Tabla 4. Características de las imágenes SAR Sentinel-1

Tabla 1. Características principales de RADAR

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 Descendente Descendente ÁNGULOS DE INCIDENCIA 30.70 – 46.00 30.70 – 46.00 ÓRBITA ABSOLUTA 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

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

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.

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.

4. RESULTADOS Y ANÁLISIS

4.1 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.

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.

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

Figura 19. Extensión de la inundación y profundidad - Pronóstico 10 días. 56

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

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

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

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

1500.00

1000.00

500.00

0.00

Radar SAR Pronóstico día 1 Pronóstico día 5 Pronóstico día 10 Pronóstico día 15

Figura 23. Contrastación de las extensiones de inundación

Figura 24. Contrastación del mapa de inundación Radar SAR con la huella de inundación

pronosticada a un día.

Figura 25. Contrastación del mapa de inundación Radar SAR con la huella de inundación

pronosticada a cinco días.

Figura 26. Contrastación del mapa de inundación Radar SAR con la huella de inundación

pronosticada a diez días.

Figura 27. Contrastación del mapa de inundación Radar SAR con la huella de inundación

pronosticada a quince días.

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.

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

(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

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

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.

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

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.

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.

https://doi.org/10.6084/m9.figshare.12237170

Campos Aranda, D. F. (1984). Procesos del ciclo hidrológico. Universitaria Potosina. 72

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-de-

Poblaci-n-y-Vivienda-CNPV-2018/qzc6-q9qw

De Mata, M. (2019). MONITORIZACIÓN DE INUNDACIONES MEDIANTE RADAR SAR (SENTINEL-1). Universidad de Alcalá.

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 (HEC-

RAS) 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

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 48411. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=47141

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/Congreso-

Nacional-del-Agua-Orihuela-2019

Mihu-Pintilie, A., Cîmpianu, C. I., Stoleriu, C. C., Pérez, M. N., y Paveluc, L. E. (2019). Using High-

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.

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 National-

Scale 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

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.