcación, bote con motor fuera de borda, contador, soporte para fijación del molinete, batería de 12 V, formato para registro de datos de campo, cronómetro. Aforo desde un Bote Estático Este tipo de aforo es muy similar al que se realiza con bote en movimiento, excepto que éste se mantiene fijo en una vertical en la corriente mientras se realizan las mediciones de profundidad y velocidad. La seguridad del personal es un factor limitante para el uso de lanchas en corrientes que presentan altas velocidades de flujo. Se pueden utilizar cables de referencia anclados firmemente entre las dos orillas y sobre los cuales se puede trasladar el bote el cual está equipado con mecanismos de freno para mantenerlo quieto al momento de hacer la medición. Aforos con ADCP Para mejorar la calidad de la medida hidrológica, especialmente a las estaciones hidrométricas influenciadas por un control hidráulico río abajo. Este equipo utiliza la variación de frecuencia entre la señal emitida y la señal reenviada por las partículas en suspensión, para calcular la rapidez del agua y su dirección (RDI, 1989). El cálculo es efectuado automáticamente en tiempo real por el programa TRANSECT, instalado en un ordenador portátil. Cuando el ADCP se instala correctamente en una tradicional embarcación, el programa calcula la rapidez y el caudal unitario, durante el desplazamiento de la embarcación de una orilla a la otra. Durante la medida, la rapidez del barco no puede exceder 5 nudos, es decir aproximadamente 10Km/h. A la llegada, el valor acumulado de 74

los caudales unitarios corresponde al caudal de la sección aforada. El tamaño de cada celda depende de la configuración utilizada (altura de la celda), de la programación de la emisión de la señal ADCP (número de señales por minutos), así como de la rapidez del desplazamiento del barco (ancho de la celda). En una sección de más de 2Km de ancho como en Obidos, el intervalo entre 2 señales es generalmente de 1 a 3 segundos, lo que genera de 600 a 1800 verticales a esta sección. Por último, cada una de estas verticales se cortan en celdas de 1 a 2m de alto. La colocación de cada vertical se realiza en relación al eco del fondo, que es considerado como estable. Así mismo, el caudal se puede medir, cualquiera sea la trayectoria del barco, la dirección de la corriente, y la geometría de la sección. Un módulo de visualización permite acompañar en tiempo real la operación del aforo por ADCP, con la generación de gráficos como la trayectoria del barco, o el perfil de las velocidades en la sección aforada. Figura 40. Aforos con ADCP

6.2 Aforos en la cuenca del San Juan del Oro De acuerdo a lo programado se desplazaron personal de SENAMHI para desarrollar 6 mediciones de aforos en las estaciones hidrológicas de Chuquiago y El Puente, logrando realizar 5 aforos, calculando los caudales respectivos como se presenta en la siguiente tabla: Tabla 12 Caudales calculados en la cuenca del Río de San Juan del Oro

Caudal (m3/s)

Nro.

Estación

Fecha

Chuquiago

25/02/2016

28.463

Chuquiago

29/03/2016

1.801

Chuquiago

26/04/2016

3.078

El Puente

24/03/2016

0.846

El Puente

20/04/2016

2.841

6.3 Aforos en la cuenca del Desaguadero De acuerdo a lo programado se desplazaron personal de SENAMHI para desarrollar 2 mediciones de aforos en la estación hidrológica de Chuquiña, logrando realizar 2 aforos y calculando los caudales respectivos como se presenta en la siguiente tabla: Tabla 13 Caudales calculados en la cuenca del Río Desaguadero

Caudal (m3/s)

Nro.

Estación

Fecha

Chuquiña

03/02/2016

9.17

Chuquiña

10/03/2016

27.10

6.4 Resultados Finales Se cuenta con 7 medidos y calculados en las cuencas del Desaguadero y San Juan del Oro:   

3 en el Río San Juan del Oro, Estación Chuquiago, 2 en el Río San Juan del Oro, Estación El Puente, 2 en el Río Desaguadero, Estación Chuquiña.

Los datos recopilados, fechas y resultados de la mediciรณn se encuentran descritas en las tablas siguientes:

7 ESCENARIOS DE RIESGO Los escenarios de riesgo climáticos se elaboran en base a las variables de precipitación máxima en 24 horas, temperaturas máximas absolutas, temperaturas mínimas absolutas. El escenario permite mostrar regiones con periodos de recurrencia de heladas, sequias y áreas de inundación en las cuatro cuencas. El valor calculado se establece en base criterios metodológicos establecidos por la Fundación CIMA, para el cual se elaboró documentación metodológicos sobre el Control de Calidad, Critica de Datos, reconstrucción de datos y Homogenización de Datos meteorológicos y Climatológicos. De igual forma para la elaboración de mapas de riesgo se realizó la selección de estaciones meteorológicas que comprende series de datos cinco años o más. Para la elaboración de los mapas se utilizó la cartográfica base del IGM específica para las cuencas del Desaguadero, San Juan del Oro, Mamoré y Chapare. La información en formato SPH, se publica en el Sistema de Visualización del DEWETRA plataforma utilizada para la visualización y publicación del resultado de los mapas de riesgo, la información publicada facilitara en la visualización e identificación de las áreas vulnerables a diferentes eventos extremos Climáticos en las cuatro cuencas, integrada en la visualización en los diferentes puntos de monitoreo como ser en el VIDECI, MDRYD y entre otros.

7.1 Metodología para la crítica de series de datos. Para la realización de los mapas de escenarios de riesgo se establece tres etapas para el proceso de elaboración de los mapas, siguiendo criterios y procedimentales como se muestra en el esquema siguiente:

Figura 41 Esquema de la utilización de la metodología para la elaboración de mapas de escenarios de riesgo.

7.1.1 Descripción general para la selección de estaciones meteorológicas. El paso 1 se refiere al criterio principal de la selección de estaciones meteorológicas se realiza en base a: 

La representatividad de la información meteorológica y climática. Es definido como el grado de exactitud necesaria para describir el valor de la variable para un fin específico. Por lo tanto, no existe un valor fijo en cuanto a la calidad de cualquier observación, pero es el resultado del instrumental instalado, el intervalo de tiempo de las medidas y la exposición en función de los requerimientos de una aplicación específica. En particular, las distintas aplicaciones tienen su escala espacial y temporal definida para realizar sus promedios.



Cantidad de información almacenada en Banco de datos (el SENAMHI cuenta con SISMET, Sistema Integrado de Procesamiento de Datos Hidrometeorológicos). Consiste, en la información almacenada de forma digital el cual permite la facilidad en diversas aplicaciones. 87



La densidad de la red de observaciones necesaria, respecto a la resolución del fenómeno que se quiere estudiar para el caso las variables de temperatura y precipitación.



Factores geográficos (Ubicación de estaciones meteorológicas latitud, longitud y altitud)



Análisis de datos. Para el análisis de datos se toma en consideración la cantidad de estaciones como muestra en la tabla 14. Tabla 14 Cuantificación de las Estaciones meteorológicas

Total de Estaciones Meteorológicas seleccionados Cuenca

Para Temperaturas

Para Precipitaciones

Desaguadero

San Juan del Oro

Chapare

Mamoré

120

293

Total

197

443

También es importante el periodo de registro de estas estaciones para los análisis de consistencia de las estadísticas, es decir, determinar la calidad de los datos obtenidos. Sin embargo, se tiene estaciones con pocos años menores a cinco años esta información se utilizó para la interpolación en los puntos donde no hay información. Y también permitió en la aplicación de la metodología en el control de calidad en utilizar criterios de emparejamiento de la información. Información básica para la generación de archivos de Metadatos: Identificación de la estación: o

Nombre

Numero o código local (diferente del de OMM)

Fechas de Comienzo/Cierre

Tipo de estación (sinóptica, climatológica, pluviométrica, etc.)

Información geográfica: o

Latitud y longitud

Elevación o altura a la que se encuentra la estación meteorológica.

Para este criterio también se analiza la clasificación de las estaciones meteorológicas establecido por el SENAMHI. Figura 42 Clasificación de estaciones meteorológicas

En la clasificación de tipo orden que establece en la figura 36 en la que clasifica el tipo de estación y los parámetros que cuentan las estaciones meteorológicas clasificadas según agrometeorológicos, climatológicas y sinópticas. 

Homogeneidad de los datos. Para el análisis climático es muy importante que los datos sean interoperables en la totalidad de los registros. Esta consideración concierne particularmente a los datos obtenidos en una misma ubicación y en fechas o momentos diferentes. A lo largo de un registro prolongado pueden aparecer problemas vinculados a las modificaciones de las prácticas de observación, y en particular de los instrumentos.

7.1.2 Critica de datos Climáticos Como paso 2 se establece criterios de calidad aceptable estos se caracterizan por cumplir las condiciones necesarias de margen de incertidumbre, continuidad, homogeneidad, representatividad entre otros, para que la aplicación deseada, sea viable. Por tanto, es importante contar con datos de calidad aceptable y así poder disminuir los márgenes de error. Los datos de calidad no tienen que ser necesariamente excelentes, pero es esencial que su calidad sea conocida y demostrable. Por lo cual se establece la aplicación de herramientas que integren la crítica de datos y el control de calidad.

a. Metodología para el control de calidad de serie de datos. Se considera los siguientes puntos: •

Verificaciones de los límites para detectar errores graves. La señal del sensor es chequeada al inicio del proceso, comparando la medición con el rango de valores probables. Si se sale de rango, se considera un dato sospechoso y deberá verificarse.

•

Verificaciones de la coherencia interna. Es posible detectar errores en un sensor al comparar la medición con las de sensores de otras variables relacionadas físicamente. Por ejemplo, si la velocidad del viento es cero (calma) en un período dado, pero durante este la dirección del viento cambia, es posible que esté fallando el anemómetro.

•

Verificaciones de la coherencia temporal. Se compara cada medición con la anterior con el fin de identificar “saltos” o variaciones temporales que superen el rango esperado, como por ejemplo un aumento de la temperatura del aire de 5°C en 10 minutos. Este tipo de error es más fácil de detectar en las estaciones automáticas, que registran mediciones en intervalos temporales menores. También se deben identificar casos donde la medición comienza a ser constante en el tiempo, lo que representa una señal de que algo puede estar fallando.

•

Verificaciones de la coherencia espacial (prueba de contigüidad). La posibilidad de reunir los datos de la EMA (Estaciones Meteorológicas Automáticas) con los de otras estaciones (red) ofrece la ventaja adicional de comparar los valores medidos por un sensor determinado con los equivalentes en otros equipos, con lo cual se pueden detectar errores sistemáticos que no podrían ser determinados de otra manera.

Tipos de errores detectados. A menudo, los errores en los metadatos se manifiestan como errores en los datos. Por ejemplo, un identificador de estación incorrecto puede significar que los datos correspondientes a una estación aparentemente proceden de otra, o un sello con la fecha incorrecta puede implicar que los datos aparentemente fueron observados en otro momento. La indisponibilidad de los datos correspondientes a la estación y al momento correcto debería detectarse mediante pruebas que verifiquen si figuran todos los datos; los datos 90

que se hayan atribuido a un emplazamiento y un momento incorrectos deberán detectarse mediante pruebas de coherencia y de tolerancia. Los errores en los datos pueden surgir principalmente como resultado de errores atribuibles a los instrumentos, al observador o a los procesos de transmisión de datos, la introducción de datos mediante teclado y su validación, así como a la modificación de los formatos de datos y los problemas que implica resumirlos. Al establecer un conjunto de procedimientos de control de calidad, deberían considerare todos los tipos, fuentes y causas posibles de errores y debería hacerse todo lo posible para reducirlos. Es recomendable que, al desarrollar procedimientos automáticos y semiautomáticos para señalar la presencia de errores, los diseñadores de sistemas colaboren estrechamente con el personal de control de calidad para fines operativos. Pruebas de coherencia Los cuatro tipos principales de prueba de coherencia son:  Prueba de coherencia interna.  Prueba de coherencia temporal.  Prueba de coherencia espacial y  Prueba de coherencia sumaria. Dado que los valores de los datos guardan una relación mutua tanto temporal como espacial, debería elaborarse un procedimiento integrado para examinar la coherencia. Todas las pruebas de coherencia deberían documentarse por completo mediante procedimientos, fórmulas y criterios de decisión. a. La coherencia interna, se basa en las relaciones físicas que existen entre los elementos climatológicos. Todos los elementos deberían verificarse exhaustivamente comparándolos con otros elementos afines dentro de cada observación. Por ejemplo, deberían verificarse todos los datos psicométricos para garantizar que la temperatura de bulbo seco notificada sea igual o superior a la temperatura de bulbo húmedo notificada. Del mismo modo, deberá comprobarse que la relación entre la visibilidad y el tiempo reinante se ajuste a las prácticas de observación normalizadas. 91

Se debería verificar la coherencia entre los datos y las definiciones. Por ejemplo, un valor máximo debe ser igual o mayor que un valor mínimo. Los límites físicos imponen reglas para las verificaciones de la coherencia interna. Por ejemplo, la duración de la insolación está limitada por la duración del día, la radiación mundial no puede ser superior a la irradiancia en lo alto de la atmósfera, la dirección del viento debe oscilar entre 0° y 360° y la precipitación no puede ser negativa. b. Las pruebas de coherencia temporal examinan la variación de un elemento en el tiempo. Muchos conjuntos de datos climatológicos muestran una importante correlación en serie. Debería hacerse un control comparando la observación en cuestión con la anterior y la posterior en el ordenamiento. Basándose en la experiencia o en métodos analíticos o estadísticos, quienes examinen los datos pueden establecer la magnitud del cambio que podría experimentar un determinado elemento en cualquier intervalo de tiempo. Por lo general, este cambio depende del elemento, la estación del año, la ubicación y el lapso de tiempo transcurrido entre dos observaciones sucesivas. Por ejemplo, un descenso de 10 °C en la temperatura al cabo de una hora puede ser sospechoso, pero podría resultar muy factible si se le relacionara con el paso de un frente frío o de una brisa marina. Las presentaciones gráficas también son una herramienta excelente para la verificación. Para facilitar el diagnóstico, deberán visualizarse varios elementos al mismo tiempo. Por ejemplo, será más fácil validar un descenso de la temperatura si también se dispone de la información que muestra el cambio de dirección de los vientos relacionado con el paso de un frente frío o la lluvia fuerte de una tormenta. c. La coherencia espacial, compara cada observación con observaciones efectuadas al mismo tiempo en otras estaciones de la zona. Cada observación puede comparase con las que cabría esperar en el emplazamiento teniendo en cuenta las observaciones de las estaciones vecinas. Aquellos datos que difieren notablemente entre las observaciones esperadas y las que, de hecho, se obtienen deberán marcarse para ser sometidos a una revisión, corrección o eliminación, según proceda. Las pruebas de reducción de datos son unas de las más fáciles de efectuar. Mediante la comparación de diferentes resúmenes de datos, pueden detectarse errores en cada valor o en cada resumen. Por ejemplo, pueden calcularse las sumas y los promedios

de los valores diarios correspondientes a diversos períodos como semanas, meses o años. d. La verificación de que el total de las doce sumas notificadas es igual a la suma de los distintos valores diarios registrados permite hacer una verificación cruzada rápida y simple de un elemento acumulativo como la cantidad de lluvia. Deberían establecerse límites de tolerancia para las diferencias permitidas entre los valores calculados y los valores notificados. Cualquier nivel cuyos elementos no superen la prueba debería señalarse como sospecho para, luego, someterlo a examen y corregirlo. Pruebas de tolerancia Las pruebas de tolerancia establecen límites superiores o inferiores sobre los posibles valores de un elemento climatológico (tal como la dirección del viento, la nubosidad y las condiciones meteorológicas pasadas y presentes), o en aquellos casos en que la gama teórica de valores es infinita y es poco probable que una medición se sitúe fuera de sus límites. En el segundo caso, por lo general, los límites suelen depender del tiempo y la ubicación y deberían establecerse recurriendo a los valores históricos o mediante métodos de interpolación espacial. También es importante determinar y remediar rápidamente los sesgos sistemáticos que presenta la información proporcionada por los instrumentos. Debe conservarse documentación con información de las pruebas de tolerancia que se han efectuado, los límites climáticos establecidos respecto de cada elemento estudiado y las razones fundamentales para determinar dichos límites. En general, las pruebas de tolerancia comparan un valor en cuestión con algún patrón que utiliza un umbral estadístico. Algunas de las pruebas de tolerancia simples consisten en comparar un valor observado con el valor extremo o récord o con algún múltiplo de desviaciones típicas en torno al valor promedio correspondiente a esa fecha. En el segundo caso, se ha de tener en cuenta la posibilidad de que tal vez el elemento no tenga necesariamente una distribución simétrica o gaussiana, o que algunos valores

extremos determinados a partir del multiplicador de la desviación típica puedan ser incorrectos. Cuando se utilicen datos históricos de largo período para el control de calidad, es preferible utilizar una referencia normalizada (por ejemplo, las desviaciones típicas o una estadística de clasificación por orden no paramétrica) en lugar de una referencia absoluta. Utilizando del Software QC de RClimdex. Durante el proceso de observación y recolección de las series, se producen inevitablemente errores de distinta naturaleza. El control de calidad pretende detectar principalmente errores de carácter. no sistemático, distintos de los que pretendemos detectar y ajustar con los procesos de homogeneización. El RClimDex (1.0) es una herramienta de aplicación para el control de calidad de datos sobre la base de la plataforma R, esta aplicación perite identificar periodos faltantes de datos, en la detección de diferentes errores que se realizan al introducir los datos al banco de datos. Los problemas que se intentan detectar con el QC (Control de Calidad) del RClimdex, son entre otros los relacionados con errores de digitalización: 53 fue digitalizado en lugar de 35 en la columna de temperatura máxima; Los errores que intentamos detectar y ajustar mediante los procesos de homogeneización son siempre de carácter sistemático y responden a fenómenos como el cambio de emplazamiento, entorno o instrumentación de los observatorios meteorológicos. La metodología de la utilización de la herramienta permitirá el proceso de control de calidad, el cual permite realizar de forma ordenada como ser; periodos largos, intermedios y cortos, este método nos permite agrupar diferentes periodos de años que presenta una serie de datos en una estación determinada. b. Detección de Errores para los diferentes parámetros meteorológicos Característica de la temperatura.  Variable continúa.  Ciclo diurno.  Variabilidad espacial y temporal no elevada. Errores.  Forma de observación.

 Lectura (índice, paralaje)  El instrumento.  Transcripción de datos  Otros Chequeos:  Valores de las variables realistas.  Consistencia entre las temperaturas máximas y mínimas.  Variaciones temporales contiguas realistas.  Análisis valores contiguos iguales en fechas diferentes. Tabla 15 Detección de errores

ERRORES DETECTADOS  En los casos de los PC up, indica valores a priori, parece que se ha digitalizado, datos que incorpora valores extraños  Debemos analizar la distribución de los datos para determinar si ello es cierto y validar la máxima y reciclar ha perdido la mínima  Observamos que en el año 1967 datos repetitivos y extraños en el que la precipitación es 0.0 y dato 34 aparentemente la temperatura máxima es de 4.5 y la temperatura mínima es de 29.5 estos datos están volcados y debe ser verificado.  En la mayor parte de los datos del año 1967 y1968 están volcados las temperaturas  En el último, parece que se ha digitalizado 40.5 en lugar de 27.5 (!)

En la figura 43, muestra el ploteo de datos en el sistema QC de Rclindex, datos faltantes y datos fuera de rango y valores ceros cuantificadas en círculos de color rojo. Figura 43 Ploteo de datos en el Sistema RClimdex para la variable de la precipitación

QC Gráficos Temperaturas Se observan numerosos outliers, se observa en 1947 a los 1959 datos faltantes un cambio en el nivel medio dado a una inohomogneidad como muestra en la figura 44.  

Valores extraños en 1965 Valor muy bajo en 1980

Figura 44 Ploteo de datos de la temperatura mínima sistema RClíndex

QC Para la precipitación: Información disponible: 

Precipitación total mensual



Precipitación máxima diaria y fechas (hasta 2 ó más)



Número de días con precipitación apreciable.



Número de días con precipitación >= 1,10 y 30.

Tipo de test: 

Consistencia interna con los siguientes filtros:

Chequeos  Precipitación máxima inferior o igual a la precipitación total.

 El número de días de precipitación superior o igual a un umbral sea consistente. Cuando el umbral es superior el número de días debe ser inferior o igual a los umbrales previos.  La repartición del número de días de precipitación en los intervalos utilizado sea consistente con el número de días apreciables del mes.  Consistencia entre la precipitación total mensual y la repartición de los días de precipitación apreciable por intervalos.  Consistencia entre el valor máximo de precipitación diaria y la repartición de los días de precipitación apreciable por intervalos.  Consistencia entre los días que se ha producido la precipitación máxima diaria y la repartición por intervalos.  Consistencia entre la existencia de precipitación y los días. Figura 45 Ploteo de datos de precipitación en el sistema RClímdex

QC GRÁFICO PRECIPITACIÓN Inspeccionar

serie

temporal

permite

identificar

errores

adicionales.

Sólo

comprobaremos aquello que nos resulte sospechoso A PRIMERA VISTA Observar: 

Valores máximos patrón anual



Valores perdidos (círculos rojos).

Figura 46 Ploteo de datos de precipitación Histogramas

QC GRÁFICO PRECIPITACIÓN o o o o

Una vez corregidos errores, aparece un histograma “correcto” Alta frecuencia en bajos valores y baja frecuencia en altos valores La línea roja representa la densidad de valores filtrada con una función Kernel Pasamos a ver la serie temporal

Figura 47 Ploteo de datos de precipitación Histogramas

A partir del gráfico podemos observar a simple vista la presencia de diversos problemas: 

Un valor de precipitación superior a 80 mm, de dudosa veracidad en círculo rojo Grafica 47.



Numerosos outliers de temperatura máxima y mínima que será necesario inspeccionar.



La inspección del gráfico de DTR nos advierte de algunas oscilaciones diarias excesiva-mente altas y de la existencia de un valor negativo y, por tanto, incorrecto con toda seguridad.

100

Figura 48 Ploteo de datos de precipitación diagramas de caja

qc00000001.pdf: diagramas de caja para las mismas variables, pero graficados como series anuales. 

Nos reitera la presencia de los problemas anteriormente mencionados, localizándolos en su año de ocurrencia.



También nos muestra que los valores de 1977 son sensiblemente inferiores.



Dado que el software computa los cuartiles y valores externos a partir de todas las informaciones disponibles, ello puede ser traza de ausencia de valores (en este caso en el periodo más cálido del año). 101

Figura 49 Ploteo de datos de precipitación diagramas de Histogramas

ra00040001_rounding.pdf: diagramas de frecuencia de los 10 valores posibles del punto decimal (i.e., x.0. x.1, x.2,… x.9). En precipitación se omiten los valores 0 y permite comprobar si las series están redondeadas ver el anexo 7.1.2.

7.1.3 Metodología del Test de Control de Homogeneidad de datos Climáticos 

Las pruebas para demostrar que una serie de tiempo de una variable es razonablemente homogénea tienen por objetivo garantizar que las variaciones contenidas

las

observaciones

corresponden

sólo

los

procesos

climáticos/meteorológicos y no a otros factores. 

La homogenización de los datos es una tarea compleja.



Los test de homogeneidad de series muestran que varios de los aparentes cambios climáticos son causados por inhomogeneidades de series debido a cambios operacionales en sistemas de observación.

Método de test de Homogeneidad. Para su análisis, se emplean diferentes test de control de homogeneidad, aplicados a series anuales, comparaciones entre dos estaciones cercanas para encontrar ciertos factores de calidad, superior al de aquellas series no homogéneas de acuerdo a los dos test empleados; el criterio de Doorembos, el método de los residuos acumulados, también se aplican otros test como se menciona en este apartado. Test del Recorrido (Run Test). Etapas del Procedimiento: 102

1. Estimación del valor medio de la serie (usamos la mediana si la muestra es chica). 2. Cálculo de los desvíos de cada elemento respecto al valor medio. Se asigna a cada valor de la serie el signo correspondiente, (+) si está el valor de la serie por encima de la media y (‐) si está por debajo. 3. Cálculo del número de cambios de signo que presenta la serie, y según la tabla siguiente (Criterio de Doorembos), si el número de cambios está dentro del rango admitido, la serie analizada es homogénea, en caso contrario no es homogénea. Criterio de Doorembos. Si al aplicar la prueba de recorrido vemos que la serie no es homogénea, debe buscarse la causa y ya no se aplica ninguna otra prueba. Las pruebas no son condiciones necesarias y suficientes para afirmar que una serie sea homogénea. Mientras no haya una prueba que diga que una serie no es homogénea, será homogénea. Las pruebas paramétricas son más potentes que las no paramétricas, pero presuponen cierta distribución de la serie. Tabla 16 Cuadros explicativos sobre la utilización de los métodos de Test

Caso 1: Cumplimiento Criterio de Doorembos No Datos Rangos 43 #¡REF! 25 CUMPLE Cambios de Signo #¡REF! #¡REF! AÑO

Criterio de Doorembos

1973

1974

1975

1976

Nº observ.

Inf

Sup

Intervalo

1977

12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 45 50 55 60 65 70 75 80 85 90 95 100

5 5 6 7 8 9 9 10 11 12 13 14 15 16 16 19 22 24 26 28 31 33 35 37 40 42 45

8 10 11 12 13 14 16 17 18 19 20 21 22 23 25 28 30 33 36 39 41 44 47 50 52 55 57

5-8 5 - 10 6 - 11 7 - 12 8 - 13 9 - 14 9 - 16 10 - 17 11 - 18 12 - 19 13 - 20 14 - 21 15 - 22 16 - 23 16 - 25 19 - 28 22 - 30 24 - 33 26 - 36 28 - 39 31 - 41 33 - 44 35 - 47 37 - 50 40 - 52 42 - 55 45 - 57

1978

1979

1980

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

42 43

2014 2015 promedio

DesviacionS

Tabla Nro. 1

DATOS REAL

665.8 858.1 739.8 533.3 668.0 669.8 629.0 491.2 574.3 459.9 460.6 770.5 737.6 719.2 564.1 435.8 384.0 498.9 413.7 470.3 529.6 451.8 591.0 578.4 594.3 445.6 528.5 520.7 811.9 614.0 453.9 625.0 484.4 528.1 509.2 413.9 398.6 450.4 433.1 498.7 520.2 678.3 583.2 557.83 116.568769

Promedio

557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8 557.8

D Media

Signo

Signo Corregido

107.97 1 1 300.27 1 1 181.97 1 1 -24.53 -1 -1 110.17 1 1 111.97 1 1 71.17 1 1 -66.63 -1 -1 16.47 1 1 -97.93 -1 -1 -97.23 -1 -1 212.67 1 1 179.77 1 1 161.37 1 1 6.27 1 1 -122.03 -1 -1 -173.83 -1 -1 -58.93 -1 -1 -144.13 -1 -1 -87.53 -1 -1 -28.23 -1 -1 -106.03 -1 -1 33.17 1 1 20.57 1 1 36.47 1 1 -112.23 -1 -1 -29.33 -1 -1 -37.13 -1 -1 254.07 1 1 56.17 1 1 -103.93 -1 -1 67.17 1 1 -73.43 -1 -1 -29.73 -1 -1 -48.63 -1 -1 -143.93 -1 -1 -159.23 -1 -1 -107.43 -1 -1 -124.73 -1 -1 -59.13 -1 -1 -37.63 -1 -1 120.47 1 1 25.37 1 1 Responde al Criterio de Doorembos?

Cambios de signo

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 #¡REF!

Tabla Nro. 2

103

En el ejemplo se compara entre el número de datos de la tabla 2, con el número de Observaciones tabla 1, el número de datos calificados es 43 cuantificado en la tabla Nro. 2, mientras en la tabla Nro. 1 no se encuentra el valor por tanto identifica como una serie no homogénea. Tabla 17 Cuadros explicativos sobre la utilización de los métodos de Test

Caso 2: Cumplimiento Criterio de Doorembos No Datos Rangos 55 24 33 CUMPLE Cambios de Signo 55 NO AÑO

Criterio de Doorembos Nº observ.

Inf

Sup

Intervalo

12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 45 50 55 60 65 70 75 80 85 90 95 100

5 5 6 7 8 9 9 10 11 12 13 14 15 16 16 19 22 24 26 28 31 33 35 37 40 42 45

8 10 11 12 13 14 16 17 18 19 20 21 22 23 25 28 30 33 36 39 41 44 47 50 52 55 57

1953

1954

1955

1956

1957

1958

1959

1960

1961

1962

1963

1964

1965

1966

1967

1968

1969

1970

1971

1972

1973

1974

1975

1976

1977

1978

1979

1980

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

62 63

2014 2015

DATOS REAL

319.10 384.80 362.90 278.90 406.80 422.00 278.80 366.50

217.00 361.80 367.50 235.80 274.30 491.90 507.90 573.90 486.20 406.10 532.10 456.20 592.50 408.30 500.20 424.00 302.60 489.80 399.20 404.00 466.30 255.20 360.00 365.90 365.30 271.30 418.20 421.40 475.20 390.50 454.10 474.00 548.40 393.90 344.50 325.70 350.20 427.00 318.60 289.80 293.60 284.40 334.60 245.10 257.90 260.00 411.70

64 promedio

Tabla Nro. 1

382.80

Promedio

382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80 382.80

D Media

Signo

Signo Corregido

-63.70 -1 -1 2.00 1 1 -19.90 -1 -1 -382.80 -1 -1 -103.90 -1 -1 24.00 1 1 39.20 1 1 -382.80 -1 -1 -104.00 -1 -1 -16.30 -1 -1 -382.80 -1 -1 -382.80 -1 -1 -382.80 -1 -1 -165.80 -1 -1 -21.00 -1 -1 -15.30 -1 -1 -147.00 -1 -1 -382.80 -1 -1 -108.50 -1 -1 109.10 1 1 125.10 1 1 191.10 1 1 103.40 1 1 23.30 1 1 149.30 1 1 73.40 1 1 209.70 1 1 25.50 1 1 117.40 1 1 41.20 1 1 -80.20 -1 -1 -382.80 -1 -1 107.00 1 1 16.40 1 1 21.20 1 1 83.50 1 1 -127.60 -1 -1 -22.80 -1 -1 -16.90 -1 -1 -17.50 -1 -1 -382.80 -1 -1 -111.50 -1 -1 35.40 1 1 38.60 1 1 92.40 1 1 7.70 1 1 71.30 1 1 91.20 1 1 165.60 1 1 11.10 1 1 -38.30 -1 -1 -57.10 -1 -1 -32.60 -1 -1 44.20 1 1 -64.20 -1 -1 -93.00 -1 -1 -89.20 -1 -1 -98.40 -1 -1 -48.20 -1 -1 -137.70 -1 -1 -124.90 -1 -1 -122.80 -1 -1 28.90 1 1 -382.80 -1 -1 Responde al Criterio de Doorembos?

Cambios de signo

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 NO

Tabla Nro. 2

En el comparativo entre la tabla 1 y dos de igual forma se detecta como una serie no homogénea, al comprar los números de datos tabla 2, con número de observaciones tabla 18 en el intervalo se buscara el mismo número 55, por tanto al no encontrar se determina que la serie no es homogénea.

104

Tabla 18 Cuadros explicativos sobre la utilización de los métodos de Test

Caso 3 Cumplimiento Criterio de Doorembos No Datos Rangos 31 7 19 CUMPLE Cambios de Signo 19 SI

Criterio de Doorembos

AÑO

Nº observ.

Inf

Sup

Intervalo

12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 45 50 55 60 65 70 75 80 85 90 95 100

5 5 6 7 8 9 9 10 11 12 13 14 15 16 16 19 22 24 26 28 31 33 35 37 40 42 45

8 10 11 12 13 14 16 17 18 19 20 21 22 23 25 28 30 33 36 39 41 44 47 50 52 55 57

Tabla Nro. 1

1951

1952

1953

1954

1955

1956

1957

1958

1959

1960

1961

1962

1963

1964

1965

1966

1967

1968

1969

1970

1971

1972

1973

1974

1975

1976

1977

1978

1979

1980

1981

1995

1996

1997

1998

1999

2000

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

DATOS REAL

335.50 292.30 328.10 452.70 434.30 239.40 356.10 444.10 595.50 443.50 343.50 390.00 333.50 303.50 168.00 276.50 456.50 311.00 426.50 283.00 443.50

210.60 189.30 216.40 195.80 271.70 219.90 411.30

343.60 307.40 383.00

Promedio

335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68 335.68

D Media

-0.18 -43.38 -7.58 117.02 98.62 -96.28 20.42 108.42 259.82 -335.68 107.82 7.82 54.32 -2.18 -32.18 -167.68 -59.18 120.82 -24.68 90.82 -335.68 -52.68 107.82 -335.68 -335.68 -125.08 -146.38 -119.28 -139.88 -335.68 -63.98 -115.78 75.62 -335.68 -335.68 -335.68 -335.68 -335.68 -335.68 -335.68 -335.68 -335.68 7.92 -28.28 47.32 -335.68

Signo Corregido

Signo

-1 -1 -1 1 1 -1 1 1 1 -1 1 1 1 -1 -1 -1 -1 1 -1 1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 -1 1 -1 0

Cambios de signo

0 0 0 1 1 2 3 3 3 4 5 5 5 6 6 6 6 7 8 9 10 10 11 12 12 12 12 12 12 12 12 12 13 14 14 14 14 14 14 14 14 14 15 16 17 18 19

Tabla Nro. 2

En el caso Nro. 3 al comparar los valores correspondientes se ha encontrado que si es una serie homogénea, si se observa la tabla 2 en los datos anuales se encuentran datos faltantes en los diferentes años, esto no dificulta en el test resuelto. Método de los residuales acumulados Cuando se relacionan dos registros de datos provenientes de dos estaciones meteorológicas distintas, de las cuales la primera se considera homogénea, el registro de la segunda estación se puede considerar homogéneo si los residuales acumulados del segundo registro a partir de una línea de regresión basada en el primer registro no se desvían notoriamente. El grado de desviación se puede probar para una probabilidad dada p. Esto se lleva adelante verificando si las residuales pueden ser incluidas dentro de una

105

elipse con ejes α y β. Las magnitudes α y β dependen de la longitud del registro, de la desviación estándar de la muestra que está siendo analizada y de la probabilidad p usada. Esta prueba utiliza resultados de residuales de la regresión linear de Y y X. Los residuales deben seguir una distribución normal con media cero y desviación estándar sy, x, es decir el error εi ∈ N (0,sy,x). Los residuales de la regresión deben ser considerados como variables independientes aleatorias (es decir, deben exhibir homoscedaticidad). El procedimiento para analizar la homogeneidad de un registro climático Yi recogido en una estación meteorológica dada, puede ser resumido como sigue: 1. Selección de una estación meteorológica de referencia que se sabe que posee un registro homogéneo Xi de la variable analizada dentro de la misma región climática. Como alternativa, se puede construir un registro homogéneo regional haciendo un promedio de observaciones de varias estaciones meteorológicas en la misma región. 2. Organización de los registros xi y yi en orden cronológico i = 1, 2..., n, de tal manera que la fecha de inicio de registro así como el lapso entre datos sea idéntico en ambos. 3. Para ambos registros, se debe calcular la media y la desviación estándar para la variable homogénea (xi) y para la variable analizada (yi). 4. Cálculo y trazado de la línea de regresión entre las dos variables yi y xi y el coeficiente de correlación asociado. La ecuación de regresión entre ambos sistemas se expresa como ŷi = af + bf xi

donde el subíndice f se refiere al sistema completo. Siempre que sea posible, se debe trazar el diagrama xi, yi y la línea de regresión para verificar visualmente si la hipótesis de homoscedaticidad puede ser aceptada (Figura 1).

106

Figura 50 regresiĂłn sobre el comportamiento de la homogeneidad entre dos estaciones cercanas

5. CĂĄlculo de los residuales de los valores observados yi con respecto a la lĂnea de regresiĂłn, de la desviaciĂłn estĂĄndar sy, x de los residuales y del Ei residual acumulativo correspondiente: Ě&#x201A; đ?&#x153;&#x20AC;đ?&#x2018;&#x2013; = Yi - đ?&#x2018;&#x152;đ?&#x2018;&#x2013; đ?&#x2018;&#x2020;đ?&#x2018;Ś,đ?&#x2018;Ľ = đ?&#x2018;&#x2020;đ?&#x2018;&#x152; (đ?&#x2018;&#x203A; â&#x2C6;&#x2019; đ?&#x2018;&#x; 2 )1/2 đ?&#x2018;&#x2013;â&#x2C6;&#x2019;1

đ??¸đ?&#x2018;&#x2013; = đ?&#x153;&#x20AC;đ?&#x2018;&#x2013; + â&#x2C6;&#x2018; đ?&#x153;&#x20AC;đ?&#x2018;&#x2014; đ?&#x2018;&#x2014;=1

6. SelecciĂłn de un nivel de probabilidad p para aceptar la hipĂłtesis de homogeneidad. El valor p = 80% es comĂşnmente utilizado. Con esto se calcula la ecuaciĂłn de la elipse con ejes:

đ?&#x203A;ź = đ?&#x2018;&#x203A;/2

đ?&#x203A;˝=

đ?&#x2018;&#x203A; đ?&#x2018;? đ?&#x2018;&#x2020; (đ?&#x2018;&#x203A; â&#x2C6;&#x2019; 1)1/2 đ?&#x2018;? đ?&#x2018;Ś,đ?&#x2018;Ľ

Donde: n tamaĂąo de la muestra bajo anĂĄlisis 107

zp variante estándar normal para la probabilidad p (generalmente p = 80% para no excedencia). sy, x desviación estándar de los residuales

La ecuación paramétrica de la elipse entonces será: X = α cos (θ) Y = β cos (θ) con θ [rad] variando de 0 a 2 π.

Puede por lo tanto concluirse que al nivel de probabilidad p, no hay desviaciones en la distribución de residuales, y por tanto, el registro yi puede ser considerado homogéneo, cuando los valores calculados de Ei se encuentran dentro de la elipse. Figura 51 Residuos acumulados detectando la homogeneidad entre dos estaciones cercanas

Homogeneidad relativa. Este método se realiza mediante dos puntos poco alejados y ubicados en situaciones topográficas parecidas, los valores de los elementos climáticos son bastante parecidos. Por lo tanto, las diferencias o los cocientes de los valores correspondientes a un mismo elemento, de un año al otro, varían mucho menos que los valores mismos.

108

La noción de serie “relativamente homogénea” se obtiene por comparación con una serie sincrónica de otra estación. Si dos series son relativamente homogéneas, entonces, decimos que pertenecen a una misma región climática. Ve r el anexo 7.1.3

7.2 Metodología para la elaboración de mapas de escenarios de riesgos Climáticos 7.2.1 Metodología para la determinación del grado de amenaza para la precipitación. La primera corresponde a la recopilación de información, para lo cual se tuvo que recurrir a toda la información disponible. La segunda es la etapa de análisis de la información recopilada, dando como resultado las variables que intervendrán en la determinación de las zonas con probabilidad a presentar lluvias superiores a su normal durante el periodo de análisis; así como las zonas más susceptibles a esta probabilidad de precipitación. La tercera fase está referida a la identificación del área de estudio, donde se identificó los distritos expuestos a lluvias superiores a su normal en un periodo de 35 años (1980 - 2015). La cuarta fase corresponde a la identificación y caracterización del fenómeno adversos, donde se describe el comportamiento de las lluvias a nivel de las cuencas en sus condiciones normales para el periodo enero a diciembre. Con las consideraciones expuestas se logró identificar los distritos con probabilidad a ser afectados por lluvias superiores a sus condiciones normales. Finalmente tenemos la quinta y última fase referida al análisis de elementos expuestos, donde se identifica el total de población y viviendas expuestas. A partir de diferentes índices que miden el grado de amenaza y la concentración temporal de las precipitaciones, se ha comparado estadísticamente para identificar el índice que mejor describe este factor.

7.2.1.1

Localización y descripción del área en estudio.

Para este proceso de elaboro un mapa de ubicación de estaciones meteorológicas para las cuatro cuencas.

109

Mapa 1 Ubicación de las estaciones meteorológicas de las cuencas del Desaguadero, Mamoré, Chapare y San Juan del Oro

Los mapas permitieron ubicar las estaciones meteorológicas representativos. Esta información determinara la espacialización de la información de los datos meteorológicos. 7.2.1.2

Análisis espacial de la lluvia extrema diaria

El conocimiento de las precipitaciones máximas diarias en un territorio para diferentes periodos de retorno es necesario en numerosas aplicaciones. Para su análisis se recurre normalmente a las series de datos de lluvia de los pluviómetros instalados en la zona. Uno 110

de los métodos que tradicionalmente se emplean para realizar estos cálculos es el uso de funciones de distribución de valores extremos para ajustar funciones analíticas a las series anuales de precipitaciones máximas diarias, que permiten luego asignar una frecuencia, o periodo de recurrencia, a cada valor de la precipitación máxima diaria en un lugar. Cuando el objetivo es conocer la lluvia máxima diaria que puede caer en cualquier punto de la región en estudio con una periodicidad establecida, normalmente se recurre al análisis escalar de las cantidades calculadas a partir de las series de datos disponibles en las estaciones

pluviométricas.

Esta

metodología,

aunque

habitual,

tiene

algunos

inconvenientes que pueden originar grandes incertidumbres en los resultados e incluso errores notables. Para el análisis se sigue los siguientes procesos: Figura 52 Esquema de las etapas metodológicas

Fuente. Elaboración propia.

Para la determinación de las precipitaciones extremas se ha procedido primeramente a la recolección de las series de datos, inmediatamente al análisis y posteriormente a la interpretación y aplicación en los sistemas de alerta temprana; por tanto, se siguieron los siguientes pasos: 111

1. SelecciĂłn de estaciones meteorolĂłgicas a nivel de las cuatro cuencas que disponen de 30 o mĂĄs aĂąos, se toma muy en cuenta a aquellas estaciones que son representativas para la interpolaciĂłn incidirĂĄ en el anĂĄlisis de eventos de lluvias extremas. 2. Uso del Sistema de procesamiento de datos meteorolĂłgicos SISMET. 3. Se tiene los cĂĄlculos de la precipitaciĂłn mĂĄxima en 24 horas. 4. DeterminaciĂłn de cuartiles (desviaciĂłn tĂpica a partir del promedio de la serie) que permite visualizar las cantidades que representan un grado de peligro para cada una de las localidades donde estĂĄn emplazadas los pluviĂłmetros. 7.2.1.3

DeterminaciĂłn de las Precipitaciones MĂĄximas en 24 horas.

La precipitaciĂłn mĂĄxima, es la cantidad de precipitaciĂłn que constituye el lĂmite superior fĂsico para una duraciĂłn determinada sobre una regiĂłn en particular. Es la mayor cantidad de precipitaciĂłn meteorolĂłgicamente posible que corresponde a una determinada ĂŠpoca del aĂąo. El MĂŠtodo es simple de estimaciĂłn de las precipitaciones mĂĄximas en 24 horas, basado en los desarrollos teĂłricos de diversos autores (Richardson, 1981; Geng et al., 1986; Selker & Haith, 1990). Particularmente en este caso se propone una relaciĂłn entre los montos mensuales de precipitaciĂłn y su valor mĂĄximo en 24 horas del tipo potencial, esto es: EcuaciĂłn 1 MĂŠtodo simple para la estimaciĂłn de la PrecipitaciĂłn MĂĄxima en 24 Horas

đ?&#x2018;&#x192;đ?&#x2018;&#x161;ĂĄđ?&#x2018;Ľđ?&#x2018;&#x2013;đ?&#x2018;&#x161;đ?&#x2018;&#x17D; đ?&#x2018;&#x2019;đ?&#x2018;&#x203A; 24 â&#x201E;&#x17D;đ?&#x2018;&#x153;đ?&#x2018;&#x;đ?&#x2018;&#x17D;đ?&#x2018; (đ?&#x2018;&#x2013;) = đ?&#x2018;&#x17D; đ?&#x2018;&#x192;(đ?&#x2018;&#x2013;)đ?&#x2018;? Fuente. Universidad de Chile â&#x20AC;&#x153;Departamento de Ciencias Ambientales y Recursos Naturales Renovablesâ&#x20AC;?.

En donde P(i) corresponde a la precipitaciĂłn media mensual, a y b son constantes a determinar. Esta ecuaciĂłn es vĂĄlida para el periodo de la serie de tiempo, lo que equivale a considerar el perĂodo de retorno aproximado como el intervalo de tiempo de la serie. A partir de los valores calculados de la precipitaciĂłn mĂĄxima en 24 horas se ha realizado un anĂĄlisis espacial aplicando el algoritmo de IDW (ponderaciĂłn por distancia) a un campo inicial de precipitaciĂłn en 24 horas. La interpolaciĂłn del punto problema se realiza asignando pesos a los datos del entorno en funciĂłn inversa de la distancia que los separa -inverse distance weighting, IDW-. 112

La fórmula general es:

En donde

es el valor estimado para el punto j ; n es el número de puntos usados en la

interpolación; zi el valor en el punto i-ésimo y kij el peso asociado al dato i en el cálculo del nodo j. Los pesos k varían entre 0 y 1 para cada dato y la suma total de ellos es la unidad. La interpolación mediante distancia inversa ponderada determina los valores de celda a través de una combinación ponderada linealmente de un conjunto de puntos de muestra. La ponderación es una función de la distancia inversa. La superficie que se interpola debe ser la de una variable dependiente de la ubicación. Figura 53 Vecindad de IDW del punto seleccionado

El método IDW está basado principalmente en la inversa de la distancia elevada a una potencia matemática. El parámetro Potencia le permite controlar la significancia de puntos conocidos en los valores interpolados basándose en la distancia desde el punto de salida. Es un número real positivo y su valor predeterminado es 2. Por tanto, la distribución espacial obtenida para la precipitación máxima en 24 horas presenta cantidades que oscilan entre valores inferiores a 200 mm y otros que superan los 500 mm y una diferencia relativa entre el máximo y mínimo superior al 100%. Asimismo, tal y como ocurría con los mapas de precipitación máxima, la distribución espacial obtenida presenta una gran concordancia con la de la precipitación media anual de, con algunas 113

excepciones atribuibles a las diferentes escalas meteorolĂłgicas implicadas en cada caso en nuestra regiĂłn. AsĂ, mientras las organizaciones a escala sinĂłptica tienen una influencia mayor en la distribuciĂłn de la precipitaciĂłn anual, los factores locales y de mesoescala influyen mĂĄs en el mapa de la precipitaciĂłn mĂĄxima en 24 horas. Procedimientos para el cĂĄlculo del grado de amenaza mĂŠtodo Ă?ndice de Fourier. Inicialmente se dividiĂł la precipitaciĂłn total mensual de cada aĂąo en tres periodos decadales. La dĂŠcada I (dĂa 1 al 10), dĂŠcada II (dĂa 11 al 20) y la dĂŠcada III (dĂa 21 al 28, 29, 30 o 31) segĂşn el mes, tal como propone GĂłmez (1991). Posteriormente se calcularon ocho procedimientos (cuatro para el Ăndice de Fournier Anual: IFA1, IFA2, IFA3 e IFA4; dos para el Ăndice Modificado de Fournier: IMF 1 e IMF2 y dos para el Ăndice de ConcentraciĂłn de las Precipitaciones: ICP1 e ICP2. IFA1. Primero se estimĂł para cada aĂąo el IFA por periodo decadal (IdF), utilizando la ecuaciĂłn (1), propuesta por GĂłmez (1991). Luego se sumaron los tres IdF para obtener el IFA mensual (IFm). Posteriormente para cada mes se sumaron todos los IFm estimados y se promediaron sobre el nĂşmero de aĂąos analizados. Finalmente, el IFA 1 corresponde a la sumatoria de los doce IFm. đ??źđ?&#x2018;&#x2018;đ?&#x2018;&#x201C; = (đ?&#x2018;&#x192;đ?&#x2018;&#x20AC;đ?&#x2018;?đ?&#x2018;&#x2018; )2 /đ?&#x2018;&#x192;đ?&#x2018;&#x2021;đ?&#x2018;? dĂłnde: IdF = Ăndice decadal de Fournier; PMpd = PrecipitaciĂłn mĂĄxima del periodo decadal (mm); PTpd = PrecipitaciĂłn total del periodo decadal (mm). IFA2. Se obtuvo calculando el IFA al sumar los 36 IdF de cada aĂąo; luego se dividiĂł la sumatoria de todos los IFA sobre el nĂşmero de aĂąos considerados. IFA3. Se determinĂł con base en la metodologĂa propuesta por Rey (1996), ecuaciĂłn (2). Para cada dĂa decadal, se estimĂł la precipitaciĂłn media, al sumar la lluvia total del dĂa en cada mes y en cada aĂąo y promediarla sobre el nĂşmero de aĂąos de registro; posteriormente se elevĂł al cuadrado, luego se sumaron los valores obtenidos y se dividieron sobre la sumatoria de los promedios de los diez dĂas para calcular el IdF'. Posteriormente se sumaron los 3 IdF' para encontrar el IF mensual (IFm). Finalmente, el IFA 3 corresponde a la sumatoria de los 12 IFm. 114

đ??źđ?&#x2018;&#x2018;đ?&#x2018;&#x201C; = (đ?&#x2018;&#x152; đ?&#x2018;&#x2018;Ăđ?&#x2018;&#x17D; 1)2 + â&#x2039;Ż +

(đ?&#x2018;&#x152; đ?&#x2018;&#x2018;Ăđ?&#x2018;&#x17D; 10)2 đ?&#x2018;&#x152; đ?&#x2018;&#x2018;Ăđ?&#x2018;&#x17D; 1

dĂłnde: IdF' = Ăndice decadal de Fournier; Y = PrecipitaciĂłn media del dĂa decadal (mm). El IFA estimado utilizando los anteriores procedimientos, se clasificĂł segĂşn los rangos propuestos por GĂłmez (1975;). IFA4. Se estimĂł mediante la ecuaciĂłn (3) y se clasificĂł de acuerdo con los valores considerados por Delgado (2003). đ??źđ??š = đ?&#x2018;? 2 /đ?&#x2018;&#x192; dĂłnde: IF = Ăndice de Fournier; p = PrecipitaciĂłn media del mes mĂĄs lluvioso del aĂąo (mm); P= PrecipitaciĂłn media anual (mm). Tabla â&#x20AC;Ś. IF intensidad media esta tabla funciona bien para precipitaciones mĂĄxima en horas CaracterĂstica

Intensidad media en (mm)

DĂŠbiles Moderadas Fuertes Muy fuertes Torrenciales

â&#x2030;¤2 > 2 y â&#x2030;¤ 15 >15 y â&#x2030;¤ 30 >30 y â&#x2030;¤ 60 >60

Los valores del IMF (Intencidad media de Fourier) y del ICP se clasificaron de acuerdo con los rangos presentados por CEC (1992) y Michiels y Gabriels (1996). Para esta ponderaciĂłn se incrementan los valores para poder estimar, se tiene los valores un poco mĂĄs aceptables, se tiene la Clasificacion del Indice Modificado de Fourier (IMF) Clase

Intensidad media en (mm)

CaracterĂstica

1 2 3 4 5

<60 60-90 90-120 120 - 160 >160

DĂŠbiles Moderadas Fuertes Muy fuertes Torrenciales

Proceso determinado para la PrecipitaciĂłn mĂĄxima en 24 horas, Cuenca Desaguadero.

115

Grado de amenaza: 2.0 - 30.0

mm. Normal

30.0 - 60.0

mm. Dévil

60.0 - 90.0

mm. Moderado

90.0 - 120.0 mm. Fuerte 120.0 - 150.0 mm. Muy Fuerte 150.0 - 180.0 mm. Torrencial

Proceso determinado para la Precipitación máxima en 24 horas, Cuenca San Juan del Oro. Grado de amenaza: 0 - 10 mm.

Normal

10 - 20 mm. Débil 30 - 50 mm. Moderada 50 - 70 mm. Fuerte 70 - 80 mm. Muy Fuerte > 90 mm.

Torrencial

Proceso determinado para la Precipitación máxima en 24 horas, Cuenca Mamoré y Chapare. Grado de amenaza: < 60.0

Muy Bajo

60.0 - 90.0

Bajo

90.0 - 120.0

Moderada

120.0 - 160.0

Alto

160.0 - 200.0

Muy Alto

> 200.0

Torrencial

7.2.2 Metodología para la determinación del grado de amenaza para la Temperatura Máxima. La temperatura máxima absoluta mensual al abrigo fue estimada en grados Celsius enteros y décimas. La estimación de los valores extremos mensuales fue hecha en el período 1980 a 2015 a partir de los valores extremos diarios. Metodología de la determinación de umbrales de temperaturas máximas absolutas. Para este proceso se utilizan los cuartiles para determinar los umbrales Climáticos. En primera instancia se calcula el primer, segundo y tercer cuartiles de un conjunto de datos.

116

¿Qué son los cuartiles? El primer cuartil, o 25avo percentil xL (también escrito Q1), es el valor para el cual 25% de los valores en el conjunto de datos son más pequeños que xL. El segundo cuartil o 50avo percentil, xm (también escrito Q2), es la mediana. Representa el valor para el que 50% de los valores observados son más pequeños e 50% son más grandes. El tercer cuartil o 75avo percentil, xH (Q3) es el valor para el cual 75% de los valores observados son más pequeños de xH Fórmulas para calcular el primer cuartil

es un número entero, el primer cuartil es

no es un entero, el primer cuartil se interpola usando la

fórmula:

Fórmulas para calcular el tercer cuartil

es un número entero, el tercer cuartil es

no es un entero, el tercer cuartil se interpola usando la

fórmula: Proceso para la determinación de la temperatura máxima absoluta, Cuenca Desaguadero. Grado de amenaza: 10.0 - 15.0 °C Sin riesgo 15.0 - 18.0 °C Riesgo bajo 18.0 - 20.0 °C Riesgo medio 20.0 - 25.0 °C Riesgo Alto

117

Proceso para la determinación de la temperatura máxima absoluta, Cuenca San Juan del Oro. Grado de amenaza: 15.0 - 20.0 °C Sin Riesgo 20.0 - 30.0 °C Riesgo Bajo 30.0 - 35.0 °C Riesgo Medio >35.0 - 40.0 °C Riesgo Alto

Proceso para la determinación de la temperatura máxima absoluta, Cuenca Desaguadero. Grado de amenaza: 15.0 - 20.0 °C Sin riesgo 20.0 - 30.0 °C Riesgo bajo 30.0 - 35.0 °C Riesgo medio 35.0 - 45.0 °C Riesgo Alto

7.2.3 Metodología para la determinación del grado de amenaza para la Temperatura Mínima. La temperatura mínima absoluta mensual al abrigo fue estimada en grados Celsius enteros y décimas. La estimación de los valores extremos mensuales fue hecha en el período 1980 a 2015 a partir de los valores extremos diarios. Para los procesos de cálculos se utiliza la misma metodología que el de la temperatura máxima absoluta. Metodología de la determinación de umbrales de temperaturas mínimas absolutas. Para este proceso se utilizan los cuartiles para determinar los umbrales Climaticos. En primera instancia se calcula el primer, segundo y tercer cuartiles de un conjunto de datos. ¿Qué son los cuartiles? El primer cuartil, o 25avo percentil xL (también escrito Q1), es el valor para el cual 25% de los valores en el conjunto de datos son más pequeños que xL. El segundo cuartil o 50avo percentil, xm (también escrito Q2), es la mediana. Representa el valor para el que 50% de los valores observados son más pequeños e 50% son más grandes. 118

El tercer cuartil o 75avo percentil, xH (Q3) es el valor para el cual 75% de los valores observados son más pequeños de xH Fórmulas para calcular el primer cuartil

es un número entero, el primer cuartil es

no es un entero, el primer cuartil se interpola usando la

fórmula:

Fórmulas para calcular el tercer cuartil

es un número entero, el tercer cuartil es

no es un entero, el tercer cuartil se interpola usando la

fórmula: Proceso para la determinación de la temperatura mínima absoluta, Cuenca Desaguadero. Grado de amenaza:

-13.0 - -9.0 °C Riesgo alto -9.0 - -6.0 °C Riesgo medio -6.0 - -2.0 °C Riesgo bajo -2.0 - 0.0 °C Sin riesgo

Proceso para la determinación de la temperatura mínima absoluta, Cuenca San Juan del Oro. Grado de amenaza: -15.0 - -20.0 °C Riesgo Alto -10.0 - -15.0 °C Riesgo Medio -5.0 - -10.0 °C Riesgo Bajo 0.0 - 5.0 °C Sin Riesgo

119

Proceso para la determinación de la temperatura mínima absoluta, Cuenca Mamoré y Chapare. Grado de amenaza: -22.0 - -13.0 °C Riesgo Alto -13.0 - -4.0 °C Riesgo Medio -4.0 - 0.0 °C Riesgo Bajo 0.0 - 10.0 °C Sin Riesgo

7.2.4 Metodología para la determinación del grado de amenaza para la Sequía meteorológica. Marco conceptual y metodológico propuesto para la elaboración de mapas de amenaza por sequía meteorológica. Basados en diversas disciplinas científicas y en la actividad económica que la sequía afecta como es el caso de la agricultura y la sequía hídrica la población económicamente activa trabaja en el sector primario: agricultura y aprovechamiento de recursos naturales, ganadería, industria, recreación, turismo, etc., se han establecido varias definiciones que se muestran a continuación. Sequía meteorológica. Fenómeno que ocurre durante uno o varios meses cuando hay una ausencia prolongada, una deficiencia marcada o una pobre distribución de la precipitación pluvial que afecta adversamente a las actividades humanas y agrícolas. Sequía hidrológica. Déficit de agua pluvial, de escurrimiento superficial y subterránea. Uno de los índices más utilizados es el de aridez de Thornthwaite que, en dependencia del índice de cada año respecto al valor normal, este puede llegar a ser débil, moderado, fuerte, severo y desastroso. Sequía agronómica. Período de tiempo durante el cual la humedad en el suelo es insuficiente para garantizar el establecimiento de un cultivo y/o su desarrollo o producción.

120

Sequía atmosférica. Ocurrencia simultánea de altas temperaturas, baja humedad e insolación intensa, que da lugar a una sequedad excepcional del aire que se refleja en un déficit de vapor de agua, particularmente cuando está asociada a vientos moderados o fuertes. Descripción del fenómeno: Tipología y formas de manifestación. Entre los factores climáticos que influyen sobre la actividad humana está el agua; además, la lluvia es el factor que más variabilidad presenta de un año a otro en una región determinada. La falta de satisfacción de las necesidades hídricas de los cultivos se ve reflejada directamente en sus rendimientos y muchas veces puede provocar la pérdida total de este si es afectado en sus periodos fonológicos más vulnerables a la escasez de agua.

La sequía puede presentarse en el tiempo (ausencia de precipitación en el período de lluvias), y en el espacio (afectando a zonas más o menos amplias). Normalmente, se produce con ciclos de recurrencia de 2 y hasta 7 años. Su ocurrencia no se detecta fácilmente, sino que se le reconoce por sus efectos. Causas y tipo de sequías. La sequía es un fenómeno temporal que resulta de la escasez o mala distribución prolongada de la precipitación. Las anomalías de precipitación se asocian generalmente, con alteraciones en el comportamiento de los sistemas meteorológicos que controlan el clima en los niveles de macroescala, mesoescala. En consecuencia, algunas sequías son 121

de naturaleza localizada y sólo duran períodos cortos. Otras, están extendidas por zonas muy grandes y persisten durante largos lapsos de tiempo. Sin embargo, actualmente estas tierras secas, son el escenario de agudos desajustes e incluso de hambruna drásticas en muchos lugares, a pesar de la larga tradición de la adaptación humana. Las sequías normalmente infringen a las economías nacionales grandes daños, dando lugar a condiciones difíciles para los habitantes de las zonas secas. En la mayoría de las regiones agrícolas, las sequías traen con frecuencia grandes catástrofes para la agricultura y la población. En tiempo de sequía, la falta de la satisfacción de las necesidades hídricas a los cultivos puede causar sensibles bajas en los rendimientos. Por ejemplo, (según FAO 1980) para el cultivo del maíz un déficit del 40% de las necesidades hídricas en el periodo de la floración puede reducir el rendimiento hasta un 80%. La sequía surge por la combinación de insuficiencia de lluvias y evaporación en exceso, lo cual con un bajo nivel de agrotecnia, provoca déficit entre la necesidad de agua de las plantas (Evapotranspiración Máxima, ETM) y el consumo real de estas (Evapotranspiración Real, ETR). El déficit presentado determina el criterio básico de la calificación de la intensidad de la sequía. La necesidad de agua por las plantas está definida por las condiciones meteorológicas, las particularidades biológicas de las plantas y por el nivel de agrotecnia utilizado. La temperatura alta y la baja humedad del aire condicionan una evaporación intensiva desde la superficie del suelo y una mayor transpiración de las plantas, lo que implica un elevado gasto del agua del suelo. La reserva del agua del suelo no se repone con las precipitaciones atmosféricas en este período. Surge entonces un déficit de agua y de esta manera empieza la sequía. En Bolivia la sequía se ha manifestado de diferentes formas, afectando particularmente a las Regiones del Altiplano, los Valles, el Chaco y las regiones de los Llanos del Beni y Santa Cruz, aunque no de forma generalizada. Las características orográficas juegan también un papel importante en la problemática de la sequía local. Tal es el caso de la zona del Altiplano, está caracterizada predominantemente de montañas, determinándose un comportamiento microclimático propio de dichas características. La sequía está estrechamente ligada con las anomalías Océanos Atmosféricas que se manifiestan en el Océano Pacifico Ecuatorial Central, (El Niño Oscilación del Sur) y con el comportamiento irregular de los anticiclones marítimos y

122

continentales, es decir, con los cambios de la presión atmosférica y alteraciones en la circulación general de la atmósfera. Estas causas originan variaciones espacio temporales de las precipitaciones, que algunas veces están relacionadas con el ENOS. En estudios realizados, se ha determinado que la frecuencia de afectación de este fenómeno es irregular (2 a 7 años), y está conformado por eventos cálidos (El Niño) y fríos (La Niña), lo cual genera perturbaciones atmosféricas que resultan en impactos climáticos a escala regional y global consistentes en: Sequías, lluvias intensas, períodos de calor y frío, etc. De igual forma, los sistemas dinámicos y Climáticos también juegan un papel importante en determinación de periodos de sequía es así la influencia dinámica en el periodo lluvioso está caracterizada por el Alta de Bolivia el cual hace una distribución de precipitación, este sistema permanece durante el periodo lluvioso de noviembre a marzo. Figura 54 Criterios recomendados para la valoración de la amenaza por sequía meteorológica

Los siguientes cuadros definen los grados de amenaza en función de la recurrencia y la severidad del fenómeno en estudio:

123

Figura 55 Umbrales de amenaza por sequía

Probabilidad

Amenaza por sequía meteorológica Intensidad Def. >50% Def. >30%<50%

Def. 0 - 30%

>50%

Alta

> 30 < 50

Media

Baja

0 -30

Media

Baja

Índice de Porcentaje de la Precipitación Def. -50% Def. -100% Def. -90% Def. -70% Probabilidad

7.2.4.1 •

Intesa

Aguda

Fuerte

Moderada

Def. -30%

Def. -0%

Ligera

Normal

Significado para la determinación de umbrales de alerta.

En el caso de las zonas bajo la Amenaza Alta, se considera la presencia de la sequía al menos cada dos años, la cual puede tener cualquiera de los tres niveles de intensidad.

•

En el caso, de las zonas bajo la Amenaza Media, se considera la presencia de la sequía de dos a tres años, la cual puede tener niveles de intensidad media y alta.

•

En el caso, de las zonas con Amenaza Baja, se considera la presencia de la sequía entre tres y cinco años, la cual puede tener niveles de intensidad media y baja.

Amenaza Alta Amenaza Media

Amenaza Baja Sin Amenaza En este sentido el conocimiento de su comportamiento reviste una súbita importancia, lo que permitirá obtener una planificación más adecuada de las actividades agropecuarias y forestales. Además, permite una mejor utilización de los suelos, combinada con las características climáticas de una zona en particular. 124

Metodologías existentes para la evaluación de la amenaza por sequía meteorológica. Es el proceso mediante el cual se determina la probabilidad de ocurrencia y la severidad de un evento en un tiempo específico y en un parea determinada. Representa la recurrencia estimada y la ubicación geográfica de eventos probables.

Existen una diversidad de métodos y metodologías para evaluar el comportamiento de la sequía e identificar aquellas zonas que se encuentran o están propensas a este tipo de amenaza natural. Sin embargo, el uso de los mismos está sujeto a la disponibilidad y tipo de información con que se cuenta. Sin embargo, aunque el método, es de fácil aplicación, el mismo no identifica claramente la probabilidad de ocurrencia y la compresión al usuario se dificulta. Debido a estos inconvenientes se optó por utilizar el método Índice de Porcentaje de la Precipitación respecto a su normal (IPP) por ser el que más se ajusta en la identificación de los niveles de amenaza y su representación a nivel de municipios. No obstante, los porcentajes de déficit que identifican ambos métodos son muy similares. Descripción breve de la metodología de elaboración. Para la elaboración del mapa de amenaza por sequía meteorológica, se utilizó el Índice de Porcentaje de la Precipitación respecto a su Normal. Este índice es de fácil aplicabilidad y ha sido utilizado en el SENAMHI. Consiste en analizar y comparar el comportamiento y variabilidad de las precipitaciones, con el fin de determinar la existencia de déficit de lluvias en las estaciones meteorológicas que son utilizadas. Dicho 125

Índice de Porcentaje de Precipitación (IPP), indica el porcentaje de precipitación que se sitúa tanto por debajo como por encima de la norma histórica de cada una de las estaciones. Los porcentajes resultantes del cálculo de los índices de las estaciones se promedian para obtener el índice de desviación de la precipitación de la zona. Por ejemplo, para región de Llanos Orientales se evalúa para el mes de febrero, muestra la intensidad del déficit de precipitación en porcentajes.

Indice Porcentaje de la Precipitación: -100 % Intensa -90 % Aguda -70 % Fuerte -50 % Moderada -30 % Ligera 0%

Normal

30 %

Humedad Suave

50 %

Humedad Moderada

70 %

Muy Humedo

100 % Humedad Extrema

7.2.5 Metodología para la determinación del grado de amenaza para las heladas. En la bibliografía se encuentra algunos métodos que permiten determinar los índices de heladas más usados, los cuales sirven de referencia para la implementación de índices adaptados a la agricultura en el territorio boliviano. Los más relevantes se mencionan a continuación. 126

Ă?ndice de Riesgo SistĂŠmico de Heladas (IRISH). El IRiSH integra la ĂŠpoca de ocurrencia (estado fenolĂłgico), intensidad, duraciĂłn y frecuencia, consideradas como las principales variables que componen el riesgo producido por las heladas. EcuaciĂłn 2 Ă?ndice de Riesgo SistĂŠmico de Heladas đ?&#x2018;&#x203A;

đ??źđ?&#x2018;&#x2026;đ?&#x2018;&#x2013;đ?&#x2018;&#x2020;đ??ť = â&#x2C6;&#x2018; đ??šđ?&#x2018;&#x2013; (đ?&#x2018;&#x201C;) đ??šđ?&#x2018;&#x2013; (đ?&#x2018;Ą) đ?&#x2018;&#x2013;=1

Donde: n = es el nĂşmero de heladas producidas en un aĂąo, f = el nĂşmero de dĂa calendario y t = la temperatura mĂnima diaria. La funciĂłn fecha F (f), la de mayor peso en el valor final del IRiSH, estĂĄ vinculada al momento fenolĂłgico del cultivo y por ende a la resistencia del mismo a las bajas temperaturas. Se considera la intensidad de las heladas con una funciĂłn exponencial de la temperatura mĂnima (F(t)). AdemĂĄs, esta funciĂłn tiene en cuenta indirectamente la duraciĂłn de las heladas, a consecuencia de la elevada correlaciĂłn existente entre esta y la temperatura mĂnima. El Ăndice de riesgo para una helada determinada, se obtiene multiplicando la funciĂłn F(f) por la funciĂłn F(t) y se calcula para cada uno de los eventos de heladas; su acumulaciĂłn en un aĂąo resulta en el IRiSH anual que incluye la frecuencia de heladas. De esta forma, queda definido un Ăndice de riesgo por heladas de gran versatilidad, que podrĂĄ ajustarse de acuerdo al cultivo con el que se trabaje modificando las funciones F(f)y F(t) de acurdo a la fenologĂa y umbrales crĂticos de temperatura mĂnima del mismo (FERNANDEZ LONG y otros: 2008). Identificar las condiciones probables de daĂąos y/o pĂŠrdidas que pueda sufrir la poblaciĂłn, en el ĂĄmbito nacional, ante la ocurrencia de heladas. Como la primera corresponde a la recopilaciĂłn de informaciĂłn disponible, correspondiente a la frecuencia de heladas en el ĂĄmbito de las cuatro cuencas durante los meses de enero a diciembre proporcionada por el Servicio Nacional de MeteorologĂa e HidrologĂa SENAMHI.

127

Caracterización del fenómeno distribución espacial de la Temperatura Mínima Severa. La temperatura mínima del aire, es una variable meteorológica que ocurre durante las horas de la madrugada, coincidiendo muchas veces con la salida del sol. Su comportamiento está sujeto a diversos factores, como la altitud, latitud, transparencia atmosférica, estacionalidad, entre otras. Por lo que sus valores difieren significativamente desde valores positivos a valores por debajo de los 0°C. A fin de identificar los valores que caracterizan a las regiones se ha utilizado, para las cuencas de Desaguadero y San Juan del Oro y la cuenca alta de Mamoré se utilizó el promedio de los Percentil 10 (P10) y para la Amazonia el promedio de los Percentil 5 (P5), correspondiente a los meses de junio a agosto. Las temperaturas superficiales en promedio alcanzan valores entre el rango de 0°C a -2°C. En gran parte del Altiplano Norte, Centro y Sur, la Temperatura del Percentil 10 en promedio alcanza valores entre -14°C a - 17°C. Propuesta de un índice integrado de helada Si se selecciona los más importantes factores que intervienen en la “Peligrosidad” de una helada y se integran en un valor o índice se tendría una forma más completa de categorizar o definir el peligro de la helada. Esto en la actualidad no se hace se toma en cuenta dos propiedades; por lo general, el valor más bajo ocurrido y/o su duración. Por esta razón, se propuso elaborar el índice de helada, que se determinó el Índice Integrado de Helada (IIH), el cual, a nuestro entender, reúne las más importantes propiedades que intervienen e la generación de heladas y aminoran o amplifican su impacto: y en el cual se considera al cambio climático como un factor que amplifica la situación de peligrosidad. IIH = f (FC1 +FC2+FC3+FC4+FC5+FC6+FC7+FC8) Donde: FC1 = factor crítico 1, Intensidad FC2 = factor crítico 2, Duración FC3 = factor crítico 3, Origen FC4 = factor crítico 4, Frecuencia o probabilidad e ocurrencia FC5 = factor crítico 5, Mes de ocurrencia FC6 = factor crítico 6, Relación con otros eventos meteorológicos adversos 128

FC7 = factor crítico 7, Relación con EL NIÑO/LA NIÑA FC8 = factor crítico 8, Relación con Cambio Climático. Según este criterio se clasifica el proceso para la determinación de la categoría de la severidad de la helada meteorológica.

Grado de amenaza: -15.0 °C Riesgo Muy alto -10.0 °C Riesgo alto -5.0 °C Riesgo medio -2.0 °C Riesgo bajo 0.0 °C

Muy bajo

7.2.6 Metodología para la determinación de las áreas de inundación. Para la generación áreas de inundación se utiliza el Sistemas de Información Geográfica (SIG): Se emplean los SIG como una herramienta necesaria para llevar toda la información disponible a formato digital, con una base de datos geoespacial asignada para cada capa temática tratada, garantizando con esto una mayor precisión cartográfica a la hora de realizar los análisis. Se emplearán en los cálculos con el uso del álgebra de mapas y no solo serán una herramienta de apoyo cartográfico, sino que servirán también como un instrumento de gestión y de actualización de los resultados. Determinación de las zonas susceptibles de inundarse o del escenario de peligro Para la obtención del escenario de peligro o zonas susceptibles de inundarse se aplica la modelación multicriterio. Los criterios recomendados son los siguientes: 

Criterios topográficos Como criterio topográfico, se utilizará para la delimitación de la llanura de inundación el uso del mapa hipsométrico generado a partir del modelo digital del terreno, del cual se seleccionará la cota de inundación máxima definida desde el cauce del río hasta la isolínea que identifica el máximo valor de inundación reportado históricamente. Se considerarán además las zonas de depresiones del relieve donde existan corrientes de alimentación hídrica con pendientes bajas.

129



Criterios para la consideración de la permeabilidad del suelo Para el análisis se consideran las capas correspondientes a los mapas de Agrupamiento del Suelo y procesos degradativos del mismo. Este incluye la cartografía de los suelos impermeables tanto en las zonas no urbanizadas como muy poco urbanizadas.



Criterio geomorfológico El mapa geomorfológico, permite mediante la interpretación de las formas del relieve definir si se está en presencia de relieves carsificados o no, criterio importante a tener en cuenta ya que la inundación tiene comportamientos muy diferentes en cada caso. Los relieves no carsificados son los más susceptibles a que en ellos ocurran inundaciones, debido a que están formados por rocas agrietadas de baja permeabilidad. En las rocas carsificadas que son altamente permeables, las inundaciones tienen menor duración porque ocurre un rápido proceso de infiltración de las aguas pluviales hacia el acuífero.

7.3 Los mapas de escenarios de riesgo climático. Se presenta los diferentes mapas de escenarios de riesgo para las cuatro cuencas específicamente muestra las características de grado de amenaza, esta información fue generado con la información climática que cuenta el SENAMHI en el Banco de Datos SISMET. Como ejemplo se tiene diferentes mapas de riesgo:

130

131

132

133

134

7.4 Resultados Finales 7.4.1 Resultados del control de calidad. Lista de Estaciones meteorológicas con control de calidad. Se tiene una lista de estaciones meteorológicas con control de calidad para las cuatro cuencas. Tabla 19 Periodo 1940-1950 Nro.

Codigo

Latitud

Longuitud

Altitud

Estación

ra00040001

-18

-65

2255

Aiquile

ra00040002

-17

-65

3032

Anzaldo

ra00040003

-17

-65

2767

Arani

ra00040004

-17

-68

3888

Ayo Ayo

ra00040005

-16

-68

3954

Calamarca

ra00040006

-17

-66

2406

Capinota

ra00040007

-17

-66

2500

Chapisirca

ra00040008

-17

-69

4057

Charaña

ra00040009

-17

-65

1761

Cliza

ra00040010

-17

-66

2548

Cochabamba Aeropuerto

ra00040011

-17

-67

4243

Colquiri

ra00040012

-17

-64

1614

Comarapa

ra00040013

-17

-65

3240

Corani Represa

ra00040014

-17

-68

4025

Coro Coro

ra00040015

-17

-62

359

Cotoca

ra00040016

-15

-66

500

Covendo

ra00040017

-21

-65

2345

El Puente

ra00040018

-17

-63

320

General Saavedra

ra00040019

-16

-68

3823

Guaqui

ra00040020

-17

-66

3000

Incachaca Chapare

ra00040021

-17

-63

348

La Belgica

ra00040022

-18

-63

1350

Mairana

ra00040023

-17

-65

2045

Mizque

ra00040024

-21

-65

3400

Mojo

ra00040025

-19

-63

1090

Muyupampa

ra00040026

-21

-65

3121

Oploca

ra00040027

-17

-67

3702

Oruro Aeropuerto

ra00040028

-18

-65

2300

Paccha_H

ra00040029

-19

-64

2102

Padilla

ra00040030

-17

-67

3793

Patacamaya

ra00040031

-17

-65

2658

Pocona

135

ra00040032

-18

-63

432

Puerto Camacho_SC

ra00040033

-18

-64

2460

Redencion Pampa

ra00040034

-14

-67

280

Reyes

ra00040035

-14

-67

204

Rurrenabaque Aeropuerto

ra00040036

-17

-66

2600

Sacaba

ra00040037

-14

-66

194

San Borja

ra00040038

-14

-65

160

ra00040039

-21

-65

3000

San Ignacio De Moxos San José de Pampa Grande

ra00040040

-13

-65

144

Santa Ana

ra00040041

-17

-67

3917

Sica Sica

ra00040042

-19

-64

3284

Tarabuco

ra00040043

-17

-66

2775

Tarata

ra00040044

-17

-65

3304

Tiraque

ra00040045

-16

-65

300

Todo Santos_cocha

ra00040046

-17

-66

2906

Totora_CBBA

ra00040047

-14

-64

156

Trinidad Aeropuerto

ra00040048

-17

-63

413

Trompillo Aeropuerto

ra00040049

-21

-65

2956

Tupiza

ra00040050

-18

-64

2030

Vallegrande Aeropuerto

ra00040051

-18

-64

1998

Vallegrande SENAMHI

ra00040052

-19

-64

2108

Villa Serrano

ra00040053

-16

-65

460

Villa Tunari

ra00040054

-22

-65

3443

Villazon

ra00040055

-17

-66

2750

Vinto

Tabla 20 Periodo 1960-1970 Nro.

Código

Latitud

Longitud

Altitud

Estación

ra00060001

-18

-63

440

Abapo

ra00060002

-17

-68

3880

Achiri

ra00060003

-16

-68

3803

Aguallamaya

ra00060004

-17

-66

3375

Aguas Calientes_ENFE

ra00060005

-17

-66

2600

Aguirre

ra00060006

-17

-65

3320

Alalay

ra00060007

-18

-65

3042

Alamos

ra00060008

-17

-63

442

Albosa

ra00060009

-18

-64

1960

Alto Seco

ra00060010

-15

-66

746

Ancoaque

ra00060011

-18

-67

3762

Andamarca

ra00060012

-14

-67

214

Angosto del Bala

ra00060013

-17

-65

2560

Angosto Molinero

136

ra00060014

-17

-65

910

Arepucho

ra00060015

-17

-66

2700

Arpita_ENFE

ra00060016

-17

-66

2735

Arque_ENFE

ra00060017

-19

-64

2120

Arquillos

ra00060018

-17

-69

3953

Avaroa

ra00060019

-18

-66

3700

Ayoma

ra00060020

-20

-64

2530

Azurduy

ra00060021

-19

-64

1200

Bartolo

ra00060022

-17

-69

4120

Berenguela

ra00060023

-18

-63

1000

Bermejo SEARPI

ra00060024

-18

-63

1000

Bermejo_Sc

ra00060025

-17

-66

2813

Bolivar_CBBA

ra00060026

-16

-62

250

Brecha Casarabe

ra00060027

-17

-66

2400

Buen Retiro_ENFE

ra00060028

-17

-63

400

Buena Vista Sc

ra00060029

-16

-63

470

Cabezas

ra00060030

-17

-68

3826

Calacoto

ra00060031

-17

-65

3380

Candelaria

ra00060032

-17

-67

3795

Caracollo Cadea

ra00060033

-17

-67

4100

Caxata

ra00060034

-18

-65

2050

Chaguarani

ra00060035

-17

-68

4000

Challa Belen LP

ra00060036

-18

-66

3733

Challapata (Tacagua)

ra00060037

-17

-66

3360

Changolla_ENFE

ra00060038

-19

-64

2380

Chavarria

ra00060039

-17

-66

2500

Chinchiri

ra00060040

-16

-65

260

Chipiriri

ra00060041

-17

-65

1400

Chujllas

ra00060042

-17

-64

1900

Chulcumayu

ra00060043

-18

-65

1775

Chuqui Chuqui

ra00060044

-17

-65

2720

Cliza_ENFE

ra00060045

-17

-65

2025

Cocapata

ra00060046

-16

-68

3911

Collana

ra00060047

-17

-65

3309

Colomi

ra00060048

-17

-63

600

Colonia San Juan

ra00060049

-17

-66

2600

Colquechaca

ra00060050

-17

-68

4055

Comanche

ra00060051

-17

-67

3965

Conchamarca

ra00060052

-17

-67

3860

Condoriri

ra00060053

-21

-65

3800

Copacabana Taxara

ra00060054

-17

-65

780

Copachuncho

137

ra00060055

-18

-63

386

Coronel Armando Gomez

ra00060056

-19

-64

2880

Cororo

ra00060057

-18

-67

3758

Corque

ra00060058

-17

-64

3600

Cotani Alto

ra00060059

-17

-63

285

Cri_Yapacani

ra00060060

-17

-65

517

Cristal Mayu

ra00060061

-19

-64

2600

Cruz Khaza

ra00060062

-17

-65

3283

Cuatro Esquinas

ra00060063

-18

-63

1246

Cuevas

ra00060064

-17

-65

3000

Curabamba

ra00060065

-17

-68

3906

Curahuara de Carangas

ra00060066

-17

-65

1203

Curumbamba cbba

ra00060067

-16

-69

3812

Desaguadero

ra00060068

-17

-64

1250

El Carmen

ra00060069

-21

-65

2345

El Puente (c)

ra00060070

-18

-64

1930

El Quiñe

ra00060071

-19

-64

2000

El Rodeo

ra00060072

-19

-64

2050

El Rosal

ra00060073

-17

-64

1500

El Trigal

ra00060074

-19

-64

2080

El Villar

ra00060075

-18

-63

700

Elvira

ra00060076

-17

-63

398

Est. Exp. Vallecito

ra00060077

-17

-67

3761

Eucaliptus

ra00060078

-17

-67

3745

Eucaliptus_ENFE

ra00060079

-18

-63

500

Exp. 6 de Agosto

ra00060080

-18

-63

570

Florida

ra00060081

-17

-63

640

Granja Espejos

ra00060082

-17

-65

3120

Hichucollo

ra00060083

-17

-65

3000

Huayapacha

ra00060084

-16

-63

525

Ingenio Mora

ra00060085

-17

-63

256

Ingenio Santa Cecilia

ra00060086

-17

-66

2470

Irpa Irpa

ra00060087

-21

-64

3450

Iscayachi - San Antonio

ra00060088

-17

-64

250

Ivirgarzama

ra00060089

-17

-66

2580

Jardin Botanico_CBBA

ra00060090

-16

-65

280

Jatun Chaco

ra00060091

-17

-65

3500

Jatun Mayo (Lacayas)

ra00060092

-16

-68

3855

Jesús de Machaca

ra00060093

-17

-66

3270

Juan Vena

ra00060094

-17

-66

4000

La Cumbre

ra00060095

-17

-63

470

La Guardia

138

ra00060096

-16

-65

254

La Jota (Chimore)

ra00060097

-19

-65

2840

La Madona

ra00060098

-18

-65

1992

La Palma

ra00060099

-17

-66

2800

La Ramada

100

ra00060100

-17

-66

2597

La Tamborada

101

ra00060101

-17

-65

2025

La ViĂąa

102

ra00060102

-17

-66

2614

La Violeta

103

ra00060103

-19

-64

2560

Lamboyo

104

ra00060104

-18

-64

1360

Los Negros

105

ra00060105

-18

-66

3480

Macha

106

ra00060106

-18

-67

3725

Machacamarca_ENFE

107

ra00060107

-17

-65

3200

Malaga

108

ra00060108

-18

-63

400

Masicuri

109

ra00060109

-18

-64

1400

Mataral

110

ra00060110

-17

-66

3890

Mayca Mayu

111

ra00060111

-17

-63

245

Minero (Unagro)

112

ra00060112

-17

-66

3360

Mohoza H

113

ra00060113

-17

-65

3000

Monte Puncu

114

ra00060114

-18

-63

525

Mora

115

ra00060115

-18

-64

2340

Moro Moro

116

ra00060116

-16

-68

3820

Nazacara

117

ra00060117

-18

-64

2220

Nuevo Mundo

118

ra00060118

-17

-62

252

Okinawa I

119

ra00060119

-18

-67

3666

Orinoca_H

120

ra00060120

-17

-67

1720

Oruro_ENFE

121

ra00060121

-17

-66

3380

Palca_Cba

122

ra00060122

-17

-65

1100

Palmar Pampa

123

ra00060123

-17

-62

268

Palometillas

124

ra00060124

-17

-66

2493

Parotani

125

ra00060125

-17

-66

2495

Parotani_ENFE

126

ra00060126

-18

-66

3725

PazĂąa_ENFE

127

ra00060127

-17

-66

3550

Pisly

128

ra00060128

-17

-65

2700

Planta Corani

129

ra00060129

-17

-64

1900

Pojo

130

ra00060130

-18

-65

2400

Pojpo_H

131

ra00060131

-18

-65

2300

Poroma_ch

132

ra00060132

-17

-63

289

Portachuelo

133

ra00060133

-18

-65

2200

Puca Pila

134

ra00060134

-18

-64

2540

Pucara

135

ra00060135

-17

-67

4208

Puchuni

136

ra00060136

-18

-64

1400

Puente Taperas

139

137

ra00060137

-17

-64

223

Puerto Grether

138

ra00060138

-16

-64

195

Puerto Villarroel

139

ra00060139

-17

-63

230

Puesto Fernández

140

ra00060140

-18

-64

1560

Pulquina

141

ra00060141

-17

-66

4200

Putucuni B

142

ra00060142

-17

-65

2700

Quiriria

143

ra00060143

-18

-65

2530

Quiroga

144

ra00060144

-18

-63

440

Quirusillas

145

ra00060145

-17

-66

3800

Ramadas Cbba

146

ra00060146

-17

-65

2700

Rumi Corral

147

ra00060147

-17

-65

3174

Sacabamba

148

ra00060148

-17

-65

3000

Sacabambilla Baja

149

ra00060149

-18

-66

3700

Sacaca

150

ra00060150

-18

-64

1360

Saipina

151

ra00060151

-17

-65

2650

Salinas Villa Rivero

152

ra00060152

-21

-64

3440

Sama Iscayachi

153

ra00060153

-18

-63

1630

Samaipata SEARPI

154

ra00060154

-18

-63

1650

Samaipata

155

ra00060155

-16

-68

3913

San Andres De Machaca

156

ra00060156

-21

-66

4450

San Antonio de Lipez

157

ra00060157

-17

-65

2710

San Benito

158

ra00060158

-17

-66

2530

San Francisco de Caramarca

159

ra00060159

-17

-63

380

San Isidro

160

ra00060160

-17

-67

3746

San Jose Alto

161

ra00060161

-17

-63

350

San Juan de Yapacaní

162

ra00060162

-18

-63

1700

San Juan del Rosario SEARPI

163

ra00060163

-16

-62

305

San Julian

164

ra00060164

-17

-65

3684

San Kayani

165

ra00060165

-17

-65

440

San Mateo_CBBA

166

ra00060166

-17

-66

3200

San Miguel_Jankocala CBBA

167

ra00060167

-17

-65

1040

San Onofre

168

ra00060168

-17

-68

3893

San Pedro de Curahuara_h

169

ra00060169

-17

-65

942

San Pedro_CBBA

170

ra00060170

-16

-63

450

San Pedro_Sc

171

ra00060171

-16

-64

400

San Rafael

172

ra00060172

-17

-65

3634

Sankayani

173

ra00060173

-17

-63

416

Santa Cruz SENAMHI

174

ra00060174

-17

-64

1500

Santa Rosa de Lima_Sc

175

ra00060175

-17

-63

250

Santa Rosa del Sara

176

ra00060176

-17

-69

3874

Santiago De Machaca

177

ra00060177

-17

-66

2554

Santivañez

140

178

ra00060178

-17

-66

2540

Saytu Cocha

179

ra00060179

-17

-65

3000

Sehuencas

180

ra00060180

-17

-65

3650

Serrano

181

ra00060181

-17

-64

2700

Siberia

182

ra00060182

-17

-65

3075

Sivingani_ENFE

183

ra00060183

-17

-65

2560

Sivingani_Mizque

184

ra00060184

-17

-67

3735

Soledad_ENFE

185

ra00060185

-19

-64

2100

Sopachuy

186

ra00060186

-19

-65

2775

Sucre_ENFE

187

ra00060187

-17

-63

285

Surutú_h

188

ra00060188

-17

-66

2900

Tapacarí

189

ra00060189

-19

-63

1120

Taperillas

190

ra00060190

-18

-63

400

Taruma

191

ra00060191

-19

-64

2420

Tarvita

192

ra00060192

-17

-63

420

Terevinto

193

ra00060193

-18

-65

2190

Tin Tin

194

ra00060194

-17

-66

3500

Titiri

195

ra00060195

-21

-65

2643

Tojo

196

ra00060196

-17

-66

1940

Tolapalca_ENFE

197

ra00060197

-19

-64

2035

Tomina

198

ra00060198

-18

-65

2700

Toro Toro Potosi

199

ra00060199

-21

-65

2965

Tupiza_ENFE

200

ra00060200

-18

-68

3842

Turco

201

ra00060201

-17

-68

3856

Ulloma

202

ra00060202

-19

-64

1980

Urriolagoytia

203

ra00060203

-17

-66

2726

Vacas

204

ra00060204

-18

-63

2500

Valle Abajo_h

205

ra00060205

-17

-63

398

Vallecito

206

ra00060206

-17

-63

353

Versalles

207

ra00060207

-17

-64

300

Vibora_h

208

ra00060208

-20

-65

2280

Villa Abecia

209

ra00060209

-19

-64

2080

Villa Alcala

210

ra00060210

-18

-65

2140

Villa Granado

211

ra00060211

-17

-65

2000

Yanamuyo CBBA

212

ra00060212

-17

-65

1500

Yayani

213

ra00060213

-17

-64

1500

Yerba Buena

214

ra00060214

-19

-64

2475

Zudañez

141

Tabla 21 Periodo 1980-1990 Nro.

Código

Latitud

Longitud

Altitud

Estación

ra00080001

-19

-65

3100

Alcantari

ra00080002

-18

-63

700

Angostura SEARPI

ra00080003

-20

-66

3700

Atocha

ra00080004

-17

-67

3720

Cabaña_Forestal_Oruro

ra00080005

-21

-64

2800

Calderillas

ra00080006

-17

-63

520

Campamento Espejos

ra00080007

-21

-64

3460

Campanario

ra00080008

-17

-68

3951

Caquiaviri

ra00080009

-17

-69

4253

Catacora

ra00080010

-17

-66

4025

Chillca

ra00080011

-16

-65

3170

Chimboco

ra00080012

-18

-67

3867

Choquekota

ra00080013

-17

-67

3735

Chuquiña

ra00080014

-17

-63

396

Colonia Pirai

ra00080015

-17

-63

260

Cuatro Cañadas

ra00080016

-21

-64

3820

Cumbre Sama

ra00080017

-17

-63

347

El Cairo

ra00080018

-19

-65

2040

El Cortijo

ra00080019

-21

-64

3410

El Molino Tomayapo

ra00080020

-17

-63

292

El Patuju

ra00080021

-18

-63

1650

El Sillar

ra00080022

-18

-63

2050

Empinado SEARPI

ra00080023

-17

-67

3695

Facultad de Agronomia UTO

ra00080024

-17

-63

325

Guapilo

ra00080025

-19

-63

970

Gutierrez

ra00080026

-17

-67

3917

Huaraco

ra00080027

-17

-67

3873

Huayllamarca

ra00080028

-17

-63

375

Huaytu

ra00080029

-16

-68

3912

Jihuacuta

ra00080030

-16

-69

4000

Jinchaca

ra00080031

-17

-65

1040

Keluyo Chico

ra00080032

-18

-63

1420

La Junta SEARPI

ra00080033

-17

-65

2570

Lab. Hidraulica UMSS

ra00080034

-17

-63

250

Las Barreras

ra00080035

-16

-64

450

Los Fierros

ra00080036

-18

-63

1120

Los Tojos SEARPI

ra00080037

-17

-63

480

Macuñucu_H

ra00080038

-17

-63

317

Montero SEARPI

ra00080039

-17

-63

317

Montero_Muyurina

142

ra00080040

-17

-62

283

Okinawa II

ra00080041

-17

-66

2600

Pairumani

ra00080042

-17

-68

4200

Pampa Grande LP

ra00080043

-17

-65

2700

Pampa Tambo

ra00080044

-18

-63

970

Parabano SEARPI

ra00080045

-18

-66

3695

Pazña

ra00080046

-18

-63

1470

Peña Colorada SEARPI

ra00080047

-17

-63

450

Peroto

ra00080048

-18

-63

2010

Postrervalle

ra00080049

-18

-65

1514

Puente Arce

ra00080050

-17

-62

280

Puerto Pailas

ra00080051

-19

-66

3724

Quillacas

ra00080052

-22

-64

3000

Rejara

ra00080053

-18

-63

480

Rio Seco_Sc

ra00080054

-17

-65

3800

Rodeo

ra00080055

-19

-65

3080

Sacopaya_h

ra00080056

-21

-64

3820

Sama Cumbre

ra00080057

-21

-66

3690

San Antonio de Esmoruco

ra00080058

-17

-65

2000

San Ernesto_CBBA

ra00080059

-18

-64

2450

San Jose del Barrial

ra00080060

-17

-64

2000

San Juan Del Potrero

ra00080061

-16

-68

3829

San Juan Huancollo

ra00080062

-17

-63

1404

San Pedro SEARPI

ra00080063

-18

-64

2400

Santa Ana - Santa Cruz

ra00080064

-17

-66

2587

Sarco

ra00080065

-16

-65

3650

Senda VI

ra00080066

-17

-69

5184

Sepulturas

ra00080067

-17

-64

2000

Tambo

ra00080068

-21

-65

2720

Tomayapo Pueblo

ra00080069

-17

-66

2800

Toralapa

ra00080070

-16

-66

3800

Totora Pampa

ra00080071

-17

-65

1030

Tres Quebradas

ra00080072

-17

-68

3800

Umala

ra00080073

-17

-63

600

Vallecito SEARPI

ra00080074

-18

-66

3898

Venta y Media

ra00080075

-17

-63

480

Villa Amboro

ra00080076

-17

-63

380

Villa Diego

ra00080077

-17

-63

378

Viru Viru

ra00080078

-18

-63

1000

Volcanes

ra00080079

-17

-68

4800

Wariscata

ra00080080

-17

-66

2600

Winquiri

143

ra00080081

-17

-66

3350

Wintujara

Tabla 22 Periodo 2000-2015 Nro.

Código

Latitud

Longitud

Altitud

Estación

ra00150001

-17

-67

4057 Antequera AT

ra00150002

-17

-66

2800 Arbieto Aut

ra00150003

-16

-65

304 Campamento Villa Tunari Aut

ra00150004

-16

-65

304 Campamento Villa Tunari

ra00150005

-21

-65

2447 Carrizal

ra00150006

-17

-65

3317 Cayarani

ra00150007

-17

-65

2762 Chaupisuyo

ra00150008

-17

-65

755 Chocolatal

ra00150009

-21

-65

2860 Chuquiago

ra00150010

-17

-67

3735 Chuquiña AT

ra00150011

-18

-67

3758 Corque AT

ra00150012

-17

-68

3917 Curahuara de Carangas AT

ra00150013

-15

-67

ra00150014

-21

-64

3387 El Molino - SEDAG

ra00150015

-21

-65

3382 Huarmachi

ra00150016

-17

-64

ra00150017

-17

-65

3915 Kaspi Kancha

ra00150018

-18

-66

4286 Kataricawa AT

ra00150019

-17

-65

2742 Kewiña kasa

ra00150020

-17

-65

3704 Koari

ra00150021

-18

-65

2511 La Barranca_Chuq

ra00150022

-17

-63

ra00150023

-16

-65

254 La Jota Aut

ra00150024

-17

-67

3526 La Joya AT

ra00150025

-18

-66

3792 Llallagua

ra00150026

-17

-65

2573 Molle Molle

ra00150027

-18

-67

3650 Opoqueri AT

ra00150028

-18

-67

3666 Orinoca AT

ra00150029

-21

-64

2570 Paicho Centro

ra00150030

-17

-65

1999 Paracti

ra00150031

-17

-63

ra00150032

-18

-64

1667 Perereta

ra00150033

-17

-66

3075 Pirque Aut

ra00150034

-18

-66

3751 Poopo

ra00150035

-17

-64

ra00150036

-21

-65

532 El Charal

243 Ivirgarzama (cruce)

245 La Enconada

405 Parque Lomas de Arena

260 Rio Blanco 3268 Salo

144

ra00150037

-17

-65

1321 San Jacinto Barro negro

ra00150038

-21

-65

ra00150039

-14

-66

ra00150040

-17

-65

2756 Serrano Centro_CBBA

ra00150041

-17

-67

3802 Soracachi AT

ra00150042

-18

-65

2407 Taboada

ra00150043

-17

-66

2726 UNIVALLE

3321 San Luis de Palqui 280 Santa Rosa Bn

Como resultado para el control de calidad se muestra en la siguiente tabla.

Periodo Agrupado Proceso 1942-1950 Proceso 1960-1970 Proceso 1980-1990 Proceso 2000-2015

Total, QC

Fallidos

55 214 80 45

0 7 4 4

Justificaciรณn Ninguna Serie muy corta < a 5 Serie corta Serie muy corta < a 2

145

7.4.2 Resultados para el Test de Homogeneidad. Resultados para la cuenca del rio Desaguadero: Tabla 23 Evaluación de las series de datos aplicados el Test de homogeneidad Test de homogenización Nro.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75

Estación

Achiri Aguallamaya Andamarca Antequera AT Avaroa Ayo Ayo Berenguela Cabaña_Forestal_Oruro Calacoto Calamarca Caquiaviri Caracollo Cadea Catacora Caxata Challa Belen LP Challapata (Tacagua) Charaña Charaña_ENFE Chillca Choquekota Chuquiña Chuquiña AT Collana Colquiri Comanche Conchamarca Condoriri Coro Coro Corque Corque AT Curahuara de Carangas Curahuara de Carangas AT Desaguadero Eucaliptus Eucaliptus_ENFE Facultad de Agronomia UTO Guaqui Huaraco Huayllamarca Jes·s de Machaca Jihuacuta Jinchaca Kataricawa AT La Joya AT Machacamarca_ENFE Mohoza H Nazacara Opoqueri AT Orinoca AT Orinoca_H Oruro Aeropuerto Oruro_ENFE Pampa Grande LP Patacamaya Patacamaya_ENFE Pazña Pazña_ENFE Poopo Puchuni Quillacas San Andres De Machaca San Jose Alto San Juan Huancollo San Pedro de Curahuara_h Santiago De Machaca Sepulturas Sica Sica Soledad_ENFE Soracachi AT Tolapalca_ENFE Turco Ulloma Umala Venta y Media Wariscata

Tipo Altitud Latitud Longitud

CO P CO SM P CO P CO TP TP TP CO CO P P CO S P TP CO CO SM TP TP TP P SM P CO SM TP SM TP P P CO P TP TP P P TP SM SM P P P SM SM TP S P TP CP P CO P SM P CO P P TP P CO TP CO P SM P CO P P P TP

3880 3803 3762 4057 3953 3888 4120 3720 3826 3954 3951 3795 4253 4100 4000 3733 4057 4070 4025 3867 3735 3735 3911 4243 4055 3965 3860 4025 3758 3758 3906 3917 3812 3761 3745 3695 3823 3917 3873 3855 3912 4000 4286 3526 3725 3360 3820 3650 3666 3666 3702 1720 4200 3793 3810 3695 3725 3751 4208 3724 3913 3746 3829 3893 3874 5184 3917 3735 3802 1940 3842 3856 3800 3898 4800

-17.212 -16.820 -18.772 -17.975 -17.533 -17.094 -17.289 -17.975 -17.281 -16.900 -17.022 -17.636 -17.159 -17.133 -17.167 -18.896 -17.583 -17.593 -17.837 -18.097 -17.787 -17.777 -16.900 -17.400 -17.950 -17.377 -17.540 -17.183 -18.344 -18.344 -17.843 -17.839 -16.550 -17.596 -17.596 -17.992 -16.583 -17.350 -17.836 -16.733 -16.858 -16.933 -18.268 -17.775 -18.176 -17.467 -16.917 -18.533 -18.968 -18.968 -17.953 -17.974 -17.500 -17.239 -17.238 -18.599 -18.598 -18.381 -17.300 -19.230 -16.967 -17.704 -16.586 -17.650 -17.067 -17.800 -17.383 -17.768 -17.768 -17.854 -18.185 -17.486 -17.350 -18.267 -17.917

-68.999 -68.901 -67.506 -67.080 -69.250 -68.008 -69.214 -67.080 -68.636 -68.117 -68.606 -67.200 -69.486 -67.333 -68.683 -66.778 -69.450 -69.445 -66.814 -67.899 -67.464 -67.465 -68.282 -67.133 -68.417 -67.455 -67.237 -68.450 -67.678 -67.679 -68.416 -68.414 -69.033 -67.506 -67.508 -67.136 -68.967 -67.650 -67.940 -68.750 -68.662 -69.100 -66.811 -67.497 -67.020 -66.917 -68.750 -67.897 -67.263 -67.263 -67.080 -67.109 -68.167 -67.923 -67.908 -66.930 -66.921 -66.845 -67.433 -66.960 -68.967 -67.779 -68.967 -68.050 -69.199 -69.167 -67.750 -67.291 -67.025 -66.840 -68.173 -68.494 -68.033 -66.883 -68.617

Criterio de Doorembos/Met. Resuduales H1 H3 H3 H3 H3 H1 H1 H2 H2 H2 H1 H3 H3 H3 H3 H3 H1 H2 H3 H3 H1 H2 H1 H3 H3 H1 H3 H3 H3 H3 H3 H3 H1 H2 H3 H3 H2 H3 H2 H3 H3 H3 H3 H3 H3 H3 H3 H3 H3 H3 H1 H2 H3 H1 H2 H3 H3 H3 H1 H3 H3 H1 H2 H3 H1 H3 H1 H3 H3 H3 H3 H3 H3 H3 H3

Nro.

Estación

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

Achiri Andamarca Antequera AT Ayo Ayo Cabaña_Forestal_Oruro Calacoto Calamarca Caquiaviri Caracollo Cadea Catacora Challapata (Tacagua) Charaña Chillca Choquekota Chuquiña Collana Colquiri Comanche Condoriri Corque Corque AT Curahuara de Carangas Curahuara de Carangas AT Desaguadero Facultad de Agronomia UTO Guaqui Huaraco Huayllamarca Kataricawa AT Orinoca_H Oruro Aeropuerto Pampa Grande LP Patacamaya Pazña Poopo Quillacas San Jose Alto San Juan Huancollo Santiago De Machaca Sepulturas Sica Sica Soracachi AT Turco Wariscata

Tipo Altitud

Latitud

Longitud

-17.21167 -18.77194 -17.97472 -17.09417 -17.97472 -17.28056 -16.90000 -17.02222 -17.63639 -17.15861 -18.89583 -17.58333 -17.83694 -18.09694 -17.78694 -16.90028 -17.40000 -17.95000 -17.54028 -18.34389 -18.34389 -17.84250 -17.83889 -16.55000 -17.99222 -16.58333 -17.35000 -17.83556 -18.26833 -18.96833 -17.95278 -17.50000 -17.23861 -18.59917 -18.38056 -19.23000 -17.70444 -16.58556 -17.06667 -17.80000 -17.38333 -17.76806 -18.18472 -17.91667

-68.99944 -67.50639 -67.08000 -68.00833 -67.08000 -68.63556 -68.11667 -68.60556 -67.20028 -69.48639 -66.77778 -69.45000 -66.81389 -67.89889 -67.46389 -68.28167 -67.13333 -68.41667 -67.23667 -67.67833 -67.67861 -68.41639 -68.41444 -69.03333 -67.13639 -68.96667 -67.65000 -67.93972 -66.81083 -67.26306 -67.07972 -68.16667 -67.92306 -66.93000 -66.84528 -66.95972 -67.77861 -68.96667 -69.19944 -69.16667 -67.75000 -67.02472 -68.17306 -68.61667

Test de homogenización, Criterio de Doorembos/Met. Resuduales Temp. Máxima Temp. Mínima

CO CO SM CO CO TP TP TP CO CO CO S TP CO CO TP TP TP SM CO SM TP SM TP CO P TP TP SM TP S TP CP CO SM CO P TP CO TP CO SM CO TP

3880 3762 4057 3888 3720 3826 3954 3951 3795 4253 3733 4057 4025 3867 3735 3911 4243 4055 3860 3758 3758 3906 3917 3812 3695 3823 3917 3873 4286 3666 3702 4200 3793 3695 3751 3724 3746 3829 3874 5184 3917 3802 3842 4800

H3 H3 H3 H1 H3 H1 H2 H3 H3 H3 H1 H1 H3 H3 H3 H1 H3 H1 H3 H3 H3 H3 H3 H3 H3 H2 H3 H2 H3 H3 H1 H3 H1 H3 H3 H3 H3 H3 H1 H3 H2 H3 H3 H3

H3 H3 H3 H1 H3 H1 H2 H3 H3 H3 H2 H1 H3 H2 H3 H1 H3 H2 H3 H3 H3 H3 H3 H3 H3 H2 H3 H2 H3 H3 H1 H3 H1 H3 H3 H3 H3 H3 H2 H3 H2 H3 H3 H3

Nota: H1 = Homogenia H2 = No Homogenia H3 = No responde al TEST serie menor a 10 años

El test realizado corresponde a las series de datos de totales anuales de precipitación para 75 estaciones y a las series de datos de las temperaturas promedios anuales un total de 44.

Nota: H1 = Homogenia H2 = No Homogenia H3 = No responde al TEST serie menor a 10 años

146

Mapa 2 Test evaluado para las series de precipitaciรณn y temperaturas para la Cuenca del Desaguadero

147

Resultados para la cuenca del rio San Juan del Oro: Tabla 24 Evaluación de las series de datos aplicados el Test de homogeneidad Nro.

Estación

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Atocha Calderillas Campanario Carrizal Chuquiago Copacabana Taxara Cumbre Sama El Molino SEDAG El Molino Tomayapo El Puente El Puente (c) Huarmachi Iscayachi San Antonio La Quiaca Mojo Oploca Paicho Centro Rejara Salo Sama Cumbre Sama Iscayachi San Antonio de Esmoruco San Antonio de Lipez San JosÚ de Pampa Grande San Luis de Palqui Tojo Tomayapo Pueblo Tupiza Tupiza_ENFE Villa Abecia Villazon Yunchara

Tipo Altitud

CP P CO P TP P P SA P TP CO P TP CO TP CO P P TP P P CO CO CO P P P CP P TP P P

3700 2800 3460 2447 2860 3800 3820 3387 3410 2345 2345 3382 3450 3451 3400 3121 2570 3000 3268 3820 3440 3690 4450 3000 3321 2643 2720 2956 2965 2280 3443 3580

Latitud

Longitud

20° 56' 00" 21° 45' 00" 21° 30' 45" 21° 26' 19" 21° 33' 41" 21° 48' 00" 21° 29' 30" 21° 23' 19" 21° 22' 00" 21° 15' 00" 21° 15' 00" 21° 26' 25" 21° 23' 19" 22° 06' 15" 21° 49' 45" 21° 20' 00" 21° 08' 43" 22° 01' 00" 21° 14' 39" 21° 29' 30" 21° 28' 25" 21° 57' 06" 21° 50' 00" 21° 41' 00" 21° 33' 28" 21° 49' 08" 21° 16' 06" 21° 26' 18" 21° 26' 31" 20° 58' 30" 22° 05' 00" 21° 49' 33"

66° 13' 00" 64° 57' 00" 64° 58' 32" 65° 14' 22" 65° 38' 28" 65° 06' 00" 64° 58' 55" 64° 56' 49" 64° 57' 00" 65° 12' 00" 65° 12' 00" 65° 03' 22" 64° 56' 49" 65° 35' 48" 65° 33' 02" 65° 50' 00" 64° 57' 16" 64° 59' 00" 65° 46' 38" 64° 58' 55" 64° 57' 05" 66° 31' 10" 66° 54' 00" 65° 49' 00" 65° 08' 06" 65° 19' 35" 65° 02' 42" 65° 42' 55" 65° 43' 65" 65° 13' 50" 65° 36' 00" 65° 13' 43"

Nota: H1 = Homogenia H2 = No Homogenia H3 = No responde al TEST serie menor a 10 años

Test de homogenización Criterio de Doorembos/Met. Resuduales H3 H2 H2 H3 H3 H3 H2 H3 H3 H1 H3 H3 H3 H3 H1 H1 H3 H3 H3 H3 H3 H3 H3 H2 H3 H3 H1 H1 H3 H2 H1 H3

Nro.

Estación

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Atocha Campanario Chuquiago El Molino SEDAG El Puente El Puente (c) Iscayachi San Antonio La Quiaca Mojo Oploca Paicho Centro Salo San Antonio de Esmoruco San JosÚ de Pampa Grande Tomayapo Pueblo Tupiza Tupiza_ENFE Villa Abecia Villazon

Tipo Altitud

CP CO TP SA TP CO TP CO TP CO P TP CO CO P CP P TP P

3700 3460 2860 3387 2345 2345 3450 3451 3400 3121 2570 3268 3690 3000 2720 2956 2965 2280 3443

Latitud

Longitud

20° 56' 00" 21° 30' 45" 21° 33' 41" 21° 23' 19" 21° 15' 00" 21° 15' 00" 21° 23' 19" 22° 06' 15" 21° 49' 45" 21° 20' 00" 21° 08' 43" 21° 14' 39" 21° 57' 06" 21° 41' 00" 21° 16' 06" 21° 26' 18" 21° 26' 31" 20° 58' 30" 22° 05' 00"

66° 13' 00" 64° 58' 32" 65° 38' 28" 64° 56' 49" 65° 12' 00" 65° 12' 00" 64° 56' 49" 65° 35' 48" 65° 33' 02" 65° 50' 00" 64° 57' 16" 65° 46' 38" 66° 31' 10" 65° 49' 00" 65° 02' 42" 65° 42' 55" 65° 43' 65" 65° 13' 50" 65° 36' 00"

Test de homogenización, Criterio de Doorembos/Met. Temp. Temp. Máxima Mínima H3 H3 H2 H2 H3 H3 H3 H2 H3 H3 H3 H3 H3 H3 H3 H3 H1 H1 H3 H2 H3 H3 H3 H3 H3 H3 H2 H3 H3 H3 H1 H1 H3 H3 H3 H3 H3 H3

Nota: H1 = Homogenia H2 = No Homogenia H3 = No responde al TEST serie menor a 10 años

Test aplicados a las series de datos climáticos de precipitación un total de 32 y las series de datos de temperaturas 19.

148

Mapa 3 Test evaluado para las series de precipitaciรณn y temperaturas para la Cuenca del Desaguadero

149

Resultados para la cuenca del rio Mamoré y Chapare: Tabla 25 Evaluación de las series de datos aplicados el Test de homogeneidad Nro.

Estación

Tipo Altitud Latitud Longitud

Abapo

-18.920 -63.404

440

Aguas Calientes_ENFE

-17.822 -66.613

3375

Aguirre

-17.417 -66.133

2600

Aiquile

-18.203 -65.178

2255

Alalay

-17.750 -65.683

3320

Alamos

-18.708 -65.392

3042

Albosa

-17.500 -63.167

442

Alcantari

-19.183 -65.121

3100

Angosto Molinero

-17.983 -65.633

2560

Angostura_sc

-18.150 -63.567

700

Anzaldo

-17.784 -65.933

3032

Arani

-17.574 -65.754

2767

Arquillos

-19.246 -64.378

2120

Ayoma

-18.870 -66.149

3700

Azurduy

-20.101 -64.410

2530

Bartolo

-19.500 -64.033

1200

Bermejo SEARPI

-18.100 -63.633

1000

Bermejo_Sc

-18.100 -63.633

1000

Bolivar_CBBA

-17.967 -66.533

2813

Buena Vista Sc

-17.450 -63.667

400

Cabezas

-16.783 -63.317

470

Campamento Espejos

-17.967 -63.400

520

Candelaria

-17.267 -65.933

3380

Capinota

-17.717 -66.261

2406

Cayarani

-17.268 -65.879

3317

Chipiriri

-16.873 -65.483

260

Chocolatal

-17.064 -65.656

755

Chuqui Chuqui

-18.831 -65.123

1775

Cochabamba Aeropuerto

-17.416 -66.174

2548

Colomi

-17.336 -65.871

3309

Colonia San Carlos

-17.967 -63.283

Colonia San Juan

-17.833 -63.167

600

Comarapa

-17.914 -64.530

1614

Corani Represa

-17.225 -65.883

3240

Cotani Alto

-17.367 -64.750

3600

Cotoca

-17.750 -62.983

359

Covendo

-15.830 -66.950

500

Cri_Yapacani

-17.400 -63.833

285

El Carmen

-17.900 -64.050

1250

El Quiñe

-18.083 -64.350

1930

El Rodeo

-19.050 -64.583

2000

El Rosal

-19.983 -64.217

2050

Florida

-18.566 -63.379

570

General Saavedra

-17.233 -63.200

320

Granja Espejos

-17.967 -63.467

640

Guapilo

-17.767 -63.067

325

Gutierrez

-19.421 -63.528

970

Incachaca Chapare

-17.389 -66.361

3000

Ingenio Mora

-16.450 -63.217

525

Irpa Irpa

-17.717 -66.283

2470

Jatun Mayo (Lacayas)

-17.250 -65.967

3500

Juan Vena

-17.700 -66.050

3270

La Belgica

-17.550 -63.217

348

La Cumbre

-17.350 -66.233

4000

La Guardia

-17.867 -63.317

470

La Jota (Chimore)

-16.995 -65.171

254

La Madona

-19.033 -65.233

2840

La Palma

-18.933 -65.117

1992

La Tamborada

-17.449 -66.136

2597

La Violeta

-17.347 -66.232

2614

Lamboyo

-19.072 -64.811

2560

Macha

-18.817 -66.033

3480

Mairana

-18.100 -63.950

1350

Masicuri

-18.983 -63.700

400

Mataral

-18.117 -64.217

1400

Mayca Mayu

-17.233 -66.350

3890

Minero (Unagro)

-17.110 -63.242

245

Mizque

-17.943 -65.338

2045

Monte Puncu

-17.583 -65.300

3000

Montero SEARPI

-17.333 -63.383

317

Mora

-18.450 -63.217

525

Moro Moro

-18.350 -64.317

2340

Muyupampa

-19.867 -63.767

1090

Nuevo Mundo

-18.996 -64.293

2220

Okinawa I

-17.217 -62.883

252

Okinawa II

-17.417 -62.900

283

Padilla

-19.302 -64.302

2102

Pairumani

-17.366 -66.319

2600

Palca_Cba

-17.183 -66.083

3380

Parotani

-17.566 -66.344

2493

550

Test de homogenización Criterio de Doorembos/Met.

H1 H3 H2 H1 H3 H1 H2 H3 H3 H1 H1 H1 H1 H1 H2 H3 H3 H1 H3 H3 H3 H3 H3 H1 H2 H1 H1 H1 H1 H1 H3 H3 H1 H1 H3 H3 H1 H1 H3 H2 H3 H1 H1 H1 H3 H3 H3 H3 H2 H3 H3 H3 H1 H1 H2 H2 H3 H2 H1 H1 H2 H1 H1 H3 H1 H3 H1 H1 H3 H1 H3 H3 H1 H1 H1 H3 H1 H1 H3 H1

Peña Colorada SEARPI

-18.183 -63.800

1470

Pocona

-17.650 -65.367

2658

Poroma_ch

-18.534 -65.426

2300

Portachuelo

-17.350 -63.400

289

Pucara

-18.717 -64.183

2540

Puente Arce

-18.611 -65.156

1514

Puente Taperas

-18.150 -64.683

1400

Puerto Pailas

-17.650 -62.783

280

Pulquina

-18.083 -64.417

1560

Putucuni B

-17.567 -66.200

4200

Quiriria

-17.900 -65.917

2700

Quiroga

-18.425 -65.218

2530

Quirusillas

-18.333 -63.950

440

Ramadas Cbba

-17.217 -66.250

3800

Redencion Pampa

-18.825 -64.616

2460

Rurrenabaque Aeropuerto

-14.429 -67.503

204

Sacaba

-17.033 -66.033

2600

Sacabambilla Baja

-17.467 -65.767

3000

Samaipata

-18.167 -63.950

1650

100 San Benito

-17.526 -65.904

2710

101 San Borja

-14.858 -66.739

194

102 San Ignacio de Moxos

-14.967 -65.633

160

103 San Isidro

-17.667 -63.633

380

104 San Juan de Yapacaní

-17.250 -63.833

350

105 San Juan Del Potrero

-17.963 -64.289

2000

106 San Juan del Rosario SEARPI

-18.300 -63.800

1700

107 San Julian

-16.916 -62.626

305

108 San Miguel_Jankocala CBBA

-17.367 -66.333

3200

109 San Pedro_Sc

-16.817 -63.483

450

110 Sankayani

-17.400 -65.617

3634

111 Santa Ana

-13.762 -65.434

144

112 Santa Ana - Santa Cruz

-18.083 -64.150

2400

113 Santa Cruz SENAMHI

-17.783 -63.167

416

114 Santa Rosa de Lima_Sc

-17.883 -64.217

1500

115 Santivañez

-17.565 -66.249

2554

116 Sarco

-17.384 -66.176

2587

117 Siberia

-17.800 -64.600

2700

118 Sopachuy

-19.486 -64.474

2100

119 Tarabuco

-19.181 -64.913

3284

120 Tarata

-17.609 -66.023

2775

121 Taruma

-18.083 -63.433

400

122 Tarvita

-19.989 -64.486

2420

123 Terevinto

-17.717 -63.383

420

124 Tiraque

-17.425 -65.724

3304

125 Todo Santos_cocha

-16.800 -65.167

300

126 Tomina

-19.167 -64.467

2035

127 Toro Toro Potosi

-18.133 -65.763

2700

128 Totora_CBBA

-17.650 -66.117

2906

129 Trinidad Aeropuerto

-14.823 -64.916

156

130 Trompillo Aeropuerto

-17.805 -63.178

413

131 Urriolagoytia

-19.170 -64.264

1980

132 Vallecito

-17.767 -63.150

398

133 Vallegrande Aeropuerto

-18.482 -64.108

2030

134 Versalles

-17.633 -63.083

353

135 Villa Alcala

-19.361 -64.388

2080

136 Villa Serrano

-19.118 -64.323

2108

137 Viru Viru

-17.649 -63.139

378

138 Volcanes

-18.100 -63.667

1000

139 Yerba Buena

-17.967 -64.033

1500

140 Zudañez

-19.119 -64.703

2475

H3 H1 H1 H1 H1 H3 H3 H3 H3 H3 H3 H3 H2 H3 H1 H1 H1 H3 H3 H2 H1 H1 H3 H1 H2 H3 H1 H3 H2 H3 H1 H1 H1 H3 H2 H1 H3 H2 H1 H1 H3 H3 H3 H1 H3 H3 H3 H2 H1 H1 H1 H1 H1 H3 H1 H1 H1 H3 H3 H1

Nota: H1 = Homogenia H2 = No Homogenia H3 = No responde al TEST serie menor a 10 años

150

Nro. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

Estación Aiquile Anzaldo Arani Azurduy Candelaria Capinota Chipiriri Chuqui Chuqui Cochabamba Aeropuerto Colomi Comarapa Cotoca El Qui±e El Villar General Saavedra La Jota (Chimore) La Tamborada La Violeta Macha Mairana Minero (Unagro) Mizque Monte Puncu Muyupampa Padilla Pairumani Parotani Pojo Portachuelo Puente Arce Redencion Pampa Rurrenabaque Aeropuerto Sacabamba Sacaca San Benito San Borja San Ignacio De Moxos San Juan de YapacanÝ San Julian San Pedro_Sc Santa Ana Santa Ana - Santa Cruz Santa Cruz SENAMHI Santa Rosa del Sara Tarabuco Tarata Tarvita Tiraque Todo Santos_cocha Toro Toro_cochabamba Trinidad Aeropuerto Trompillo Aeropuerto Vallecito Vallegrande Aeropuerto Villa Serrano Viru Viru Zudañez

Test de homogenización, Criterio Tipo Altitud Latitud Longitud de Doorembos/Met. Resuduales Temp. Máxima Temp. Mínima TP 2255 -18.203 -65.178 H1 H2 TP 3032 -17.784 -65.933 H2 H2 CO 2767 -17.574 -65.754 H1 H1 CO 2530 -20.101 -64.410 H1 H2 TP 3380 -17.267 -65.933 H3 H3 TP 2406 -17.717 -66.261 H2 H2 TP 260 -16.873 -65.483 H1 H1 TP 1775 -18.831 -65.123 H3 H3 S 2548 -17.416 -66.174 H2 H1 TP 3309 -17.336 -65.871 H3 H3 CO 1614 -17.914 -64.530 H2 H1 TP 359 -17.750 -62.983 H3 H3 CO 1930 -18.083 -64.350 H3 H3 TP 2080 -19.631 -64.307 H3 H3 TP 320 -17.233 -63.200 H1 H1 TP 254 -16.995 -65.171 H1 H1 TP 2597 -17.449 -66.136 H1 H1 TP 2614 -17.347 -66.232 H1 H2 TP 3480 -18.817 -66.033 H3 H3 CO 1350 -18.100 -63.950 H1 H1 CO 245 -17.110 -63.242 H3 H2 TP 2045 -17.943 -65.338 H1 H1 P 3000 -17.583 -65.300 H3 H3 TP 1090 -19.867 -63.767 H2 H2 TP 2102 -19.302 -64.302 H1 H2 TP 2600 -17.366 -66.319 H2 H2 TP 2493 -17.566 -66.344 H3 H1 TP 1900 -17.758 -64.864 H3 H3 CO 289 -17.350 -63.400 H3 H3 TP 1514 -18.611 -65.156 H3 H3 TP 2460 -18.825 -64.616 H1 H1 S 204 -14.429 -67.503 H1 H1 TP 3174 -17.804 -65.801 H3 H3 TP 3700 -18.067 -66.383 H3 H3 TP 2710 -17.526 -65.904 H2 H1 S 194 -14.858 -66.739 H1 H1 S 160 -14.967 -65.633 H2 H1 CO 350 -17.250 -63.833 H1 H1 CO 305 -16.916 -62.626 H3 H2 TP 450 -16.817 -63.483 H3 H1 S 144 -13.762 -65.434 H1 H1 CO 2400 -18.083 -64.150 H2 H2 CP 416 -17.783 -63.167 H1 H1 TP 250 -17.117 -63.600 H3 H3 TP 3284 -19.181 -64.913 H1 H1 CP 2775 -17.609 -66.023 H1 H2 TP 2420 -19.989 -64.486 H3 H3 CP 3304 -17.425 -65.724 H1 H1 P 300 -16.800 -65.167 H1 H1 TP 2500 -17.567 -66.333 H2 H2 S 156 -14.823 -64.916 H1 H1 S 413 -17.805 -63.178 H1 H1 P 398 -17.767 -63.150 H1 H1 S 2030 -18.482 -64.108 H3 H3 P 2108 -19.118 -64.323 H3 H3 S 378 -17.649 -63.139 H1 H1 TP 2475 -19.119 -64.703 H1 H1

Nota: H1 = Homogenia H2 = No Homogenia H3 = No responde al TEST serie menor a 10 años

151

Mapa 4 Test evaluado para las series de precipitaciĂłn y temperaturas para la Cuencas del MamorĂŠ y Chapare

152

153

7.4.3 Resultados de escenarios de mapas Climáticos  Se tiene resultados de mapas de escenarios de riesgo de precipitación máxima en 24 horas ver anexo 7.5.3.1  Se tiene resultados de los mapas de escenarios de riesgo de temperaturas máximas absolutas. ver anexo 7.5.3.2  Se tiene resultados de los mapas de escenarios de riesgo de temperaturas mínimas absolutas. ver anexo 7.5.3.3  Se tiene resultados de los mapas de escenarios de riesgo de sequias. ver anexo 7.5.3.4  Se tiene resultados de los mapas de escenarios de heladas. ver anexo 7.5.3.5  Se tiene resultados de los mapas de escenarios de riesgo de áreas de inundación. Ver anexo 7.5.3.6  Se cuenta información geoespacial en formato digital ver anexo 7.5.3.7

7.5 Escenarios de Riesgo Nacionales de cultivos agrícolas Los escenarios de riesgo nacionales para cultivos agrícolas se desarrollan calculando umbrales de daño al cultivo e índices agrometeorológicos. A continuación, explicaremos las diferentes metodologías empleadas para el cálculo de umbrales de daño agrícola e índices agrometeorológicos y sus respectivos métodos.

7.5.1 Metodología para el procesamiento y determinación de umbrales de daño agrícola En base a 7 años de información recopilada sobre los cultivos de trigo, caña de azúcar, arroz,

maíz

papa,

procesamiento

información

agrometeorológica,

agroclimatológica del SENAMHI, y el apoyo de los ingenieros agrónomos Javier Rivera, Rene Sánchez A., expertos de EMAPA en los cultivos de arroz, trigo respectivamente, se construyeron los umbrales de daño a los cultivos antes mencionados, que abarquen desde la fase de emergencia de las primeras hojas hasta los de cosecha. Del mismo modo, se considera aspectos de los diferentes requerimientos bioclimáticos y la incidencia que éstos presentan sobre el crecimiento y desarrollo del cultivo; en realidad, logra la comparación de requerimientos en los cultivos con las condiciones agrometeorológicas y agroclimáticas presentes en un momento o una época específica, permitiendo el desarrollo de metodologías adecuadas para determinar zonas aptas y potenciales para los mismos.

154

Por ello se elaboró tablas con umbrales de daño de los cultivos de trigo, caña de azúcar, arroz, maíz y papa. Cada tabla contiene Temperaturas Letales, Críticas, Base y Óptimas; Precipitación Efectiva, coeficiente de corrección Kc, Periodo Vegetativo, periodos de cultivo en desarrollo, esta información se realizó para cada fase fenológica de los diferentes cultivos. Primer proceso: Determinar los cultivos y las variedades en cada zona de estudio cercanas a la estación meteorológica no mayor a 100 metros. Segundo proceso: Determinar los requerimientos térmicos (temperaturas optimas, base, critica y letal) de los cultivos por cada fase fenológica según la bibliografía. Tercer proceso: Determinar las sumas de temperaturas (grado días) para cada periodo de interface del desarrollo de las plantas, así como para todo el periodo de crecimiento. Cuarto proceso: Realizar trabajo de campo para comparar diariamente las temperaturas máximas, mínimas y humedad del suelo con la salud de los cultivos en cada zona. Se puede realizar este trabajo inicialmente por dos años pero el ajuste y calibración por dos años más. Criterios para evaluar umbrales de Helada: 

Parte apical del cultivo está abierta



Las Hojas del cultivo están juntas



Algunas ramas o plantas congeladas



Hojas quemadas por el frío



Toda la planta congelada por congelamiento

Criterios para evaluar umbrales de temperatura máximas: 

La planta esta Laxada



La planta esta marchitada

Criterios para evaluar umbrales requerimientos hídricos: 

Para conocer la profundidad de la humedad del suelo.



Se debe cavar el suelo hasta encontrar agua, 155



Medir con regla en cm la profundidad hasta de la humedad del suelo



Cada semana se debe repetir el proceso.



La muestra se debe realizar a 2 metros de la última medición.

Las observaciones agrometeorológicas permitieron evaluar la interacción de un cultivo con su medio ambiente físico para poder conocer sus condiciones climáticas y requerimientos hídricos adecuados; estos conocimientos son necesarios en el uso de modelos agroclimáticos, en el diseño y la planificación de riegos, en la programación de siembras y cosechas, en zonificaciones agroclimáticas, entre otros; por lo tanto se han definido 2 tipos de observaciones agrometeorológicas: las biológicas y del medio ambiente físico. Así mismo, se realizó la Observación fenológica. Una observación fenológica consiste en contar el número de plantas que ha alcanzado una determinada fase en una fecha exacta, o sea que, el observador debe decidirse por un día y no por un período en el que a su criterio ocurrió la fase fenológica. Para la construcción de mapas con umbrales y sus Metadatos se utilizó La Norma Internacional ISO 19115:2003 “Geographic Information - Metadata”. Estos mapas no tienen interpolación ya que solo son de visualización de zonas agrícolas y niveles de alerta.

7.5.2 Metodología para calcular los índices agrometeorológicos. Para generar los índices agrometeorológicos se utilizó el software SISMET con los datos del SENAMHI para generar los cuadros, gráficas, parámetros, diagramas y tablas de los índices. Se ha elaborado un documento con Índices Agrometeorológicos para 149 estaciones meteorológicas en Bolivia. Para alcanzar alta precisión y calidad de información para construir los índices, ya que el análisis climático requiere de la existencia de series temporales de datos meteorológicos continuos, homogéneos y que abarquen el máximo intervalo temporal posible, en ese sentido se siguieron los siguientes procesos: Primer proceso: Obtener record de información, para realizar este reporte es necesario utilizar el Software SISMET. Este reporte genera el record de información de datos por parámetros de las diferentes estaciones meteorológicas ingresadas al sistema. Este reporte muestra en forma tabular la cantidad de datos ingresados en forma mensual y la cantidad

156

de años continuos que cuenta la serie de datos, todo esto agrupado por parámetros meteorológicos. Segundo proceso: Se realizó la prueba de intervalos de confianza utilizando el SISMET. Para la construcción de una base de datos climáticos para generar índices agrometeorológicos, fue necesario desarrollar un esquema de control de calidad de los datos para las series de temperatura, se procedió a depurar los datos erróneos o dudosos relacionados con problemas en la observación realizada por cada uno de los observadores meteorológicos y/o también errores de digitalización o transcripción de la información y para el logro, se utilizó procedimientos de controles de calidad que se organizaron a través de: 

Controles generales que verifican la integridad general de los datos. Por ejemplo, se controla que no haya fechas duplicadas o fuera de secuencia en las observaciones diarias. Otra verificación que se realizó fue la frecuencia con la cual se registran los valores decimales para cada variable. Desvíos muy marcados con respecto a una distribución aproximadamente uniforme de valores decimales de 0 a 9 (en el caso de las temperaturas, que se registran con un solo decimal), alertan sobre la existencia de problemas potenciales en los datos.



Controles de rango fijo que aseguran que no existan valores físicamente imposibles o nunca antes observados en el registro histórico. Los límites propuestos son fijos para cada variable durante todo el periodo de datos y todas las estaciones meteorológicas. Por ejemplo, una temperatura máxima diaria de 60°C está por encima del record nacional. Es posible que un valor así corresponda a un código de valor faltante que no se ha definido apropiadamente como tal.



Controles de rango variable que fueron usados para “marcar” valores sospechosos que varían con el tiempo, tomando valores específicos para cada día o mes del año, por lo que los controles son más finos o sensibles que los test de rango fijo. Por ejemplo, se puede ajustar un ciclo estacional a los valores de temperatura mínima diaria y los valores extremos se evalúan con respecto al valor esperado del ciclo anual para una fecha determinada.



Controles de continuidad temporal que estudian las secuencias de valores de cada variable en días consecutivos, sirven para detectar la presencia de saltos o picos inusuales en las series de datos. Por ejemplo, un valor de temperatura media muy bajo 157

en relación a los valores de los días adyacentes (el anterior y el siguiente) puede ser marcado como “sospechoso.”

También ayuda a identificar secuencias largas con

valores idénticos. 

Controles de consistencia entre variables que se utilizó para evaluar la consistencia entre valores de pares o grupos de variables que deben guardar cierta consistencia. Un ejemplo obvio es la verificación de que la temperatura mínima diaria sea menor o igual que la temperatura máxima diaria.



Controles de consistencia espacial que se utilizó para comparar los valores de una variable para una estación determinada (que generalmente se denomina la “estación central”), se comparan con los valores de esa variable registrados en estaciones geográficamente cercanas (o “estaciones vecinas”).

Una gran mayoría de esas series presentan vacíos de información debidos a diferentes causas como la interrupción de las lecturas, fallos en los instrumentos de medida, errores asociados a cambios en las condiciones de medición, errores de trascripción, etc. Existen diferentes métodos para rellenar el vacío en las series de datos climáticos, como los métodos basados en correlación de datos (univariados, multivariados), aplicando principalmente a las series de precipitación y temperatura dos métodos univariados: Criterio del valor medio y criterio de las diferencias; dos métodos multivariados: Criterio de la correlación lineal y combinación lineal ponderada. Para este proceso de relleno se utilizó una herramienta informática desarrollada en el SENAMHI denominada FillData, que es un software que cuenta con 9 diferentes métodos de reconstrucción de series y completamente compatible con SISMET. Por lo tanto, tal análisis presenta el inconveniente inicial de plantear el relleno de esos vacíos teniendo ahí el gran problema de ¿cómo se va realizar ese completamiento? Es importante hacerse esta pregunta porque con el completado se van a generar nuevos valores para las series que no han sido medidos por ningún instrumento y si esos valores calculados no son realistas ocurrirá que las conclusiones de cualquier análisis que se realice sobre esos datos serán erróneas. Con esta evaluación se ha pretendido obtener cuál o cuáles son los métodos de completado más idóneos para cada variable meteorológica, es decir la definición de un protocolo de pasos a seguir para completar cada variable, para después aplicarlo a casos concretos.

158

7.5.2.1

CORRELACIĂ&#x201C;N ENTRE DATOS

La correlaciĂłn entre datos es una medida del grado de relaciĂłn que guardan entre ellos y una buena herramienta estadĂstica para comprobar si, a priori, un conjunto de datos mantiene algĂşn tipo de dependencia. La manera mĂĄs sencilla de estimar el grado de dependencia (correlaciĂłn) entre datos es preguntarse si entre ellos existe la posibilidad que dependan linealmente unos de los otros. El coeficiente de correlaciĂłn lineal de Pearson da tal estimaciĂłn. Su expresiĂłn matemĂĄtica es la siguiente: EcuaciĂłn 3. Coeficiente de CorrelaciĂłn (Pearson)

đ?&#x2018;&#x;=

â&#x2C6;&#x2018;đ?&#x2018;&#x2013;(đ?&#x2018;Ľđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ĽĚ&#x2026; ) (đ?&#x2018;Śđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ŚĚ&#x2026;) â&#x2C6;&#x161;â&#x2C6;&#x2018;đ?&#x2018;&#x2013;(đ?&#x2018;Ľđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ĽĚ&#x2026; )2 â&#x2C6;&#x161;â&#x2C6;&#x2018;đ?&#x2018;&#x2013;(đ?&#x2018;Śđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ŚĚ&#x2026;)2

đ?&#x2018; đ?&#x2018; đ?&#x2018; (â&#x2C6;&#x2018;đ?&#x2018; đ?&#x2018;&#x2013;=1 đ?&#x2018;Ľđ?&#x2018;&#x2013; â&#x2C6;&#x2014; đ?&#x2018;Ś1 ) â&#x2C6;&#x2019; (â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1 đ?&#x2018;Ľđ?&#x2018;&#x2013; )(â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1 đ?&#x2018;Śđ?&#x2018;&#x2013; )

2 đ?&#x2018; đ?&#x2018; 2 đ?&#x2018; 2 2 â&#x2C6;&#x161;[đ?&#x2018; â&#x2C6;&#x2018;đ?&#x2018; đ?&#x2018;&#x2013;=1 đ?&#x2018;Ľđ?&#x2018;&#x2013; â&#x2C6;&#x2019; (â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1 đ?&#x2018;Ľđ?&#x2018;&#x2013; ) ] [đ?&#x2018; â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1 đ?&#x2018;Śđ?&#x2018;&#x2013; â&#x2C6;&#x2019; (â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1 đ?&#x2018;Śđ?&#x2018;&#x2013; ) ]

Donde: xi , yi = Datos correspondientes a cada serie de las que se quiere calcular su correlaciĂłn. x, y

= Valores medios de cada serie que se quiere calcular su correlaciĂłn

= NĂşmero total de datos.

El valor del coeficiente varĂa entre â&#x20AC;&#x201C;1 y 1. El coeficiente r toma el valor de 1, momento denominado de correlaciĂłn completa positiva, cuando los puntos de datos describen una perfecta lĂnea recta con pendiente positiva, con x e y aumentando conjuntamente. El valor 1 es independiente de la magnitud de la pendiente. En cambio, si los puntos de datos describen una perfecta lĂnea recta con pendiente negativa, con y decreciendo cuando x aumenta, el coeficiente r toma el valor de â&#x20AC;&#x201C;1, momento denominado de correlaciĂłn completa negativa. Un valor de r cercano a cero indica que las variables x e y no estĂĄn correlacionadas linealmente. 7.5.2.2

MĂ&#x2030;TODOS UNIVARIADOS

Los mĂŠtodos de completado univariados reciben este nombre porque para completar las lagunas existentes en una serie se utilizan los datos de una Ăşnica serie y en este caso particular los datos de la misma serie que se quiere completar. Estos mĂŠtodos tienen en cuenta la posible correlaciĂłn entre los datos de la serie (auto correlaciĂłn) o el comportamiento fĂsico de la variable (modelizaciĂłn fĂsica).

159

7.5.2.3

MÉTODOS MULTIVARIADOS

Los métodos incluidos en este apartado tienen en cuenta para rellenar los datos de una serie de una cierta variable meteorológica medida en un observatorio, series de la misma variable, pero medida en diferentes observatorios. Todos los métodos se basan en el estudio de las correlaciones lineales individuales entre las series. El algoritmo que se aplica para el rellenado es muy variado, así como el número de series que se utilizan. Los métodos que se engloban dentro de este grupo son los que aparecen a continuación, ordenados según su sencillez de aplicación: •

Criterio de Karl

•

Razón o ratio normal (Paulus y Kohler, 1952)

•

Combinación lineal ponderada (CLP)

•

Criterio de la correlación lineal

•

Correlación múltiple (CORMUL)

Tercer proceso: Exportar Datos Meteorológicos Diarios del SISMET. Exportar datos meteorológicos diarios permite al usuario intercambiar los mismos con personas que utilicen el programa, u otros que se adecuen al formato de archivo de exportación. Este proceso se desarrolló dentro del entorno mismo del programa, pero su producto final; es decir, el archivo de exportación es creado para finalmente poder guardarlo mediante Microsoft Excel. Cuarto proceso: Reconstrucción de Series utilizando el software FillData. Para este proceso de relleno se utilizó una herramienta informática desarrollada en el SENAMHI denominada FillData, que es un software que cuenta con 9 diferentes métodos de reconstrucción de series y completamente compatible con SISMET. Quinto proceso: Volver a subir los datos con reconstrucción al software SISMET. Una vez se termina la reconstrucción de las series, es necesario volver a importar los datos al software SISMET siguiendo los mismos pasos de la exportación de datos ahora es necesario realizar la importación de datos realizando clic en archivo, tareas administrativas, importar datos diarios y reemplazar los datos de la estación meteorológica.

160

Una vez realizado este proceso de importación de los datos diarios al software SISMET, se puede trabajar con él para generar los reportes de índices agrometeorológicos, estos índices son necesarios para la elaboración de los mapas de riesgo agrícola. Sexto proceso: Generar reportes de índices agrometeorológicos con el software SISMET. Este reporte elabora los índices agrometeorológicos de una estación determinada, en periodos de 30, 15, 10, 6, 5 y 3 días, en un rango de años, meses (año agrícola, civil y otros) definidos por el usuario. Utilizando para el cálculo del ETP el método de Hargreaves y el método de Da Mota para las Horas Frio. El cálculo y obtención de variables agrometeorológicos son de gran utilidad para:           

Regionalizar áreas de cultivo con valor agrícola, para introducir especies y cultivares. Cálculo de probabilidades de lluvias, ocurrencia de sequía, granizadas y heladas en base a series históricas de muchos años. Modificaciones micro climáticas (cortinas rompe vientos, invernaderos, etc.). Estimaciones de inicio de lluvias y de la estación de crecimiento o ciclo agrícola, iniciación y terminación del periodo húmedo, terminación de lluvias y del ciclo agrícola. Obtención de índices derivados de la energía solar: Radiación solar, Unidades Calor, Unidades fototérmicas, termo periodo. Cálculo de horas frío para regionalizar cultivos frutales deciduos. Estados fenológicos, crecimiento y desarrollo de plantas para identificar cultivares tempranos (precoces) y/o tardíos. Pronosticar la infestación, evolución y ataque de plagas y enfermedades para ejercer acciones preventivas y curativas. Calendarizar actividades agrícolas durante el proceso de los cultivos, como preparación de los suelos, siembras, aplicación de biofertilizantes, riegos de auxilio, etc. Programación de épocas de cosechas y pronósticos de rendimientos de acuerdo al tiempo que se prevé su ocurrencia durante el ciclo agrícola. Estimación de la evapotranspiración potencial (demanda de agua).

Séptimo proceso: Generar reportes de Balance Hídrico con el software SISMET. Este reporte elabora el balance hídrico de una estación meteorológica determinada, según Thornthwaite - Mather, utilizando para el cálculo de ETP el método de Hargreaves, en periodos de 30, 15, 10, 6, 5 y 3 días, en un rango de años, meses (año agrícola, civil y otros) definidos por el usuario. Este reporte permite conocer la cantidad de agua que realmente evapora desde el suelo y transpiran las plantas de un lugar determinado, la cantidad de agua almacenada por el suelo y la que pierde por derrame superficial y profundo. El cálculo y obtención del Balance Hídrico es de gran utilidad para: 161

 

Obtención de índices de sequía (meteorológica y agrometeorológica) o de exceso de humedad. Planeación, diseño y operación de sistemas de riego.

Octavo proceso: Generar reportes de Probabilidad de periodo de Heladas y periodo Libre de Heladas con el software SISMET. En este reporte se procesa la probabilidad del periodo heladas y el periodo libre de heladas mediante dos tipos de distribuciones de probabilidad: acumulativa y normal, mostrando las fechas de inicio y de finalización tanto para el periodo de heladas como para el periodo libre de heladas.

7.5.3 Metodología para construir los Escenarios Nacionales de Riesgo. Se desarrolló escenarios de riesgo agrícola a través de 127 mapas con índices agrometeorológicos y umbrales para los cultivos de trigo, caña de azúcar, arroz, maíz y papa en el territorio nacional, generando documentación metodológica e información cartográfica específica que asegure su efectiva publicación en DEWETRA y la transferencia de conocimientos SENAMHI – FAO, este trabajo tiene su aplicación en la gestión de riesgos agrícola, para realizar este trabajo se esgrimió estadística de datos de diferentes parámetros meteorológicos utilizando la información histórica del SENAMHI y el software

SISMET, se siguieron los siguientes procesos: Primer proceso: Generar reportes de índices agrometeorológicos con el software SISMET. Este reporte elabora los índices agrometeorológicos de una estación determinada, en periodos de 30, 15, 10, 6, 5 y 3 días, en un rango de años, meses (año agrícola, civil y otros) definidos por el usuario. Para los escenarios se utilizaron 30 días y promedio anual. 7.5.3.1

Método para la generación del dato Temperaturas Diurnas.

Para el cálculo de las Temperaturas Diurnas se utilizó el software SISMET este software utiliza el Método de FAO, 1978 para calcular este parámetro. Para el cálculo de este parámetro se ha propuesto la fórmula siguiente (FAO, 1978): Ecuación 4 Temperatura diurna

162

   T max  T min 11  T0   Tdiurna  T media     11  T0    4 (12  T0 ) x sin     11  T0    Donde: Tdiurna T media Tmáx Tmin To N  Seno

7.5.3.2

 = Temperatura diurna   = Temperatura media  T max  T min 11  T0     =Tnocturna Temperatura  T máxima media   11  T0   = temperatura mínima  4  (12  T ) x sin    0 = 14-0.5 N   11  T0   = Duración del día 3.1416 = 3.1416 = Seno expresado en radianes

Método para la generación del dato Temperaturas Nocturnas.

Para el cálculo de las Temperaturas Nocturnas se utilizó el software SISMET este software





 el cálculo de este utiliza el Método de FAO, 1978 para calcular este parámetro. Para  T max  T min 11  T0   11  T0    4 (12  T0 ) x sin      11  T0  

Tdiurna  media siguiente (FAO, 1978): parámetro se ha propuesto laTfórmula   Ecuación 5 temperatura nocturna

   T max  T min 11  T0   Tnocturna  T media     11  T0    4 (12  T0 ) x sin     11  T0    Donde: Tnocturna T media Tmáx Tmin To N  Seno

7.5.3.3

= Temperatura nocturna = Temperatura media = Temperatura máxima = temperatura mínima = 14-0.5 N = Duración del día 3.1416 = 3.1416 = Seno expresado en radianes

Método para la generación del dato Horas Frío.

El período de dormancia llamado también de vernalización o descanso invernal, puede ser estimado en frutales caducifolios. Para el cálculo de las horas frio se utilizó el software SISMET este software utiliza el Método de F.S. Da Mota para calcular este parámetro. Las 163

horas frío son calculadas en forma aproximada utilizando las temperaturas medias mensuales de los meses invernales. Da Mota (1979) desarrolló un método que utiliza la temperatura media mensual de los meses invernales, para calcular las horas frío acumuladas mensualmente. El sistema de Da Mota se basa en un estudio de correlación entre la temperatura media mensual y la acumulación de frío en el invierno, meses de Mayo a Agosto. La ecuación encontrada por ese autor es la siguiente: Ecuación 6 Horas frio. Formula Da Mota

H.F.= 485.1 - 28.52 Tm Donde: H.F. = Horas frío mensuales Tm = Temperatura media mensual (°C). 7.5.3.4

Método para la generación del dato evapotranspiración ETP.

Para el cálculo de ETP se utilizó el software SISMET este software utiliza el Método Hargreaves modificado para calcular este parámetro. A través de la siguiente ecuación: Ecuación 7 Evapotranspiración potencial (ETP) formula de Hargreaves

ETP

((0.34*RE)*(0.4+0.024*tm)*((1.35)*RAIZ(1-humedad

relativa/100))*(1+0.00004*$B$4)) Donde: ETP = Evapotranspiración potencial (mm) Tm = Temperatura media mensual (°C). HR = Humedad relativa (%). RE = Radiación Extraterrestre (mm/día). 7.5.3.5

Método para la generación del dato radiación solar:

Debido a la escasez de estaciones meteorológicas que registren la radiación solar en forma directa (cal/cm 2/min), el SENAMHI a través del software SISMET ha desarrollado una relación, para estimar radiación solar en base a la duración de la insolación (brillo solar). Angstrom (citado por Chang, 1968) propuso por primera vez para estimar radiación solar a partir de la insolación, la siguiente relación: Ecuación 8 Radiación Solar

164

n  Rs  a  b  Ra N  Donde: Rs = Radiación solar expresada en cal/cm 2/min o mm de agua evaporable. n = Número real en horas de insolación (registradas en un heliógrafo). N = Duración máxima posible de la insolación. Ra = Radiación solar teórica que recibiría la superficie terrestre en usencia de atmósfera. Conocidos como valores constantes de Angot que se encuentran tabulados de acuerdo a la latitud. a y b = Coeficientes de regresión, los cuales / varían con la localidad. Frére y Fopov (1979) a partir de muchas mediciones hechas en diferentes zonas del mundo, indican que tres conjuntos de coeficientes pueden ser usados, dependiendo principalmente de las condiciones climáticas de la zona. Los coeficientes a y b determinados por esos autores son los siguientes: a O. 18

b 0.55

0.25

0.45

0.29

0.42

Zona Zonas frías y templadas Zonas tropicales secas Zonas tropicales húmedas

En la determinación de los coeficientes a y b para estimar radiación solar haciendo uso de la insolación, deberán considerarse no sólo las diferencias de un lugar a otro, debidas a latitud y clima, sino también aquellas debidas al régimen estacional de energía solar, es decir, se sugiere que los coeficientes a y b debieran estimarse para cada mes, o por lo menos para cada estación. La estimación de estos coeficientes es recomendable realizarla con datos de radiación solar e insolación en todos aquellos lugares donde sea posible Frére y Fopov, 1979. 7.5.3.6

Método para la generación del dato unidades de calor.

Para el cálculo de las Unidades de Calor se utilizó el software SISMET este software utiliza el Método Residual, la fórmula básica es de Shaw, 1977, para calcular este parámetro. El método residual que en general ha sido el más consistente (Iwata, 1975). A continuación, se describe e ilustra este método residual. El índice residual acumula unidades calor arriba de cierta temperatura base la cual depende del cultivo. El Cuadro siguiente presenta valores 165

aproximados de temperatura base y temperatura óptima diurna para el crecimiento y desarrollo de varios cultivos. Resulta pertinente Aclarar que el rango de temperatura óptima para el desarrollo de una especie vegetal, depende de la variedad y de la etapa fenológica de ésta. La acumulación de unidades calor entre estos límites de temperatura base y temperatura óptima, se supone en este método, que ocurre en forma lineal. Para calcular unidades calor por este método, se emplea la siguiente fórmula básica (Shaw, 1977). Ecuación 9 Unidades de Calor

T max  T min  Tbase 2 i 1 n

U .C.  

Donde: U.C. = Unidades calor acumuladas T max = Temperatura máxima diaria T min = Temperatura mínima diaria T base = Temperatura base i = días 1, 2, 3,……………, n Temperaturas aproximadas base y óptimas para crecimiento y desarrollo de varios cultivos (varios autores). CULTIVO Frutales caducifolios Trigo, cebada, avena Maíz Soya Frijol Arroz Algodón Girasol Sorgo

TEMPERATURA BASE 5 5 7 – 10 10 8 – 10 15 12 – 15 10 12 – 17

TEMPERATURA OPTIMA DIURNA (ºC) 25 20 – 25 27 – 32 30 – 32 20 – 25 20 – 30 30 – 34 25 – 30 30 – 35

Existen diferentes versiones para calcular U.C. usando el método residual. Algunas de éstas, las cuales han sido propuestas para maíz se mencionan a continuación:

Tmax  Tmin  10 2 n Tmax  Tmin  10 b) U .C.   i 1 2 a) U .C. 



i 1

Con las siguientes restricciones, si: Tmax  1 30 °C = 30 °C Tmin  10 °C = 10 °C 166

a) En climas cálido-secos se propuso la siguiente modificación a la fórmula inicial (Newman y Blair, 1969, citados por Shaw, 1977). Si T media diaria  24 °C y Tmax es  32 °C, restar de las unidades calor acumuladas para ese día, la cantidad de grados centígrados que excedan del límite de 32 °C. Con esta corrección se espera eliminar la acumulación excesiva de unidades calor en climas cálidosecos. b) En climas templado-fríos (Valles Altos en regiones subtropicales) se propuso también una corrección la cual es con la finalidad de no subestimar las unidades calor en estas regiones (Newman y Blair, 1969, citados por Shaw, 1977). Si T media diaria > 10 °C, pero abajo de 15.6 °C y la Tmax > 18.3 °C añadir a las unidades calor acumuladas para ese día la cantidad de grados centígrados que excedan 18.3 °C. Se recomienda que antes de iniciar la caracterización de requerimientos de unidades calor para una especie en una región determinada, se evalúen diferentes métodos. Esta evaluación puede realizarse empleando diferentes niveles, o umbrales de temperatura, tanto para la temperatura base, como para encontrar el nivel óptimo. 7.5.3.7

Método para la generación del dato unidades fototérmicas.

Para el cálculo de las Unidades Fototérmicas se utilizó el software SISMET este software utiliza la fórmula básica de Hodges y Doraiswamy, 1979, para calcular este parámetro. El cálculo de unidades fototérmicas se hace mediante la siguiente fórmula básica (Hodges y Doraiswamy, 1979). Este método es usado en el SENAMHI a través software SISMET. Ecuación 10 Unidades Fototérmicas

UFT = 



U .C . x F i 1 10 n

Donde: UFT = Unidades fototérmicas acumuladas U.C.= Unidades calor F = Fotoperíodo (duración del día) 10 = constante i = días 1, 2,…., n

167

7.5.3.8

Documento metodológico para la elaboración de escenarios de riesgo agrícola.

Para implementar una estrategia hacia el desarrollo de Índices agrometeorológicos que serán de gran utilidad para gestión de riesgo agrícola, seguros agrícolas, seguridad y vulnerabilidad alimentaria, es necesario contar con un manual de procedimientos para la construcción de mapas de riesgo agrícola, de esta forma ayudar a planificar los riesgos climáticos a los agricultores vulnerables. Para que las condiciones de producción se desarrollen en ámbitos de eficiencia y eficacia, el agricultor debe disponer de información que le permita proyectar sus tareas según el tiempo, el clima que le espera. Así mismo debe organizar su calendario de cultivo de acuerdo al conocimiento del lugar, tener muy en cuenta los avisos agrometeorológicos que recibe del SENAMHI, así como comparar con los umbrales de requerimientos térmicos e hídricos por cada fase fenológica del cultivo. Se ha elaborado un manual de procedimientos para la construcción de mapas de riesgo agrícola. El documento metodológico, para la construcción de mapas de riesgo agrícola, el mismo considera: -

Metodologías utilizadas para la generación del dato por el SENAMHI a través del software SISMET; Procesos para elaboración de mapas de riesgo agrícola; Como obtener el record de información de las estaciones; Como realizar la prueba de intervalos de confianza; Como exportar datos meteorológicos diarios del SISMET; Como realizar la reconstrucción de series utilizando el software FillData; Como volver a subir los datos con reconstrucción al software SISMET; Como generar reportes de índices agrometeorológicos con el software SISMET; Como generar reportes de balance hídrico; Como generar reportes de probabilidad de periodo de heladas y periodo libre de heladas; Como elaborar una tabla de Excel para construcción de mapas; Como construir mapas agroclimáticos; Como generar reporte de metadatos de los mapas agrometeorológicos; Aplicaciones de los mapas, tablas, cuadros y graficas de índices agrometeorológicos para riesgo agrícola. Ver Anexo 12.

Segundo proceso: Elaborar en una tabla de Excel.

168

En la primera columna de la tabla el nombre de la estación, en la segunda columna su latitud, en la tercera su longitud, en la cuarta columna el dato ejemplo dato de radiación solar. Tercer proceso: Construcción de mapas agroclimáticos (escenarios de riesgo). Los mapas agroclimáticos se desarrollaron con la intensión de contar con información espacial y multi temporal a nivel mensual. Esta información es importante para desarrollar índices agrometeorológicos y umbrales para los cultivos. La Información se ha obtenido del Servicio Nacional de Meteorología e Hidrología, también se ha utilizado el software SISMET. Para la construcción de Mapas agrometeorológicos ArcGis 10.1 se crearon 4 puntos de referencia para la interpolación. Punto A, B, C y D puntos de referencia para interpolación. Punto A estación Guayaramerin; Punto B estación Charaña; Punto C estación San Pablo de Lipez o Kolcha K; Punto D estación Puerto Suarez. Cuarto proceso: Generar reporte de metadatos de los mapas agrometeorológicos. Para la generación de Metadatos se utilizó La Norma Internacional ISO 19115:2003 “Geographic Information - Metadata”, define el modelo requerido para describir información geográfica y servicios. Proporciona información sobre la identificación, la extensión, la calidad, el modelo espacial y temporal, la referencia espacial y la distribución de los datos geográficos digitales. En este apartado se desarrollará un análisis descriptivo de los metadatos existentes en el Servicio Nacional de Meteorología e Hidrología. Para poder lograr lo propuesto se recopiló la información cartográfica base que tiene la institución. Teniendo como resultado: -

Información cartográfica base de Limites departamentales Información cartográfica base Límites municipales Información cartográfica base Límites provinciales Información cartográfica base Macro cuencas Información cartográfica base Capitales departamentales Información cartográfica base Capitales municipales Información cartográfica base Ríos de Bolivia

169

Los estándares establecidos para la elaboración de los metadatos que se describirán en el presente proceso, se caracterizan por tener un lenguaje relevante para el manejo de intercambio o trasferencia de este tipo de información, los mismos han sido elaborados de acuerdo al ISO 19115 que define las secciones obligatorias y condicionales de entidades de metadatos y elementos de metadatos, así como, el conjunto mínimo de metadatos requeridos para soportar todo el rango de aplicaciones de metadatos . Por otro lado, precisa los elementos de metadatos opcionales, para permitir una descripción normalizada y más amplia de los datos geográficos. Asimismo, se tomó en cuenta el listado de metadatos mínimos para el SUNIT que comprende la identificación del archivo, Información sobre la referencia espacial, información de las entidades, información de referencia de los metadatos y la información para la distribución de la cobertura, información de referencia de los metadatos e información dela distribución de las coberturas .Para la elaboración del presente catálogo se tomó en cuenta todo lo mencionado el listado del SUNIT, con excepción de la distribución de las coberturas, porque no se cuenta con la información pertinente para la realización de esta categoría. De ese modo, los estándares que se tomaron en cuenta para análisis descriptivo de los metadatos de la cartográfica base existente en el SENAMHI son: -

Propietario y autor: Nos referimos a la institución o persona que realizó la cartografía. Año de creación: Se determina como su nombre lo dice el año de creación de la cartografía base. Tipo de representación geoespacial: Es un conjunto de conceptos que sirven para describir una estructura, para ello hay que codificar la información de forma lógica y coherente. Sistema Geodésico Mundial Sistema de Proyección Escala numérica Datum Prime meridian Angular Unit Resumen Propósito

170

7.5.4 Umbrales de daño por etapa fenológica para el cultivo papa Para el escenario de amenaza meteorológica se construyeron tablas de umbrales de daño para realizar análisis: 



De comparación de los datos registrados frente al umbral de daño de los cultivos que puede derivar en un aviso de alerta porque no se están alcanzando de los diferentes requerimientos térmicos e hídricos necesarios para cada cultivo en cada etapa fenológica de su desarrollo; Esta comparación permite evaluar si se están cumpliendo o no las temperaturas requeridas por los cultivos. De tolerancia de cada fase fenológica al déficit hídrico; El balance hídrico refleja la cantidad de lluvia efectiva necesaria para cada fase fenológica a si por ejemplo la tabla con umbrales presenta un rango, que establece si la fase fenológica “Floración” tolera o no el déficit hídrico. De alerta por eventos meteorológicos extremos que ocasionan daños a los cultivos. Los umbrales de las temperaturas críticas y letales sirven cuando una alerta de amenaza meteorológica (temperaturas muy bajas o muy altas) puede afectar algunos cultivos en determinadas fases fenológicas, de esta manera es posible anticipar perdidas por marchitamiento por altas temperaturas o congelamiento por bajas temperaturas, ocasionando bajas considerables en el rendimiento.

Cada tabla de umbrales de daño contiene Temperaturas Letales, Críticas, Base y Óptimas; Precipitación Efectiva, Kc (coeficiente de corrección para calcular la ETc), Periodo Vegetativo, Cultivo en desarrollo, esta información se realizó para cada fase fenológica del cultivo. Primer proceso: Las estacione que se seleccionaron fueron las siguientes Patacamaya y Santiago de Callapa. Segundo proceso: Se construyó las tablas de umbrales de daño con las temperaturas óptimas, base, crítica y letal de los cultivos por cada fase fenológica según la siguiente bibliografía. Ver anexo 7.3.27

171

Tabla 26 Umbrales de daño por etapa fenológica para el cultivo papa

Tercero proceso: Se comparó mensualmente las temperaturas óptimas, base, critica, letal y humedad del suelo con la salud de los cultivos, así mismo, para ajustar las tablas de umbrales de daño, de acuerdo los criterios para las comparaciones. Ver anexo 7.3.1, a continuación, un ejemplo de las comparaciones entre los umbrales y los datos registrados en la estación Santiago de Callapa. Tabla 27 Comparaciones de los umbrales del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017. Estacion Santiago de Callapa cultivo mes umbrales de daño temperatura maxima temperatura minima pcpn papa oct 26 -7 10 nov 27 -7 10 dici 27 -4 15 ene 26 -4 15 feb 26 -2 20 marz 26 -2 20 abr 25 -7 20

registros temperatura maxima temperatura minima 21 4.1 22.1 -1.5 20.5 2.7 16.6 4.8 18.4 3.9

pcpn 6.1 0 46.7 74.9 24.7

Figura 56 Comparaciones de los umbrales de temperaturas máximas del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017

172

Umbrales de temperaturas máximas, estación Santiago de Callapa Estacion Santiago de Callapa umbrales de daño temperatura maxima Estacion Santiago de Callapa registros temperatura maxima 30 25 20 15 10 5 0 oct

nov

dici

ene

feb

marz

abr

papa

Figura 57 Comparaciones de los umbrales de temperatura mínimas del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017

Umbrales de temperaturas mínimas, estación Santiago de Callapa Estacion Santiago de Callapa umbrales de daño temperatura minima Estacion Santiago de Callapa registros temperatura minima 10 5 0 oct

nov

dici

-5

ene

feb

marz

abr

papa

-10

Figura 58 Comparaciones de los umbrales lluvia del cultivo de papa y los datos registrados en la campaña agrícola 2016 2017

Umbrales de lluvia, estación Santiago de Callapa Estacion Santiago de Callapa umbrales de daño pcpn Estacion Santiago de Callapa registros pcpn 80

74.9

60 46.7

40 20 0

10 6.1 oct

10 0 nov

24.7 20

dici

ene

feb

marz

abr

papa

173

Se construyeron estas tablas de umbrales de daño para realizar análisis de comparación de los datos registrados frente al umbral de daño de los cultivos para este ejemplo el cultivo papa, que puede derivar en un aviso de alerta porque no se están alcanzando de los diferentes requerimientos térmicos e hídricos necesarios para cada cultivo en cada etapa fenológica de su desarrollo; Esta comparación permite evaluar si se están cumpliendo o no las temperaturas requeridas por el cultivo papa. Así mismo, se puede realizar un análisis de tolerancia de cada fase fenológica al déficit hídrico; El balance hídrico del suelo refleja la cantidad de lluvia efectiva necesaria para cada fase fenológica a si por ejemplo la tabla con umbrales presenta un rango, que establece si la fase fenológica “Floración” tolera o no el déficit hídrico. Análisis de alerta por eventos meteorológicos extremos que ocasionan daños a los cultivos. Los umbrales de las temperaturas críticas y letales sirven cuando una alerta de amenaza meteorológica (temperaturas muy bajas o muy altas) puede afectar algunos cultivos en determinadas fases fenológicas, de esta manera es posible anticipar perdidas por marchitamiento por altas temperaturas o congelamiento por bajas temperaturas, ocasionando bajas considerables en el rendimiento.

7.5.5 Umbrales de daño por etapa fenológica para el cultivo de trigo Primer proceso: Las estacione que se seleccionaron fueron las siguientes Camiri y Ascensión de Guarayos. Segundo proceso: Se construyó las tablas de umbrales de daño con las temperaturas óptimas, base, crítica y letal de los cultivos por cada fase fenológica según la siguiente bibliografía. Ver anexo 7.3.27

174

Tabla 28 Umbrales de daño por etapa fenológica para el cultivo trigo

7.5.6 Umbrales de daño por etapa fenológica para el cultivo caña de azúcar Primer proceso: Las estaciones que se seleccionaron fueron las siguientes Bermejo e Ivirgarzama. Segundo proceso: Se construyó las tablas de umbrales de daño con las temperaturas óptimas, base, crítica y letal de los cultivos por cada fase fenológica según la siguiente bibliografía. Ver anexo 7.3.27

175

Tabla 29 Umbrales de daño por etapa fenológica para el cultivo caña de azúcar

7.5.7 Umbrales de daño por etapa fenológica para el cultivo arroz Primer proceso: Las estaciones que se seleccionaron fueron las siguientes Rurrenabaque y San Ignacio de Moxos. Segundo proceso: Se construyó las tablas de umbrales de daño con las temperaturas óptimas, base, crítica y letal de los cultivos por cada fase fenológica según la siguiente bibliografía. Ver anexo 7.3.27

176

Tabla 30 Umbrales de daño por etapa fenológica para el cultivo arroz

7.5.8 Umbrales de daño por etapa fenológica para el cultivo maíz Primer proceso: Las estaciones que se seleccionaron fueron las siguientes Huacaya y Villamontes. Segundo proceso: Se construyó las tablas de umbrales de daño con las temperaturas óptimas, base, crítica y letal de los cultivos por cada fase fenológica según la siguiente bibliografía. Ver anexo 7.3.27

177

Tabla 31 Umbrales de daño por etapa fenológica para el cultivo maíz

7.5.9 Umbrales de alerta para lluvia en 24 horas, con afectación agrícola. Se determinó también umbrales más generales sin considerar cultivos específicos ni fases fenológicas para contar con una referencia de daño y comparación al momento de emitir una alerta agrometeorológica por este tipo de amenaza en el SENAMHI. Los umbrales que se determinaron fueron umbrales de alertas de lluvia por zonas agrícolas. Al mismo tiempo se determinó umbrales de alertas de nieve según diferentes elevaciones m.s.n.m. en zonas agrícolas. Asimismo, se determinó umbrales de alertas de Vientos por zonas agrícolas. Igualmente se determinó umbrales de alertas de Heladas por zonas agrícolas. También se determinó umbrales de alertas de temperaturas críticas máximas por zonas agrícolas. Estos umbrales nos permiten establecer la intensidad de una amenaza meteorológica y el daño a los cultivos. Por otro lado, las amenazas meteorológicas son emitidas con días de anticipación de acuerdo a su competencia por el SENAMHI a través de boletines y alertas: 178

Se cuenta con 1 cuadro con umbrales de alertas de lluvia por zonas agrícolas (Altiplano, Valles, Chaco y Amazonia), para los niveles de alerta (amarilla, naranja y roja). El siguiente cuadro se los realizo para contar con una referencia de daño para comparación al momento de emitir una alerta agrometeorológica por este tipo de amenaza en el SENAMHI. Ejemplo, si el SENAMHI pronostica una precipitación de 50mm en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos. Tabla 32 Umbrales de alerta para lluvia en 24 horas, con afectación agrícola

Nota: El cuadro (24 horas) se refiere a las precipitaciones persistentes y normalmente extensas, donde los ríos principales generan problemas de inundaciones. En casos puntuales, y especialmente en zonas agrícolas ubicadas al borde de los ríos, pensando en las cuencas, por ejemplo, San juan del Oro, Mamoré o en épocas en las que el estado del suelo cause daño a los cultivos por encharcamiento (hipoxia) o de los embalses acumulen mucha agua, se podrá emitir avisos de adversidad por lluvia a partir de otros valores más restrictivos si la peligrosidad de la situación lo aconsejara. No obstante, quedará convenientemente explicado en las observaciones del aviso de alerta por este tipo de amenaza emitido por el SENAMHI.

7.5.10 Umbrales de alerta para lluvia en 1 hora, con afectación agrícola. Ejemplo, si el SENAMHI pronostica una precipitación de 40mm en una hora en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos.

179

Tabla 33 Umbrales de alerta para lluvia en 1 hora, con afectación agrícola

Nota 1: El cuadro (lluvia en 1 hora) se halla enfocado a las precipitaciones intensas, siendo generalmente poco persistentes. Existe una variante de estas lluvias, algunas tormentas de muy corta duración (normalmente inferiores a 20 minutos) y reducida extensión que debido a su alta intensidad (≥15 l/m² en 10 minutos) provocan problemas en cultivos, almacenamientos agroindustriales y carreteras de acceso a zonas de cultivos, pero debido a la imposibilidad de aviso a los agricultores se utilizarán otros sistemas de aviso a desarrollar en el futuro. Nota 2: Zonificación. En los avisos de alerta por este tipo de amenaza emitida por el SENAMHI, se dará información territorial sobre Municipios o zonas agrícolas que se verán afectadas.

7.5.11 Umbrales de Alertas de Nieve por Diferentes Elevaciones m.s.n.m. En Zonas Agrícolas. Se cuenta con 1 cuadro con umbrales de alertas de nieve por elevación m.s.n.m. (2500‐ 3000; 3000‐4000; 4000‐5000), para los niveles de alerta (amarilla, naranja y roja). El siguiente cuadro se lo realizo para contar con una referencia para comparación al momento de emitir una alerta agrometeorológica por este tipo de amenaza en el SENAMHI. Ejemplo, si el SENAMHI pronostica nevada de 5cm entre los 3000 y 4000m.s.n.m, se considerará una alerta roja para esa zona Valles interandinos y Altiplano, por la afectación que ocasionará a los cultivos.

180

Tabla 34 Umbrales de Alertas de Nieve por Diferentes Elevaciones m.s.n.m. En Zonas Agrícolas

Nota: Se debe tener en cuenta que un litro por metro cuadrado (l/m²) suele equivaler a 1 centímetro de espesor de nieve.

7.5.12 Umbrales de Alertas de Vientos por Zonas Agrícolas. Se cuenta con 1 cuadro con umbrales de alertas de vientos por zonas agrícolas (Zonas de montaña Zonas planas), para los niveles de alerta (amarilla, naranja y roja). El siguiente cuadro se lo realizo para contar con una referencia para comparación al momento de emitir una alerta agrometeorológica por este tipo de amenaza en el SENAMHI. Ejemplo, si el SENAMHI pronostica una alerta por vientos de 60km/h en las zonas planas, se considerará una alerta roja para la amazonia, por la afectación que ocasionará a los cultivos. Tabla 35 Umbrales de Alertas de Vientos por Zonas Agrícolas

7.5.13 Umbrales de alertas de heladas por zonas agrícolas. Se cuenta con un cuadro con umbrales de alertas de heladas por zonas agrícolas (Altiplano, Valles, Chaco y Amazonia), para los niveles de alerta (amarilla, naranja y roja). El siguiente cuadro se los realizo para contar con una referencia para comparación al momento de emitir una alerta agrometeorológica por este tipo de amenaza en el SENAMHI.

181

Ejemplo, si el SENAMHI pronostica heladas con una temperatura de -4ºC en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos. Tabla 36 Umbrales de alertas de heladas por zonas agrícolas

Nota: Estos umbrales son de afectación agrícola, representa la temperatura critica mínima para un común de los cultivos a nivel nacional, se cuenta con la información de temperaturas letales y criticas específicas para maíz, papa, caña de azúcar, arroz y trigo en el anexo 7.3.6 del producto 4 de la presente consultoría.

7.5.14 Umbrales de Alertas de Temperaturas Criticas Máximas por Zonas Agrícolas. Se cuenta con dos cuadros con umbrales de alertas de temperatura critica máxima por zonas agrícolas (Altiplano, Valles, Chaco y Amazonia), para los niveles de alerta (amarilla, naranja y roja). Los siguientes cuadros se los realizo para contar con una referencia para comparación al momento de emitir una alerta agrometeorológica por este tipo de amenaza en el SENAMHI. Ejemplo, si el SENAMHI pronostica temperaturas de 35ºC para el verano en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos.

182

Tabla 37 Umbrales de Alertas de Temperaturas Criticas Máximas por Zonas Agrícolas

Ejemplo, si el SENAMHI pronostica una temperatura de 30ºC por más de 5 días consecutivos en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos. Tabla 38 Días Consecutivos que se Superan los Umbrales Establecidos

Nota 1: Estos umbrales son de afectación agrícola, representa la temperatura crítica máxima para un común de los cultivos a nivel nacional. Nota 2: El segundo cuadro representa los días consecutivos con un elevado rango de temperatura que tienen una afectación de estrés térmico en los cultivos .

7.5.15 Mapas de alerta para lluvia en 24 horas, con afectación agrícola. Todo modelo de predicción numérica tanto del tiempo como del clima, requieren un análisis de sensibilidad en base a los parámetros físicos con los que cuentan, este ajuste de parámetros es conocido como parametrización y el resultado de este procedimiento debe ser comparado con datos de observaciones y/o mapas temáticos de las diferentes variables

183

agro meteorológicas observadas, para eso es muy importante contar con información de observaciones presentadas en su distribución geoespacial dentro del territorio nacional. Para la representación de mapas de alerta en muchas regiones de Bolivia, esto a razón de la complejidad de la estructura geomorfológica con la que cuenta nuestro país y las condiciones de influencia de tipo local de algunas zonas. Se construyeron 4 mapas en base a los umbrales de alerta (verde, amarilla, naranja y roja) para precipitaciones en 24 horas presentadas en cuadros. Estos mapas muestran las cantidades de precipitación (mm) y el nombre de la estación meteorológica, para poder visualizar y ubicar el nivel de la amenaza de acuerdo a la zona (Altiplano, Valles, Chaco, Amazonia). Estos mapas no tienen interpolación ya que solo son de visualización. Mapa 5 Umbrales de alerta roja por precipitaciones máximas en 24 horas

Ejemplo, si el SENAMHI pronostica una precipitacion de 50mm en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos.

184

7.5.16 Mapas de alerta para lluvia en 1 hora, con afectación agrícola. Se construyeron 4 mapas de umbrales de alerta (verde, amarilla, naranja y roja) por precipitación máxima en una hora. Estos mapas no tienen interpolación ya que solo son de visualización. Ejemplo, si el SENAMHI pronostica una precipitación de 40mm en una hora en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos.

7.5.17 Mapas de Alertas de déficit de precipitaciones En Zonas Agrícolas. Se construyeron 28 mapas mostrando las cantidades de precipitación deficiente (mm) y el nombre de la estación meteorológica, para poder visualizar y ubicar el nivel de la amenaza a la sequía de acuerdo a la zona. Estos mapas no tienen interpolación ya que solo son de visualización. Mapa 6 Umbrales de alerta naranja por déficit de precipitación para el mes de abril

7.5.18 Mapas de alertas de heladas por zonas agrícolas. Se construyeron cuatro mapas de umbrales de alerta (verde, amarilla, naranja y roja) por heladas. Estos mapas no tienen interpolación ya que solo son de visualización.

185

Mapa 7 Umbrales de alerta roja por Heladas

Ejemplo, si el SENAMHI pronostica una temperatura de -4ºC en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos.

7.5.19 Mapas de Alertas de Temperaturas Criticas Máximas por Zonas Agrícolas. Se construyeron 4 mapas de umbrales de alerta (verde, amarilla, naranja y roja) por temperaturas máximas críticas. De igual forma se construyeron 4 mapas de umbrales de alerta (verde, amarilla, naranja y roja) por temperaturas máximas con días consecutivos. Estos mapas no tienen interpolación ya que solo son de visualización. Ejemplo, si el SENAMHI pronostica una temperatura de 30ºC por más de 5 días consecutivos en la zona de los valles, se considerará una alerta roja para esa zona, por la afectación que ocasionará a los cultivos.

7.5.20 Resultados finales de umbrales 7.5.21 Índices agrometeorológicos Se cuenta con escenarios de índices agrometeorológicos que nos sirven para hacer coincidir hasta cierto punto las condiciones ambientales con las necesidades de los cultivos. Lo que es imposible manejar son las condiciones que impone el clima por eso es la 186

agricultura la que se modifica y adapta; Por ejemplo, la selección de las especies que se cultivan, sus variedades, fechas de siembra y cosecha, la forma, cantidad de riego son todas decisiones que los agricultores toman. El problema entonces no es saber si es posible que ocurran estas condiciones, sino saber cuándo ocurrirán, porque, así como es posible adaptarse a las condiciones climáticas generales, también es posible adaptarse a estos eventos fuera de lo común, siempre que se cuente con la capacidad para predecirlos con la debida anticipación tal y como lo viene haciendo el SENAMHI a través de alertas y boletines agrometeorológicos. Se cuenta con un documento de Índices Agrometeorológicos para 149 estaciones meteorológicas en Bolivia, el mismo considera la siguiente información para cada estación meteorológica: • • • • • • • • • •

Un cuadro de datos agrometeorológicos mensuales; Una tabla de índices agrometeorológicos mensuales; Una tabla de parámetros meteorológicos mensuales; Una gráfica de diagrama agroclimático; Una tabla con el resumen de la estación; Una tabla de índice de humedad e índice hídrico; Un cuadro de balance hídrico de la estación; Una gráfica de análisis de variación interanual de precipitación de la estación meteorológica en porcentaje; Una gráfica de distribución acumulativa para el cálculo de probabilidades de ocurrencia de primera y última helada de los datos climáticos de la estación; Una tabla de probabilidad de ocurrencia de última y primera helada al 80%.

A continuación, se presenta el siguiente ejemplo de índices agrometeorológicos de la estación Anzaldo. Tabla 39 Datos de la estación Anzaldo Estación:

Anzaldo

Latitud Sud:

17º 47' 01"

Departamento: Cochabamba

Longitud Oeste:

65º 55' 58"

Provincia:

Altitud m/s/n/m: 3032

Arani

Serie Climática: 1976 - 2008 Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

187

Tabla 40 Índices Agrometeorológicos de la Estación Anzaldo INDICES AGROMETEOROLÓGICOS

JUL

AGO

SEP

OCT

NOV

DIC

ENE

FEB

MAR

ABR

MAY

JUN

ANUAL

TEMPERATURA DIURNA (ºC)

16,6

17,3

18,2

18,9

18,2

17,1

17,2

17,7

18,1

17,9

17,2

17,8

TEMPERATURA NOCTURNA (ºC)

3,4

5,5

8,4

10,3

11,5

11,8

11,3

11,0

10,7

8,9

5,9

3,6

8,5

UNIDADES CALOR, BASE: 7 ºC

93,0

136,4

189,0

235,6

246,0

248,0

223,2

198,8

223,2

195,0

151,9

102,0

2242,1

UNIDADES FOTOTERMICAS, BASE: 7 ºC

102,3

155,5

224,9

292,1

314,9

324,9

287,9

250,5

270,1

226,2

170,1

111,2

2730,6

HORAS FRIO (Hrs.)

199,9

160,0

105,8

68,7

51,6

57,3

80,1

83,0

80,1

100,1

145,7

188,5

1320,7

86,1

103,8

115,0

139,4

141,2

142,4

129,1

114,1

116,4

104,7

95,9

82,4

1370,5

RADIACION SOLAR (Cal/Cm2/dia) EVAPOTRANSPIRACION (mm)

POTENCIAL

Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

La tabla muestra los índices agrometeorológicos de la estación Anzaldo a nivel mensual para todo el año agrícola en este contexto la temperatura diurna, corresponde al valor medio de la temperatura en el periodo de 12 horas correspondiente, relacionado con la actividad fotosintética de la planta y el crecimiento vegetativo de las plantas. Al igual que otros parámetros térmicos, el conocimiento de la temperatura diurna resulta de mucha utilidad en estudios agroclimáticos, especialmente de zonificación de cultivos. La temperatura nocturna, corresponde al valor medio de la temperatura en el periodo de 12 horas correspondiente a la noche, relacionado con procesos de traslocación de nutrientes, maduración y llenado de frutos. Las unidades de calor son un mecanismo para pronosticar etapas fenológicas de los cultivos, (emergencia, floración, madurez fisiológica y otros.) De la misma forma, son un mecanismo para clasificación de especies y variedades como una medida estándar en lugar de días, para evitar las diferencias que se presentan para una misma variedad de una región a otra. Al mismo tiempo son un mecanismo para zonificar cultivos en base a unidades de calor requeridas. Del mismo modo son un mecanismo para predicción de etapas biológicas de insectos. De la misma manera son un mecanismo para programación de actividades agrícolas, por ejemplo, fecha de siembra, fecha de cosecha y otros. Para ciertas variedades de una misma especie, se han observado efectos muy marcados por fotoperiodo durante ciertas etapas de desarrollo fenológico. Para cuantificar la interacción de temperatura y fotoperiodo durante ciertas etapas de desarrollo de las plantas, el concepto de unidades de calor se combinó con la duración del día. 188

Las plantas invernales y perennes caducifolias requieren de un período de enfriamiento o vernalización. Este período de frío es necesario para cumplir posteriormente su desarrollo sin anomalías fenológicas ni alteraciones en el rendimiento. Los niveles térmicos que los vegetales comienzan a acumular el efecto vernalizante, varían dependiendo de la especie y variedad. Sin embargo, se ha generalizado el uso de temperaturas de 0 a 5°C para cereales invernales, y de 6 a 7 °C para frutales que necesitan frío. La radiación solar es un mecanismo para la programación de épocas adecuadas para el secado de granos, forrajes, legumbres, etc. De igual forma es un mecanismo para estimar el balance de energía en plantas y animales. Al mismo tiempo es un mecanismo para estimar la tasa de acumulación de materia seca por día y la materia seca total de un cultivo. Asimismo, es un mecanismo para estimar el rendimiento potencial y en base a ello regionalizar los cultivos. La agricultura que se practica bajo condiciones a secano tiene como principal limitante la precipitación pluvial, tanto en cantidad como en distribución. Un parámetro más preciso es la cantidad de humedad almacenada en el suelo, sobre todo en aquellas regiones donde existen suelos de profundidad variable (suelos superficiales y suelos profundos). Una herramienta útil en el cálculo de la humedad del suelo es el balance de humedad del suelo. Mediante el cálculo de los balances hídricos, se pueden estimar las necesidades de agua de los cultivos (mediante la ETP). Si se conoce la capacidad de almacenamiento de humedad del suelo, es posible calcular su balance de humedad comparando precipitación con la tasa de evapotranspiración, los términos Percolación y Escurrimiento pueden medirse o estimarse. El balance de humedad puede calcularse a nivel diario, decenal (10 días) o mensual, dependiendo de los objetivos. Con fines de planeación, períodos de 10 a 30 días pueden ser adecuados. Los índices pueden ser aplicados a estudios agroclimatológicos, variabilidad climática, modelación meteorológica, climatológica e hidrológica. Al mismo tiempo permite contar con información geoespacial para aplicaciones en diferentes ámbitos del que hacer de las instituciones a nivel nacional, departamental y municipal. El siguiente diagrama agroclimático refleja los meses con mayor oferta de precipitacion para los cultivos, por otro lado se muestra la demanda de agua en la zona a través de la ETP. Así mismo, se puede apreciar el “inicio de la estación de lluvias” el cual inicia el 25 de noviembre, este dato es reflejado porque la ETP al 50% coincide en ese punto con la línea 189

de precipitacion, por otro lado se puede visualizar el “inicio del periodo húmedo” el cual inicia el 8 de enero, este dato es reflejado porque la ETP al 100% coincide en ese punto con la línea de precipitacion, así mismo, la “terminación del periodo húmedo” finaliza el 24 de enero, este dato es reflejado porque la ETP al 100% coincide en ese punto con la línea de precipitacion que comienza a descender, así mismo, la “terminación de la estación de lluvias” finaliza el 1 de abril, este dato es reflejado porque la ETP al 50% coincide en ese punto con la línea de precipitacion que comienza a descender, así mismo, la “terminación de la estación de crecimiento” finaliza el 10 de abril, este dato es reflejado porque la ETP al 50% coincide en ese punto con la línea de precipitacion que comienza a descender, en general se puede apreciar que la duración de la estación de crecimiento es de 136 días, esto significa que para la estación meteorológica de Anzaldo se deberían escoger variedades de cultivo menores a los 136 días, así mismo la fecha de siembra recomendada para esta zona es el 25 de noviembre. Figura 59 Diagrama Agroclimático de la Estación Anzaldo 1

117

146

175

204

233

262

291

320

349

MAR

ABR

MAY

JUN

PRECIPITACIÓN Y ETP [mm]

160.0 140.0 120.0 100.0 80.0 60.0 40.0

20.0 0.0 JUL

AGO

SEP

OCT

NOV

DIC

ENE

FEB

MESES PRECIPITACIÓN

EVAP.POTENCIAL 100%

EVAP.POTENCIAL 50%

Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

Tabla 41 Resumen de la Estación Anzaldo Inicio de Estación de Lluvias Inicio de Periodo Húmedo Terminación de Periodo Húmedo Terminación de Estación de Lluvias Terminación de Estación de Crecimiento Duración de la Estación de Crecimiento

a= b1 = b2 = c= d=

25-nov 08-ene 24-ene 01-abr 10-abr 136 días

Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

190

La temperatura, la radiación solar y el agua en el suelo son los tres principales factores meteorológicos que regulan los procesos fisiológicos y metabólicos en los cultivos. Los estudios agrometeorológicos realizados contribuyen al conocimiento cualicuantitativo de la relación tiempo producción agrícola y aportan información detallada de los elementos agroclimáticos en su magnitud, frecuencia y variabilidad. Para su expresión cuantitativa se utilizan índices agroclimáticos. En un futuro estos índices pueden ser aplicados para la construcción de modelos agrometeorológicos en el SENAMHI que cuantifiquen el efecto de los elementos meteorológicos sobre el rendimiento agrícola constituyéndose en importantes herramientas para permitir la estimación del rendimiento con relativa anticipación a la cosecha. En este sentido se presenta un balance hídrico para la estación Anzaldo, este balance refleja que la demanda de agua calculada a través de la ETP en la estación es de 1367 mm y la precipitación normal que en este argumento representa la oferta de agua en la zona y es de solo 529 mm, estos datos reflejan un déficit de 839 mm, los cuales deben ser repuestos a través de riego u otras buenas prácticas agrícolas. Se puede apreciar en el siguiente cuadro de balance hídrico que solo el mes de enero es positivo es decir es el único mes que no tiene déficit hídrico, tiene un índice hídrico de 0 y un índice de humedad de 1.0 Tabla 42 Balance Hídrico de la Estación Anzaldo BALANCE HIDRICO

Estación:

Anzaldo

Latitud Sud:

17º 47’ 01”

Departamento:

Cochabamba

Longitud Oeste:

Provincia:

Arani

Altitud m/s/n/m:

65º 55’ 58” 303 2

Serie Climática:

1943 – 2015

ELEMENTOS BASICOS

OCT

NOV

MAR

ABR

MAY

JUN

ANUA L

80.0

30.5

5.0

4.2

567.4

86.5

1444.9

4.5

13.3

31.0

50.8

93.1

109.2

122.2

145.2

148. 9

148. 7

137. 7

119. 6

123. 3

110. 3

100. 2

AGO 104.7

SEP

OCT

NOV

DIC

ENE

FEB

MAR

ABR

MAY

PRECIPITACION – EVAPOTRANSPIRACION

JUL 91.9

108.9

114.2

-98.1

-46.9

0.2

-12.4

-43.3

-79.8

-95.2

JUN 82.3

ALMACENAJE DE HUMEDAD UTIL. 100mm

0.0

0.2

0.0

VARIACION DE HUMEDAD ALMACENADA

0.0

0.2

-0.2

0.0

ELEMENTOS RESULTANTES

SEP

FEB 107. 2

1.2

PRECIPITACION ESTACIONAL PA (mm) EVAPOTRANSPIRACIÓN TOTAL [HearGreaves] (mm)

AGO

ENE 137. 9

DIC 101. 8

PRECIPITACIÓN TOTAL (mm)

JUL

ANUA L -877.5 0.2

191

1.2

4.5

13.3

31.0

50.8

101. 8

137. 7

107. 4

80.0

30.5

5.0

4.2

567.4

DEFICIT DE HUMEDAD

91.9

104.7

108.9

114.2

98.1

46.9

0.0

12.2

43.3

79.8

95.2

82.3

877.5

EXCESO DE HUMEDAD

0.0 59.2

0.0

-57.5

-53.5

-47.2

-39.5

-18.9

0.0

-6.1

-21.1

-43.4

-57.0

0.0 57.1

0.0

0.1

0.2

0.3

0.6

0.3

0.0

HMD

EVAPOTRANSPIRACION REAL

INDICE HIDRICO CONDICION CLIMATICA INDICE DE HUMEDAD

0.0 HM D

CONDICION DE HUMEDAD

0.7 HD

C1 1.0

0.9

0.0 HM D

-36.4 D 0.4 HMD

Fuente: Elaboración propia en base a datos del SENAMHI y el software SISMET.

Tabla 43 Balance Hídrico de la Estación Anzaldo Precipitación Normal

528.8

1367.4

Evapotranspiración Real

528.8

Déficit Exceso

838.6 0.0

mm mm

Indice Hídrico

-36.8

Evapotranspiración Potencial

Condición Climática D Indice de Humedad 0.4 Condición de Humedad HMD Capacidad de retención del suelo 100.0 mm Fuente: Elaboración propia en base a datos del SENAMHI y el software SISMET.

Se debe aclarar que estos datos están considerando una capacidad de retención de agua del suelo de 100 mm. En el software SISMET es posible seleccionar la capacidad de retención de agua del suelo deseada. El significado de la condición climática y la condición de humedad están en la siguiente tabla. Tabla 44 índice de humedad e índice hídrico

INDICE DE HUMEDAD < 0.4 0.4 - 0.8 0.8 - 1.2 1.2 - 2.0 > 2.0 INDICE HÍDRICO -60.0 a -40.0 -40.0 a -20.0 -20.0 a 0.0 0.0 a 20.0 20.0 a 100.0

CONDICIÓN DE HUMEDAD Humedad Muy Deficiente Humedad Deficiente Húmedo Humedad Alta Humedad Excesiva CONDICIÓN CLIMÁTICA Árido Semiárido Subhúmedo seco Subhúmedo húmedo Húmedo

SIMBOLO HMD HD H HA HE SIMBOLO E D C1 C2 B 192

< 100.0

Hiperhúmedo

Fuente: Elaboración propia en base a datos del SENAMHI y el software SISMET

El símbolo y definición del índice de humedad e índice Hídrico fue usado como referente para todos los cuadros de Balance Hídrico de las Estaciones. Figura 60 Distribución acumulativa para el cálculo de probabilidad de ocurrencia de la primera y última helada de los datos climáticos de la estación Anzaldo

Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

La ocurrencia de última y primera helada al 80% de probabilidad se presentará el 14 de noviembre y 24 de febrero. En otras palabras 8 de cada 10 años no se presentarán heladas antes del 14 de noviembre y tampoco después del 24 de febrero. La estación libre de heladas al 80% de probabilidad seria de 102 días. Tabla 45 Probabilidad de ocurrencia de la última y primera helada al 80% Probabilidad Prob. 80% Prob. 60% Prob. 40% Prob. 20%

Fechas Inicial 14-nov. 12-oct. 13-sep. 11-ago.

Final 24-feb. 27-mar. 21-abr. 21-may.

Periodo (Días) 102 166 220 283

Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

Se cuenta con la implementación de una estrategia para el desarrollo de Índices agrometeorológicos que serán de gran utilidad para gestión de riesgo agrícola, seguros agrícolas, seguridad y vulnerabilidad alimentaria, de esta forma se ayuda a los agricultores, vulnerables frente a los riesgos climáticos a tomar mejores decisiones de planificación. Para 193

que las condiciones de producción se desarrollen en ámbitos de eficiencia y eficacia, el agricultor, técnicos de gestión de riesgos Municipales, Departamentales y otros que tomen decisiones de riesgos agrícolas disponen de información que les permite proyectar sus tareas según el tiempo, el clima que le espera. El conteo de cuantos años se ha producido la humedad moderada en la estación, y es de 14 veces lo que representa el 32 %. La grafica nos muestra los porcentajes de los eventos del diagnóstico, lo que significa que existe una probabilidad del 32 % de una humedad moderada. Figura 61 Análisis de variación interanual de precipitación de la estación meteorológica de Aiquile

Fuente: Elaborado con datos del SENAMHI, utilizando el software SISMET.

El factor climático es solo una variable que influye en un 40% del total de perdida en los cultivos en nuestro Estado Plurinacional, el otro 60% de perdida es por las malas prácticas agrícolas, tipo de semilla, porcentaje de materia orgánica en el suelo entre muchos otros factores específicamente agrícolas.

7.5.22 Escenarios nacionales de “Temperaturas Diurnas”. Se consideró la vulnerabilidad del sector agrícola a las amenazas meteorológicas, en el sentido de conocer que tan susceptible es una determinada fase fenológica a una amenaza, por ello se han construido 79 mapas a nivel mensual y anual de diferentes parámetros agrometeorológicos los cuales nos representan escenarios de susceptibilidad a las amenazas meteorológicas (vulnerabilidad). Estos mapas ofrecen una referencia de “normalidad” comparados con un evento meteorológico extremo “amenaza meteorológica”. Al mismo tiempo estos mapas sirven

194

para realizar seguimiento de los datos registrados analizados con las normales estadísticas presentadas en los mapas. La temperatura diurna, corresponde al valor medio de la temperatura en el periodo de 12 horas correspondiente, relacionado con la actividad fotosintética de la planta y el crecimiento vegetativo de las plantas. Al igual que otros parámetros térmicos, el conocimiento de la temperatura diurna resulta de mucha utilidad en estudios agroclimáticos, especialmente de zonificación de cultivos. Se elaboró una lista de 165 Estaciones Meteorológicas para construir mapas de temperaturas diurnas. Seguidamente se generaron datos con el software SISMET, en base a la lista de Estaciones Meteorológicas seleccionadas para elaborar mapas de temperaturas diurnas. Posteriormente se construyeron 12 mapas a nivel mensual de temperaturas diurnas en base a los datos de Estaciones Meteorológicas seleccionadas. Se cuenta con 12 mapas a nivel mensual de temperaturas diurnas. Ver Anexo 7.3.20 Mapa 8 Mapa de temperaturas diurnas del mes de julio

195

7.5.23 Escenarios nacionales de “Temperaturas Nocturnas”. La temperatura nocturna, corresponde al valor medio de la temperatura en el periodo de 12 horas correspondiente a la noche, relacionado con procesos de traslocación de nutrientes, maduración y llenado de frutos. Al igual que otros parámetros térmicos, el conocimiento de la temperatura nocturna resulta de mucha utilidad en estudios agroclimáticos, especialmente de zonificación de cultivos. Se elaboró una lista de 165 Estaciones Meteorológicas para construir mapas de temperaturas nocturnas. Posteriormente se generaron datos con el software SISMET. Seguidamente se construyeron 12 mapas a nivel mensual de temperaturas nocturnas en base a los datos de Estaciones Meteorológicas seleccionadas. Se cuenta con 12 Mapas a nivel mensual de temperaturas nocturnas. Ver Anexo 7.3.21

7.5.24 Escenarios nacionales de “Horas Frío”. Las plantas invernales y perennes caducifolias requieren de un período de enfriamiento o vernalización. Este período de frío es necesario para cumplir posteriormente su desarrollo sin anomalías fenológicas ni alteraciones en el rendimiento. Los niveles térmicos que los vegetales comienzan a acumular el efecto vernalizante, varían dependiendo de la especie y variedad. Sin embargo, se ha generalizado el uso de temperaturas de 0 a 5°C para cereales invernales y de 6 a 7 °C para frutales que necesitan frío. Se elaboró una lista de 156 Estaciones Meteorológicas para construir mapas de horas frio. Seguidamente se generaron datos con el software SISMET, en base a la lista de Estaciones Meteorológicas seleccionadas para elaborar mapas de Horas Frío. Consecutivamente se construyó 5 mapas de horas frío para los meses mayo, junio, julio y agosto. Se cuenta con 5 Mapas de Horas Frío para los meses mayo, junio, julio y agosto. Ver Anexo 7.3.22

196

Mapa 9 Mapa de Horas Frío promedio anual

Estos mapas ofrecen una referencia de “normalidad” comparados con el registro de Horas Frío de las estaciones meteorológicas en las zonas de producción de frutales. Al mismo tiempo estos mapas sirven para realizar seguimiento de los datos registrados analizados con las normales estadísticas presentadas en los mapas.

7.5.25 Escenarios nacionales de “Evapotranspiración Potencial” (ETP). La agricultura que se practica bajo condiciones a secano tiene como principal limitante la precipitación pluvial, tanto en cantidad como en distribución. Un parámetro más preciso es la cantidad de humedad almacenada en el suelo, sobre todo en aquellas regiones donde existen suelos de profundidad variable (suelos superficiales y suelos profundos). Una herramienta útil en el cálculo de la humedad del suelo es el balance de humedad del suelo. Mediante el cálculo de los balances hídricos, se pueden estimar las necesidades de agua de los cultivos (mediante la ETP). Si se conoce la capacidad de almacenamiento de humedad del suelo, es posible calcular su balance de humedad comparando precipitación con la tasa de evapotranspiración, los términos Percolación y Escurrimiento pueden medirse o estimarse. El balance de humedad puede calcularse a nivel diario, decenal (10 días) o mensual, dependiendo de los objetivos. Con fines de planeación, períodos de 10 a 30 días pueden ser adecuados.

197

Se elaboró una lista de 156 Estaciones Meteorológicas para construir mapas de evapotranspiración potencial. Consecutivamente se generaron datos con el software SISMET, en base a la lista de Estaciones Meteorológicas seleccionadas para elaborar mapas de evapotranspiración potencial (ETP). Seguidamente se construyeron 13 mapas de evapotranspiración potencial a nivel nacional. Se cuenta con 13 Mapas de evapotranspiración potencial (ETP) 12 a nivel mensual y uno a nivel anual. Ver Anexo 7.3.23

7.5.26 Escenarios nacionales de “Radiación Solar”. La radiación solar es un mecanismo para la programación de épocas adecuadas para el secado de granos, forrajes, legumbres, etc. De igual forma es un mecanismo para estimar el balance de energía en plantas y animales. Al mismo tiempo es un mecanismo para estimar la tasa de acumulación de materia seca por día y la materia seca total de un cultivo. Asimismo, es un mecanismo para estimar el rendimiento potencial y en base a ello regionalizar los cultivos. Se elaboró una lista de 45 Estaciones Meteorológicas para construir mapas de radiación solar. Seguidamente se generaron datos con el software SISMET, en base a la lista de Estaciones Meteorológicas seleccionadas. Posteriormente se construyeron 13 mapas de radiación solar a nivel nacional, en base a los datos de Estaciones Meteorológicas seleccionadas, considerando la falta de información de radiación solar se ha utilizado los datos disponibles y se ha realizado mapas considerando solo las zonas con datos, sin realizar interpolaciones entre las mismas. Se cuenta con 13 Mapas de radiación solar 12 a nivel mensual y uno a nivel anual. Ver Anexo 7.3.24

7.5.27 Escenarios nacionales de “Unidades de Calor o Grados Día” en base 7ºC. Las unidades de calor son un mecanismo para pronosticar etapas fenológicas de los cultivos, (emergencia, floración, madurez fisiológica y otros.) De la misma forma, son un mecanismo para clasificación de especies y variedades como una medida estándar en lugar de días, para evitar las diferencias que se presentan para una misma variedad de una región a otra. Al mismo tiempo son un mecanismo para zonificar cultivos en base a unidades de calor requeridas. Del mismo modo son un mecanismo para predicción de etapas biológicas de insectos. De la misma manera son un mecanismo para programación de actividades agrícolas, por ejemplo, fecha de siembra, fecha de cosecha y otros.

198

Se elaboró una lista de 157 Estaciones Meteorológicas para construir mapas de unidades de calor en Base º7C. Posteriormente se generaron datos con el software SISMET, en base a la lista de Estaciones Meteorológicas seleccionadas. Consecutivamente se construyeron 12 mapas de unidades de calor en base 7ºC, a nivel nacional, en base a los datos de Estaciones Meteorológicas seleccionadas. Se cuenta con 12 Mapas a nivel mensual de unidades de calor en base 7ºC. Ver Anexo 7.3.25 Estos mapas ofrecen una referencia de “normalidad” comparados con el registro de Grados día registrados de las estaciones meteorológicas en las zonas de producción agrícola. Al mismo tiempo estos mapas sirven para realizar seguimiento de los datos registrados analizados con las normales estadísticas presentadas en los mapas. Se pueden comparar también con Fenodatas, líneas Isófonas y líneas Isoantes

7.5.28 Escenarios nacionales de “Unidades Fototérmicas” en Base 7ºC. Para ciertas variedades de una misma especie, se han observado efectos muy marcados por fotoperiodo durante ciertas etapas de desarrollo fenológico ejemplo el cultivo soya. Las unidades fototérmicas nos sirven para cuantificar la interacción de temperatura y fotoperiodo durante ciertas etapas de desarrollo de las plantas, el concepto de unidades de calor se combinó con la duración del día. De esta manera se obtuvieron los índices heliotérmicos o unidades fototérmicas. Se elaboró una lista de 156 Estaciones Meteorológicas para construir mapas de unidades foto térmicas en Base º7C. Consecutivamente se generaron datos con el software SISMET, en base a la lista de Estaciones Meteorológicas seleccionadas. Posteriormente se construyeron 12 mapas de unidades fototérmicas a nivel nacional. Se cuenta con 12 Mapas a nivel mensual de unidades fototérmicas en base 7ºC. Ver Anexo 7.3.26

199

Mapa 10 Mapa de Unidades Fototérmicas del mes de julio

7.5.29 Resultados Finales de escenarios  Se cuenta con 4 conjuntos de índices agrometeorológicos que establecen rangos de afectación de los cultivos para cada fase fenológica de los cultivos de trigo, caña de azúcar, arroz, maíz y papa. Ver Anexo 7.3.6  Se cuenta con 1 cuadro con umbrales de alertas de nieve por elevación m.s.n.m. (2500‐3000; 3000‐4000; 4000‐5000), para los niveles de alerta (amarilla, naranja y roja). Ver Anexo 7.3.8  Se cuenta con 1 cuadro con umbrales de alertas de vientos por zonas agrícolas (Zonas de montaña Zonas planas), para los niveles de alerta (amarilla, naranja y roja). Ver Anexo 7.3.9  Se cuenta con 1 cuadro con umbrales de alertas de heladas por zonas agrícolas (Altiplano, Valles, Chaco y Amazonia), para los niveles de alerta (amarilla, naranja y roja). Ver Anexo 7.3.10  Se cuenta con 1 cuadro con umbrales de alertas de temperatura critica máxima por zonas agrícolas (Altiplano, Valles, Chaco y Amazonia), para los niveles de alerta (amarilla, naranja y roja). Ver Anexo 7.3.11  Se cuenta con 4 mapas que muestran las cantidades de precipitación (mm) y el nombre de la estación meteorológica, para poder visualizar y ubicar el nivel de la amenaza de acuerdo al área. Ver Anexo 7.3.14  Se cuenta con 28 mapas que muestran las cantidades de déficit de precipitaciones (mm) y el nombre de la estación meteorológica, para poder visualizar y ubicar el nivel de la amenaza de acuerdo a la zona. Ver Anexo 7.3.15  Se cuenta con 4 mapas que muestran los umbrales de alerta (verde, amarilla, naranja y roja) por heladas. Ver Anexo 7.3.16 200

 Se cuenta con 4 mapas que muestran los umbrales de alerta (verde, amarilla, naranja y roja) por precipitación máxima en una hora. Ver Anexo 7.3.17  Se cuenta con 4 mapas que muestran los umbrales de alerta (verde, amarilla, naranja y roja) por temperaturas máximas críticas. Ver Anexo 7.3.18  Se cuenta con 4 mapas que muestran los umbrales de alerta (verde, amarilla, naranja y roja) por temperaturas máximas con días consecutivos. Ver Anexo 7.3.19  Se cuenta con 12 mapas a nivel mensual de temperaturas diurnas. Ver Anexo 7.3.20  Se cuenta con 12 Mapas a nivel mensual de temperaturas nocturnas. Ver Anexo 7.3.21  Se cuenta con 5 Mapas de Horas Frío para los meses mayo, junio, julio y agosto. Ver Anexo 7.3.22  Se cuenta con 13 Mapas de evapotranspiración potencial (ETP) 12 a nivel mensual y uno a nivel anual. Ver Anexo 7.3.23  Se cuenta con 13 Mapas de radiación solar 12 a nivel mensual y uno a nivel anual. Ver Anexo 7.3.24  Se cuenta con 12 Mapas a nivel mensual de unidades de calor en base 7ºC. Ver Anexo 7.3.25  Se cuenta con 12 Mapas a nivel mensual de unidades fototérmicas en base 7ºC. Ver Anexo 7.3.26  Se cuenta con 1 documento metodológico, para la construcción de mapas de riesgo agrícola. Ver Anexo 7.3.12  Se cuenta con un documento de Índices Agrometeorológicos para 149 estaciones meteorológicas en Bolivia. Ver Anexo 7.3.13

201

8 MODELOS Y LOS ESCENARIOS DE RIESGO INCORPORADOS A LA PLATAFORMA DEWETRA 8.1 Modelos y escenarios de riesgo en DEWETRA La recopilación detallada, extensa y actualizada información sobre vulnerabilidad es fundamental para llevar a cabo análisis de impacto basado en escenarios. En particular, datos sobre construcción, vida y propiedad recogidos por el censo de 2012 por la institución nacional de Estadística (INE) ha sido obtenido e insertado en la plataforma DEWETRA. Un número relevante de datos y capas fueron proporcionado por el MDRyT, derivado del "ATLAS de riesgo agropecuario y cambio climático para la soberanía alimentaria" emitido por el MDRyT en 2012. Esta información es útil para evaluar el riesgo en la agricultura y la agricultura, sector dos económicamente y socialmente crucial en Bolivia. También información sobre inundación acontecimientos ocurrieron en los últimos años y siempre por el MMAyA ha añadido a la plataforma, junto con los resultados de las simulaciones hidráulicas bidimensional realizada en Villa Tunari (en la cuenca del Río Chapare) y descrito en el capítulo 4.3.1.2. Mientras que la información del INE fue agregada en la plataforma de DEWETRA como un enlace a un WMS original

Acceso a la plataforma de DEWETRA ha proporcionado a las instituciones pertinentes como el MDRyT, MMAyA, SENAMHI y SEARPI, junto con capacitación sobre cómo utilizar la plataforma e insertar nuevos datos cuando sea necesario. Por lo tanto, información sobre la exposición y la vulnerabilidad será, en el futuro, creciendo en número e informado dada la contribución compartida de varias instituciones bolivianas pertinentes involucradas en la gestión del riesgo Hidrometeorológico

8.2 Integración de los escenarios de riesgo a nivel nacional, en la plataforma DEWETRA. Para los pasos de integración de los modelos de escenarios de riesgos en la plataforma DEWETRA tenemos: Recopilación de información: Donde se lista toda la información sobre los escenarios de riesgo proporcionado por los consultores:

202



Mapas Precipitación Máxima (nivel nacional). Ver Anexo: 8.1.1



Mapas de umbrales de alerta (rojo, verde, amarilla y naranja) por déficit de precipitación (nivel nacional). Ver Anexo 8.1.2



Mapas de umbrales de alerta (rojo, verde, amarilla y naranja) por heladas (nivel nacional). Ver Anexo 8.1.3



Mapas de umbrales de alerta (rojo, verde, amarilla y naranja) por precipitación en 1hr (nivel nacional). Ver Anexo 8.1.4



Mapas de umbrales de alerta (rojo, verde, amarilla y naranja) por temperaturas máximas críticas (nivel nacional). Ver Anexo 8.1.5



Mapas de umbrales de alerta (rojo, verde, amarilla y naranja) por temperaturas máximas con días consecutivos. (nivel nacional). Ver Anexo 8.1.6



Mapas de temperatura diurna de los 12 meses (nivel nacional). Ver Anexo 8.1.7



Mapas de temperatura nocturna de los 12 meses (nivel nacional). Ver Anexo 8.1.8



Mapas de temperatura horas frio de los 12 meses (nivel nacional). Ver Anexo 8.1.9



Mapas de evapotranspiración potencial de los 12 meses (nivel nacional). Ver Anexo 8.1.10



Mapas de radiación solar de los 12 meses (nivel nacional). Ver Anexo 8.1.11



Mapas de unidades de calor en base 7°C de los 12 meses (nivel nacional). Ver Anexo 8.1.12



Mapas de unidades fototérmicas de los 12 meses (nivel nacional). Ver Anexo 8.1.13

8.3 Modelos de escenarios de riesgo de Desaguadero, Mamoré y San Juan del Oro. -

Mapas de precipitación Mamoré (12 meses). Ver Anexo 8.2.1

Mapas de temperatura máxima de Mamoré (12 meses). Ver Anexo 8.2.2

Mapas de temperatura mínima del Mamoré (12 meses). Ver Anexo 8.2.3

Mapas de precipitación San Juan del Oro (12 meses). Ver Anexo 8.2.4

Mapas de temperatura máxima San Juan del Oro (12 meses). Ver Anexo 8.2.5

Mapas de temperatura mínima San Juan del Oro (12 meses). Ver Anexo 8.2.6

Mapas de precipitación Desaguadero (12 meses). Ver Anexo 8.2.7

Mapas de temperatura máxima Desaguadero (12 meses). Ver Anexo 8.2.8

Mapas de temperatura mínima (12 meses). Ver Anexo 8.2.9

203

8.4 Pasos Para La Implementación De Los Escenarios De Riesgo. Este acceso no permite acceder por medio el geoserver archivos “Shape Files” (archivos elaborados en software GIS), el cual se prepara para la publicación, DEWETRA tiene una interfaz de publicación en el cual se accede para visualizar los shapefiles de los escenarios de riesgo, en DEWETRA existe tres pasos para la integración de escenarios: Archivos ShapeFile: El formato ESRI Shapefile (SHP) es un formato de archivo informático propietario de datos espaciales desarrollado por la compañía ESRI, quien crea y comercializa software para Sistemas de Información Geográfica como Arc/Info o ArcGIS, son archivos donde están almacenados las capas de escenario de riesgo, Desaguadero, Mamore y San Juan del Oro. Para configurar los archivos SHAPEFILES se necesita contar con los estilos de colores de la capa, estos estilos no se los puede obtener de manera directa del ESRI (programa Arcgis) es por eso que se tiene que usar la herramienta del QGIS para logar generar los estilos compatibles con el geo server. El proceso es el siguiente: PASO1. Preparación de los estilos de colores para la subida al Geo-Server de DEWETRA para la publicación en la plataforma DEWETRA. El estilo de colores se determina por cada SHP de los escenarios de riesgo, para esta conversión de colores tenemos que usar el QGIS, para conseguir un formato SLD que es un formato de color de estilo en el geoserver de DEWETRA. Anexo 8.3.1 (todos los estilos para la implementación en el geoserver formato SLD), Figura 62, Figura 63.

204

Figura 62 Pantalla de QGIS para abrir los SHAPE entregados

Figura 63: Selecciรณn de colores

205

Figura 64 La selecciรณn de colores es una por una de acuerdo al GRIDCODE.

Figura 65 Guardado de los colores en el formato SLD

206

Figura 66 SHAPE para la publicación



PASO 2: Preparación de capas en el Geo Server para la publicación en la plataforma de DEWETRA: GeoServer es un Servidor Web que permite servir mapas y datos de diferentes formatos para aplicaciones Web, ya sean clientes Web ligeros, o programas GIS desktop. Para la preparación de la capa y publicación en el servidor geoserver, se necesita seguir los siguientes pasos: a. El ingreso admin al GEO-SERVER. Figura 67 Ventana de inicio del GEO-SERVER

207

b. Definir el nombre y poner la direcciรณn de la capa SHAPE almacenado en el servidor. Figura 68 Listado de los estilos en el geoserver.

c. Subir los estilos de colores antes de la publicaciรณn de la capa para lograr integrar los colores a la capa. Figura 69 Editor de estilos del Geo-Server

208

Figura 70 Seleccionado del archivo SLD

Figura 71: Vista previa del estilo subido al geo-server

209

Figura 72: Estilo de colores guardado en el servidor

d. Preparaciรณn de la publicaciรณn Figura 73: Pantalla de selecciรณn de capa

210

Figura 74: Selecciรณn de capa (SHAPE file)

Figura 75: Capa seleccionada y publicada

211

Figura 76: Capa guardada

Figura 77: Personalizaciรณn de la publicaciรณn de la capa almacenada

212

Figura 78: Seleccionar el estilo para la capa

Figura 79: Guardar el archivo de publicaciรณn

e. Publicaciรณn: DEWETRA: DEWETRA cuenta con un mรณdulo de publicaciรณn para mostrar las capas e interactuar con las mismas para su publicaciรณn.

213

Figura 80: Ingreso a la interfaz de publicaciรณn de DEWETRA.

Figura 81 Formulario de los datos previos para la publicaciรณn.

214

Figura 82 Guardar la publicación.

Figura 83 Resultado final del proceso de publicación.

8.5 Ajustes y mejoramiento de umbrales para el Modelo FEWS-Bolivia Gracias a un acuerdo de colaboración, una obra de la integración en la plataforma Dewetra de las previsiones del nivel de agua en el río Mamoré se ha iniciado. Fundación CIMA ha desarrollado una herramienta para importar automáticamente el nivel de agua predicha por 215

el modelo W-FLOW en diez (10) estaciones hidrométricas ubicadas en los departamentos de Beni y Cochabamba. Estas previsiones del nivel de agua se mostrarán directamente en la Plataforma DEWETRA junto con otra información útil. A cambio, el modelo W-FLOW podrá ser alimentado por las previsiones meteorológicas WRF, con una resolución mayor que los pronósticos GFS actualmente utilizados por W-FLOW. El marco lógico de intercambio de archivos se explica en la Figura 84. Figura 84 Protocolo de intercambio establecido entre las salidas del modelo meteorológico WRF y el modelo hidrológico W-FLOW

.} Desde noviembre 2015, el SENAMHI, con el apoyo de la Fundación CIMA, ha dado acceso a una carpeta compartida donde se encuentran todas las salidas de pronóstico del modelo WRF generados de manera operativa. Estas salidas puedes ser utilizada operativamente para inicializar los modelos de pronóstico gestionado por FEWS. La carpeta se encuentra disponible desde la red interna del SENAMHI en la dirección: http://192.168.0.13/wrf/ Hasta junio 2016 no ha sido disponible la exportación directa y operativa de los pronósticos generados por el sistema FEWS. Consecuentemente no es posible la visualización de estos resultados en la Plataforma DEWETRA.

216

CONCLUSIONES 

El modelo hidrológico para la Cuenca San Juan del Oro está concluida en un 100% e integrada a DEWETRA.



El modelo de la Cuenca del Desaguadero está concluido al 100%, los resultados requieren un ajuste debido a que el principal aporte de la cuenca proviene de Perú, Lago Titicaca y Chile.



Se ajustaron los umbrales de alerta para estaciones de monitoreo del río Mamoré de acuerdo a sus prioridades.



Se ajustaron los umbrales de alerta para estaciones de monitoreo del río San Juan del Oro.



Los modelos de las cuencas del Chapare y San Juan del Oro se encuentra integrada en la plataforma DEWETRA.



7 caudales medidos y calculados en las cuencas del Desaguadero y San Juan del Oro fueron agregados a la base de datos y utilizados para la modelación hidrológica.

RECOMENDACIONES 

Fortalecer las relaciones con el SENAMHI – FAO para ampliar y dar sostenibilidad a la modelación y ampliar la cobertura del pronóstico a otras cuencas hidrológicas.

217