105339

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Evaluación del modelo Streamflow Prediction Tool: Inundación del río Putumayo en Puerto Asís, Colombia - Junio de 2019 Evaluation of the Streamflow Prediction Tool Model: Putumayo River flooding in Puerto Asís, Colombia - June 2019 by/por

Ing. Ovidio Rivera Rivera 11851359 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor:

Leonardo Zurita Arthos PhD Palmira - Colombia, octubre 12 de 2021

Compromiso de ciencias

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Palmira - Valle, octubre 12 de 2021

Dedicatoria A Dios por darme la sabiduría y vida para afrontar este reto; a mi esposa Luzmila y mis hijos Santiago y Victoria por concederme el tiempo familiar y el constante apoyo; a mis padres y hermanos por la motivación brindada.

Agradecimientos A los docentes de UNIGIS América latina, en especial a mí profesor asignado el Dr. Jorge Rubiano por devolverme la confianza y seguridad que estaba perdiendo, al Centro Internacional de Agricultura Tropical (CIAT) por el apoyo económico y a la iniciativa SERVIR-Amazonia por la oportunidad de trabajar con ellos, a mis amigos y colegas de trabajo en CIAT: Andy Jarvis, Steve Prager, Glenn Hyman, Silvia Elena Castaño, Carlos Nagles por sus palabras de motivación. Un agradecimiento especial al Dr. Jorge Luis Sanchez de la Universidad Brigham Young por el apoyo recibido en plena crisis de pandemia.

5

Resumen Las inundaciones son fenómenos naturales que cada año causan estragos en diferentes partes del mundo ocasionando pérdidas humanas y económicas lamentables; en ese aspecto los modelos hidrológicos desempeñan un rol importante como herramienta de prevención de este fenómeno, ya que ayudan a salvaguardar vidas sobre todo en países en desarrollo que no cuentan con estaciones hidrométricas y tecnología de punta. El propósito de esta investigación fue evaluar los pronósticos del modelo Streamflow Prediction Tool (SPT) durante la inundación ocurrida en Puerto Asís el 21 de junio de 2019 para determinar su eficiencia como herramienta de soporte en la toma de decisiones. Para ello se realizó modelación hidráulica bidimensional con datos de caudal pronosticados por SPT, estas huellas de inundación mapeadas se contrastaron con la inundación registrada a través de procesos de teledetección. Se pudo determinar que los pronósticos realizados por SPT hasta con quince días de anterioridad, eran suficientes para determinar que la inundación ocurriría, además de detallar las zonas que se inundarían, resultado que fue coincidente en gran parte con el mapa de inundación logrado mediante las imágenes Radar SAR Sentinel-1. Con lo anterior se confirmó la importancia del modelo hidrológico SPT para apoyar sistemas de prevención, además que sus pronósticos brindan un nivel de confianza satisfactorio, sobre todo en grandes cuencas fluviales.

Palabras clave: Inundaciones, modelación hidráulica, hidrología, teledetección, radar SAR

6

Abstract Floods are natural phenomena that each year cause havoc in different parts of the world, causing unfortunate human and economic losses; in this regard, hydrological models play an important role as a tool for preventing these phenomena, since they help to safeguard lives, especially in developing countries that do not have hydrometric stations and state-ofthe-art technology. The purpose of this research was to evaluate the forecasts of the Streamflow Prediction Tool (SPT) model during the flood that occurred in Puerto Asís on June 21, 2019, to determine its efficiency as a support tool in decision-making. For this, twodimensional hydraulic modeling was carried out with flow data predicted by SPT, these mapped flood tracks were contrasted with the flood registered through remote sensing processes. It was possible to determine that the forecasts made by SPT up to fifteen days in advance were sufficient to determine that the flood would occur, in addition to detailing the areas that would be flooded, a result that was largely consistent with the flood map obtained through the images Radar SAR Sentinel-1. With the above, the importance of the SPT hydrological model to support prevention systems was confirmed; in addition to that, its forecasts provide a satisfactory level of confidence, especially in large river basins.

Keywords: Floods, hydraulic modeling, hydrology, remote sensing, radar SAR

7

Tabla de Contenidos 1.

INTRODUCCIÓN ........................................................................................... 13 1.1

ANTECEDENTES .................................................................................. 15

1.2

OBJETIVOS ............................................................................................ 17

1.2.1

Objetivo general .................................................................................. 17

1.2.2

Objetivos específicos ........................................................................... 17

1.3

PREGUNTAS DE INVESTIGACIÓN ................................................... 18

1.4

HIPÓTESIS ............................................................................................. 18

1.5

JUSTIFICACIÓN .................................................................................... 18

1.6

ALCANCE .............................................................................................. 19

2.

REVISIÓN BIBLIOGRAFICA....................................................................... 21 2.1

MARCO TEÓRICO ................................................................................ 21

2.1.1

Inundaciones ........................................................................................ 21

2.1.2

Inundaciones en la Amazonia .............................................................. 21

2.1.3

Hidrología ............................................................................................ 23

2.1.4

Modelación hidrológica ....................................................................... 24

2.1.5

Hidráulica ............................................................................................ 25

2.1.6

Modelación hidráulica ......................................................................... 25

2.1.7

Teledetección ....................................................................................... 26

2.2

MARCO METODOLÓGICO ................................................................. 31

2.2.1

Modelo Streamflow Prediction Tools (SPT) ....................................... 31

2.2.2

El modelo HEC-RAS .......................................................................... 33

2.2.2.1. Modelación hidráulica usando HEC-RAS...................................... 34 2.2.2.2. Modelización unidimensional (1D) ................................................ 35 2.2.2.3. Modelización bidimensional (2D) .................................................. 37 2.2.3

Mapeo de inundaciones usando radar de apertura sintética ................ 38

2.2.4

Análisis e interpretación de mapas ...................................................... 41

3.

METODOLOGÍA............................................................................................ 42 3.1

ÁREA DE ESTUDIO .............................................................................. 43

3.2

PROCESO METODOLÓGICO .............................................................. 44

3.2.1

Selección de evento de inundación ...................................................... 44

8 3.2.2

Modelación hidráulica con HEC-RAS ................................................ 45

3.2.2.1. Recopilación de datos ..................................................................... 46 3.2.2.2. Pre-procesado ................................................................................. 47 3.2.2.3. Ejecución del modelo ..................................................................... 49 3.2.2.4. Huella de inundación ...................................................................... 49 3.2.3

Mapeo de inundación usando Radar SAR Sentinel-1 ......................... 49

3.2.3.1. Recopilación de imágenes .............................................................. 50 3.2.3.2. Pre-procesado de imágenes Radar SAR Sentinel-1 ....................... 50 3.2.3.3. Clasificación supervisada ............................................................... 52 3.2.3.4. Mapa de inundación ....................................................................... 52 3.2.4 4.

Análisis comparativo de mapas ........................................................... 53

RESULTADOS Y ANÁLISIS ........................................................................ 54 4.1

RESULTADOS ....................................................................................... 54

4.1.1

Huellas de inundación ......................................................................... 54

4.1.2

Mapa de inundación............................................................................. 58

4.1.3

Contrastación de mapas ....................................................................... 59

4.2

ANÁLISIS DE RESULTADOS .............................................................. 64

5.

CONCLUSIONES ........................................................................................... 69

6.

REFERENCIAS .............................................................................................. 71

7.

ANEXOS ......................................................................................................... 78

9

ACRÓNIMOS 1D 2D ASF CEPAL CNM CORPOAMAZONIA DANE DCD DEM DNP ECMWF EFAS ESA ESRI FAO FEWS GLOFAS GRDH HEC-RAS HIMAT IDEAM IGAC LiDAR NASA ND NWM OMM RADAR RAPID SAR SIG SNAP SNGRD SPT UNEP UNGRD USAID VH VV

Unidimensional Bidimensional Alaska Satellite Facility Comisión Económica para América Latina y el Caribe Centro Nacional de Modelación Corporación para el Desarrollo Sostenible del Sur de la Amazonia Departamento Administrativo Nacional de Estadística Dirección de Censos y Demografía Digital Elevation model (Modelo Digital de Elevación) Departamento Nacional de Planeación European Centre for Medium Range Weather Forecasts European Flood Awareness System Agencia Espacial Europea Environmental Systems Research Institute Food and Agriculture Organization Flood Early Warning System (Sistema de Alertas Tempranas) Global Flood Awareness System Ground Range Detected in High resolution Hydrological Engineering Center – River Analysis System Instituto Colombiano de Hidrología Meteorología y Adecuación de Tierras Instituto de Hidrología, Meteorología y Estudios Ambientales Instituto Geográfico Agustín Codazzi Laser Imaging Detection and Ranging National Aeronautics and Space Administration Nivel digital National Water Model (Modelo Nacional del Agua) Organización Meteorológica Mundial Radio Detection and Range Routing Application for Parallel Computation of Discharge Synthetic Aperture Radar Sistema de Información Geográfico Sentinel Application Platform Sistema Nacional de Gestión de Riesgos de Desastres Streamflow Prediction Tool Programa de las Naciones Unidas para el Medio Ambiente Unidad Nacional para la Gestión del Riesgo de Desastres U.S. Agency for International Development Polarización transmitida vertical y recibida horizontal Polarización transmitida vertical y recibida vertical

10

Lista de tablas Tabla 1. Características principales de RADAR ................................................................. 28 Tabla 2. Reporte de Emergencias 2014-2019 ...................................................................... 45 Tabla 3. Datos de pronóstico para el canal principal ........................................................... 46 Tabla 4. Características de las imágenes SAR Sentinel-1 ................................................... 50

11

Lista de figuras Figura 1. Climograma de Puerto Asís ................................................................................. 22 Figura 2. Ciclo del agua a nivel de cuenca hídrica. ............................................................ 24 Figura 3. Polarización Vertical (VV) y Horizontal (HH) .................................................... 29 Figura 4. Angulo de incidencia........................................................................................... 30 Figura 5. Mecanismos de retrodispersión ............................................................................ 30 Figura 6. Cadena operativa de GloFAS ............................................................................... 32 Figura 7. Hidrograma SPT .................................................................................................. 33 Figura 8. Geometría para modelación 1D ........................................................................... 37 Figura 9. Flujograma metodológico .................................................................................... 42 Figura 10. Ubicación del área de estudio ............................................................................ 43 Figura 11. Perfil topográfico del río .................................................................................... 44 Figura 12. DEM Alos Palsar cortado al área de estudio ...................................................... 47 Figura 13. Geometría creada en RAS Mapper ..................................................................... 48 Figura 14. Hidrograma de flujo del canal principal para el día 1 ........................................ 49 Figura 15. Sección de la imagen original con área de estudio resaltada ............................. 51 Figura 16. Datos de caudal pronosticados para cada drenaje: (A) 1 día de anticipación; (B) 5 días de anticipación; (C) 10 días de anticipación; (D) 15 días de anticipación. ....... 54 Figura 17. Extensión de la inundación y profundidad - Pronóstico 1 día. .......................... 55 Figura 18. Extensión de la inundación y profundidad - Pronóstico 5 días. ......................... 56 Figura 19. Extensión de la inundación y profundidad - Pronóstico 10 días. ....................... 56 Figura 20. Extensión de la inundación y profundidad - Pronóstico 15 días. ....................... 57 Figura 21. Variación del cauce del río Putumayo cerca a Puerto Asís ................................ 57 Figura 22. Mapa de composición RGB ............................................................................... 58 Figura 23. Contrastación de las extensiones de inundación ................................................ 59 Figura 24. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a un día. .................................................................................................. 60 Figura 25. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a cinco días. ............................................................................................ 61 Figura 26. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a diez días. .............................................................................................. 62

12 Figura 27. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a quince días. .......................................................................................... 63

13

1.

INTRODUCCIÓN

Las inundaciones son el fenómeno natural más recurrente en el mundo, estos eventos representaron el 43.4% del total de los desastres naturales relacionados con el clima entre 1998 y 2017, en este mismo periodo este fenómeno afectó a dos billones de personas en el mundo (Wallemacq et al., 2018). Lo anterior evidencia cómo las inundaciones afectan trágicamente a las poblaciones y refleja la importancia de sistemas que puedan anticiparse a estos sucesos. Según Snow et al. (2016), los sistemas de advertencia con la capacidad de predecir inundaciones con varios días de anticipación tienen el potencial de beneficiar a millones de personas.

De acuerdo con los índices mostrados por el Departamento Nacional de Planeación (DNP, 2019), en Colombia el 88% de los desastres naturales para ese mismo periodo correspondieron a fenómenos hidrometeorológicos, el panorama nacional también enseña que cada año en promedio 2,800 viviendas son destruidas y 160 personas mueren por causa de estos fenómenos. A nivel regional, los datos consolidados por la Unidad Nacional para la Gestión del Riesgo de Desastres (UNGRD, 2016), muestran que las inundaciones en la Amazonía colombiana afectan principalmente a los departamentos de Putumayo y Caquetá.

Solamente en el departamento de Putumayo entre 1999 y 2019 se presentaron 170 eventos de inundación, de los cuales 35 ocurrieron en Puerto Asís, municipio en el que se encauza esta investigación.

Por consecuencias como las anteriormente mencionadas muchos gobiernos, organismos internacionales y centros de investigación han concentrado su interés en promover la innovación de herramientas que permitan evaluar y pronosticar estos fenómenos, por eso desde la aparición de los primeros estudios hidrológicos en la década de los 60’s se vienen perfeccionando los análisis del comportamiento de los ríos y del clima, enfocándose en la predicción de estas manifestaciones hidrológicas. Actualmente, gracias a los avances tecnológicos en informática y las mejoras en los modelos hidrometeorológicos, se ha permitido el uso de modelos globales para apoyar la toma de decisiones en los recursos hídricos a nivel local (Nelson et al., 2019). Estas iniciativas ayudan sobre todo a países que sufren cada año afectaciones asociadas a fenómenos hidrológicos y que a su vez presentan

14 escasez de recursos tecnológicos, como estaciones hidrométricas. Entendiendo que no existen modelos que simulen a perfección las inundaciones (Cabrera, 2012), pero que juegan un papel muy importante para la humanidad, esta investigación se enfoca en la evaluación de los pronósticos del modelo global Streamflow Prediction Tool (SPT) durante inundación del río Putumayo al municipio de Puerto Asís en Junio de 2019 para determinar su eficiencia como herramienta de soporte en la toma de decisiones, por ello se han planteado los siguientes interrogantes: ¿Cómo comprobar la habilidad y confianza de los pronósticos del modelo SPT para anticiparse a eventos de inundación a escala local?, ¿Cuáles son los requerimientos para que un sistema de prevención de inundaciones coadyuve en la toma de decisiones?; para responder estos cuestionamientos se propone realizar modelación hidráulica con los datos de pronóstico de SPT con 1, 5, 10 y 15 días de anticipación al evento de inundación y realizar un análisis comparativo con las áreas de inundación observadas a través de procesos de teledetección.

El hallazgo en este estudio permitirá a organismos gubernamentales y de gestión de riegos de desastres desarrollar soluciones apoyadas por el modelo SPT para apoyar la toma de decisiones sobre riesgos hidrológicos, procurando salvaguardar la vida de las personas; también ayudará a los desarrolladores de la universidad de Brigham Young observar el comportamiento del modelo a escala local en eventos reales de inundación.

Para llevar a cabo el estudio, se ha estructurado el trabajo en 5 capítulos. En el capítulo 1 se desarrolla el contexto general de la investigación. El capítulo 2 trata sobre el apoyo teórico y conceptual que sustenta la investigación. En el capítulo 3 se desarrollarán las metodologías que permitirán llegar a los resultados y conclusiones que serán los capítulos 4 y 5 respectivamente.

15

1.1

ANTECEDENTES El programa SERVIR-Amazonia1, en el cual está enmarcada esta investigación,

estableció desde su inicio la prioridad en el uso de información que brindan los satélites de observación terrestre y de tecnologías geoespaciales para cumplir con sus objetivos principales. De esta manera, la idea de poner a prueba un modelo hidrológico global para establecer su habilidad en la predicción de inundaciones en la región amazónica se ajusta a los principios de la iniciativa.

Los eventos hidrometeorológicos han aumentado drásticamente en Colombia en los últimos 30 años, siendo las inundaciones el fenómeno de mayor ocurrencia y que más pérdidas económicas y sociales deja. Nada más entre el 2011 y 2012 las peores inundaciones de la historia dejaron perdidas alrededor de 11.2 billones de pesos según los reportes de la Comisión Económica para América Latina y el Caribe (Cepal, 2012). En la región de la Amazonía las inundaciones han golpeado principalmente a municipios del piedemonte amazónico2, incluyendo la cabecera de Puerto Asís que está en zona de transición (CORPOAMAZONIA, 2008), ahí, según los datos de UNGRD (2016) se presentan inundaciones periódicamente desde hace 20 años. Solo en junio del 2019 el municipio sufrió una inundación por avenida torrencial que dejó afectaciones a 1,300 familias. Durante ese mismo mes se presentaron índices de precipitación entre 120 y 160% por encima de lo normal, de acuerdo al reporte del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM, 2019). Las consecuencias de las inundaciones en esta región se masifican debido al asentamiento de población en zonas bajas y cercanas a ríos, también por las actividades que ejercen, dado que provocan cambios drásticos en el uso del suelo; esto contrasta con lo dicho por Singh et al. (2018), que atribuyen este fenómeno directamente a las precipitaciones extremas, al cambio climático y al desarrollo urbano no planificado. El desarrollo de modelos hidrológicos que realicen predicciones son esenciales para la

1

SERVIR-Amazonia forma parte de SERVIR Global, una iniciativa conjunta de desarrollo entre la National Aeronautics and Space Administration (NASA) y U.S. Agency for International Development (USAID).

2

Los mayores grados de amenaza para la región suramazónica colombiana se presentan en las zonas de piedemonte, donde se concentra la mayor cantidad de población y su infraestructura económica y equipamiento social. Dentro de esta categoría se localiza, entre otros, la cabecera del municipio Puerto Asís.

16 atenuación de desastres, además, son importantes como medio de apoyo para la gestión de los recursos hídricos y para minimizar las pérdidas causadas por las inundaciones según la Organización Meteorológica Mundial (OMM, 2009). Desde la década de los 70’s se presentaron los primeros acercamientos en modelización, en ese momento se hizo estimación de la variación de los recursos hídricos a escala mundial por Lvovitch (citado en Melgarejo y Fernández-Aracil, 2019). Desde aquel entonces ha venido evolucionando la modelación hidrológica, encontrando en el 2003 a WaterGAP-2, un modelo más sofisticado, en él, se combinan dos componentes principales, un modelo global de uso del agua y un modelo hidrológico global, con ellos se estima la disponibilidad de agua a nivel de cuenca (Alcamo et al., 2003).

Por su parte Snow et al. (2016) presentaron un método para enrutar el conjunto de pronósticos de escorrentía global y la escorrentía histórica global generada por ECMWF3 utilizando la aplicación Routing Application for Parallel computatIon of Discharge (RAPID4) para producir pronósticos de flujo de 15 días de alta resolución espacial. También desarrollaron una aplicación web para visualizar resultados analizados. Este modelo ha tenido gran acogida dentro de la comunidad científica.

Actualmente hay un sin número de modelos buscando simular los procesos hidrológicos en cualquier parte del mundo, sin embargo, Beven (citado por Cañón Hernández, 2019) menciona que los modelos no pueden representar totalmente la realidad, por ende, llevan un grado de incertidumbre. Como los modelos hidrológicos son imperfectos es necesario realizar casos de estudio para determinar la habilidad o desempeño en un área determinada.

Desde esta perspectiva hay una gran infinidad de investigaciones donde se han puesto a prueba diversos modelos hidrológicos, solo por citar algunos:

Dankers et al. (2007) realizaron simulaciones climáticas para impulsar el modelo hidrológico LISFLOOD evaluando el peligro de inundación en la cuenca del Alto Danubio en Europa

3

European Centre for Medium Range Weather Forecasts (ECMWF), es una organización intergubernamental independiente apoyada por 34 estados.

4 Es un modelo de enrutamiento fluvial. Dada la afluencia de aguas superficiales y subterráneas a los ríos, este modelo puede calcular el flujo y el volumen de agua en todas partes en redes fluviales

17 Central, encontrando una simulación realista del régimen de descarga promedio en el Alto Danubio.

Alfieri et al. (2013) evaluaron el desempeño del modelo Global Flood Awareness System (GLOFAS) durante un período de prueba de dos años y un análisis cualitativo de un caso estudio para la inundación de Pakistán en el verano de 2010, demostrando que los eventos peligrosos en las grandes cuencas fluviales pueden ser detectados hábilmente con un horizonte de previsión de hasta un mes. Los mismos autores, en 2014, hicieron una evaluación del Sistema Europeo de Concienciación sobre Inundaciones (EFAS, por sus siglas en inglés) en cada punto de cuadrícula de la red fluvial europea, encontrando que las predicciones hábiles se encuentran en ríos medianos y grandes en todo el rango de 10 días y que en promedio, el rendimiento disminuye significativamente en las cuencas fluviales con áreas aguas arriba inferiores a 300 km2, en parte debido a la subestimación de la escorrentía en las zonas montañosas (Alfieri et al., 2014).

En la investigación de Zarzar et al. (2016), usaron los pronósticos del Modelo Nacional del Agua (NWM, por sus siglas en inglés) como datos de entrada en HEC-RAS para cuantificar y visualizar la incertidumbre del modelo NWM asociada con mapas simulados de inundación. El área de estudio fue una cuenca hidrográfica altamente urbanizada a lo largo de Darby Creek en Filadelfia, Pensilvania (EE-UU).

Los resultados de este estudio

demuestran el potencial de incorporar y visualizar mapas simulados de inundación.

1.2

OBJETIVOS

1.2.1 Objetivo general Evaluar los pronósticos del modelo SPT durante la inundación ocurrida en Puerto Asís el 21 de junio de 2019 para determinar su eficiencia como herramienta de soporte en la toma de decisiones.

1.2.2 Objetivos específicos • Determinar zonas inundables mediante modelación hidráulica usando pronósticos de caudal con 1, 5, 10 y 15 días de anticipación a la inundación ocurrida.

18 • Reconstruir las áreas de inundación a través de procesos de teledetección.

• Realizar un análisis comparativo entre las inundaciones halladas en la modelación hidráulica y la observada en procesos de teledetección.

1.3

PREGUNTAS DE INVESTIGACIÓN • ¿Cómo comprobar la habilidad y confianza de los pronósticos del modelo SPT para anticiparse a eventos de inundación a escala local?

• ¿Cuáles son los requerimientos para que un sistema de prevención de inundaciones coadyuve en la toma de decisiones?

1.4

HIPÓTESIS • Las predicciones del modelo hidrológico global SPT, son determinantes en la prevención de inundaciones a escala local, como la acontecida en Puerto Asís el 21 de junio de 2019.

1.5

JUSTIFICACIÓN Desde que se creó el Sistema Nacional de Gestión de Riesgos de Desastres (SNGRD)

en el 2012, los reportes de las inundaciones muestran afectaciones a 92,429 personas y aproximadamente 19,331 familias en el municipio de Puerto Asís. Esto sumado a la falta de estudios y mecanismos para anticiparse a estos sucesos evidencia la clara necesidad de crear estrategias e implementar metodologías para el análisis de riesgos de inundación; aún más cuando el gobierno nacional responsabiliza a las entidades nacionales la elaboración y ejecución de planes específicos de acción para la gestión del riesgo (Ley 1523, 2012). Por otra parte, los esfuerzos nacionales por realizar estudios de modelación hidrológica e hidráulica con fines de generar alertas tempranas en tiempo real se enfocan principalmente en otras regiones de Colombia, del mismo modo se puede observar que los sensores de las estaciones del sistema de pronósticos hidrológicos y alertas de tempranas de Colombia (FEWS) cerca a Puerto Asís muestran inestabilidad en sus reportes, en el apartado de anexos se observa una consulta realizada en Julio de 2020 en la cual se detalla la ausencia de datos.

En este sentido, las pruebas de modelos hidrológicos que se logren realizar en esta región pueden coadyuvar en la toma de decisiones referentes a los pronósticos de inundaciones.

19 Según Pappenberger et al. (2015), los sistemas de predicción de inundaciones proporcionan información vital a las autoridades ayudando en la reducción de pérdidas y vidas. Por otro lado, la Food and Agriculture Organization (FAO, s. f.) menciona que las inundaciones traen problemas de inseguridad alimentaria y enfermedades, lo que demuestra aún más la importancia de las predicciones.

El fenómeno del cambio climático ha generado un incremento en las amenazas meteorológicas e hidrológicas según el Programa de las Naciones Unidas para el Medio Ambiente (UNEP, 2012), lo que supone una mayor necesidad por los modelos hidrológicos de predicción, pero comprendiendo que no existe un modelo hidrológico universal que se pueda aplicar a cualquier parte del mundo, se hace necesario determinar la habilidad de los modelos localmente. Tao y Lennox (1994) mencionan que para fines de aplicación no es necesario desarrollar de un modelo de predicción de caudales desde lo básico, dado que en la actualidad hay un sin número para distintos escenarios, pero recalcan que es necesario conseguir una forma de evaluarlos y seleccionarlos para cada aplicación individual. Por lo tanto, esta investigación será útil para determinar si los organismos locales y nacionales responsables de la prevención y gestión de desastres pueden apoyarse en el modelo SPT como herramienta de pronóstico.

Dicho todo lo anterior, esta investigación surge entonces de la necesidad que hay en esta región del Putumayo por tener mecanismos adicionales para apoyar la toma de decisiones referente al tema de inundaciones, también, por la de evaluar el modelo SPT a escala local.

Por otra parte, se alinea a los principios de la iniciativa Servir Amazonia.

1.6

ALCANCE Esta investigación se centra en la evaluación de los pronósticos de caudal del modelo

SPT por medio de programas de modelización hidráulica, teledetección y el uso de SIG, no en la validación o análisis del modelo hidrológico. Para ello se trabajará sobre un evento de inundación real registrado el 21 de junio de 2019 en Puerto Asís por el río Putumayo. Los alcances están definidos por los objetivos planeados; en los cuales se abordarán mapeos de la inundación mediante modelación hidráulica empleando los caudales pronosticados por el modelo SPT para el canal principal (Río Putumayo) y tres canales tributarios. Posteriormente

20 se hará una comparación de estos mapas de inundación con el mapa resultante en procesos de teledetección. El estudio se realizará sobre un tramo de 67 km del Río Putumayo sobre el municipio de Puerto Asís, específicamente entre las veredas de Agua Negra y Los Camios, con delimitación de márgenes de acuerdo a las áreas susceptibles a inundación determinadas por IDEAM (2010).

21

2.

2.1

REVISIÓN BIBLIOGRAFICA

MARCO TEÓRICO En los siguientes apartados se detallarán las principales temáticas y procedimientos

que servirán para dar cumplimiento a los objetivos propuestos en esta investigación.

2.1.1 Inundaciones Muchas definiciones se han dado acerca de lo que se considera inundación. Para esta investigación se ha adoptado la definición encontrada en el Glosario Hidrológico Internacional que define inundación como: “Desbordamiento del agua fuera de los confines normales de un río o cualquier masa de agua y/o la acumulación de agua procedente de drenajes en zonas que normalmente no se encuentran anegadas” (OMM, 2012, p. 127). De acuerdo con Díez-Herrero et al. (2008), las inundaciones se pueden clasificar en naturales, inducidas y antrópicas. Las naturales se clasifican a su vez en terrestres y litorales. En las inundaciones terrestres se encuentran las vinculadas a la red fluvial y las no vinculadas. Las vinculadas se presentan básicamente de cuatro tipos: Las torrenciales o súbitas, las crecientes lentas, rotura de presas y obstrucción de canales. En este estudio se tratará una inundación de tipo torrencial, las cuales se caracterizan por: responder rápidamente a la ocurrencia de precipitaciones fuertes en las partes altas de las cuencas, por el aumento del nivel de agua de metros en pocas horas, también por el tiempo de permanencia de las aguas que usualmente se dan en horas o pocos días (IDEAM, 2014).

2.1.2 Inundaciones en la Amazonia Las inundaciones representan las principales amenazas hidrometeorológicas en la región amazónica colombiana, estas afectan principalmente las zonas de piedemonte dado que ahí se concentra la mayor cantidad de población e infraestructura. Puerto Asís se encuentra en zona de transición entre la llanura y el piedemonte, las inundaciones que se presentan en esta parte de la región se caracterizan según Robertson y Castiblanco (2011), por ser de origen fluvio-volcánico y torrencial. Otro aspecto relevante es el impacto de la variabilidad climática; en la región, el régimen pluviométrico es monomodal (Figura 1), caracterizado por tendencias secas de diciembre a febrero, una corta transición en marzo y

22 temporada de fuertes lluvias hacia mitad de año con picos de precipitación entre abril y junio y un leve incremento de lluvias en octubre, en los meses de intensas lluvias las precipitaciones extremas sobrepasan en ocasiones los 200 milímetros en 24 horas, lo que incide en una mayor amenaza para la zona (Guzmán et al., 2014).

Figura 1. Climograma de Puerto Asís Tomada de Climate-Data.org (s.f.)

Aparte de las condiciones propias de la climatología local, las inundaciones son fenómenos que también se desarrollan y magnifican por la conjugación de factores de relieve e hidrogeológicos, pero también por la influencia de actividades humanas (HIMAT et al., 1993). En la zona de piedemonte el patrón de drenaje es principalmente subparalelo, en este sector predominan los ríos trenzados, los cuales se caracterizan por cambiar su cauce por colmatación, haciendo que el curso divague permanentemente (CORPOAMAZONIA, 2008). En las llanuras, el patrón de drenaje es principalmente subdendrítico a subparalelo, aunque hay sectores con un patrón paralelo. El cauce de un alto porcentaje de los cuerpos de agua es meándrico, característica de los ríos aluviales e indicador de la baja capacidad de transporte de sedimentos, lo que hace más incierto el coeficiente de resistencia o de rugosidad (Rocha, 1998). Las inundaciones que se producen son de lenta a larga duración y afectan extensas áreas. Sedimentológicamente, en la parte central de la región, predominan los sedimentos arenosos gruesos, mientras que hacia el oriente disminuye el tamaño del

23 grano hasta arenas finas, encontrando también limos y arcillas. Esta parte de la región tiene una baja pendiente y cubre una extensa área, incidiendo en la amplitud del tiempo de concentración. En esta parte de la cuenca es frecuente la presencia de madreviejas y cauces abandonados (CORPOAMAZONIA, 2008). Estos cursos bajos se caracterizaban en la primera mitad del siglo XX por tener un trazado anastomosado (trenzado), sin embargo, desde la última mitad del siglo XX la intervención antrópica, desencadenó una intensa simplificación de los cauces. Es así como la deforestación hace desaparecer el efecto de "esponja" de la capa vegetal y la compactación y erosión disminuyen la capacidad de infiltración de los suelos. Por consecuencia se tiene de inmediato un aumento del índice de escorrentía superficial y la disminución de los tiempos de concentración provocando que las crecidas sean más rápidas, más violentas y de mayor energía (Calvache Fajardo, 2020; HIMAT et al., 1993).

2.1.3 Hidrología La hidrología según la U.S. Federal Council for Science and Technology en 1962, se define como: “La ciencia que trata de las aguas de la tierra, su ocurrencia, circulación y distribución, sus propiedades físicas y químicas y su influencia sobre el medio ambiente, incluyendo su relación con los seres vivos” (citado en Campos Aranda, 1984, cap. 1.2). La hidrología está sujeta al estudio del ciclo del agua, a los cambios de estado y forma que experimenta en la naturaleza, es frecuente definir la hidrología como la ciencia que se ocupa del estudio del ciclo hidrológico (Chereque Morán, 1989). Teniendo en cuenta estas definiciones se puede entender como el estudio de las inundaciones implica la interacción de los fenómenos que ocurren en una cuenca (Figura 2).

24

Figura 2. Ciclo del agua a nivel de cuenca hídrica.

Tomada de Vich (1996)

2.1.4 Modelación hidrológica Un modelo es una representación simplificada de la realidad (Fernández et al., 1997).

En el estudio de la hidrología, “Los modelos hidrológicos se presentan como una necesidad y una herramienta para conocer mejor el funcionamiento y el comportamiento de las diferentes componentes del ciclo hidrológico” (Cabrera, 2017, Pt. 1). La aplicación de modelos tienen diferentes finalidades, en algunos casos para entender el ciclo del agua en una cuenca, para explorar condiciones futuras (pronósticos), para modelar procesos como calidad el agua, entre otros (Cabrera, 2017). La teoría sobre tipos de modelos es muy amplia, no obstante se destacan los matemáticos dada su capacidad de representar un sistema real en forma de expresión matemática, además los avances de la computación han elevado su desarrollo (Fernández Mejuto et al., 1997). Existen una diversidad de modelos y diferentes formas de clasificación, sin embargo, Cabrera (2017) los calificó de acuerdo a tres características básicas:

(1) De acuerdo a la conceptualización de los procesos básicos; pueden ser empíricos, conceptuales o basados en procesos. (2) De acuerdo a la naturaleza de los algoritmos básicos; pueden ser determinísticos o estocásticos. (3) De acuerdo a su representación espacial; pueden ser agrupados o distribuidos (Pt. 6).

25 Los modelos hidrológicos desempeñan un papel muy importante en la prevención de inundaciones. Según Jorquera et al. (2012), estos buscan representar los diferentes procesos involucrados en la distribución de la lluvia y la generación de caudales en una determinada cuenca, esa es la premisa del modelo evaluado en esta investigación.

2.1.5 Hidráulica Según la OMM (2012), “la hidráulica es la rama de la mecánica de fluidos que estudia el flujo de agua (u otros líquidos) en conducciones y cursos de agua abiertos” (p. 164). La hidráulica desde el punto de vista fluvial se encarga de la problemática de los ríos, su morfología, dinámica de sedimentos, el transporte y estabilidad de cauces (Nava Hernández y Cortés Bow, 2009).

2.1.6 Modelación hidráulica La modelación hidráulica está ligada a la modelación hidrológica, mientras la segunda busca estimar la cantidad de agua que entra en un sistema, la primera intenta determinar o representar cómo es el movimiento de la misma dentro del sistema, además de calcular a partir de la resolución de métodos numéricos los valores que toman las variables hidráulicas (altura, velocidad, etc.) con la ventaja de poder representarlas de forma espacial y temporal (Guarniz Muñoz, 2014; IDEAM y CNM, 2017). La modelación matemática del flujo de agua es una aproximación de la realidad, la finalidad en esta investigación es observar cómo se comportó el cauce del río Putumayo durante un evento de inundación real, esta vez usando caudales pronosticados por SPT.

Son muchas las consideraciones y aspectos que se deben tener en cuenta para realizar mapeo de extensión de peligro de inundación mediante modelación hidráulica, sin embargo, las técnicas de computación han optimizado la salida a problemas numéricos complejos y están siendo utilizados en muchos componentes de ingeniería, entre ellos la hidráulica (Pathan y Agnihotri, 2020). Actualmente gracias a los avances de la computación y a la disponibilidad de modelos digitales de elevación se pueden representar las elevaciones sobre un terreno permitiendo el acoplamiento de modelos hidráulicos con sistemas de información geográfica (SIG) para determinar la extensión de una inundación (Timbe Castro y Willems, 2011).

Existen muchos tipos de modelos para representar la realidad hidráulica, pero se destacan

26 principalmente los modelos físicos y matemáticos, los primeros básicamente buscan representar la realidad a una escala determinada y simplificada. Los segundos, utilizan ecuaciones y expresiones matemáticas para definir el fenómeno de estudio, en estos últimos se encuentran tres tipologías diferentes, los determinísticos, los estocásticos y los de simulación numérica, a esta última categoría pertenecen la mayoría de programas informáticos de simulación hidráulica (citado por Parra, 2016). En un programa informático como estos se basará la modelación hidráulica de esta investigación. En general, “los modelos matemáticos, en el área de la hidráulica, buscan desarrollar soluciones eficientes a las ecuaciones de Saint Venant, las cuales, describen el comportamiento del flujo basados en términos de principios de continuidad (balance de masa) e impulso” (IDEAM, 2018, p. 29).

Otro aspecto relevante para la modelización de inundaciones es el tipo de modelación hidrodinámica (1D o 2D). Los modelos 1D están basados en las ecuaciones de Saint Venant para calcular la superficie libre del agua para flujo estacionario y no estacionario en canales abiertos, por su parte, los modelos 2D están basados en las ecuaciones de conservación de la masa y momento expresadas en dos dimensiones, los resultados se calculan en cada punto de la malla de la zona de estudio (Timbe Castro y Willems, 2011).

Cabe resaltar que los mapas de inundación generados en la modelación hidráulica tienen un amplio uso en los procesos de toma de decisiones, sin embargo, de acuerdo con Lim (2018), los procesos de producción de estos tienen imperfecciones e incertidumbres en la extensión de inundación asociadas a la resolución del Modelo Digital de Elevación (DEM, por sus siglas en inglés) y los datos de rugosidad empleados en el modelado, sin embargo, la autora destaca estos mapas como herramientas valiosas para obtener información, ya que ayudan a prever y planificar lo que puede suceder durante una inundación.

2.1.7 Teledetección La teledetección, también conocida como percepción remota (del inglés remote sensing), se trata de la captura de información de la superficie terrestre sin que exista un contacto directo entre el objeto observado y el observador (Castaño Fernández et al., 1996).

En esta investigación el objeto observado son las inundaciones provocadas por el río Putumayo. Por su parte, (Chuvieco, 1996) define la teledetección como:

27

Aquella técnica que permite adquirir imágenes de la superficie terrestre desde sensores instalados en plataformas espaciales, suponiendo que entre la tierra y el sensor existe una interacción energética, ya sea por reflexión de la energía solar o de un haz energético artificial, ya por emisión propia. A su vez, es preciso que ese haz energético recibido por el sensor se trasmita a la superficie terrestre, donde la señal detectada pueda almacenarse y en última instancia, ser interpretada para una determinada aplicación (p. 27).

Dentro de los satélites de observación de la tierra los sensores se clasifican en pasivos y activos. Por esta razón las imágenes de satélite pueden ser ópticas o de RADAR (Radio Detection And Range). Las ópticas son suministradas por los sensores pasivos y se caracterizan por recibir radiación emitida o reflejada por la tierra, mientras que las de RADAR son suministradas por el sensor activo (RADAR), caracterizados por realizar detección y medidas de distancias por ondas de radio (IDEAM y CNM, 2017). Sobre estas últimas se hará más énfasis, aunque esta investigación no pretende realizar una descripción profunda sobre el amplio tema de la teledetección, pero si rescatar la importancia de esta tecnología en el mapeo de inundaciones.

Actualmente, RADAR es la tecnología más divulgada para monitoreo de fenómenos terrestres, dada su capacidad de observación incluso penetrando la nubosidad y otras perturbaciones atmosféricas, llegando también a captar imágenes terrestres a cualquier hora del día (Fernández-Ordoñez et al., 2020). Debido a estas bondades los datos radar están siendo muy usados para la detección de zonas inundadas logrando resultados favorables.

Según la guía metodológica para la elaboración de mapas de inundación del IDEAM (2017), un sistema de RADAR posee tres funciones primarias: (1) Emite señales de microondas hacia una escena. (2) Recibe la fracción de energía reflejada por la escena en su misma dirección y (3) Observa la intensidad (detección) y el retardo de tiempo (distancia) de las señales o eco de retorno (p. 34).

28 Un RADAR consta fundamentalmente de un transmisor, un receptor, una antena, un sistema de almacenamiento de datos y uno de procesamiento. La antena alternadamente transmite y recibe pulsos de microondas de longitudes de onda definidas comprendidas en el rango de 1 cm a 1m y polarizadas en un plano vertical u horizontal. Esta tecnología ha estado en constante evolución procurando mejorar la medición de distancias y las velocidades para obtener información útil de objeto lejanos, es así como aparece la tecnología Radar SAR (Synthetic Aperture Radar) (IDEAM y CNM, 2017).

Las imágenes de radar están compuestas por pixeles, cada uno de los cuales representa el eco proveniente de un área sobre la tierra: zonas oscuras en la imagen representan bajo retorno de energía hacia el radar, zonas brillantes corresponden a alto retorno, este retorno está condicionado por una serie de factores que influyen en la intensidad de la imagen, o más concretamente, en la magnitud de coeficiente de retrodispersión; algunos de estos factores son dependientes de los parámetros del sistema, otros dependientes de los parámetros del área de interés y finalmente otros resultantes de las interacciones entre los anteriores (De Mata, 2019; IDEAM y CNM, 2017). En cuanto a parámetros del sistema se encuentran, la longitud de onda, la polarización y el ángulo de incidencia; longitud de onda, depende del tipo de banda con que opere el sensor, los sensores habituales de captación emiten en longitudes de onda que oscilan entre 2.4 y 30 cm. La Tabla 1 muestra la relación de los diferentes tipos de banda y su aplicabilidad.

Tabla 1. Características principales de RADAR Tomada de De Mata (2019)

BANDA

LONGITUD DE

FRECUENCIA

APLICACIÓN

ONDA (CM)

(GHZ)

X

2.4 – 3.8

12.5 – 8

C

3.8 – 7.5

8–4

S

7.5 – 15

4–2

Meteorología

L

15 – 30

2–1

Agricultura, humedad del suelo, forestal

Civil, militar, meteorología Estudio del océano, agricultura, cambios en la superficie terrestre

Por otro lado, la polarización está definida como la dirección de propagación de la onda perpendicular a la dirección del campo, los radares pueden transmitir y recibir señales en

29 polarización horizontal (H) o polarización vertical (V) (Figura 3). Los sensores Sentinel-1, por ejemplo, pueden transmitir y recibir señales tanto horizontal como verticalmente (De Mata, 2019).

Figura 3. Polarización Vertical (VV) y Horizontal (HH) Tomada de Podest (2017)

El ultimo parámetro del sistema que incide en la calidad de la imagen es el ángulo de incidencia (Figura 4), el cual está formado por el haz de luz del radar y una línea perpendicular a la superficie del terreno (IDEAM y CNM, 2017), es dependiente de la altura a la que se encuentre el sensor y de la geometría del área a captar, de ahí que influya en la intensidad del pixel y en la interpretación por cambios relativos a la luminosidad (Chapman et al., 2015).

30

Figura 4. Angulo de incidencia Left: ESA, Right: Ulaby et al. (1981a) (citado en Podest, 2017)

Los factores dependientes ligados a las condiciones del área de estudio, están determinados por: la constante dieléctrica, el grado de aspereza y ubicación de los objetos; la constante dieléctrica es una propiedad de los materiales que indica la reflectividad y conductividad, por ejemplo, los objetos en la tierra en estado seco tienen valores que oscilan entre 2 y 10, mientras que el agua puede llegar hasta 80; todos estos factores inciden en la señal reflejada, ya que la señal de radar es sensible a la estructura de la superficie, una superficie aparecerá áspera o lisa en relación a la escala de las variaciones de la superficie a la longitud de onda (Figura 5); estas interacciones de la señal de radar se pueden resumir en cuatro mecanismos de retrodispersión (Podest, 2017).

Figura 5. Mecanismos de retrodispersión Tomada de Podest (2017)

El mecanismo de doble rebote representa quizá una problemática al momento de determinar vegetación densa inundada, de acuerdo con Carreño y De Mata (2019), la presencia de vegetación riparia masiva y el crecimiento vertical de vegetación genera una dispersión de

31 doble rebote o una dispersión de volumen, lo que implica mayores limitaciones de captación de ciertas áreas inundadas sobre todo utilizando sensores con longitudes de onda corta.

2.2

MARCO METODOLÓGICO Las necesidades por mitigar los impactos producidos por las inundaciones han dejado

teorías y metodologías que permiten evaluar no solo los daños ocasionados post evento, sino preverlos con anterioridad para contrarrestar los efectos. En esta investigación se usará la modelación hidráulica empleando el software HEC-RAS, usando como insumo de entrada caudales de pronóstico del modelo SPT y un DEM; también se hará uso de la teledetección mediante la tecnología Radar SAR para recrear áreas inundadas.

2.2.1 Model Streamflow Prediction Tools (SPT) SPT es un modelo hidrológico a escala global que busca realizar pronósticos de caudal en todos los ríos del mundo a alta resolución. El Modelo tiene dos componentes de pronóstico; uno histórico basado en ERA Interim (base histórica) y uno de pronóstico; el primero permite realizar simulaciones deterministas basado en el resultado de un re-análisis atmosférico global producido por ECMWF con datos desde 1980 hasta diciembre de 2014 (35 años) para todo el mundo. El segundo está basado en un conjunto de modelos hidrológicos probabilísticos que generan 51 pronósticos de escorrentía diferentes para los principales ríos del mundo en una red global (J. L. Sánchez, comunicación personal, 3 de marzo de 2020).

SPT está basado en el modelo europeo GloFAS (Figura 6), un modelo que utiliza como datos de entrada las predicciones meteorológicas de 51 miembros del ECMWF, condiciones hidrometeorologícas iniciales, datos de topografía, propiedades del suelo, capas de ríos, etc, para luego procesarlos en dos modelos HTESSEL y Lisflood. HTESSEL simula todos los procesos de la superficie (precipitación, evapotranspiración, deshielo, infiltración en el suelo, etc) para convertir a escorrentía, finalmente se transita la escorrentía mediante el modelo Lisflood generando pronósticos de caudal en los ríos para 30 días a una resolución de 0.1 grados (10*10 km) (Souffront et al., 2019).

32

Figura 6. Cadena operativa de GloFAS Tomada de ECMWF (2016)

Las mejoras de SPT están dadas por la forma como se genera la reducción de escala, para lo cual usaron la caja de herramientas RAPID de ESRI (Environmental Systems Research Institute) y enrutaron la escorrentía utilizando el modelo RAPID, un modelo numérico que se basa en el método Muskingum, RAPID logró crear con éxito una forma de adaptar eficientemente el método Muskingum a cualquier red fluvial, lo que permitió generar previsiones de flujo de 15 días de alta resolución espacial (Snow, 2015).

Adicional a las mejoras del modelo realizadas por miembros de la universidad Brigham Young, un equipo de la misma universidad diseñó una aplicación web usando la plataforma Tethys, la cual permite acceder de forma libre a los pronósticos, haciendo clic en el drenaje de interés, automáticamente una ventana emergente muestra el hidrograma (Figura 7) que incluye interacciones comunes como acercar o alejar y la descarga de datos en formato CSV. El hidrograma incluye los períodos de retorno de 2, 10 y 20 años para proporcionar contexto de cuánta agua es demasiado para un alcance específico. Los 51 conjuntos se muestran utilizando estadísticas que incluyen la media, mínima, máx. y la desviación estándar. Una tabla de superación porcentual también muestra la probabilidad de un valor de flujo específico que supera un período de retorno basado en la predicción en cada conjunto individual (Souffrontt al., 2019).

33

Figura 7. Hidrograma SPT

2.2.2 El modelo HEC-RAS HEC-RAS (Hydrological Engineering Center - River Analysis System) es un programa de modelización hidráulica desarrollado por el Hydrologic Engineering Center del US Army Corps of Engineers, es de uso libre, gratuito, de operación amigable y con soporte continuo de actualización, hechos que lo han posicionado a nivel mundial. HEC-RAS permite simular los flujos de agua en canales artificiales o cauces naturales, es ideal para realizar estudios de inundación, ya que ayuda a determinar el nivel de agua en diferentes puntos, así como las velocidades, entre otros parámetros (Parra, 2016).

La nueva versión (HEC-RAS v-5) tiene soporte para modelación bidimensional (2D) basado en la resolución de las ecuaciones de Saint Venant y de Onda Difusa para simular la inundación de la llanura de inundación, determinar la elevación de la superficie del agua y la distribución de la velocidad de las inundaciones (Ezzine et al., 2020). Además permite realizar análisis de flujo constante unidimensional, cálculos de flujo inestable unidimensional y bidimensional, cálculos de transporte de sedimentos y modelado de la calidad del agua (Brunner y CEIWR-HEC, 2016).

34 El portal academia ingnova5 destaca las principales características de HEC-RAS 5.0 (Academia IngNova, s. f.): •

Resuelve las ecuaciones de Saint Venant y Onda Difusa para dos dimensiones.

•

Modeliza mediante el método de los Volúmenes finitos implícitos.

•

Incorpora un algoritmo para resolver el acoplamiento de modelos 1D y 2D.

•

Permite modelizar mallas estructuradas y no estructuradas.

•

Mejora en los tiempos de cálculo debido al aprovechamiento de varios procesadores en ordenadores de 32 y 64 bits.

•

La modelización es más precisa en los cauces y en las planicies de inundación.

•

El interfaz de visualización de RAS Mapper permite la visualización detallada de los resultados y el movimiento.

2.2.2.1.

Modelación hidráulica usando HEC-RAS

En apartados anteriores se mostró que los modelos matemáticos de simulación numérica han logrado un aporte valioso en el desarrollo de programas de simulación hidráulica, actualmente HEC-RAS es en uno de los programas más usados en el mundo para realizar mapas de inundación usando modelación hidrodinámica 1D y/o 2D. Citando estudios, Mosquera-Machado y Ahmad (2007) realizaron evaluación del peligro de inundación del río Atrato en Colombia usando modelación hidráulica con HEC-RAS combinado con otras técnicas. En su estudio lograron estimar la profundidad máxima de agua alcanzada por el río y la extensión de la inundación. Por su parte en Bolivia, Moya et al. (2016) usaron la nueva versión de HEC-RAS para aplicar simulación numérica 2D en el análisis de inundación en la Amazonia boliviana, encontrando incluso un mejor desempeño en la inundación simulada que la encontrada en la imagen satelital del evento. En Túnez, Ezzine et al. (2020) realizaron mapeo de inundaciones en la cuenca Medjerda usando modelado hidráulico e imágenes Sentinel-1, encontrando que la simulación muestra buenos resultados cuando se comparó con la extensión de las inundaciones observadas por la imagen Sentinel-1. Mihu-Pintilie et al. (2019) usaron datos LiDAR de alta densidad y modelado

5

https://academia.ingnova.es/

35 hidráulico 2D para mejorar los mapas de peligros de inundaciones urbanas Esta combinación demostró ser un método eficiente para mejorar la distribución espacial de las inundaciones.

Finalmente el consorcio DGP - CONCEP (2015) utilizó modelación bidimensional con HEC-RAS para los estudios de navegabilidad del río Putumayo. Estas investigaciones demuestran la utilidad de HEC-RAS en la modelación hidráulica.

El modelo HEC-RAS es capaz de modelar perfiles de superficies de agua de regímenes de flujo mixto, subcrítico y supercrítico. Para lo cual se requiere de una topografía detallada del cauce, con la cual es posible estimar de forma confiable los perfiles de flujo que circulan por el cauce. El modelo hidráulico requiere adicionalmente de unas condiciones de borde y de unas condiciones iniciales, ya que se trata de un esquema de solución por diferencias finitas (Brunner y CEIWR-HEC, 2016).

Con HEC-RAS 5 se pueden realizar modelaciones hidrodinámicas 1D, completamente 2D o un híbrido 1D2D. Los modelos 1D se componen de una serie de secciones transversales que describen la topografía del río y la llanura aluvial, si bien los modelos 1D funcionan bien en el cauce principal, el modelado 2D ha demostrado estimar mejor los flujos en llanuras aluviales topográficamente complejas, donde el flujo se considera en gran medida bidimensional (Cea y Bladé, 2008). Los modelos 2D consisten por lo general en una malla (cuadrícula computacional 2D) que representa el terreno en forma de celdas; a diferencia de 1D, los modelos 2D necesitan datos topográficos continuos, pero gracias al desarrollo tecnológico los datos topográficos de alta resolución han aumentado significativamente en los últimos años, favoreciendo el desarrollo de los modelos hidráulicos 2D (Betsholtz y Nordlöf, 2017). Los modelos hídricos 1D2D corresponden entonces a una combinación de los dos modelos, considerando 1D para el canal principal y 2D para las llanuras de inundación.

2.2.2.2.

Modelización unidimensional (1D)

La modelación unidimensional (1D) ha sido y es la más utilizada, en esta sección se presentan los conceptos básicos del programa HEC-RAS para realizar modelación 1D. La modelación 1D de flujo no permanente se resuelve mediante las ecuaciones de continuidad y momento utilizando un esquema de solución de diferencias finitas semi-implícito. Un

36 modelo 1D HEC-RAS consta de datos geométricos, que describen las propiedades geométricas del área de estudio (geometría del canal), el flujo (Caudal) y/o datos de escenario que conforman las condiciones de contorno del modelo (Betsholtz y Nordlöf, 2017).

La geometría del canal puede constar de uno o varios tramos de río, que están conectados en uniones. Los datos de geometría necesarios para describir el sistema son la conectividad del tramo del río, los datos de geometría de la sección transversal y los datos que describen las estructuras hidráulicas del sistema. Las secciones transversales consisten en datos de elevación de la estación que describen el perfil del terreno a lo largo de un trayecto perpendicular a la dirección del flujo. Las secciones transversales se pueden dividir en secciones del canal principal y de orilla con diferentes propiedades de rugosidad. Las propiedades hidráulicas del sistema dependen en gran medida de las secciones transversales, y estos son elementos clave en las simulaciones hidráulicas (Betsholtz y Nordlöf, 2017; Brunner, 2016). La geometría mínima que se necesita crear contiene entonces: las secciones transversales (XS Cut Lines), el canal por donde circula el río (Stream Centerline), el límite del cauce del río (Bank lines) y el límite de inundación (Flow Path Centerline) (Figura 8).

En consideración a las condiciones de contorno, estas dependen del régimen de flujo, si la simulación es de estado estable o dependiente del tiempo, se requieren condiciones de frontera en uno o ambos extremos de un tramo. Cuando se realizan cálculos de flujo inestable, las condiciones de contorno deben especificarse en ambos extremos de un tramo.

La condición de frontera aguas arriba puede consistir en un hidrograma de flujo, un hidrograma de etapa o un hidrograma combinado de etapa y flujo. La condición de límite aguas abajo puede consistir en una etapa o un hidrograma de flujo, una curva de clasificación o como una suposición de profundidad normal. Si se supone una profundidad normal, se utiliza la ecuación de Manning para calcular la profundidad del agua. Además de las condiciones de contorno necesarias para realizar los cálculos, los hidrogramas de flujo se pueden ingresar lateralmente a lo largo de un tramo. Las entradas laterales se pueden agregar como un hidrograma de flujo que ingresa en una sola sección transversal, o como un hidrograma que se distribuye uniformemente en varias secciones transversales (Brunner, 2016).

37

Figura 8. Geometría para modelación 1D Tomado de Parra (2016)

Finalmente, una vez creada la geometría e introducidas las condiciones de contorno, se procede a realizar la simulación para régimen no permanente, en el cual se debe especificar el tiempo de simulación, el motor de cálculo resuelve las ecuaciones de continuidad y momento utilizando una aproximación linealizada en diferencias finitas (Brunner, 2016).

2.2.2.3.

Modelización bidimensional (2D)

Algunos autores indican que los modelos hidráulicos 2D son la tecnología de punta para la modelación de inundaciones (Timbe Castro y Willems, 2011); Por su parte, Moya Quiroga et al. (2016) lo consideran como una gran herramienta para simular y analizar inundaciones, sobre todo cuando no hay conocimiento de las características de la inundación.

La modelación bidimensional requiere al igual que la 1D, escoger el tipo flujo que se quiere analizar (permanente o no permanente), la geometría del canal, las condiciones de contorno y datos de rugosidad6. Una de las grandes diferencias, es que este tipo de simulación requiere

6

El coeficiente de rugosidad de Manning es un índice el cual determina la resistencia de un flujo en un canal.

38 un DEM para construir el terreno del área de investigación, ya que en dos dimensiones el río ya no se discretiza como una línea con una serie de secciones transversales, sino como una malla formada por una serie de celdas poligonales que representan la topografía del cauce y llanuras de inundación, el desarrollo de la malla es necesaria para introducir los datos de elevación y la cota de cada punto del terreno, la malla puede ser regular o irregular, estructurada o no estructurada; la mayor flexibilidad para una buena representación de la geometría y contornos se suele conseguir con una malla irregular (Bladé et al., 2014). Las celdas computacionales de una determinada malla pueden ser triángulos, cuadrados, rectángulos o polígonos de hasta 8 lados como máximo.

Las condiciones de contorno externas se presentan igualmente que en 1D (hidrograma de flujo, hidrograma de etapa, curva de clasificación y profundidad normal), adicionalmente la precipitación también puede ser una condición de límite interno, aunque se debe ingresar como precipitación efectiva donde se eliminan los efectos de la evaporación e infiltración, dado que estas actualmente no pueden modelarse en HEC-RAS (Betsholtz y Nordlöf, 2017).

Por último, se corre la simulación como flujo no permanente, se escogen adicionalmente los análisis de salida, entre los cuales está el preprocesador de geometría, el simulador de flujo inestable, el post procesador y el Mapeo de la planicie de inundación, se establece la fecha de inicio y final, se establece los intervalos de computación, el intervalo de salida de hidrograma y el intervalo de salida detallado (Brunner, 2016).

2.2.3 Mapeo de inundaciones usando radar de apertura sintética Los avances tecnológicos en los satélites de observación terrestre y la liberación de imágenes satelitales como Sentinel-1 han permitido el acercamiento de estas tecnologías en muchos campos de investigación relacionados con la detección y análisis de la cobertura terrestre, entre otros, mapeos de inundaciones (Nandalal et al., 2010). Según Priya et al.

(2018), en la actualidad las investigaciones sobre inundaciones son importantes debido a los asentamientos humanos descontrolados y al desarrollo en las llanuras aluviales, en ese orden de ideas, Brivio et al. (2002) destacan los sistemas de radar como una herramienta principal para la evaluación en tiempo real de áreas inundadas, debido a su capacidad exclusiva de penetración de nubes, aspecto que se restringe con los datos ópticos dado las malas condiciones climáticas que se presentan durante y después de las inundaciones. En particular

39 los sistemas de Radar SAR se han convertido en la herramienta preferida para el mapeo de inundaciones, gracias a que la reflexión especular genera un retorno homogéneo bajo la señal de radar, lo que permite realizar segmentación de cuerpos de agua abiertos de una manera práctica, principalmente en lugares con baja densidad de vegetación y follaje escaso (Grimaldi et al., 2020; Lorenzo y Davila-Hernandez, 2018). Según Henderson y Lewis (2008) y Hess et al. (1990) para lograr mejores resultados en el mapeo de inundaciones sobre vegetación densa se requiere mayor profundidad de penetración de la señal SAR, por lo que recomiendan longitudes de onda más largas como las encontradas en la banda L.

Las imágenes de Radar SAR crudas presentan distorsiones radiométricas y geométricas que requieren corrección, estas distorsiones se deben a oscilaciones aleatorias de la señal devuelta al sensor debido a la interacción de la onda emitida con las superficies rugosas del terreno; los siguientes pasos de pre-procesamiento para la producción de mapas de inundación han sido considerados en algunas investigaciones: calibración radiométrica, ortorectificación de los datos, corrección radiométrica del terreno, filtrado de moteado (Chapman et al., 2015; Grimaldi et al., 2020; Priya et al., 2018).

Una vez realizado el pre-procesamiento de las imágenes se puede determinar las áreas de inundación empleando metodologías como clasificación supervisada y no supervisada automática, combinación RGB con imágenes anteriores y posteriores al evento o la técnica de los umbrales de detección o calibración (Carreño y De Mata, 2019). De acuerdo con las metodologías propuestas por EO College (2017) y Priya et al. (2018), la combinación RGB y la clasificación supervisada, implican procedimientos como: •

Generación de Subset: Es una técnica que permite delimitar y centrarse en el área

de estudio, generando subconjuntos de las imágenes originales, lo que permite optimizar el tiempo del pre-procesamiento (EO College, 2017).

•

Calibración Radiométrica: La calibración radiométrica rectifica los errores que se

producen debido al azimut del sol, la elevación y las condiciones atmosféricas (Priya et al., 2018). Es un cálculo que consiste en convertir los valores o Niveles Digitales (DN) a coeficientes de retrodispersión (Song et al., 2007), en este proceso se obtiene para

40 cada celda el valor de intensidad de retrodispersión del radar y se generan nuevas bandas para las dos polarizaciones VH (transmisión vertical, recepción horizontal) y VV (transmisión vertical, recepción vertical), siendo la banda resultante σ0 (sigma) la que aporta una mejor separación entre las zonas terrestres de aquellas con presencia de agua (Bioresita et al., 2018; Tavus et al., 2018) •

Reducción de Ruido Speckle: “El speckle es un ‘ruido’ granular que existe

inherentemente y degrada la calidad de las imágenes de SAR”, lo cual hace presentar un efecto de sal y pimienta en las imágenes (Podest, 2017). Es necesario la corrección de dicho ruido para realizar análisis de manera óptima, para lo cual Lee en 1981 propone la aplicación de un filtro con el fin de, reducir ruidos radiométricos basándose en la aplicación de medidas estadísticas (Ordoñez Castro, 2019).

•

Corrección geométrica de terreno: La corrección geométrica tiene como finalidad

localizar la imagen en la Tierra (geocodificación) y corregir distorsiones del terreno (Grimaldi et al., 2020).

•

Metodología Composición RGB: Este método se basa en encontrar las diferencias que existen entre las imágenes pre y post evento; para ello se crea una imagen compuesta de múltiples bandas entre estas dos imágenes preprocesadas (stack), luego se realizan combinaciones de bandas en cada uno de los colores primarios RGB (Red – Green – Blue); el resultado es una imagen multitemporal que indica el cambio en los valores de retrodispersión en el tiempo (Amitrano et al., 2019; EO College, 2017; Tavus et al., 2018)

•

Clasificación supervisada: Son técnicas de clasificación que se realizan para

identificar un grupo homogéneo de píxeles asignando los conjuntos de datos de entrenamiento. En la clasificación supervisada, la información de una imagen SAR preprocesada se extrae en función de la característica de los píxeles en dos etapas (entrenamiento y clasificación de píxeles), cada píxel se clasifica bajo una característica particular en la etapa de clasificación dada. Dentro de estas técnicas se destacan: Random forest, G.KNN classifier, H.KD-Tree KNN classifier, Maximum Likelihood classifier y Minimum distance to mean classifier (Priya et al., 2018).

41

2.2.4 Análisis e interpretación de mapas La cartografía ha sido empleada por el hombre de forma trascendental en la vida cotidiana y científica (Carrascal, 2007). Según la International Cartographic Association (ICA, 2003), la cartografía es una disciplina relacionada con la concepción, producción, diseminación y estudio de mapas7. Teniendo en cuenta los aspectos anteriores, los mapas se convierten entonces en medios que permiten ver la realidad de lo que tiene o se presenta en un territorio. Según Carrascal (2007), los mapas se consideran herramientas potenciales para el trabajo científico, ya que ayudan a determinar las propiedades geométricas de los objetos y sus relaciones especiales con cierto grado de exactitud. De acuerdo con Salitchev (1990), el método cartográfico de investigación utiliza diferentes opciones del uso de mapas: análisis directo de mapas independientes, análisis comparativo de mapas de diferentes temáticas para un solo territorio, análisis comparativo de mapas de diferentes épocas para el mismo territorio, estudio comparativo de Mapas-Análogos, análisis relacionado con la transformación de la representación cartográfica, desintegración de la representación cartográfica en los componentes. El mismo autor indica que para el estudio de los fenómenos representados en los mapas hay cuatro tipos de análisis: visual, cartométrico, gráfico y matemático El análisis visual es el método más usado, este se caracteriza por tener en cuenta aspectos cualitativos, el resultado del análisis visual puede ser una descripción de los fenómenos estudiados; el análisis cartométrico está relacionado con mediciones y cálculos de las características cuantitativas; por su parte el análisis gráfico consiste en la investigación de fenómenos por medio de gráficos, como, modelos simbólicos, perfiles, diagramas, bloques; finalmente el análisis matemático se usa en los estudios de fenómenos, los cuales se puede representar en los mapas como un conjunto homogéneo de valores que cambian en el espacio.

7

Un mapa es una representación simbolizada de la realidad geográfica, y está diseñado para usarse cuando las relaciones espaciales son de importancia primordial.

42

3.

METODOLOGÍA

La metodología empleada en esta investigación se detalla en el flujograma metodológico (Figura 9), en él se destacan tres procesos fundamentales para el desarrollo de los objetivos propuestos del capítulo 1. Inicialmente se realizó la selección del área de estudio teniendo en cuenta los eventos de inundación, posteriormente se plantearon dos procesos fundamentales. En el primero se realizó modelación hidráulica para mapear la extensión del riesgo hidráulico, este proceso determinó lo que pudo haber ocurrido en aquel momento. Un segundo proceso señaló mediante teledetección las áreas inundadas reales.

Finalmente se contrastaron los hallazgos obtenidos mediante los dos procesos anteriores, permitiendo comparar lo modelado con la representación de la realidad.

Figura 9. Flujograma metodológico

Este flujograma está fundamentado en el marco teórico y metodológico y conforma una estrategia ágil y eficiente que permitió cumplir con los objetivos propuestos.

43

3.1

ÁREA DE ESTUDIO El área de estudio corresponde a un tramo de 67 km del río Putumayo en el municipio

de Puerto Asís Colombia. Inicia en la vereda Agua Negra, pasa por el caso urbano del municipio y termina en la vereda Los Camios (Figura 10). Para efectos de esta investigación se delimitan las márgenes del río de acuerdo con las áreas susceptibles a inundación (generalizada) determinadas por IDEAM (2010).

Figura 10. Ubicación del área de estudio

El municipio de Puerto Asís está ubicado al sur de Colombia en el departamento de Putumayo y forma parte de la región amazónica. El casco urbano del municipio se localiza aproximadamente a los 00°29'36" de latitud norte y 76°30'15" de longitud oeste. De acuerdo con el Instituto Geográfico Agustín Codazzi (IGAC, 2016), Puerto Asís tiene un área de 2,610 km² y limita al Norte con Puerto Caicedo y Puerto Guzmán (Putumayo), al Este con

44 Puerto Leguízamo (Putumayo), al Sur con la República del Ecuador y al Oeste con San Miguel (La Dorada), Valle del Guamuez (La Hormiga) y Orito (Putumayo). Las cifras indican que la población es de 64,867 habitantes, de los cuales 25,966 se encuentran en zona rural (DCD y DANE, 2018). El municipio presenta un clima cálido, la humedad relativa promedio anual es de 85%, la temperatura promedio de 24.9 °C y precipitación anual de 3,850 mm (Climate-Data.org, s. f.). Topográficamente la totalidad de sus territorios son planos o ligeramente ondulados, según el DEM remuestreado de ALOS PALSAR, el cauce principal se caracteriza por tener una pendiente suave de 0.045 (Figura 11), una morfología serpenteante y un ancho que varía entre 100 y 400 metros.

Figura 11. Perfil topográfico del río

3.2

PROCESO METODOLÓGICO

3.2.1 Selección de evento de inundación El municipio de Puerto Asís ha sufrido inundaciones provocadas por el río Putumayo de manera recurrente en los últimos 20 años como se detalló en el capítulo 1, sin embargo, la selección del evento de inundación para esta investigación se debió ajustar a la disponibilidad de los datos de pronóstico del modelo SPT, los cuales están desde 2014.

Conforme a lo anterior, se acudió a explorar noticias en la web sobre inundaciones durante los últimos seis años en Puerto Asís que involucraran al Río Putumayo como drenaje

45 principal, esto ayudó a identificar tres eventos significativos que posteriormente se validaron con los reportes de emergencia realizados por la UNGRD. De esta forma se obtuvo un resumen (Tabla 2) que muestra las afectaciones y pérdidas causadas, permitiendo seleccionar la inundación ocurrida el 21 de junio de 2019, dada la magnitud de las consecuencias, además de la extensión, que involucró el caso urbano de puerto Asís y un total de dieciséis veredas en las márgenes del río.

Tabla 2. Reporte de Emergencias 2014-2019 Adaptado de: UNGRD (2016)

FECHA

PERSONAS AFECTADAS

FAMILIAS AFECTADAS

VIV.DES TRU.

3/13/2014

1,500

300

VIV.AV ERIAD AS 300

7/15/2014

1,080

216

216

7/2/2014

25

5

5

7/23/2015

1,902

550

5/18/2015

550

111

7/20/2016

5,000

1,000

6/14/2016

130

26

21

12

111

5/29/2016 1/11/2018 6/21/2019

3,127

1,300

8

150

DRENAJES

# LOCALIDAES AFECTADAS

Río Putumayo, Agua Negra y Singuiña Río Caquetá, Río Putumayo Río Putumayo Río Putumayo, San Miguel y Acae Río Putumayo Río Putumayo Río Putumayo Río Putumayo sin reporte

1(Casco urbano)

Río Putumayo

1(Casco urbano) + 20 veredas

6 veredas aprox.

1(Casco urbano) 16 veredas

7 veredas aprox.

1(Casco urbano) 1(Casco urbano) 1(Casco urbano) 1(Casco urbano)

3.2.2 Modelación hidráulica con HEC-RAS Los avances en modelación hidráulica con capacidades 2D logrados por el Centro de Ingeniería Hidrológica del Cuerpo de Ingenieros del Ejército de Los Estados Unidos con el software HEC-RAS han permitido usar este tipo de modelación bidimensional en esta investigación, este tipo de modelación representa una herramienta poderosa para toma de decisiones, especialmente para medidas preventivas de inundación. Este software actualmente es uno de los más usados para simular inundaciones. En el capítulo 2 se mostraron sus múltiples ventajas, dentro de las cuales se destaca el acoplamiento de modelos

46 hidráulicos con modelos digitales de elevación para determinar extensiones de inundación, además de las mejoras en la herramienta RAS Mapper que permite realizar toda la geometría de la modelación sin depender de otros programas (Moya Quiroga et al., 2016; Parra, 2016; Timbe Castro y Willems, 2011).

3.2.2.1.

Recopilación de datos

Para la modelación hidráulica 2D se usaron datos históricos de caudal pronosticados por el modelo SPT, estos fueron provistos por el Dr. Jorge Luis Sánchez de la universidad Brigham Young. Gracias a su contacto se logró obtener los datos de pronóstico crudos para la zona de estudio y para la fecha de interés, dado que los resultados de las predicciones en la plataforma online están disponibles solamente por una semana. Es importante aclarar que los datos de caudal obtenidos para el drenaje principal y tributarios corresponden a los pronósticos de caudal realizados por cada uno de los 51 miembros de ECMWF; los datos contemplan los pronósticos de cada uno de los 51 miembros del ensamble para uno y hasta quince días de anticipación al evento. Acorde con los objetivos propuestos se filtraron los datos para los días de pronóstico 1, 5, 10 y 15; también se determinó trabajar con el promedio de las 51 predicciones de cada miembro del ensamble tal cual como se disponen los datos desde la plataforma SPT. La Tabla 3 muestra el resumen de los datos de pronóstico para el canal principal, considerando datos desde el 16 hasta el 21 de junio de 2019, día en que se reportó la inundación. Para la modelación también fue necesario usar un DEM, para ello, se consideró Alos Palsar (Hi-Res terrain corrected) dado que ofrece una mejor resolución (12.5 metros) para apoyar la construcción de la geometría (Figura 12).

Tabla 3. Datos de pronóstico para el canal principal DÍA DE PRONÓSTICO FECHA

1

5

10

15

16-JUN

430.46

537.15

653.71

660.39

17-JUN

835.26

646.31

625.99

718.24

18-JUN

695.16

1223.89

750.19

944.19

19-JUN

957.32

1609.29

952.47

884.07

20-JUN

859.92

1060.34

989.74

1021.03

21-JUN

1090.22

769.15

1095.61

1034.39

47

Figura 12. DEM Alos Palsar cortado al área de estudio

3.2.2.2.

Pre-procesado

Para la creación de la geometría fue necesario importar el DEM Alos Palsar a RAS Mapper y definir el área de flujo del río, para lo cual se usó una generalización de las áreas susceptibles a inundación determinadas por el IDEAM (2010). Se definieron las condiciones de contorno aguas arriba para el canal principal y los tres tributarios, además de aguas abajo del canal principal. Se preparó una malla regular compuesta por 339,158 celdas, con un tamaño de celda promedio de 901 m2 (Figura 13). El valor del coeficiente de rugosidad se estableció en 0.035 para el canal principal de acuerdo al criterio hallado en el estudio de navegabilidad del rio Putumayo realizado por el consorcio Construcciones Civiles Estudios y Proyectos S.A.S (DGP - CONCEP, 2014).

48

Figura 13. Geometría creada en RAS Mapper

Las condiciones de contorno para las aguas arriba se modelaron como hidrogramas con intervalos de tiempo de un día, empezando el día 16 de junio, hasta el 21 de junio a las 24:00 horas. La figura 14 muestra el hidrograma de flujo de aguas arriba del canal principal para el primer día de pronóstico. Se consideró el límite de corriente aguas abajo con una condición de flujo normal porque la pendiente del río Putumayo en este tramo es muy suave, como lo indica el cálculo de la pendiente entre la parte alta y baja de la zona de estudio, la cual se determinó por debajo de 0.01%.

49 SA: RIO BCLine: aguas_arriba1 1100

Legend Flow

1000

Flow (m3/s)

900

800

700

600

500

400 2400

1200 17Jun2019

2400

1200 18Jun2019

2400

1200 19Jun2019 Date

2400

1200 20Jun2019

2400

1200 21Jun2019

2400

Figura 14. Hidrograma de flujo del canal principal para el día 1

3.2.2.3.

Ejecución del modelo

Para la ejecución del modelo se crearon cuatro planes de análisis de flujo inestable, en los que se consideró la misma geometría y los datos de caudal para los días de pronóstico (1,5,10,15) objeto de esta investigación; también se configuró un intervalo de simulación de 30 segundos, considerando que la malla está formada por celdas de 30x30 metros.

3.2.2.4.

Huella de inundación

Después de ejecutar los múltiples planes en HEC-RAS, se generaron tres mapas por cada plan de simulación en formato ráster: profundidad del agua, velocidad del flujo y elevación de la superficie del agua. Sin embargo, para efectos de esta investigación solo se tendrá presente la profundidad del agua para determinar las áreas inundadas.

3.2.3 Mapeo de inundación usando Radar SAR Sentinel-1 En apartados anteriores se mostró la importancia y el poder de la detección remota usando el RADAR de apertura sintética para el monitoreo de inundaciones, esas ventajas motivaron su uso en esta investigación, además por la posibilidad de adquirir imágenes de libre acceso. También se evidenció que esta tecnología presenta algunas distorsiones que requieren de un pre-procesamiento, en los siguientes apartados se desarrollará cada uno de

50 los pasos fundamentales para reconstruir las áreas inundadas durante el evento de inundación. En esta investigación el mapeo de inundación representa la realidad de lo que ocurrió por eso tiene gran importancia en la contrastación con la modelación hidráulica.

3.2.3.1.

Recopilación de imágenes

En esta investigación se usan imágenes SAR de Sentinel-1 disponibles a través de la plataforma de Alaska Satellite Facility (ASF). Los satélites Sentinel-1 de la Agencia Espacial Europea (ESA) son parte del programa Copernicus que tiene como objetivo realizar observaciones autónomas de la tierra. Las imágenes descargadas en la plataforma son de tipo GRDH (Ground Range Detected in High resolution), es decir, tienen proyecciones terrestres y son de alta definición, estas imágenes se caracterizan por tener una resolución de 10 m.

Gracias a la periodicidad de 12 días del satélite, se lograron encontrar imágenes pre-evento y post-evento (véase Tabla 4). De acuerdo a la metodología de combinación RGB (Carreño y De Mata, 2019; EO College, 2017; Tavus et al., 2018), la imagen pre-evento sirve como referencia y registro de áreas permanentemente inundadas, mientras que la imagen postevento sirve para establecer las diferencias con la imagen inicial.

Tabla 4. Características de las imágenes SAR Sentinel-1

PRE EVENTO

POST EVENTO

SENSOR

Sentinel 1B - C-Band (5.4 Ghz)

Sentinel 1B - C-Band (5.4 Ghz)

FECHA DE ADQUISICIÓN

FEB-09_2019

JUN-21-2019

TIPO DE PRODUCTO

Level 1 GRDH

Level 1 GRDH

MODO DE ADQUISICIÓN

IW

IW

POLARIZACIÓN

VV+VH

VV+VH

DIRECCIÓN DE ÓRBITA ÁNGULOS DE INCIDENCIA ÓRBITA ABSOLUTA

Descendente

Descendente

30.70 – 46.00

30.70 – 46.00

14868

16793

3.2.3.2.

Pre-procesado de imágenes Radar SAR Sentinel-1

Como se constató en la revisión bibliográfica, cada uno de los productos Sentinel-1 IW GRDH requieren de pre-procesos para reducir las distorsiones radiométricas, geométricas y moteado. Según Priya et al. (2018), esto garantiza la compatibilidad entre las

51 propiedades espectrales, espaciales y temporales de las imágenes de satélite. Los preprocesos se realizaron mediante el software SNAP (Sentinel Application Platform), una aplicación desarrollada por la ESA que contiene un conjunto de herramientas especialmente para Sentinel y que permiten el procesado y análisis de imágenes. El primer paso consiste en crear un subconjunto de cada imagen original, el subconjunto es una sección compuesta por el área de estudio (Figura 15), esto permite agilizar cada uno de los procesos subsiguientes, dado que con la imagen original de 250 km se haría más lento (EO College, 2017).

Figura 15. Sección de la imagen original con área de estudio resaltada

Una vez creada la sección para cada imagen es importante realizar la calibración radiométrica para corregir errores producidos por las condiciones atmosféricas y para generar la banda σ0 (sigma), la cual permite obtener los valores de intensidad de retrodispersión del radar para las polarizaciones (VV, VH), además es la más adecuada para la separación entre zonas terrestres y con presencia de agua (Bioresita et al., 2018). En este estudio se usa la polarización VV por ser considerada la más adecuada para detección de inundaciones (Tavus et al., 2018).

La reducción de ruido de moteado (Speckle) es fundamental para eliminar el efecto granular de las imágenes SAR (Podest, 2017). Para este proceso de reducción de moteado existen una variedad de filtros, destacándose principalmente Lee, Lee Sigma y Gamma Map. En esta investigación se aplicó el filtro Lee sigma 5x5 que ha resultado útil de otras investigaciones (Priya et al., 2018; Tavus et al., 2018), además porque se logran buenos resultados sin perder demasiada resolución en la imagen. Finalmente se hizo corrección geométrica para georreferenciar las imágenes en la posición correcta de la tierra y para corregir distorsiones

52 sobre las áreas de terreno, para este propósito se utiliza el modelo digital de elevación (SRTM 1sec HGT) junto con la interpolación bilineal (Grimaldi et al., 2020).

Con las imágenes pre-procesadas se pasa a convertir las bandas resultantes (sigma) a unidades de decibelios, para convertir los pixeles de una escala lineal a una escala logarítmica no lineal, esto permite distinguir los pixeles de agua y tierra de una manera más detallada (EO College, 2017).

Para realizar la composición RGB primero se crea una imagen compuesta con las imágenes pre y post evento, considerando solamente las bandas sigma (lineales y decibelios) en polarización VV; con la imagen compuesta se realizó la composición RGB, en esta investigación se ha realizado la combinación propuesta por EO College (2017) y Carreño y De Mata (2019), en la cual se utiliza para la banda R la imagen pre-evento y para las bandas G y B la imagen de la crisis o post-evento.

3.2.3.3.

Clasificación supervisada

Continuando con la metodología planteada, para identificar los grupos de pixeles homogéneos se usó la técnica de clasificación supervisada utilizando en el software SNAP el clasificador de bosque aleatorio. La investigación realizada por Priya et al. (2018), determinó que este clasificador se ha desempeñado muy bien en la extracción de áreas de inundación en llanuras en la India, logrando una variación de casi menos del 1% sobre otros clasificadores; por su parte Tavus et al. (2018) encontraron que este clasificador a menudo proporciona mejores precisiones de clasificación de cobertura terrestre. Para realizar la clasificación se definieron 5 clases para el entrenamiento, áreas urbanas, agua estable, superficies inundadas, zonas con alta humedad y otras zonas.

3.2.3.4.

Mapa de inundación

La imagen clasificada fue tratada posteriormente en ArcGis para generar el mapa resultante considerando el área de estudio y las áreas susceptibles de inundación, además de calcular áreas inundadas; los resultados se mostrarán y discutirán en los capítulos siguientes de esta investigación.

53

3.2.4 Análisis comparativo de mapas La parte final de esta metodología propone realizar un análisis visual y directo de los mapas obtenidos en los procesos de modelación hidráulica y teledetección. De acuerdo a los métodos cartográficos de investigación propuestos por Salitchev (1990). Mientras los primeros mapas resultan de simulaciones matemáticas mediante HEC-RAS, el segundo mapa representa el evento de inundación observado en la tierra mediante sensores remotos.

De esta forma se podrá tener una perspectiva general de la inundación y destacar particularidades encontradas en los dos métodos, también ayudará a determinar si la modelación hidráulica usando datos de caudal pronosticados por SPT se pueden utilizar como herramienta para simular y mapear los riesgos de inundaciones de forma anticipada a escala local.

54

4.

4.1

RESULTADOS Y ANÁLISIS

RESULTADOS En este capítulo se abordan los resultados de esta investigación de acuerdo con los

objetivos fijados en el apartado 1.2.2. El primero es el resultado de las simulaciones hidráulicas realizadas mediante HEC-RAS; el segundo, el mapa de inundación obtenido mediante procesos de teledetección. Un tercer objetivo se enfoca la comparación de los mapas obtenidos en las dos metodologías.

4.1.1 Huellas de inundación Usando modelación hidráulica con HEC-RAS se logró simular y mapear las características de la inundación para los pronósticos con 1, 5, 10 y 15 días de anticipación al evento de inundación. En esta simulación se realizó modelación en 2D, para la cual se usó el modelo digital de elevación Alos Palsar con resolución de 12.5 metros para crear la geometría; se hizo análisis de flujo inestable empleando datos pronosticados por el modelo SPT. La Figura 16 muestra los valores de caudal usados para cada drenaje.

Figura 16. Datos de caudal pronosticados para cada drenaje: (A) 1 día de anticipación; (B) 5 días de anticipación; (C) 10 días de anticipación; (D) 15 días de anticipación.

55 Los resultados mostraron la extensión de inundación y las profundidades encontradas para los cuatro escenarios propuestos (Figura 17, Figura 18, Figura 19, Figura 20). Los resultados también permiten observar los cambios ocurridos en el trayecto del río Putumayo desde 2010 en su paso por Puerto Asís (Figura 21).

Figura 17. Extensión de la inundación y profundidad - Pronóstico 1 día.

56

Figura 18. Extensión de la inundación y profundidad - Pronóstico 5 días.

Figura 19. Extensión de la inundación y profundidad - Pronóstico 10 días.

57

Figura 20. Extensión de la inundación y profundidad - Pronóstico 15 días.

Figura 21. Variación del cauce del río Putumayo cerca a Puerto Asís

58

4.1.2 Mapa de inundación La metodología para mapeo de inundación usando composición RGB y el clasificador de bosque aleatorio con imágenes RADAR Sentinel-1 banda C permitió obtener un mapa general de la inundación, en la cual se definieron 5 clases: agua permanente en color negro, superficies inundadas color cian, área urbana en amarillo, vegetación baja con alta humedad en color azul raf y vegetación densa con alta humedad en color rosa (Figura 22).

Figura 22. Mapa de composición RGB

Para lograr mejores resultados se tomó la decisión de usar una imagen pre-evento de la estación seca en polarización VV y dirección de órbita descendente, dado que los análisis exploratorios previos con imágenes pre-evento del mismo mes en que ocurrió la inundación no dieron buenos resultados, en gran parte, por la temporada lluviosa que estuvo enmarcada por un periodo de tres meses según el reporte del IDEAM (2019) que se puede encontrar en los anexos finales. Con la metodología se logró calcular una superficie inundada de 1,779

59 hectáreas aproximadamente, sin embargo, este valor comprende toda el área de estudio que incluso contiene pixeles clasificados como áreas inundadas fuera de las márgenes del río.

4.1.3 Contrastación de mapas Con la aplicación de la metodología propuesta se obtuvieron cinco mapas, cuatro corresponden a los logrados en la modelación hidráulica y uno al mapeo de inundación mediante procesos de teledetección usando Radar SAR. Las figuras 24, 25, 26 y 27 muestran la contrastación del mapa de inundación real, con cada uno de los escenarios pronosticados, además mediante procesos en ArcGis se logró realizar una aproximación de las áreas inundadas en los confines del río Putumayo (Figura 23).

Superficie inundada en hectáreas

2500.00 2000.00

ha

1500.00 1000.00 500.00 0.00 Radar SAR

Pronóstico día Pronóstico día Pronóstico día Pronóstico día 1 5 10 15

Figura 23. Contrastación de las extensiones de inundación

60

Figura 24. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a un día.

61

Figura 25. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a cinco días.

62

Figura 26. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a diez días.

63

Figura 27. Contrastación del mapa de inundación Radar SAR con la huella de inundación pronosticada a quince días.

64

4.2

ANÁLISIS DE RESULTADOS En esta investigación se determinaron zonas inundables mediante modelación

hidráulica 2D empleando el método de flujo inestable, usando el promedio de los caudales pronosticados por cada uno de los 51 miembros del ECMWF para 1, 5, 10 y 15 días de anticipación a la inundación ocurrida en Puerto Asís el 21 de junio de 2019. Para la modelación también se usó un coeficiente de rugosidad de 0.035, el modelo digital de elevación remuestreado Alos palsar con resolución de 12.5 metros para la creación de geometría del área de estudio. Como se presentó en la sección 4.1.1, la modelación bidimensional realizada mediante el software HEC-RAS permitió entender la contrafactual de la inundación para cada uno de los escenarios propuestos según las predicciones de caudal realizadas en aquel entonces por el modelo SPT para el tramo del río Putumayo y sus tributarios (Figura 16). Las figuras 17, 18, 19 y 20 muestran la extensión de inundación, además de las profundidades encontradas que superan los 8 metros; aunque la extensión de la inundación parecen similares en los cuatro escenarios, se puede notar que para el pronóstico con 5 días de anticipación (figura 18) se nota un aumento considerable de la inundación en inmediaciones del centro poblado de Puerto Asís, observación que confronta con los datos de caudal observados en la figura 16 parte B, donde el drenaje principal correspondiente al río Putumayo mostró un pronóstico de 1600 m3/s para el día 19 de junio.

En términos generales, los mapas modelados mostraron parches de inundación en los márgenes del río Putumayo que afectarían directamente a la población rivereña. Es evidente que la modelación permitió geovisualizar cada uno de los escenarios de inundación y que las extensiones observadas ratifican que los pronósticos emitidos por el modelo SPT hacían prever que ocurriría tal evento y que se podía haber mapeado con anterioridad incluso al primer día de pronóstico los tramos del río donde las aguas se desbordarían. Sin embargo, hay que considerar que el DEM empleado para la modelación, siendo el más actualizado para la zona no refleja la morfología del cauce actual por tratarse de una versión del año 2010. Esto implicó diferencias en algunos trayectos del río en su paso por Puerto Asís con relación a la fecha en que ocurrió la inundación (21 de junio de 2019), estás diferencias se dan básicamente por la dinámica de los ríos meandriformes aluviales con pendientes muy escasas (Figura 21). Estos cambios en el curso del agua representaron diferencias en la modelación obtenida y un cambio en la extensión de la inundación.

65 Los resultados de la modelación contrastan con diversos estudios que han realizado modelación hidráulica con objetivos similares. Es el caso de Zarzar et al. (2016) que usaron los pronósticos del NWM como datos de entrada en HEC- RAS para cuantificar y visualizar la incertidumbre del modelo NWM, los resultados de este estudio demuestran el potencial de incorporar y visualizar mapas simulados de inundación. Así mismo Mihu-Pintilie et al.

(2019) usaron datos LiDAR de alta densidad y modelado hidráulico 2D para mejorar los mapas de peligros de inundaciones urbanas. Esta combinación demostró ser un método eficiente para la delimitación precisa de inundaciones, corroborando la importancia que tienen los DEM para lograr resultados más satisfactorios. En este sentido y observando los resultados encontrados se puede inferir que los pronósticos de caudal del modelo SPT, apoyados por la modelación hidráulica aportan un contexto significativo en la prevención de lo que puede ocurrir ante temporadas lluviosas con aumentos de caudal considerables; si bien los pronósticos de caudal ya reflejan un nivel de alerta por si solos, la importancia de realizar modelación hidráulica brinda un valor agregado, puesto que permite determinar los lugares donde ocurrirán los hechos, permitiendo a los entes de gestión de riesgos tomar medidas anticipadas.

Otro propósito de esta investigación permitió reconstruir las áreas de inundación afectadas a través de procesos de teledetección, para ello se usaron imágenes Radar SAR Sentinel-1 en banda C y polarización VV, aplicando la metodología de composición RGB como lo proponen Carreño y De Mata (2019), EO College (2017), Priya et al. (2018); además se usó una clasificación supervisada aplicando el método de bosque aleatorio sugerido por Priya et al., (2018) y Tavus et al. (2018). Los resultados permitieron demostrar que evidentemente ocurrió una inundación en los confines del río Putumayo como muestra la figura 22. Además, la metodología permitió determinar 5 clases: agua permanente en color negro, correspondiente a las aguas estables en el pre y post evento; superficies inundadas de color cian correspondiente a las aguas que aparecieron después del evento de inundación; área urbana color amarillo correspondiente a los centros poblados; vegetación baja con alta humedad en color azul raf y vegetación densa con alta humedad en tono rosa. Los cálculos realizados determinaron que se presentó una superficie inundada de 1,779 hectáreas como se observa en la figura 23. Es importante resaltar que la zona de estudio estuvo enmarcada por una temporada invernal fuerte, como lo muestra el boletín climatológico del IDEAM de junio de 2019, esta condición determinó el uso de imágenes pre evento de la temporada seca

66 (Enero-Febrero del 2019) para poder encontrar la diferencia con la imagen post evento, además imposibilitó el uso de imágenes ópticas por la alta cobertura de nubes, lo que ratifica a los sistemas Radar SAR como la herramienta preferida para el mapeo de inundaciones dada su capacidad de captar las inundaciones incluso por encima de la nubes, como lo expresa (Fernández-Ordoñez et al., 2020). El mapa resultante detalla presencia de inundación en las poblaciones de Brisas de Hong Kong, Puerto Vega y sectores en los márgenes del río aledaños a la cabecera de Puerto Asís. Otra parte importante de los resultados muestra áreas de vegetación densa con alta humedad que no se pudieron determinar como zonas inundadas debido al efecto de doble rebote. Este efecto coincide con lo encontrado por Carreño y De Mata (2019) que indican que la presencia de vegetación riparia masiva y el crecimiento vertical genera una dispersión de doble rebote o una dispersión de volumen, que sumado al uso de imágenes en banda C impiden que se muestre la presencia de agua a pesar de que el área este inundada. Sin embargo, el uso de estas imágenes en combinación con la metodología RGB demostró resultados aceptables, contrastando con los resultados obtenidos por los mismos Carreño y De Mata (2019), los cuales destacaron el potencial de estas imágenes y las ventajas de la metodología. Aunque Carreño y De Mata (2019) encontraron mejores resultados con la polarización VH, en este estudio se encontraron mejores resultados en la polarización VV, coincidiendo con el estudio realizado por Tavus et al. (2018). En esta investigación se realizó una técnica simple y rápida para hallar la huella de inundación, esta sirvió como punto de comparación con los mapas hallados en la modelación hidráulica. Si bien la huella de inundación refleja lo ocurrido, no se pudo lograr una mejor precisión debido a la imposibilidad de usar imágenes ópticas dada la situación climatología durante y después del evento de inundación en la zona de estudio.

Por otro lado, no se tuvo acceso a imágenes Sentinel-1 en banda L que son las más indicadas para regiones con vegetación densa, como lo proponen Henderson y Lewis (2008) y Hess et al. (1990), tampoco fue posible acceder a imágenes de otros sensores Radar para la fechas del evento de inundación.

Finalmente, en esta investigación se realizó un análisis comparativo entre las inundaciones halladas en la modelación hidráulica y la observada en procesos de teledetección. El análisis visual de las figuras 24 a 27, demostró que la modelación hidráulica contrasta con el mapa de inundación hallado en las imágenes Sentinel-1. Se mostró que hay zonas donde la modelación logró determinar que se presentarían inundaciones, como verdaderamente

67 ocurrió en los sectores de Brisas de Hong Kong, Puerto Vega y la zona sur del caso urbano de puerto asís, además de zonas a lado y lado del río Putumayo donde se asienta mucha población. A la vista, los resultados obtenidos mostraron consistencia entre los mapas de inundación con Sentinel-1 y los mapas de modelación hidráulica, sin embargo, hay algunas diferencias sobre todo en áreas de vegetación densa en las que no se puedo determinar si había inundación en la superficie mediante imágenes Sentinel-1 banda C. Por otro lado, el DEM no permitió encontrar un mejor detalle en la modelación hidráulica. Los resultados encontrados en la comparación visual contrastan con los resultados obtenidos por Ezzine et al. (2020), quienes encontraron buenos resultados en la comparación entre la simulación hidráulica y la extensión de las inundaciones observadas mediante imágenes Sentinel-1 en el caso de estudio en el Noroeste de Túnez. De otro modo coinciden con la apreciación de Lim (2018) quien resalta que los mapas producto de la modelación hidráulica dejan imperfecciones e incertidumbres en la extensión de inundación asociadas a la resolución del modelo digital de elevación y los datos de rugosidad empleados en el modelado, pero destaca estos mapas como herramientas valiosas para obtener información.

Con todo lo expresado anteriormente se puede responder a los cuestionamientos realizados en esta investigación. A la pregunta de investigación, ¿Cómo comprobar la habilidad y confianza de los pronósticos del modelo SPT para anticiparse a eventos de inundación a escala local?, se puede decir que, en el caso de estudio propuesto, la modelación hidráulica representó una herramienta eficaz y complementaria que ayudó para comprobar que esos valores pronosticados por SPT constituían una amenaza, además permitió anticipar los lugares donde ocurrirían los sucesos de inundación. Sin embargo, la habilidad y confianza del modelo SPT requiere de un proceso de aprendizaje que incluye la evaluación de los pronósticos en otros eventos de inundación y contrastar con lo observado en imágenes de satélite u otras fuentes de información. Aunque los valores de caudal pronosticados por SPT pueden representar por sí mismo alertas, estos deben complementarse. En ese orden de ideas se encuentra la repuesta a la segunda pregunta de investigación, ¿Cuáles son los requerimientos para que un sistema de prevención de inundaciones coadyuve en la toma de decisiones?, los requerimientos incluyen un proceso de aprendizaje continuo, además de modelos hidrológicos con la capacidad de realizar pronósticos con muchos días de anticipación, el apoyo de herramientas de modelación hidráulica para anticiparse a los sucesos y el uso de imágenes de satelitales para confrontación en casos necesarios. Estos

68 elementos pueden ayudar a prever y planificar inundaciones, como se comprobó en esta investigación y como lo demostraron Ezzine et al. (2020) en el caso de estudio realizado en el Noroeste de Túnez sobre el río Medjerda.

69

5.

CONCLUSIONES

En esta investigación se evaluaron los pronósticos del modelo SPT durante inducciones ocurridas en Puerto Asís el 21 de junio de 2019 para determinar su eficiencia como herramienta de soporte en la toma de decisiones. Para ello se realizaron modelaciones hidráulicas con datos de caudal pronosticados con 1, 5, 10 y 15 días de anterioridad al evento ocurrido. Los resultados se confrontaron con la inundación observada mediante procesos de teledetección usando imágenes Radar SAR Sentinel-1. Se demostró que hay una coincidencia alta entre los mapas hallados en los dos procesos evidenciando resultados muy valiosos, pero no perfectos.

Lo más relevante de la evaluación de los pronósticos del modelo SPT fue haber comprobado que mediante modelación hidráulica se puede mapear o geovisualizar cada uno de los pronósticos, permitiendo determinar hasta con 15 días de anterioridad los sitios con alta probabilidad de sufrir inundación, sobre todo, cuando las predicciones de caudal presentan valores altos, además con la metodología propuesta se pudo confrontar la coincidencia de las zonas inundadas con el mapa de inundación real observado mediante imágenes de satélite. Lo que más aportó para el desarrollo de esta investigación, fue haber encontrado metodologías ágiles y con ciclos de aprendizaje cortos, tanto para la modelación hidráulica, como para el mapa de inundación usando imágenes Radar SAR. Las complejidades durante esta investigación estuvieron sujetas a lograr una modelación hidráulica adecuada, dado que los modelos digitales de elevación para la zona no eran los más actualizados, no se contó con datos de batimetría y los datos de rugosidad se determinaron por estudios previos sobre navegabilidad del rio Putumayo. Otra dificultad agregada al proceso fue la falta de imágenes satelitales tanto ópticas como de Radar SAR para dar mayor soporte al mapa de confrontación.

Esta investigación sirvió para comprobar como los pronósticos de SPT brindan un nivel de confianza satisfactorio en la predicción de inundaciones, sobre todo en grandes cuencas fluviales donde las inundaciones pueden ser detectadas hábilmente, por lo menos, la confrontación entre lo modelado y lo observado así lo ratifica, por otra parte, también ayuda a los organismos de gestión de riesgos a entender como el modelo SPT puede coadyuvar en

70 la toma de decisiones, o por lo menos a entender cómo mejorar los requerimientos relevantes para un sistema de prevención eficaz en la gestión de riesgos que ayuden a minimizar pérdidas humanas y materiales. Por lo anterior se acepta la hipótesis de investigación y se rechaza la hipótesis nula, sin embargo, es importante resaltar que para mejorar los resultados de la modelación hidráulica es necesario mejorar los datos de entrada en la modelación hidráulica en 2D, es recomendable usar datos de batimetría o modelos digitales de elevación de alta precisión como los conseguidos con sistemas LiDAR para mejorar la malla 2D, también usar datos actualizados del uso del suelo para mejorar la sensibilidad del coeficiente de rugosidad. Por otro lado, para realizar comparaciones con datos observados es necesario contar con la mayor amplitud de imágenes de satélite bien sean ópticas o en el caso de vegetación más densa contar con imágenes de Radar de onda larga. Es muy importante continuar realizando modelaciones hidráulicas en otros lugares y comparar con datos observados reales, puesto que estos modelos hidrológicos globales que predicen caudales no representar la realidad, lo que sugiere un proceso de aprendizaje continuo importante para lograr en el futuro sistemas de información confiables y acertados sobre la vulnerabilidad al peligro de inundaciones con la consigna siempre de salvaguardar vidas.

71

6.

REFERENCIAS

Academia IngNova. (s. f.). HEC-RAS 5.0.1 FLUJO BIDIMENSIONAL. Academia IngNova.

Recuperado 6 de agosto de 2020, de https://academia.ingnova.es/cursos-online/hidraulica-ehidrologia/hec-ras-5-0 Alcamo, J., Döll, P., Henrichs, T., Kaspar, F., Lehner, B., Rösch, T., y Siebert, S. (2003).

Development and testing of the WaterGAP 2 global model of water use and availability.

Hydrological Sciences Journal, 48(3), 317-337. https://doi.org/10.1623/hysj.48.3.317.45290 Alfieri, L, Burek, P., Dutra, E., Krzeminski, B., Muraro, D., Thielen, J., y Pappenberger, F. (2013).

GloFAS-global ensemble streamflow forecasting and flood early warning. Hydrol. Earth Syst.

Sci, 17, 1161-1175. https://doi.org/10.5194/hess-17-1161-2013 Alfieri, Lorenzo, Pappenberger, F., Wetterhall, F., Haiden, T., Richardson, D., y Salamon, P. (2014).

Evaluation of ensemble streamflow predictions in Europe. Journal of Hydrology, 517, 913-922. https://doi.org/10.1016/j.jhydrol.2014.06.035 Amitrano, D., Guida, R., y Ruello, G. (2019). Multitemporal SAR RGB processing for sentinel-1 GRD products: Methodology and applications. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(5), 1497-1507. https://doi.org/10.1109/JSTARS.2019.2904035 Betsholtz, A., y Nordlöf, B. (2017). Potential and limitations of 1D, 2D and coupled 1D-2D flood modelling in HEC-RAS. En undefined.

Bioresita, F., Puissant, A., Stumpf, A., y Malet, J.-P. (2018). A Method for Automatic and Rapid Mapping of Water Surfaces from Sentinel-1 Imagery. Remote Sensing, 10(2), 217. https://doi.org/10.3390/rs10020217 Bladé Castellet, E., Cea, L., y Corestein, G. (2014). Numerical modelling of river inundations.

Ingeniería del agua, 18(1), 68. https://doi.org/10.4995/ia.2014.3144 Brivio, P., Colombo, R., Maggi, M., y Tomasoni, R. (2002). Integration of remote sensing data and GIS for accurate mapping of flooded areas. int. j. remote sensing, 23, 429-441. https://doi.org/10.1080/01431160010014729 Brunner, G. W. (2016). HEC-RAS River Analysis System - Hydraulic Reference Manual. US Army Corps of Engineers - Hydrologic Engineering Center.

Brunner, G. W., y CEIWR-HEC. (2016). HEC-RAS River Analysis System User’s Manual. US Army Corps of Engineers - Hydrologic Engineering Center.

Cabrera, J. (2012). Calibración de modelos hidrológicos. Instituto para la Mitigación de los Efectos del Fenómeno El Niño, Universidad Nacional de Ingeniería, Facultad de Ingeniería Civil, Perú.

Cabrera, J. (2017). Modelos hidrológicos. Universidad Nacional de Ingeniería, Facultad de Ingeniería Civil, Perú., 8.

Calvache Fajardo, J. L. (2020). Diacronismo fluvial del río Putumayo para la construcción de puente sobre muelle La Esmeralda en el municipio de Puerto Asís. ResearchGate, 10.

72 https://doi.org/10.6084/m9.figshare.12237170 Campos Aranda, D. F. (1984). Procesos del ciclo hidrológico. Universitaria Potosina.

Cañón Hernández, J. (2019). Estimación de Caudales a Partir de Ensambles Hidrológicos Multimodelo a Diferentes Escalas Temporales en La Cuenca Del Río Prado. Universidad Nacional de Colombia.

Carrascal, I. E. (2007). Metodología para el análisis e interpretación de los mapas. En Universidad Nacional Autónoma de México, Instituto de Geografía.

Carreño, F., y De Mata, M. (2019). Flood Monitoring Based on the Study of Sentinel-1 SAR Images: The Ebro River Case Study. Water, 11(12), 2454. https://doi.org/10.3390/w11122454 Castaño Fernández, S., Ruiz Gallardo, J., y Vela Mayorga, A. (1996). La Teledetección: Sus Bases.

Ensayos: Revista de la Facultad de Educación de Albacete, 11, 183-194.

Cea, L., y Bladé, E. (2008). Modelización matemática en lecho fijo del flujo en ríos. Modelos 1D y 2D en régimen permanente y variable. Jornadas Técnicas sobre Hidráulica Fluvial, CEDEX– Ministerio de Fomento, 30.

Chapman, B., McDonald, K., Shimada, M., Rosenqvist, A., Schroeder, R., y Hess, L. (2015).

Mapping Regional Inundation with Spaceborne L-Band SAR. Remote Sensing, 7(5), 54405470. https://doi.org/10.3390/rs70505440 Chereque Morán, W. (1989). Hidrología para estudiantes de ingeniería civil (Segunda Impresión).

CONCYTEC. Chuvieco, E. (1996). Fundamentos de Teledetección Espacial (Segunda ed). Ediciones Rialp.

Climate-Data.org. (s. f.). Clima Puerto Asís: Temperatura, Climograma y Tabla climática para Puerto Asís. Recuperado 28 de agosto de 2020, de https://es.climate-data.org/america-delsur/colombia/putumayo/puerto-asis-49628/ Comisión Económica para América Latina y el Caribe [Cepal]. (2012). Valoración de daños y pérdidas. Ola invernal en Colombia, 2010-2011. Bogotá: Misión BID - Cepal.

CORPOAMAZONIA, Corporación para el Desarrollo Sostenible del Sur de la Amazonia. (2008).

AGENDA AMBIENTAL - Departamento de Putumayo. Corporación SINERGIAZ C-014-0701.

Dankers, R., Christensen, O. B., Feyen, L., Kalas, M., y de Roo, A. (2007). Evaluation of very highresolution climate model data for simulating flood hazards in the Upper Danube Basin. Journal of Hydrology, 347(3-4), 319-331. https://doi.org/10.1016/j.jhydrol.2007.09.055 DCD y DANE, Dirección de Censos y Demografía y Departamento Administrativo Nacional de Estadística. (2018). Censo Nacional de Población y Vivienda - CNPV - 2018. Archivo Nacional de Datos (ANDA); Departamento Administrativo Nacional de Estadística. Recuperado 8 de julio de 2020, de https://www.datos.gov.co/Estad-sticas-Nacionales/Censo-Nacional-dePoblaci-n-y-Vivienda-CNPV-2018/qzc6-q9qw De Mata, M. (2019). MONITORIZACIÓN DE INUNDACIONES MEDIANTE RADAR SAR (SENTINEL-1). Universidad de Alcalá.

73 DGP - CONCEP, Construcciones Civiles Estudios y Proyectos S.A.S. (2014). ESTUDIOS DE FASE II PARA LA NAVEGABILIDAD DEL RÍO PUTUMAYO (PEÑASORÁ PTO. ASÍS PTO. LEGUÍZAMO PTO. ALEGRÍA). DGP - CONCEP. Recuperado 22 de agosto de 2020, de https://docplayer.es/73870802-Estudios-de-fase-ii-para-la-navegabilidad-del-rio-putumayopenasora-pto-asis-pto-leguizamo-pto-alegria.html Díez-Herrero, A., Laín-Huerta, L., y Llorente, M. (2008). Mapas de peligrosidad por avenidas e inundaciones. Guía metodológica para su elaboración. Instituto Geológico y Minero de España [IGME].

DNP, Departamento Nacional de Planeación. (2019). Índice Municipal de Riesgo de Desastres Ajustado por Capacidades. Departamento nacional de Planeación.

ECMWF, European Centre for Medium Range Weather Forecasts. (2016). GloFAS models and procedures. Copernicus Services - ECMWF. Recuperado el 8 junio 2020, de https://confluence.ecmwf.int/display/COPSRV/GloFAS+models+and+procedures EO College. (2017). Dr. Chris Stewart: ESA Echoes in Space - Hazard: Flood mapping with Sentinel-1 [Video]. Youtube. https://www.youtube.com/watch?v=derOXkPCH80 Ezzine, A., Saidi, S., Hermassi, T., Kammessi, I., Darragi, F., y Rajhi, H. (2020). Flood mapping using hydraulic modeling and Sentinel-1 image: Case study of Medjerda Basin, northern Tunisia.

Egyptian Journal of Remote Sensing and Space Science. https://doi.org/10.1016/j.ejrs.2020.03.001 FAO, Organización de las Naciones Unidas para la Alimentación y la Agricultura. (s. f.). Tipos de peligros y de emergencias. FAO. Recuperado 6 de julio de 2020, de http://www.fao.org/emergencies/tipos-de-peligros-y-de-emergencias/es/ Fernández Mejuto, M., Vela Mayorga, A., y Castaño Fernández, S. (1997). La Utilización de Modelos en Hidrología. En Revista de la Facultad de Educación de Albacete No. 12 (pp. 305318).

Fernández-Ordoñez, Y., Soria-Ruiz, J., Leblon, B., Macedo, A., Elva, M., Ramírez Guzmán, M. E., y Escalona-Maurice, M. (2020). Imágenes de radar para estudios territoriales, caso: inundaciones en Tabasco con el uso de imágenes SAR Sentinel-1A y Radarsat-2. REALIDAD, DATOS Y ESPACIO - REVISTA INTERNACIONAL DE ESTADÍSTICA Y GEOGRAFÍA, 11, 421.

Grimaldi, S., Xu, J., Li, Y., Pauwels, V. R. N., y Walker, J. P. (2020). Flood mapping under vegetation using single SAR acquisitions. Remote Sensing of Environment, 237, 111582. https://doi.org/10.1016/j.rse.2019.111582 Guarniz Muñoz, C. K. (2014). Comparación de los modelos Hidráulicos Unidimensional (HECRAS) y Bidimensional (IBER) en el Análisis de Rotura en Presas de Materiales Sueltos; y Aplicación a la Presa Palo Redondo. Universidad Privada Antenor Orrego.

Guzmán D., Ruíz, J. F., y Cadena M. (2014). Regionalización de Colombia Según la Estacionalidad de la Precipitación Media Mensual, A Través Análisis de Componentes Principales (ACP). En Subdirección de Meteorología – IDEAM (p. 55).

Henderson, F. M., y Lewis, A. J. (2008). Radar detection of wetland ecosystems: a review.

International Journal of Remote Sensing, 29(20), 5809-5835. https://doi.org/10.1080/01431160801958405

74 Hess, L. L., Melack, J. M., y Simonett, D. S. (1990). Radar detection of flooding beneath the forest canopy: a review. International Journal of Remote Sensing, 11(7), 1313-1325. https://doi.org/10.1080/01431169008955095 HIMAT, Instituto Colombiano de Hidrología Meteorología y Adecuación de Tierras, Ministerio de Agricultura y Ganadería de Ecuador, y PRONAREG Programa Nacional de Regionalización.

(1993). Plan de ordenamiento y manejo de las cuencas de los ríos San Miguel y Putumayo.

Organización de los estados Americanos.

ICA, International Cartographic Association. (2003). A Strategic Plan for the International Cartographic Association 2003-2011. Durban: ICA. IDEAM y CNM, Instituto de Hidrología Meteorología y Estudios Ambientales y Centro Nacional de Modelación. (2017). Guía metodológica para la elaboración de mapas de inundación. En IDEAM. Bogotá, D. C.: IDEAM. IDEAM, Instituto de Hidrología Meteorología y Estudios Ambientales. (2010). Zonas Susceptibles a Inundación de la República de Colombia [Mapa]. Escala 1:500.000.

IDEAM, Instituto de Hidrología Meteorología y Estudios Ambientales. (2014). Amenazas inundación.

IDEAM. Recuperado el 28 julio 2020, de http://www.ideam.gov.co/web/agua/amenazas-inundacion IDEAM, Instituto de Hidrología Meteorología y Estudios Ambientales. (2018). Protocolo de Modelación Hidrológica e Hidráulica. Bogotá: IDEAM. IDEAM, Instituto de Hidrología Meteorología y Estudios Ambientales. (2019). Boletín Climatológico. En IDEAM. IDEAM. IGAC, Instituto Geográfico Agustín Codazzi. (2016). Puerto Asís, uno de los municipios del Putumayo en los que renacerá la paz. Instituto Geográfico Agustín Codazzi (IGAC).

Recuperado 29 agosto 2020, de https://igac.gov.co/es/noticias/puerto-asis-uno-de-losmunicipios-del-putumayo-en-los-que-renacera-la-paz.

Jorquera, E., Weber, J. F., y Reyna, S. M. (2012). Revisión del estado del arte en la modelación hidrológica distribuida e integrada. docplayer.es. Recuperado 30 de julio de 2020, de https://docplayer.es/20809691-Revision-del-estado-del-arte-en-la-modelacion-hidrologicadistribuida-e-integrada.html Ley

1523 de 2012. (2012). Congreso de Colombia. Diario Oficial https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=47141

48411.

Lim, N. J. (2018). Modelling, mapping and visualisation of flood inundation uncertainties. En Studies in the Research Profile Built Environment. Doctoral thesis NV - 10. Gävle University Press.

Lorenzo, P., y Davila-Hernandez, N. (2018). Mapping of flooded areas in Acapulco de Juárez, Guerrero-México, using TanDEM-X radar images.

2. https://doi.org/10.22201/igg.terradigitalis.2018.1.36.98 Melgarejo, J., y Fernández-Aracil, P. (2019). Congreso Nacional del Agua Orihuela. Innovación y Sostenibilidad. Universitat d’Alacant. https://doi.org/https://doi.org/10.14198/CongresoNacional-del-Agua-Orihuela-2019 Mihu-Pintilie, A., Cîmpianu, C. I., Stoleriu, C. C., Pérez, M. N., y Paveluc, L. E. (2019). Using High-

75 Density LiDAR Data and 2D Streamflow Hydraulic Modeling to Improve Urban Flood Hazard Maps: A HEC-RAS Multi-Scenario Approach.

Water, 11(9), 1832. https://doi.org/10.3390/w11091832 Mosquera-Machado, S., y Ahmad, S. (2007). Flood hazard assessment of Atrato River in Colombia.

Water Resources Management, 21(3), 591-609. https://doi.org/10.1007/s11269-006-9032-4 Moya Quirogaa, V., Kurea, S., Udoa, K., y Manoa, A. (2016). Application of 2D numerical simulation for the analysis of the February 2014 Bolivian Amazonia flood: Application of the new HEC-RAS version 5. Ribagua, 3(1), 25-33. https://doi.org/10.1016/j.riba.2015.12.001 Nandalal, H., S.M.J.S.Samarasinghe, D.P.Weliwitiya, Fowze, J. ., M.K.Hazarikad, y L.Samarakoond. (2010). Application of Remote Sensing and Gis for Flood Risk Analysis : a Case Study At Kalu- Ganga River , Sri Lanka. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, XXXVIII(8), 110-115.

Nava Hernández, A., y Cortés Bow, D. (2009). Hidráulica de ríos, Morfología, Técnicas de Medición y Muestreo en ríos [Tesis de Titulación]. Instituto Politecnico Nacional, Escuela Superior de Ingeniería y Arquitectura. DSpace.

Nelson, J., Biesinger, J., Jones, N., Ames, D. P., Hales, R., Williams, G. P., Gutierrez-Magness, A., Edwards, C., Ashby, K., Khattar, R., Nelson, J., Biesinger, J., Jones, N., Ames, D. P., Hales, R., Williams, G. P., Gutierrez-Magness, A., Edwards, C., Ashby, K., y Khattar, R. (2019).

Global Water Sustainability Tools from Earth Observations for the Americas. Agufm, 2019, GC41C-07.

OMM, Organización Meteorológica Mundial. (2009). Guía de prácticas hidrológicas Volumen II: Gestión de recursos hídricos y aplicación de prácticas hidrológicas. OMM. OMM, Organización Meteorológica Mundial. (2012). International Glossary of Hydrology (3rd ed).

WMO, UNESCO. Ordoñez Castro, E. M. (2019). Determinación de áreas inundables en la reserva forestal protectora nacional del Río León (RFPN-Río León) por medio de imágenes de radar. Universidad del Valle, 46.

Pappenberger, F., Cloke, H. L., Parker, D. J., Wetterhall, F., Richardson, D. S., y Thielen, J. (2015).

The monetary benefit of early flood warnings in Europe. Environmental Science and Policy, 51, 278-291. https://doi.org/10.1016/j.envsci.2015.04.016 Parra, A. D. (2016). Modelización 1D, 1D/2D y 2D de la inundabilidad en el meandro de Sant Boi de Llobregat mediante la nueva aplicación HEC-RAS 5.0. Universitat Politècnica de Catalunya.

Pathan, A. I., y Agnihotri, P. G. (2020). One Dimensional Floodplain Modelling Using Soft Computational Techniques in HEC-RAS - A Case Study on Purna Basin, Navsari District.

Advances in Intelligent Systems and Computing, 1072, 541-548. https://doi.org/10.1007/978-3030-33585-4_53 Podest, E. (2017). Conceptos Básicos del Radar de Apertura Sintética. En APPLIED REMOTE SENSING TRAINING PROGRAM - ARSET (p. 51).

Priya, M., Gomathi, M., y Krishnaveni, D. (2018). Supervised classification for flood extent identification using sentinel-1 radar data. The 39th Asian Conference on Remote Sensing, 32773284.

76 Robertson, K., y Castiblanco, M. A. (2011). Amenazas fluviales en el piedemonte amazónico colombiano. Cuadernos de Geografía: Revista Colombiana de Geografía, 20(2), 125-137. https://doi.org/10.15446/rcdg.v20n2.27185 Rocha, A. (1998). Introducción a la Hidráulica Fluvial (Primera Ed). UNIVERSIDAD NACIONAL DE INGENIERIA - FACULTAD DE INGENIERIA CIVIL. Salitchev, K. A. (1990). Fundamentos de cartografía. Universidad de Moscú.

Singh, P., Sinha, V. S. P., Vijhani, A., y Pahuja, N. (2018). Vulnerability assessment of urban road network from urban flood. International Journal of Disaster Risk Reduction, 28, 237-250. https://doi.org/https://doi.org/10.1016/j.ijdrr.2018.03.017 Snow, A. (2015). A New Global Forecasting Model to Produce High-Resolution Stream Forecasts.

Theses and Dissertations.

Snow, A. D., Christensen, S. D., Swain, N. R., Nelson, E. J., Ames, D. P., Jones, N. L., Ding, D., Noman, N. S., David, C. H., Pappenberger, F., y Zsoter, E. (2016). A High-Resolution NationalScale Hydrologic Forecast System from a Global Ensemble Land Surface Model. Journal of the American Water Resources Association, 52(4), 950-964. https://doi.org/10.1111/17521688.12434 Song, Y. S., Sohn, H. G., y Park, C. H. (2007). Efficient water area classification using radarsat-1 SAR imagery in a high relief mountainous environment. Photogrammetric Engineering and Remote Sensing, 73(3), 285-296. https://doi.org/10.14358/PERS.73.3.285 Souffront Alcantara, M. A., Nelson, E. J., Shakya, K., Edwards, C., Roberts, W., Krewson, C., Ames, D. P., Jones, N. L., y Gutierrez, A. (2019). Hydrologic Modeling as a Service (HMaaS): A New Approach to Address Hydroinformatic Challenges in Developing Countries. Frontiers in Environmental Science, 7(October). https://doi.org/10.3389/fenvs.2019.00158 Tao, T., y Lennox, W. C. (1994). Evaluation of Streamflow Forecasting Models. En K. W. Hipel, A. I. McLeod, U. S. Panu, & V. P. Singh (Eds.), Stochastic and Statistical Methods in Hydrology and Environmental Engineering: Time Series Analysis in Hydrology and Environmental Engineering (pp. 77-85). Springer Netherlands. https://doi.org/10.1007/978-94-017-3083-9_6 Tavus, B., Kocaman, S., Gokceoglu, C., y Nefeslioglu, H. (2018). CONSIDERATIONS ON THE USE OF SENTINEL-1 DATA IN FLOOD MAPPING IN URBAN AREAS: ANKARA (TURKEY) 2018 FLOODS. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-5, 575-581. https://doi.org/10.5194/isprsarchives-XLII-5-575-2018 Timbe Castro, L. M., y Willems, P. (2011). Desempeño de modelos hidráulicos 1D y 2D para la simulación de inundaciones. Maskana, 2(1), 91-98. https://doi.org/10.18537/mskn.02.01.07 UNEP, United Nations Environment Programme. (2012). Early Warning Systems: A State of the Art Analysis and Future Directions. En Division of Early Warning and Assessment (DEWA), United Nations Environment Programme (UNEP), Nairobi.

UNGRD, Unidad Nacional para la Gestión del Riesgo de Desastres. (2016). Consolidado reporte de emergencias 1998-2019.

UNGRD. Recuperado el 8 junio 2020, de https://repositorio.gestiondelriesgo.gov.co/handle/20.500.11762/20782 Vich, A. (1996). Aguas Continentales: Formas y procesos. 1996. Talleres gráficos del Centro de

77 Economía, Legislación y Administración del Agua (CELA), Instituto Nacional del Agua (INA, Ex INCYTH).

Wallemacq, P., UNISDR, y CRED. (2018). Economic Losses, Poverty and Disasters 1998-2017. https://doi.org/10.13140/RG.2.2.35610.08643 Zarzar, C., Siddique, R., Hosseiny, H., y Gomez, M. (2016). Quantifying uncertainty in flood inundation mapping using streamflow ensembles and hydraulic modeling techniques. National Water Center Innovators Program Summer Institute Report 2016, 4(October), 71.

78

7.

ANEXOS

1. Inestabilidad de en los reportes de la estación hidrológica el Muelle.

79 2. Boletín climatológico del IDEAM de junio de 2019

80

81

82

83

84

85

86

87