Asimilación de precipitación estimada por imágenes de satélite en modelos hidrológicos aglutinados y distribuidos, caso de estudio afluencias al embalse de Betania (Huila, Colombia)

Abstract

En este trabajo se presenta una nueva técnica de estimación de precipitación, llamada PERSIANN (Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks), como estimador indirecto de la precipitación con temporalidad diaria. La hipótesis: La predicción y simulación de un sistema hidrológico se puede mejorar con la utilización de componentes meteorológicos estimados por técnicas de teledetección o percepción remota. La modelación matemática ofrece una gama de alternativas para encontrar el operador o función de transferencia adecuado para cada una de las situaciones mencionadas en la hipótesis. Para aceptar la hipótesis, modelos implementados con datos medidos por satélites deben ofrecer mejor desempeño que aquellos implementados con información de precipitación medida en tierra. Se tomó como caso de estudio el pronóstico de las afluencias al embalse de Betania en el departamento del Huila, con puntos de control en las estaciones hidrológicas de Paicol y Puente Balseadero. Se emplearon dos tipos de modelos para validar la hipótesis planteada. Un modelo matemático aglutinado, las Combinaciones Lineales Adaptativamente Optimas - CLAO y el modelo distribuido MIKE SHE que integra en su estructura los diferentes procesos del ciclo hidrológico. Se presenta la conceptualización de la modelación matemática y el desarrollo matemático de estas metodologías, discutiendo la asimilación de la precipitación satelital en los modelos seleccionados y comparando el desempeño de estos, al implementar esta precipitación estimada y la medida en tierra.