Evaluando caudales mensuales por reanálisis hidrológico durante eventos El Niño

Impactos de El Niño

---

Fig 1. Rio Piura - Puente Ñacara en epoca húmeda (izquierda) y seca (derecha). Foto: CITA-UTEC.

Resumen traducido: Rau et al (2024)

La disponibilidad de agua en cuencas áridas es una preocupación grave y su cuantificación sigue siendo incierta. La variabilidad climática, como el fenómeno de El Niño-Oscilación del Sur (ENOS), puede empeorar este escenario, exacerbando las inundaciones en algunas regiones, como la cuenca de Piura en la costa norte del Pacífico peruano. 

El uso de productos de reanálisis basados ​​en satélites, modelos y validación in situ está ganando terreno en hidrología debido a su alta resolución espaciotemporal. La información de estos productos ofrece la oportunidad de explorar sus ventajas y limitaciones en cuencas para comprender mejor la variabilidad del caudal (Llauca et al. 2021). Las cuencas áridas suelen ser malinterpretadas debido a la complejidad del balance hídrico, principalmente por forzamientos climáticos como la precipitación y la evapotranspiración, y en los reservorios del suelo y el subsuelo. Además, algunas regiones presentan una fuerte variabilidad climática (p. ej., el fenómeno de El Niño) donde los eventos de escorrentía extrema pueden exacerbar el balance hídrico de la cuenca.

1. Métodos

Se analizan 4 conjuntos de datos geoespaciales de escorrentía que cubren un área de cuenca de 7622 km² con una resolución de ~50 km. Estos son dos conjuntos de datos globales: Global Runoff (GRUN, Ghiggi et al. 2019) y Linear Optimal Runoff Aggregate (LORA, Hobeichi et al. 2019), basados ​​en reanálisis hidrológicos; un conjunto de datos oficiales de SENAMHI-Perú denominado PISCO-Hym-GR2M (Llauca et al. 2021), basado en un balance hídrico conceptual satelital e in situ; y un método semiempírico llamado Rindex (Rau et al. 2019), basado únicamente en un balance hídrico conceptual in situ. 

Los cuatro conjuntos de datos de escorrentía se compararon con el caudal mensual observado en la estación Puente Ñacara (SENAMHI) en la cuenca de Piura en Perú (ver Figura 1) mediante un diagrama de Taylor durante cuatro eventos de El Niño: 1982-1983, 1991-1992, 1997-1998 y 1998-1999. Estos fueron los eventos de El Niño más destructivos registrados. Las características hidroclimáticas de la cuenca se encuentran en Rau et al (2019).

El error relativo permitió comparar la fiabilidad de los productos (Xp) con los datos observados (Xo) durante los eventos de El Niño, con la siguiente relación: (Xp-Xo)*100/Xo.

El nivel de predicción (%) de cada producto se calculó tomando los seis meses más lluviosos (dic-may) con errores relativos inferiores al 50% a lo largo de los cuatro eventos de El Niño.

2. Resultados

La Tabla 1 muestra los porcentajes de predicción de cada conjunto de datos con respecto a la escorrentía observada en la estación Puente Ñacara. El encabezado de la Tabla 1 muestra el mes con el mayor caudal en cada evento de El Niño (por ejemplo, abril de 1983); debajo, cada celda muestra el error relativo para el mes máximo observado y el retardo (desfase) en el momento del valor máximo. Por ejemplo, GRUN alcanzó un error relativo de -65,2% en marzo de 1992, y su valor máximo se observó un mes después (+1) del registrado por la estación in situ.

Tabla 1. Error relativo, prediccion y retardo mensual

Set de datos	Predicción  (%)	Máx 1983  (Apr)	Máx 1992 (Mar)	Máx 1998 (Apr)	Máx 1999 (Feb)
GRUN	42	-31.5 (+1)	-65.2 (+1)	-61.4 (-1)	-65.7 (+1)
LORA	25	-0.8 (0)	-67.4 (+1)	-62.6 (0)	-45.2 (0)
PISCO	58	-12.2 (-1)	164.6 (0)	-74.5 (-1)	-42.2 (0)
Rindex	50	23.4 (0)	-16.1 (+1)	-53.5 (-1)	-55.3 (+1)

Los productos PISCO y Rindex tienen la mayor precisión, con predicciones superiores al 50%, mientras que el producto LORA es el de menor precisión, con una tasa de éxito del 25%. Aunque LORA tiene el menor porcentaje de predicción, es el que capta el mes del pico observado.  La Figura 2 muestra un diagrama de Taylor que compara la proximidad de los datos observados y predichos de los productos estudiados. Los conjuntos de datos LORA y GRUN presentan los valores más bajos de error cuadrático medio (RMS) centrado a 50 mm/mes (círculos verdes). Por otro lado, los productos Rindex y PISCO arrojan desviaciones muy cercanas a los valores observados, en comparación con los de LORA y GRUN, que presentan valores de dispersión inferiores a los observados. Todos los productos muestran correlaciones superiores a 0,75. La cuenca de Piura presenta datos espacializados limitados, lo que hace que los estudios hidrológicos a escala de cuenca sean muy simplificados, especialmente en episodios extremos como los eventos de El Niño. A pesar de la cobertura espacializada de los productos de reanálisis, se suelen encontrar algunas limitaciones en regiones áridas y de altas latitudes según sus fuentes. Por ejemplo, GRUN suele subestimar la precipitación en cuencas pequeñas y es más adecuado para cuencas con baja precipitación. Su desempeño frente a eventos extremos ha sido poco estudiado (Ibarra et al. 2021). Los resultados también concuerdan con la subestimación de GRUN.

Fig 2. Diagrama de Taylor mostrando el resultado de los 4 productos.

3. Conclusiones

 

Los resultados son prometedores para la gestión del riesgo de desastres y la planificación hídrica en el norte del Perú: Por nombrar algunos: 1) Los sistemas de predicción y alerta temprana podrían mejorar si incluyeran parte del algoritmo del producto LORA, por su habilidad con los retardos encontrados; 2) El diseño de infraestructura hídrica considerando los modelos actuales se encontrarían comprometidos, sabiendo que en la mayoría de casos los modelos y productos subestimaron los valores máximos; 3) En zonas de la cuenca donde no existen estaciones in-situ de medición, el uso de PISCO o GRUN representa una oportunidad para obtener datos históricos y proyecciones, los cuales también podrían ser corregidos; y 4) Para la toma de decisiones, se demuestra que los modelos que combinan datos satelitales con mediciones locales son más fiables, por lo cual el mantenimiento de la red de estaciones meteorológicas e hidrométricas es esencial.

Referencias:

-Ghiggi, G., Humphrey., et al. 2019. GRUN: an observation-based global gridded runoff dataset from 1902 to 2014, Earth Syst. Sci. Data, 11, 1655–1674.

-Hobeichi, S., Abramowitz, G., et al. 2019. Linear Optimal Runoff Aggregate (LORA): a global gridded synthesis runoff product, Hydrol. Earth Syst. Sci., 23, 851–870.

-Ibarra et al. 2021. Evaluation and bias correction of an observation-based global runoff dataset using streamflow observations from small tropical catchments in the Philip-pines, Hydrol. Earth Syst. Sci., 25, 2805–2820.

-Llauca, H., Lavado, W., et al. 2021. PISCO_HyM_GR2M: A model of monthly water balance in Peru (1981–2020). Water. 13(8),1048.

-Rau P, Castillon F, Visitacion K, Yeckle M, Cordova M. 2024. Assessing extreme monthly runoff over an arid basin through reanalysis datasets. Advances in Science, Technology and Innovation. 75-77.

-Rau, P., Bourrel, L., et al. 2019. Assessing multi-decadal runoff (1970‒2010) using re-gional hydrological modelling under data and water scarcity conditions in Peruvian Pa-cific catchments. Hydrological Processes. 33(1):20-35.