metodologÍa de evaluaciÓn y pronÓstico del …

METODOLOGÍA DE EVALUACIÓN Y PRONÓSTICO DEL FENÓMENO DE SEQUÍA EN

EL MUNICIPIO DE MOTAVITA, DEPARTAMENTO DE BOYACÁ

CARLOS ANDRÉS MÉNDEZ VALLEJO

WILSON LEONARDO CHAVES TENORIO

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

INGENIERÍA CATASTRAL Y GEODESIA

BOGOTÁ D.C

2021

METODOLOGÍA DE EVALUACIÓN Y PRONÓSTICO DEL FENÓMENO DE SEQUÍA EN

EL MUNICIPIO DE MOTAVITA, DEPARTAMENTO DE BOYACÁ

AUTOR: CARLOS ANDRÉS MÉNDEZ VALLEJO

AUTOR: WILSON LEONARDO CHAVES TENORIO

DOCENTE DIRECTOR: ANDRÉS CÁRDENAS CONTRERAS

MONOGRAFÍA PARA OPTAR POR EL TÍTULO DE INGENIERO CATASTRAL Y

GEODESTA

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA

INGENIERÍA CATASTRAL Y GEODESIA

BOGOTÁ D.C

2021

AGRADECIMIENTOS

El presente trabajo se lo queremos dedicar en primera instancia a Dios, por habernos dado la

posibilidad de culminar de manera exitosa nuestra formación como profesionales y como

ingenieros Catastrales y Geodestas con un sentido ético, crítico, humano e integral.

Agradecemos a nuestros padres y a nuestras familias por el apoyo brindado y el esfuerzo realizado

a lo largo de nuestra formación profesional. Dándonos todo su amor y cariño de manera

incondicional para poder contribuir a la sociedad y a nuestro país Colombia desde el campo de

las geociencias, la meteorología y la gestión del riesgo de desastres.

Agradecer a nuestros amigos, profesores, compañeros que nos brindaron su ayuda y

asesoramiento en nuestro proyecto de grado en cada una de sus diferentes fases, agradecer de

manera especial al profesor Andrés Cárdenas por habernos dado todo su acompañamiento,

enseñanza y orientación en nuestro proyecto de grado.

Finalmente, agradecer a nuestra querida Alma Mater por habernos enseñado y forjado como

ingenieros Catastrales y Geodestas, contribuyendo conocimiento útil para la sociedad colombiana

en la gestión del riesgo de desastres y el cambio climático.

¡El cambio climático y los fenómenos de variabilidad climática extrema son nuestro mayor

desafío, aún estamos a tiempo. Sólo si trabajamos juntos lograremos comprender y convivir en

armonía con nuestro planeta!

TABLA DE CONTENIDO

INTRODUCCIÓN ........................................................................................................................ 1 1. IDENTIFICACIÓN DEL PROBLEMA ................................................................................. 2

1.1 Descripción del problema ..................................................................................................... 2 1.2 Hipótesis ............................................................................................................................... 3

1.3 Objetivo general .................................................................................................................... 3 1.4 Objetivos específicos ............................................................................................................ 3 1.5 Justificación y pertinencia..................................................................................................... 4

2. DELIMITACIÓN ESPACIO-TEMPORAL .......................................................................... 5 2.1 Localización del departamento de Boyacá ........................................................................... 5

2.2 Localización del municipio de Motavita ............................................................................... 5

2.3 Cabecera municipal ............................................................................................................... 6

2.4 Zona rural .............................................................................................................................. 6 2.5 Límites y división política .................................................................................................... 6 2.6 Altitud ................................................................................................................................... 7 2.7 Hidrografía ............................................................................................................................ 7

2.8 Uso del suelo ......................................................................................................................... 8 2.9 Clima ..................................................................................................................................... 8

2.10 Clasificación climática Caldas Lang ................................................................................... 8 2.11 Adquisición y selección de la información ....................................................................... 10

3. MARCO DE REFERENCIA ................................................................................................. 12

3.1 Estado del arte ..................................................................................................................... 12 3.1.1 Fenómeno de sequía en el ámbito internacional .......................................................... 12

3.1.2 Fenómenos de sequía en el ámbito Colombiano.......................................................... 15 3.1.3 Fenómenos de sequía en el municipio de Motavita ..................................................... 18

3.2 Marco normativo ................................................................................................................. 18 3.3 Marco teórico ...................................................................................................................... 20

3.3.1 Sequía ........................................................................................................................... 20

3.3.2 Caracterización de las sequías ..................................................................................... 22 3.3.3 Tipos de sequía ............................................................................................................ 22

3.3.4 Índices de sequía .......................................................................................................... 23 3.3.5 Índice de Severidad de Sequía de Palmer (PDSI) ........................................................ 25 3.3.5.2 Profundidad efectiva del suelo (Zr ............................................................................ 27 3.3.6 Índice Estandarizado de Precipitación (SPI) ................................................................ 28 3.3.7 Planeta Tierra y movimientos planetarios .................................................................... 30

3.3.8 Atmosfera terrestre....................................................................................................... 31 3.3.9 Circulación atmosférica y vientos planetarios ............................................................. 32

3.3.10 Vientos planetarios..................................................................................................... 33 3.3.11 Clima y tiempo atmosférico ....................................................................................... 34 3.3.12 Precipitación y ciclo hidrológico ............................................................................... 35 3.3.13 Cambio climático global ............................................................................................ 37 3.3.14 Temperatura media global en superficie y calentamiento global .............................. 37

3.3.15 Variabilidad climática ................................................................................................ 38

4. ASPECTOS METODOLÓGICOS ....................................................................................... 42

4.1 Proceso y flujo metodológico ............................................................................................. 42 4.1.1 Tratamiento preliminar ................................................................................................ 42 4.1.2 Fundamentación teórica y clasificación del SPI .......................................................... 45 4.1.3 Fundamentación teórica y clasificación del PDSI ....................................................... 48 4.1.4 Redes Neuronales Artificiales (RNA) ......................................................................... 57

4.1.5 Gestión del riesgo por sequía. ...................................................................................... 63 5. RESULTADOS ....................................................................................................................... 68

5.1 Índice Estandarizado de Precipitación (SPI) ....................................................................... 68 5.1.1 SPI trimestral y la variabilidad climática estacional .................................................... 68 5.1.2 SPI semestral y la variabilidad climática intraestacional ............................................. 70

5.1.3 SPI anual y la variabilidad climática interanual .......................................................... 71

5.1.4 Selección de periodos SPI categorizados con sequías. ................................................ 73

5.2 Índice de Severidad de Sequía de Palmer (PDSI) ............................................................... 76 5.2.1 Balances hídricos climáticos ........................................................................................ 76 5.2.2 PDSI y el ciclo hidrológico .......................................................................................... 80 5.2.3 PDSI desde la degradación de los suelos y la infiltración ........................................... 81

5.2.4 PDSI y el ENOS........................................................................................................... 83 5.2.5 Resultados finales índices de sequía y ENOS.............................................................. 84

5.3 Redes Neuronales Artificiales (RNA) ................................................................................ 85

5.3.1 Entrenamiento (RNA) .................................................................................................. 85 5.3.2 Validación de la RNA .................................................................................................. 86

5.3.3 Verificación de la RNA ............................................................................................... 87 5.4 Evaluación de la amenaza, vulnerabilidad y riesgo por sequía .......................................... 88

5.4.1 Evaluación de la amenaza por sequía .......................................................................... 89 5.4.2 Evaluación de la vulnerabilidad por sequía ................................................................. 90

5.4.3 Evaluación del riesgo por sequía ................................................................................. 92 5.4.4 Caracterización de escenarios de riesgo por sequía ..................................................... 93 5.4.5 Escenario de riesgo desde la amenaza por sequía ........................................................ 94

5.4.6 Escenario de riesgo desde la vulnerabilidad ................................................................ 95 6. CONCLUSIONES Y RECOMENDACIONES.................................................................... 97

6.1 Conclusiones ....................................................................................................................... 97 6.2 Recomendaciones ............................................................................................................... 99

BIBLIOGRAFÍA ...................................................................................................................... 101 ANEXO ...................................................................................................................................... 110

Anexo 1 ................................................................................................................................... 110

Anexo 2 ................................................................................................................................... 112

APÉNDICE ................................................................................................................................ 113 Apéndice A ............................................................................................................................. 113 Apéndice B.............................................................................................................................. 119

LISTA DE ILUSTRACIONES

Ilustración 1. Mapa de localización del departamento de Boyacá ................................................................ 5 Ilustración 2. Mapa de localización del municipio de Motavita ................................................................... 6 Ilustración 3. Mapa de las veredas del municipio de Motavita ..................................................................... 7 Ilustración 4. Clasificación climática Caldas – Lang .................................................................................... 9 Ilustración 5. Mapa de estaciones hidrometeorológicas del área de estudio ............................................... 11 Ilustración 6. Procesos de la gestión del riesgo de desastres ...................................................................... 19 Ilustración 7. Conocimiento del riesgo por fenómenos meteorológicos ..................................................... 20 Ilustración 8. Balance de agua en el suelo .................................................................................................. 26 Ilustración 9. Vientos planetarios y masas de aire ...................................................................................... 32 Ilustración 10. Fuerza de Coriolis ............................................................................................................... 33 Ilustración 11. Células de circulación atmosférica ..................................................................................... 34 Ilustración 12. Clima y tiempo atmosférico ................................................................................................ 35 Ilustración 13. Ciclo natural del agua ......................................................................................................... 36 Ilustración 14. Temperatura media global en superficie ............................................................................. 38 Ilustración 15. Zona de convergencia intertropical ..................................................................................... 39 Ilustración 16. Oscilación de Madden-Julián .............................................................................................. 40 Ilustración 17. Fase el niño – Oscilación del sur ........................................................................................ 41 Ilustración 18. Fase la niña – Oscilación del sur ......................................................................................... 41 Ilustración 19. Proceso y flujo metodológico ............................................................................................. 42 Ilustración 20. Clasificación del PDSI ........................................................................................................ 52 Ilustración 21. Mapa de UCS ...................................................................................................................... 54 Ilustración 22. Estructura jerárquica de una RNA ...................................................................................... 58 Ilustración 23. Composición de una RNA .................................................................................................. 59 Ilustración 24. Fases de creación y pronóstico de una RNA ....................................................................... 61 Ilustración 25. Metodología de evaluación del riesgo ................................................................................ 64 Ilustración 26. Flujo de toma de decisiones con multicriterio .................................................................... 65 Ilustración 27. Valores de SPI estación Chíquiza ....................................................................................... 68 Ilustración 28. Valores de SPI estación Cómbita ........................................................................................ 69 Ilustración 29. Valores de SPI estación Motavita ....................................................................................... 70 Ilustración 30. Valores de SPI estación Samacá ......................................................................................... 71 Ilustración 31. Valores de SPI estación Villa de Leyva .............................................................................. 72 Ilustración 32. Valores de SPI estación Tunja ............................................................................................ 73 Ilustración 33. Años representativos SPI-12 ............................................................................................... 75 Ilustración 34. Balance hídrico climático Samacá ...................................................................................... 77 Ilustración 35. Balance hídrico climático Tunja ......................................................................................... 78 Ilustración 36. Balance hídrico climático Villa de Leyva ........................................................................... 79 Ilustración 37. Valores de PDSI estación Samacá ...................................................................................... 80 Ilustración 38. Valores de PDSI estación Villa de Leyva ........................................................................... 82 Ilustración 39. Valores de PDSI Tunja ....................................................................................................... 84 Ilustración 40. Comportamiento del SPI 3 y sus valores de entrenamiento estación Panelas .................... 86 Ilustración 41. Mapa de amenaza por sequía .............................................................................................. 90 Ilustración 42. Mapa de vulnerabilidad por sequía ..................................................................................... 91 Ilustración 43. Mapa de riesgo por sequía .................................................................................................. 93

LISTA DE TABLAS

Tabla 1. Distribución de las veredas de Motavita ........................................................................... 7 Tabla 2. Uso del suelo Municipio de Motavita ............................................................................... 8 Tabla 3. Clasificación climática Caldas Lang ................................................................................. 9 Tabla 4. Historial de periodos de sequía en el planeta tierra ........................................................ 14

Tabla 5. Historial de fenómenos de sequía en Colombia según UNGRD .................................... 16 Tabla 6. Historial de fenómenos de sequía en Colombia según IDEAM ..................................... 17 Tabla 7. Parámetros en la caracterización de sequías ................................................................... 22 Tabla 8. Índices de sequía y parámetros de entrada ...................................................................... 24 Tabla 9. Características del PDSI ................................................................................................. 25

Tabla 10. Profundidad efectiva del suelo ...................................................................................... 28

Tabla 11. Características del SPI .................................................................................................. 29

Tabla 12. Escalas de tiempo del SPI ............................................................................................. 30 Tabla 13. Información preliminar estaciones hidrometeorológicas .............................................. 43 Tabla 14. Coeficientes de correlación de la precipitación ............................................................ 43 Tabla 15. Ajuste de los coeficientes de correlación ...................................................................... 44

Tabla 16. Prueba estadística T – Students .................................................................................... 44 Tabla 17. Temperatura de las estaciones climatológicas principales ........................................... 45 Tabla 18. Coeficientes de correlación temperatura ....................................................................... 45

Tabla 19. Clasificación del SPI ..................................................................................................... 47 Tabla 20. Probabilidad de recurrencia sequía meteorológica ....................................................... 47

Tabla 21. Clasificación de los valores de PDSI ............................................................................ 52 Tabla 22. Orden, suborden y gran grupo de UCS ......................................................................... 53

Tabla 23. Geomorfología, material parental y UCS ..................................................................... 55 Tabla 24. Valores de AWC .......................................................................................................... 56

Tabla 25. Parámetros y descriptores de amenaza ......................................................................... 66 Tabla 26. Parámetros y descriptores de vulnerabilidad ................................................................ 67 Tabla 27. Comportamiento SPI trimestral, semestral y anual ...................................................... 74

Tabla 28. Comportamiento SPI -12, PDSI y ENOS ..................................................................... 85 Tabla 29. Pronóstico RNA estación Panelas (Motavita) .............................................................. 85

Tabla 30. Diferencia entre valor real y estimado para la estación Panelas ................................... 86 Tabla 31. Comportamiento EMC y DAM trimestral estación Panelas ......................................... 87 Tabla 32. Comportamiento EMC y DAM semestral estación Panelas ......................................... 87 Tabla 33. Comportamiento EMC y DAM trimestral estaciones Tunja y Villa de Leyva ............ 88

Tabla 34. Comportamiento EMC y DAM semestral estaciones Tunja y Villa de Leyva ............. 88

Tabla 35. Escenario de amenaza por sequía año 2017.................................................................. 95

Tabla 36. Escenario de vulnerabilidad por sequía año 2017 ........................................................ 96

LISTA DE ABREVITATURAS

AMA Asociación Mundial para el Agua

CENEPRED Centro Nacional de Estimación, Prevención y Reducción del Riesgo de Desastres

CMNUCC Convenciones del Marco de las Naciones Unidas sobre el Cambio Climático

CNULD Convención de las Naciones Unidas Contra la Desertificación y la Sequía

CRDN Conocimiento del Riesgo de Desastres Naturales

EOT Esquema de Ordenamiento Territorial

ENA Estudio Nacional del Agua

ENOS Fenómeno del Niño – Oscilación del sur

FAO La Organización de las Naciones Unidas para la Alimentación y la Agricultura

GRD Gestión del Riesgo de Desastres

IGAC Instituto Geográfico Agustín Codazzi

IPPC Intergubernamental de Expertos sobre el Cambio Climático

ISO Organización Internacional de Normalización

IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales

NDMC Centro Nacional de Mitigación de la Sequía

ODS Objetivos del Desarrollo Sostenible

OMJ Oscilación Madden-Julián

OMM Organización Meteorológica Mundial

ONU Organización de las Naciones Unidas

PDD Plan de Desarrollo Departamental

PDM Plan de Desarrollo Municipal

PLEC’s Plan Local de Emergencia y Contingencias

PMGRD Plan Municipal de Gestión del Riesgo de Desastres

PNC Plan Nacional de Contingencia

PNPAD Plan Nacional para la Prevención y Atención de Desastres

PNUMA Programa de las Naciones Unidas para el Medio Ambiente

PRAFMA Proceso Regional de las Américas Foro Mundial del Agua

SNGRD Sistema Nacional de Gestión del Riesgo de Desastres

SNPAD Sistema Nacional de Prevención y Atención de Desastres

UNGRD Unidad Nacional para la Gestión del Riesgo de Desastres

UNISDR La Oficina de las Naciones Unidas para Reducción de Riesgo de Desastres

UDCA Universidad de Ciencias Aplicadas y Ambientales

UNAL Universidad Nacional de Colombia

USDA Departamento de Agricultura de los Estados Unidos

USGS Servicio Geológico de los Estados Unidos

ZCIT Zona de Confluencia Intertropical

GLOSARIO

Amenaza: Peligro latente de que un evento físico de origen natural, o causado, o inducido por la acción humana de

manera accidental, se presente con una severidad suficiente para causar pérdida de vidas, lesiones u otros impactos en

la salud, así como también daños y pérdidas en los bienes, la infraestructura, los medios de sustento, la prestación de

servicios y los recursos ambientales (Ley 1523, 2012).

Análisis y evaluación del riesgo: Implica la consideración de las causas y fuentes del riesgo, sus consecuencias y la

probabilidad de que dichas consecuencias puedan ocurrir. Es el modelo mediante el cual se relaciona la amenaza y la

vulnerabilidad de los elementos expuestos, con el fin de determinar los posibles efectos sociales, económicos y

ambientales y sus probabilidades (Ley 1523, 2012).

Anomalía climática: Diferencia entre el valor de un elemento climático de un lugar determinado y el valor medio de

este elemento sobre el paralelo de este lugar, desviación con relación al valor normal (Torregrosa, 2014, p.104).

Anomalía de temperatura: Desviación de la temperatura con respecto a su valor normal, diferencia entre la

temperatura en un lugar determinado y el valor medio de la temperatura en la latitud de ese lugar (IDEAM, 2019,

p.21).

Aridez: Característica de un clima referente a la insuficiencia de las precipitaciones para mantener la vegetación,

condición en la que la precipitación es siempre inferior a la evaporación (Torregrosa, 2014, p.132).

Balance Hídrico: Balance de agua basado en el principio de que durante un cierto intervalo de tiempo el aporte total

a una cuenca o masa de agua debe ser igual a la salida total de agua más la variación neta en el almacenamiento de la

cuenca o masa de agua (IDEAM, 2019, p.33).

Cambio climático: Cambio del clima atribuido directa o indirectamente a la actividad humana que altera la

composición de la atmósfera mundial y que se suma a la variabilidad natural del clima observada durante períodos de

tiempo comparables (Naciones Unidas, 1992).

Capacidad de Retención de Agua Disponible: Cantidad de agua disponible para el crecimiento de las plantas y se

encuentra entre la capacidad de campo y el punto de marchitez permanente (Shaxson et al., 2005).

Capacidad de Campo: Cantidad de agua retenida en el suelo cuando ha drenado el agua por acción de la gravedad

(IDEAM, 2019, p.47).

Clima: Las condiciones atmosféricas predominantes durante un periodo determinado sobre un lugar o una región

(IDEAM y UNAL, 2018).

Cinturón de vientos polares (célula polar): Vientos localizados a más de 60° de latitud norte y sur con movimientos

hacia centros de bajas presiones subpolares (Andrades y Muñez, 2012).

Cinturón de vientos del oeste: Vientos localizados entre 40° y 60° de latitud norte y sur, caracterizados por el

movimiento desde los cinturones de alta presión en la zona polar hacia los centros de bajas presiones (Andrades y

Muñez, 2012).

Cinturón subtropical de vientos variables: Vientos localizados entre los 30° y 35° de latitud norte y sur, donde

divergen los vientos alisios y los vientos del oeste. Esta zona se caracteriza por un estado del tiempo con una tendencia

a la sequía provocando así la localización de la mayor parte de desiertos del mundo (Andrades y Muñez, 2012).

Cinturón de vientos alisios: Vientos localizados entre los 5° y 30° de latitud norte y sur como resultado del gradiente

de presión alto desde el cinturón subtropical hacia la zona ecuatorial de bajas presiones, los vientos alisios del

hemisferio norte se mueven en dirección suroeste. Mientras que, los vientos del hemisferio sur se mueven en dirección

noroeste (Andrades y Muñez, 2012).

Conocimiento del riesgo: Proceso de la gestión del riesgo compuesto por la identificación de escenarios de riesgo, el

análisis y evaluación del riesgo, el monitoreo y seguimiento del riesgo con sus componentes, la comunicación para

promover una mayor conciencia del mismo que alimenta los procesos de reducción del riesgo y de manejo de desastre

(Ley 1523, 2012).

Cuerpos de agua: Cualquier extensión que se encuentran en la superficie terrestre (ríos y lagos) o en el subsuelo

(acuíferos, ríos subterráneos) tanto en estado líquido, como sólido (glaciares, casquetes polares) tanto naturales como

artificiales (embalses) que pueden ser de agua salada o dulce (Aguas de Bogotá SA ESP, 2021).

Degradación de los suelos: Reducción o pérdida de la productividad y diversidad biológica o económica de las tierras

de cultivo, las praderas, los pastizales y los bosques, con disminución de su capacidad para mantener ya sea la

vegetación natural, como así también los cultivos hechos por el hombre (Gómez et al., 2010).

Déficit de agua: Diferencia acumulada entre la evapotranspiración potencial y la precipitación durante un cierto

período en el cual la precipitación es menor que la evapotranspiración potencial (Torregrosa, 2014, p.444)

Desabastecimiento de agua: Falta de agua de calidad aceptable, bajos niveles de suministro de agua, en un momento

y en un lugar determinados respecto a los niveles de suministro diseñados (FAO, 2013).

Desertificación: Degradación de las tierras de zonas áridas, semiáridas y subhúmedas secas resultante de diversos

factores, tales como las variaciones climáticas y las actividades humanas (CNLUDS, 1994).

Erosión: Pérdida de la capa superficial de la corteza terrestre por acción del agua y/o del viento, que es mediada por

el hombre, y trae consecuencias ambientales, sociales, económicas y culturales (IDEAM y UDCA, 2015).

Escasez de agua: Desequilibrio entre el suministro y la demanda de agua dulce en un área determinada (país, región,

área de captación, cuenca fluvial, etc.) como resultado de una demanda demasiado elevada para el suministro

disponible (FAO, 2013).

Escenario de riesgo: Fragmentos o campos delimitados de las condiciones de riesgo del territorio presentes o futuras,

que facilitan tanto la comprensión y priorización de los problemas como la formulación y ejecución de las acciones

de intervención requeridas (Ley 1523, 2012).

Estiaje: Nivel más bajo o caudal mínimo que en ciertas épocas del año tienen las aguas de un río, estero, laguna, etc.,

por causa de la sequía (Torregrosa, 2014, p.597).

Estratósfera: La estratosfera es la capa superior a la troposfera con una altitud inicial sobre los 9 o 18 km hasta

completar 50 km, recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).

Estrés hídrico: Síntomas de la escasez o desabastecimiento de agua, serias restricciones frecuentes y generalizadas

en el uso, aumento de la competencia y de los conflictos entre usuarios, empeoramiento de la calidad y fiabilidad del

servicio, pérdida de cosechas e inseguridad alimentaria (FAO, 2013, p.71)

Evapotranspiración potencial: Cantidad máxima de agua que puede evaporarse en un clima dado por una cubierta

vegetal continúa bien dotada de agua. Incluye la evaporación del suelo y la transpiración por la vegetación en un

intervalo de tiempo dado y en una región determinada. Se expresa en altura de agua (IDEAM, 2019).

Evapotranspiración real: Evapotranspiración efectiva, Cantidad de vapor de agua evaporada del suelo y de las

plantas (IDEAM, 2019).

Exosfera: La exosfera es la última capa de la atmosfera situada en la parte superior de la termosfera con

aproximadamente 500 a 1000 km de altura, recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).

Exposición: Se refiere a la presencia de personas, medios de subsistencia, servicios ambientales y recursos

económicos y sociales, bienes culturales e infraestructura que por su localización pueden ser afectados por la

manifestación de una amenaza (Ley 1523, 2012).

Manejo de desastres: Proceso de la gestión del riesgo compuesto por la preparación para la respuesta a emergencias,

la preparación para la recuperación posdesastre, la ejecución de dicha respuesta y la ejecución de la respectiva

recuperación, entiéndase: rehabilitación y recuperación (Ley 1523, 2012).

Mesósfera: La mesosfera es la tercera capa de la atmosfera terrestre con una altura aproximada de 50 a 100 kilómetros,

recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).

Nivel del riesgo: Magnitud de uno o varios riesgos expresada mediante la combinación de las consecuencias y la

probabilidad de ocurrencia (ISO/IEC, 2009). En Colombia, el nivel de riesgo se expresa comúnmente en tres

categorías: alto, medio y bajo mediante tres colores rojo, amarillo y verde respectivamente (Ley 1523, 2012).

Nutación: Oscilación periódica del eje de la Tierra, causada principalmente por la atracción Lunar, y en menor

proporción por la del Sol, sobre el abultamiento ecuatorial de la Tierra. (Torregrosa, 2014, p.1091).

Precesión: Movimiento del eje del mundo alrededor del eje de la Eclíptica, en virtud del cual describe una superficie

cónica en unos 25.800 años. Se debe a la atracción del Sol y la Luna sobre el abultamiento ecuatorial de la Tierra

(Torregrosa, 2014, p.1219).

Precipitación: Caída de partículas de agua líquida o sólida que se originan en una nube, atraviesan la atmósfera y

llegan al suelo. La cantidad de precipitación es el volumen de agua lluvia que pasa a través de una superficie en un

tiempo determinado (IDEAM, 2019).

Profundidad efectiva del suelo: Espesor del suelo de la superficie hasta donde se desarrolla el sistema radicular de

los cultivos (Rodríguez, 2001).

Pronóstico: Declaración certera o un cálculo estadístico de la posible ocurrencia de un evento o condiciones futuras

en una zona específica (UNISDR, 2009).

Punto de Marchitez Permanente: Contenido de humedad del suelo, expresado como porcentaje de la masa de suelo

seca, por debajo del cual una planta muere por marchitez (IDEAM, 2019, p.238).

Reducción del riesgo: Proceso de la gestión del riesgo, está compuesto por la intervención dirigida a modificar o

disminuir las condiciones de riesgo existentes, entiéndase: mitigación del riesgo y a evitar nuevo riesgo en el territorio.

(Ley 1523, 2012).

Riesgo de desastres: Corresponde a los daños o pérdidas potenciales que pueden presentarse debido a los eventos

físicos peligrosos de origen natural, socio-natural tecnológico, biosanitario o humano no intencional, en un período de

tiempo específico y que son determinados por la vulnerabilidad de los elementos expuestos (Ley 1523, 2012).

Rotación terrestre: Describe los movimientos de esta a lo largo de un eje imaginario denominado eje terrestre o polar

en dirección oeste-este, el cual provoca la alternancia del día y la noche en un intervalo de tiempo aproximadamente

de 24 horas tomando como referencia el Sol (día solar) (Leyva, 1998).

Salinización: Proceso de aumento, ganancia o acumulación de sales en el suelo, en donde un aumento de sales en el

suelo y en concentraciones elevadas afecta las características fisicoquímicas y biológicas de los suelos y sus servicios

ecosistémicos, entre ellos el desarrollo de las plantas (IDEAM y UDCA, 2016).

Traslación terrestre: Explica el movimiento que realiza la tierra a lo largo de 356 días, 5 horas, 46 minutos y 46

segundos tomando como referencia al Sol, este movimiento es debido a fuerza de atracción gravitacional existente

entre el Sol y la Tierra, su descripción es a través de una órbita eclíptica en donde el Sol está localizado en uno de los

focos de la elipse (Leyva, 1998).

Temperatura del aire: Temperatura señalada por un termómetro expuesto al aire protegido de la radiación solar

directa (IDEAM, 2019, p.274).

Temperatura Superficial del Mar: Temperatura del agua de la capa superficial del mar (Torregrosa, 2014, p. 1418).

Temperatura Superficial Terrestre: Temperatura del aire en la superficie terrestre por la incidencia directa de la

radiación solar (Torregrosa, 2014, p. 1418).

Termósfera: La termosfera es la penúltima capa de la atmosfera terrestre con una altura que varía desde los 100 hasta

los 500 km, recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).

Tropósfera: La troposfera es la capa más adyacente o próxima a la superficie terrestre con un espesor de 9 o 10 km

de altura sobre los polos, mientras que en el ecuador este valor puede llegar a los 18 km, recopilado de (Sarochar,

2013) y (Andrades y Muñez, 2012).

Variabilidad climática estacional: Describe las diferentes variaciones u fluctuaciones del clima a escala mensual,

resaltándose las estaciones de latitudes medias (invierno, primavera, verano y otoño) y las de zona tropical (temporada

de lluvias o temporada de ausencia de lluvias) (Montealegre, 2009).

Variabilidad climática interanual: Corresponde a las variaciones u fluctuaciones del clima de año en año, en donde

las fluctuaciones que se sitúan por encima o por debajo del promedio de las variables climatológicas constituyen

fenómenos como por ejemplo “El Niño – La Niña – Oscilación del sur” también conocido como ENOS y la

“Oscilación Cuasibienal” (Montealegre, 2009).

Variabilidad climática interdecadal: Describe las fluctuaciones del clima en intervalos de tiempo decadal. Estas

fluctuaciones u oscilaciones pueden tener relación con fenómenos como por ejemplo manchas solares, la Oscilación

Decadal del Pacifico (PDO en inglés) y el ciclo lunar de 18.6 años (Montealegre, 2009).

Variabilidad climática intraestacional: Describe las perturbaciones u oscilaciones del tiempo durante decenas de

días. Dentro de las oscilaciones intraestacionales se resaltan las señas de tipo ondulatorio y su periodo varía entre 30

a 60 días (Montealegre, 2009).

Vulnerabilidad: Susceptibilidad o fragilidad física, económica, social, ambiental o institucional que tiene una

comunidad de ser afectada o de sufrir efectos adversos en caso de que un evento físico peligroso se presente (Ley

1523, 2012).

1

INTRODUCCIÓN

Los fenómenos naturales constituyen los principales cambios, movimientos y transformaciones en

la naturaleza terrestre, esto debido a su alto dinamismo e interacción constante con las capas

concéntricas y atmosféricas de la misma. Por su parte, los fenómenos hidrometeorológicos o

atmosféricos como las sequías, inundaciones, tornados, huracanes, ciclones, entre otros. Han

constituido durante mucho tiempo las principales amenazas en aspectos fundamentales como el

desarrollo territorial, económico, social y ambiental de una región o zona determinada. Esto debido

a su alta recurrencia, frecuencia y periodicidad en la aparición de los mismos. Ahora bien,

características propias de la sequía como su desarrollo silencioso y paulatino, sumado de un

carácter impredecible para un espacio-tiempo. Pueden establecer en caso de ocurrencia mayores

impactos tanto para una población como para un territorio.

Las sequías constituyen uno de los fenómenos naturales con mayor capacidad de generar impactos

en una población y un territorio para un determinado lapso de tiempo (Ortega, 2012). Sumado a

esto, los aspectos fundamentales de una sequía como lo son su Intensidad (I), Duración (D),

Magnitud (M) y Extensión (E) requieren ser identificados con alta confiabilidad y exactitud. Por

consiguiente, es fundamental hacer énfasis en las diferentes etapas y procesos de la sequía, así

como, una debida clasificación tal como lo estableció (Wilhite y Glantz, 1985) clasificando este

fenómeno natural en 4 grandes grupos (sequía meteorológica, sequía agrícola, sequía hidrológica

y sequía socioeconómica). Puesto que, la aparición de una sequía guarda a su vez una estrecha

relación con el ciclo hidrológico y la climatología propia de un lugar o de una área geográfica. Por

esta razón, los fenómenos de sequía en algunas ocasiones bajo términos probabilísticos tienen una

recurrencia y una periodicidad determinada.

En contraste a los fenómenos de sequía, las variables del sistema climático de mayor relevancia

utilizada en el presente estudio son la precipitación, temperatura, brillo solar, evapotranspiración,

humedad relativa, entre otras. De ahí que, en escalas de tiempo mayores estas variables

cuantitativas representan el tipo de clima de un lugar determinado y su área de influencia. Además,

dichas variables permiten la evaluación de sequía mediante el uso de índices de sequía de carácter

meteorológica y agrícola tales como el SPI y PDSI.

En Colombia, de acuerdo al régimen unimodal de precipitación característico en la mayor parte

del territorio colombiano (temporada de lluvias y temporada de ausencia de lluvias). Conforman

junto con la climatología del territorio nacional según la clasificación climática de Köppen: climas

tropicales, secos, templado mesotermal y templado microtermal (Peel et al., 2007). Por ende, es

posible que bajo estas condiciones climatológicas se propicien la aparición de sequías en zonas

susceptibles a este fenómeno, en especial durante los últimos y primeros meses de cada respectivo

año. De ahí que, el municipio de Motavita (Boyacá) de acuerdo con sus características

edafológicas, meteorológicas, geográficas y socioeconómicas. Constituya un espacio propicio para

la generación de fenómenos de sequía, los cuales en el presente trabajo se evalúan desde el

conocimiento del riesgo mediante los parámetros de Vulnerabilidad (V), Amenaza (A), Exposición

(E) y Riesgo (R) dificultando y limitando a su vez procesos posteriores como la reducción y el

manejo del riesgo por sequía.

2

1. IDENTIFICACIÓN DEL PROBLEMA

1.1 Descripción del problema

Históricamente los fenómenos de origen natural han sido fuente de estudio de la humanidad, esto

se debe en gran medida a la interrelación e impactos que estos fenómenos naturales pueden llegar

a representar para una población en un espacio-tiempo. Por su parte, uno de los fenómenos

naturales que tiene mayor capacidad de generar impactos tanto socioeconómicos, ambientales y

de salud pública es el fenómeno de la sequía, entendiendo la misma según el vocabulario

meteorológico internacional (OMM, 1992) como la “ausencia prolongada o déficit notable de

precipitación”.

Recientemente en las últimas décadas, la superficie terrestre ha sufrido una serie de cambios

trascendentales como el aumento de la población global, aumento en la emisión gases de efecto

invernadero principalmente por el dióxido de carbono (CO2), gas metano (CH4) y el ozono

troposférico debido a actividades como el transporte, la calefacción, la ganadería y la agricultura.

En consecuencia, se han creado organizaciones con el fin de afrontar esta serie de problemáticas

como lo son las Convenciones del Marco de las Naciones Unidas sobre el Cambio Climático

(CMNUCC), de las cuales podemos resaltar el protocolo de Kioto (1995), Cumbre Mundial de

Desarrollo sostenible Johannesburgo (2002 ) y Acuerdo de Paris (2015).

En la actualidad, diversas organizaciones pertenecientes a la Organización de las Naciones Unidas

(ONU) tales como la Organización Meteorológica Mundial (OMM), el Grupo Intergubernamental

de Expertos sobre el Cambio Climático (IPPC en inglés) y la Oficina de las Naciones Unidas para

la Reducción del Riesgo de Desastres (UNISDR), han estudiado en conjunto con diversas

universidades y centros de investigación del mundo este fenómeno natural. Creando así diversos

índices o indicadores de sequía que sirven como mecanismos de vigilancia, control, manejo y

reducción de la misma en un espacio-tiempo.

La aparición de fenómenos globales de índole antrópico-natural como lo es el cambio climático y

la variabilidad climática, ha proporcionado cambios en la precipitación y la evaporación en el

planeta tierra, así como en el ciclo natural del agua (Wilhite y Glantz, 1985). Por consiguiente,

fenómenos naturales como las sequías, los incendios forestales y las olas de calor pueden llegar a

incrementarse a futuro con mayor intensidad, duración y periodicidad.

La población del municipio de Motavita (Boyacá), ha sufrido a lo largo del tiempo problemáticas

de desabastecimiento de agua, lo cual se ha visto reflejado en la disminución de las fuentes hídricas

tal como se establece en su Plan de Desarrollo Municipal (PDM) 2016-2019 (p.158) manifestando

que el agua está en estado crítico y las fuentes hídricas están agotadas. Por lo cual, se puede inferir

que una posible causa del desabastecimiento del agua en el municipio son las sequías. No obstante,

estas problemáticas pueden provenir de origen antrópico, en acciones como la deforestación, la

degradación del suelo, emisiones de gases de efecto invernadero y una explotación intensiva no

controlada del agua subterránea (Kharraz et al., 2012).

3

Este tipo de amenaza o problemática tanto natural como antrópica puede provocar impactos

económicos en las principales actividades productivas del municipio (cultivos de papa, uso

pecuario de ganado vacuno y minería de carbón) debido a la excesiva dependencia de las

condiciones naturales y climatológicas para su adecuada producción, tanto en temporadas aptas y

no aptas para cultivar (Miyamoto, 2017). Así pues, es probable la existencia de una amenaza por

sequía que provoque impactos sobre la población rural y urbana, impactos medio ambientales e

hidrológicos, reduciendo los niveles en las fuentes hídricas superficiales que afectan la

biodiversidad, los biomas y los ecosistemas. Además, la ausencia de fuentes hídricas, disminuye

la calidad de vida de la población y se encuentra expuesta a diferentes enfermedades por esta causa.

Uno de los instrumentos con los que cuentan las entidades territoriales tanto a nivel nacional,

departamental y municipal es la Gestión del Riesgo de Desastres (GRD), en donde uno de sus

procesos principales es el conocimiento del riesgo. No obstante, en la actualidad a pesar de existir

un Plan Municipal de Gestión del Riesgo de Desastres (PMGRD) en el municipio de Motavita,

realizado en el año 2012 y actualizado para el año 2016 con información de caracterización del

fenómeno y de escenarios de riesgo, no existe un estudio detallado acerca del fenómeno de sequía

con información cartográfica y espacial de la amenaza, vulnerabilidad, extensión y riesgo por

sequía en el municipio de Motavita (Boyacá).

Esta problemática actual que tiene el municipio de Motavita es el propósito del presente estudio,

en el cual se busca realizar una identificación y evaluación del fenómeno de sequía en el municipio

de Motavita (Boyacá) como insumo para el conocimiento del riesgo de desastres.

1.2 Hipótesis

• En el municipio de Motavita (Boyacá) han existido fenómenos de sequía meteorológica y

agrícola en los últimos 30 años.

• La variabilidad climática interanual proporciona condiciones favorables para la existencia

de fenómenos de sequía Meteorológica y Agrícola en Motavita (Boyacá).

1.3 Objetivo general

Identificar y evaluar el fenómeno de sequía en el municipio de Motavita (Boyacá) como insumo

para el conocimiento del riesgo de desastres.

1.4 Objetivos específicos

• Analizar el comportamiento histórico de la sequía en el municipio de Motavita (Boyacá)

en diferentes escalas de tiempo para identificar los años más representativos.

• Aplicar los indicadores de precipitación, temperatura, retención de humedad del suelo y

evapotranspiración en los años previamente identificados con sequías más significativas

para examinar en detalle su intensidad y magnitud.

• Modelar el comportamiento de la amenaza, vulnerabilidad y riesgo por sequía para

determinar posibles escenarios de riesgo.

4

1.5 Justificación y pertinencia

Históricamente el municipio de Motavita (Boyacá) ha enfrentado problemas de estiaje

relacionados con una disminución y baja disponibilidad en sus cuerpos de agua durante los

primeros meses del año. Por otra parte, se ha analizado que esta problemática guarda una estrecha

relación con el fenómeno de sequía de acuerdo con (Velasco et al., 2005).

En concordancia con los 17 objetivos y 169 metas del Desarrollo Sostenible (ODS) y

específicamente con los numerales sexto (6) “Garantizar la disponibilidad de agua y su gestión

sostenible y el saneamiento para todos”, decimotercero (13) “Adoptar medidas urgentes para

combatir el cambio climático y sus efectos” y decimoquinto (15) “Proteger, restablecer y promover

el uso sostenible de los ecosistemas terrestres, gestionar los bosques de forma sostenible, luchar

contra la desertificación, detener e invertir la degradación de las tierras y poner freno a la pérdida

de la diversidad biológica”. Las sequías y la desertificación ya sea en zonas áridas, semiáridas y

subhúmedas secas, constituyen a nivel mundial uno de los mayores desafíos en contra del cambio

climático y el calentamiento global. Sumado a esto, en el año 2018 el Proceso Regional de las

Américas Foro Mundial del Agua (PRAFMA). En su informe subregional de Centroamérica,

establece en términos de viabilidad y sostenibilidad la importancia de preservar el recurso hídrico

haciendo un uso eficiente del mismo, en especial en lugares en donde se presente estrés hídrico o

desabastecimiento de agua.

En correlación a lo anterior, el IDEAM realizó en el año 2012 una investigación a nivel nacional

del fenómeno de sequía, en donde se evidenció que para el municipio de Motavita (Boyacá) y sus

alrededores tenían un periodo de retorno de 20 a 40 años por sequía agrícola (IDEAM, 2012). Sin

embargo, actualmente no existe un estudio en detalle por sequía en esta zona del departamento de

Boyacá. Al igual que, una caracterización en términos de conocimiento del riesgo (amenaza,

vulnerabilidad y riesgo), los cuales permitan identificar y evaluar este fenómeno teniendo en

cuenta que en los últimos años se han presentado diferentes problemas por la falta de fuentes de

abastecimiento de agua tanto superficiales como subterráneas (PMGRD Motavita, 2016).

Uno de los instrumentos complementarios a la gestión del riesgo de desastres es el Plan Local de

Emergencia y Contingencias (PLEC’s) que es de carácter obligatorio para todos los municipios

según el artículo 13 del decreto 919 de 1989 el cual tiene como propósito “Superar de forma

eficiente y rápida una situación de emergencia o desastre con el mínimo impacto posible para la

población e infraestructura afectada”. Por ende, es importante la implementación de PLEC’s que

posibiliten la identificación de aquellas amenazas potenciales en este caso por sequía para el

municipio de Motavita (Boyacá).

5

2. DELIMITACIÓN ESPACIO-TEMPORAL

2.1 Localización del departamento de Boyacá

El departamento de Boyacá está localizado en el centro oriente del país, con una superficie de

23.189 km2 y una limitación por el Norte (N) con los departamentos de Santander, Norte de

Santander y parte de la República de Venezuela (ilustración 1). Por el Sur (S), con el departamento

de Cundinamarca y una pequeña parte del departamento del Meta. Por el Este (E), con los

departamentos de Arauca y Casanare y por el Oeste (O), con los departamentos de Antioquia y

Caldas (PDD, 2020-2023).

Ilustración 1. Mapa de localización del departamento de Boyacá

Fuente: Elaboración propia

2.2 Localización del municipio de Motavita

El municipio de Motavita está situado en el centro del departamento de Boyacá en sentido sur-este

de la ciudad de Tunja a una distancia aproximada de 8.5 km (ilustración 2). Limita al norte con los

municipios de Arcabuco y Cómbita, por el oeste con los municipios de Chíquiza y Sora (ESE

Centro de Salud de Motavita, 2020).

6

Ilustración 2. Mapa de localización del municipio de Motavita


2.3 Cabecera municipal

El área urbana del municipio de Motavita está ubicada astronómicamente a los cinco 5 grados, 37

minutos de latitud norte; a los 73 grados 22 minutos de longitud al Oeste del meridiano de

Greenwich; a los cero (0) grados, 41 minutos, 40 segundos de longitud Este con relación al

meridiano de Bogotá (PDM, 2016-2019).

2.4 Zona rural

El municipio de Motavita se encuentra en el centro del departamento de Boyacá y según el

Esquema de Ordenamiento Territorial (EOT) 2010-2011 tiene una extensión total de 60.1529 km2,

con una extensión de 0.02254 km2 en el área urbana y 59.9275 km2 en el área rural.

2.5 Límites y división política

El municipio de Motavita está estructurado por cinco veredas como se evidencia en la ilustración

(3). En la tabla (1) se menciona el nombre de cada vereda con su respectiva área. Además, la última

vereda se subdivide en cuatro sectores: Frutilla, Versalles, Barro Hondo y Quebrada Honda. A

pesar de que, existen nuevas veredas la información no se ha actualizado y en muchos documentos

de carácter oficial solo son reconocidas cinco veredas (ESE Centro de Salud de Motavita, 2020).

7

Ilustración 3. Mapa de las veredas del municipio de Motavita


Tabla 1. Distribución de las veredas de Motavita

Vereda Área (Ha) Porcentaje (%)

Centro 450.6 7.3

Carbonera 1164.4 19.09

Sote 2805.5 46

Rista 700.3 11.48

Salvial 977.9 16

Fuente: PDM Unidos por Motavita 2016-2019

2.6 Altitud

En el municipio de Motavita su altitud puede variar entre 2690 y 3240 metros sobre el nivel del

mar (m. s. n. m), en donde la cabecera municipal está ubicada en una meseta y la parte rural está

en parte inclinada y montañosa.

2.7 Hidrografía

El municipio de Motavita no dispone de grandes fuentes hídricas, dado que posee quebradas de

bajo caudal de las que se destacan: Quebrada Fusachá, Quebrada el Infierno, Quebrada Piedra

8

Colgante, Quebrada Honda, Quebrada Puertas, Quebrada la Chorrera, Quebrada Corralejas, Río

Pómeca y Rio La Vega (PDM, 2016-2019).

2.8 Uso del suelo

De acuerdo al EOT 2010 - 2011 el principal uso del suelo es la producción agrícola y está formada

por condiciones geográficas distintas. Los cultivos en el municipio de Motavita ocupan el 50.94%

del área municipal y el 42.93% representan pastos, en donde estas dos actividades juntas

corresponden al 93.87% de desarrollo agropecuario (tabla 2). Es decir, solo un 2.5% hace

referencia a zonas con vegetación nativa y un 3.24% a otros usos (ESE Centro de Salud de

Motavita, 2020).

Tabla 2. Uso del suelo Municipio de Motavita

Vereda Cultivos % Pastos % Vegetación nativa % Otra actividad %

Carbonera 19.5 20.1 17.8 21.6

Centro 9.9 11.1 6.6 7.8

Ristá 15.6 11.9 7.9 21.6

Salvial 11.4 13 11.8 25.8

Sote 43.6 43 55.9 23.2

Fuente: Municipio de Motavita E.O.T. 2000-2011

2.9 Clima

En la actualidad, el municipio de Motavita no cuenta con una estación climatológica de registro

permanente. Por tal razón, la información del clima está basada en los registros de la estación de

Tunja – UPTC, los cuales fluctúan con valores de temperatura mínima mensual de 11.4°C. Así

como, una temperatura máxima mensual de 14.7°C.

Los meses que presentan los valores más altos de temperatura son Mayo, Junio, Julio, Agosto y

Septiembre. Por otro lado, la precipitación media mensual es de 35.7 (mm), la precipitación

máxima mensual registrada es de 141.0 (mm) perteneciente al mes de Marzo y la precipitación

mínima mensual registrada es en el mes de Enero con 0.5 (mm). El clima se destaca a su vez por

ser frío semiárido, frío semihúmedo y de páramos (ESE Centro de Salud de Motavita, 2020).

2.10 Clasificación climática Caldas Lang

El municipio de Motavita según la clasificación climática Caldas Lang cuenta con las zonas

climáticas de Frio Semiárido (Fsa), Frio Semihúmedo (Fsh), Muy frio Semiárido o Páramo bajo

Semiárido (Pbsa) y Muy frio Semihúmedo o Páramo Bajo Semihúmedo (PBsh) (ilustración 4).

9

Ilustración 4. Clasificación climática Caldas – Lang


La clasificación climática Caldas Lang está fundamentada en la clasificación Caldas, la cual utiliza

un factor térmico que puede variar dependiendo del tipo de piso térmico, la altitud y la temperatura.

Mientras que, la clasificación Lang utiliza un factor de humedad derivado del cociente existente

entre la precipitación media anual (P) y la temperatura media anual (T) (tabla 3).

Tabla 3. Clasificación climática Caldas Lang

Clasificación climática Caldas Clasificación climática Lang Caldas

Lang

Piso térmico Símbolo Altitud

(metros)

Temperatura

°C

Factor

P/T

Clase de

clima Símbolo Símbolo

Frío F 2.001 a 3.000 12 ≥ T< 17.5

40.1 a

60.1 Semiárido sa Fsa

60.1 a

100 Semihúmedo sh Fsh

Páramo bajo o Muy

frío Pb 3.001 a 3.700 7 ≥ T < 12

40.1 a

60.1 Semiárido sa Pbsa

60.1 a

100 Semihúmedo sh PBsh

Fuente: Minambiente y IDEAM (2005)

10

2.11 Adquisición y selección de la información

En Colombia la entidad encargada de manejar, recopilar y publicar la información en términos

científicos, hidrológicos y meteorológicos es el instituto de Hidrología, Meteorología y Estudios

Ambientales (IDEAM). De ahí que, sea posible conocer la información necesaria y oportuna en

términos meteorológicos para llevar a cabo un análisis de fenómenos de sequía teniendo en cuenta

que el área de estudio se localiza en el municipio de Motavita y sus zonas aledañas. Por tal motivo,

es posible seleccionar de un total de 520 estaciones pertenecientes al departamento de Boyacá

incluyendo (Agrometeorológicas, Climática Ordinaria, Climática Principal, Limnimétrica,

Limnigráfica, Meteorológica Especial, Pluviográfica, Pluviométrica) aquellas estaciones que

cumplan con los siguientes criterios:

1. Estaciones con registros continuos iguales o mayores a 30 años que no se encuentren

suspendidas o inactivas para ese periodo de tiempo.

2. Estaciones que sean colindantes al municipio de Motavita.

3. Estaciones que contengan variables de precipitación mensual total, diario y máximo total

24 horas (Pluviográficas o Pluviométricas).

4. Estaciones que contengas variables de precipitación y temperatura (Climatológicas

Principales)

5. Las estaciones pueden presentar un máximo de 5 % de datos faltantes originales.

Luego de seleccionar las estaciones a partir de los criterios anteriores se optó por dejar únicamente

las estaciones que cumplan principalmente los criterios 1, 5, 3 o 4. Encontrando finalmente las

siguientes estaciones:

• Estación Pluviométrica Panelas-24010840 del municipio de Motavita

• Estación Pluviométrica Cómbita-24030310 del municipio de Cómbita

• Estación Pluviográfica San Pedro Iguaque-24010830 del municipio de Chíquiza

• Estación Climática Principal UPTC-24035130 del municipio de Tunja

• Estación Climática Principal Villa Carmen-24015220 del municipio de Samacá

• Estación Climática Principal Villa de Leyva AUT-24015300 del municipio de Villa de

Leyva

De las 6 estaciones seleccionadas todas cuentan con información de precipitación, de las cuales

cada estación está compuesta por un total de 372 datos en un periodo de tiempo de 31 años entre

1986 a 2016. No obstante, solo 3 estaciones son climatológicas principales que presentan registros

de temperatura de 360 datos en cada estación en un rango de 30 años entre 1987 y 2016, en la

ilustración (5) se puede evidenciar la localización de cada una de las estaciones.

11

Ilustración 5. Mapa de estaciones hidrometeorológicas del área de estudio


12

3. MARCO DE REFERENCIA

3.1 Estado del arte

El estado del arte del presente estudio requiere de la recopilación y búsqueda de diferentes

fenómenos de sequía ocurridos a lo largo de la historia del planeta tierra, en donde se haga énfasis

en la metodología empleada, los resultados y conclusiones obtenidos en cada una de estas

investigaciones. Además, permite obtener un panorama general del fenómeno de sequía a nivel

global, así como las principales técnicas y análisis que permitan abordar el fenómeno de sequía en

el municipio de Motavita (Boyacá) con base en estudios con características similares en

edafología, climatología y variabilidad climática.

3.1.1 Fenómeno de sequía en el ámbito internacional

En la actualidad según cálculos de la FAO y PNUMA (1999) alrededor de 6.100 millones de

hectáreas que equivalen aproximadamente a un 40% de la superficie terrestre, están constituidos

por ecosistemas secos, los cuales se encuentran expuestos a fenómenos de desertificación y sequías

como consecuencia de actividades de origen antrópico.

El estado actual de la sequía a nivel mundial, es producto de la existencia de grandes periodos de

sequía con duraciones que abarcaron años e incluso décadas. Estos periodos o épocas de sequía se

caracterizaron por tener altos impactos en la población y en el territorio, generando así

problemáticas como el desabastecimiento de agua o la falta de acceso a la misma. Adicional a esto,

las sequías históricamente han tenido implicaciones en la salud pública en diferentes ámbitos que

van desde enfermedades respiratorias hasta enfermedades relacionadas con la calidad del agua y

la deshidratación. Otras problemáticas que guardan relación con sequías son periodos de

hambrunas o escasez de alimentos debido a la falta de agua disponible para la producción

alimentaria. Por otra parte, fenómenos como el éxodo masivo de personas debido a la falta de

trabajo y medios de producción, marcaron los periodos más representativos de sequía en nuestro

planeta tierra.

A nivel general los periodos de sequía en el planeta tierra se han podido recopilar gracias a

metodologías que utilizan anillos de árboles, en donde cada árbol a medida que va creciendo se ve

en la obligación de usar isotopos de carbono 12 más estables para la realización de la fotosíntesis.

Además, durante su periodo de crecimiento cada árbol va agregando un anillo por año reflejando

dependiendo de la variación del tamaño del anillo, información de la temperatura y precipitación

en el momento de su crecimiento. La información recopilada de temperatura y precipitación en los

anillos de árboles permite el cálculo de uno de los índices de sequía más utilizados como lo es el

Índice de Severidad de Palmer (PDSI) o el Índice Autocalibrado de Palmer (sc-PDSI).

Los periodos históricos de sequía en el continente europeo están fundamentados por Cook et al.

(2015), siendo un conjunto de mapas con información anual de humedad y sequedad en periodos

de verano (meses de Junio, Julio y Agosto), los cuales son reconstruidos con anillos de árboles de

13

los siglos XIX y XX en Europa mediante el (scPDSI), obteniendo finalmente los periodos de sequía

más representativos para los años 1315, 1540, 1616, 1741, 1893 y 1921.

Los periodos de sequía más representativos en Norteamérica, están basados según Cook et al.

(2010) mediante el uso de anillos de los árboles del periodo medieval alrededor de 1.000 años

atrás, utilizando el (PDSI). Esta investigación utilizo de manera individual, 2 áreas geográficas

denominadas Región A (California – Nevada) y Región B (Valle del Rio Mississippi), esto con el

fin de obtener información sobre las propiedades temporales y espaciales de la sequía, así como el

valor de humedad sobre Norteamérica. Sin embargo, para el caso de la segunda área geográfica

esta es de connotación agrícola en el medio oeste de los Estados Unidos.

Los periodos históricos de sequía en Sudamérica a nivel general, a diferencia de otras partes del

mundo no estaban establecidos en un atlas con escala regional que abarcara los países del cono

sur. Aun así, los autores Morales et al. (2020) desarrollaron una investigación mediante un atlas

hidroclimático basado en la humedad del suelo que abarca el periodo 1400 hasta 2000 de la era

actual. Además, está fundamentado en 286 registros de anillos de árboles de verano austral

(diciembre, enero, febrero) junto con información de scPDSI que cubren el período de 1901 a

2015. Los resultados del atlas de sequía sudamericano, muestran periodos de sequías durante los

últimos seis siglos, teniendo además una alta variabilidad climática de periodos húmedos y secos.

De modo que, en términos de recurrencia y tiempo de retorno de fenómenos de sequías se puede

evidenciar un aumento constante desde el año 1930, con una frecuencia aproximada de un evento

por cada 10 años desde la década de 1960. Por su parte, el tiempo de retorno del fenómeno varía

entre 16 y 34 años respectivamente.

Las sequías en el continente africano han estado presentes desde hace aproximadamente 1.000

años, tal como lo establece Masih et al. (2014) creando una revisión y análisis de la literatura e

información disponible sobre la variación geoespacial y temporal de las sequías en África durante

el periodo 1900-2013. Esta investigación tiene adicionalmente otros periodos de sequía anteriores

al siglo XX, los cuales están basados en estudios de sedimentos, cronologías de anillos de árboles

y predicciones futuras del clima global. Por lo tanto, proporciona un amplio panorama de sequías

con sus principales características (Duración, Intensidad, Extensión y Magnitud).

Los resultados de esta investigación arrojaron varios periodos de sequías severas en el norte y sur

de África durante el siglo XX comparados con la región oriental y occidental. Además, los

resultados indican que las regiones áridas y subhúmedas de África son las más secas y propensas

a este fenómeno, el análisis de las sequías durante 1900-2013 indicó que las sequías se han

intensificado en términos de su frecuencia, y cobertura geoespacial durante las últimas décadas.

En definitiva, las sequías que ocurrieron en 1972-1973, 1983-1984 y 1991-1992 fueron las más

intensas y severas.

La información de periodos históricos de sequía en el continente asiático, en gran medida están

recopilados en un atlas de sequía a escala continental desarrollado por Cook et al. (2010), el cual

fue construido a través de una red cronológica de anillos de árboles de más de 300 sitios en las

áreas boscosas del Monzón de Asia, junto con (PDSI) para la temporada de verano (junio – julio -

14

agosto). Este atlas de sequía, proporcionó información útil para la identificación de las huellas

regionales de sequía, así como la gravedad de cuatro sequías históricas que acontecieron en el

pasado: sequía de la dinastía Ming (1638 a 1641), los extraños paralelos de sequía (1756 a 1768),

la sequía de la india en oriente (1790 a 1796) y el tardío de la gran sequía victoriana (1876 a 1878).

En la tabla (4) se recopilan los periodos de sequía más representativos en el planeta Tierra con

base en los atlas de sequía descritos previamente (Cook et al. 2010; 2015), (Morales et al. 2020) y

(Masih et al. 2014).

Tabla 4. Historial de periodos de sequía en el planeta tierra

Periodo de

Sequía en años Localización Descripción general

Clasificación de

sequía

1991 – 1992

África

Periodo corto de sequía en la región sur de África con alternancia de periodos de

humedad en África nororiental.

Sequía leve a

extrema

1983 – 1984 Periodo corto de sequía en la región central de África con baja alternancia y

extensión de periodos húmedos en algunas partes de la región sur.

Sequía leve a

extrema

1972 – 1973 Periodo corto de sequía de alta extensión en la mayor parte de África con baja

alternancia y extensión de periodos húmedos en la región sur

Sequía leve a

extrema

1964 – 1965 Periodo corto de sequía de poca extensión en la región suroriental con alta

alternancia y extensión de periodos de humedad en la mayoría de África

Sequía leve a

moderada

1948 – 1949 Periodo corto de sequía en la región sur con alternancia de periodos de humedad en

la parte noroccidental

Sequía leve a

extrema

1940 – 1941 Periodo corto de sequía con alta extensión en la mayor parte de África con poca

alternancia de periodos húmedos en la región central

Sequía leve a

extrema

1931 – 1932 Periodo corto de sequía en la región central y suroccidental con alta recurrencia de

periodos húmedos en la región noroccidental y suroccidental.

Sequía leve a

extrema

1921 Europa Deficiencia en la precipitación plurianual a nivel general en Europa, con deficiencia

en Inglaterra menor del 50%, mientras que en los otros países era del 40%. Sequía extrema

1910 – 1911 África Periodo corto de sequía con poca extensión en la región suroccidental con alta

alternancia y extensión de periodos húmedos en la mayor parte de África

Sequía leve a

extrema

1893 Europa Déficit de precipitaciones del 30% al 50% con respecto al régimen habitual de

precipitaciones. En escocia e Irlanda los valores oscilaron entre el 50% y el 90%.

Sequía severa a

extrema

1876 – 1878 Asia

Periodo corto de sequía denominado “La gran sequía victoriana” en la mayoría de

Asia con poca alternancia de periodos de humedad en la región noroccidental

provocando la muerte de más de 30 millones de personas

Sequía leve

1863 – 1866

América del sur

Periodo corto de sequía en la región sur de Chile, así como periodos húmedos en la zona sur de Brasil y Bolivia

Sequía leve

1800 – 1804

Periodo corto de sequía en la región sur de Argentina y Chile, así como en la región

fronteriza de argentina, Bolivia y Paraguay con alternancia de periodos húmedos en la región central de argentina y la frontera de Uruguay y Argentina

Sequía leve

1790 – 1796

Asia

Periodo corto de sequía denominado “ sequía india de oriente” en la región sur,

norte y central Sequía leve

1756 – 1768 Periodo prolongado de sequía denominado “Extraños paralelos de sequía “ en la región sur con alternancia de periodos húmedos en la región central y nororiental

Sequía leve

1740 – 1741 Europa Alternancia de periodos secos en Europa noroccidental y central con periodos de

humedad en Europa nororiental y del sur

Sequía severa a

extrema

1723 América del

sur

Periodo muy corto de sequía en la frontera Argentina, Paraguay y Bolivia con altos valores de humedad en la región central de argentina y Uruguay

Sequía leve a moderada

1651 Periodo muy corto de sequía con poca extensión en la región sur de Argentina y

chile con altos valores de humedad en la región central de Argentina

Sequía leve a

moderada

1638 – 1641 Asia Periodo corto de sequía denominado “Sequía de la dinastía Ming” en la región de Asia central y principalmente en China provocando una rebelión campesina

producto de la hambruna y escasez de alimentos.

Sequía leve

1616

Europa

Periodo muy corto de sequía con una disminución en la volumetría de los ríos y olas de calor con altos valores de temperatura en la mayor parte de Europa.

Sequía moderada a severa

1540 Periodo muy corto con desviaciones anuales acumuladas de precipitación (NPD)

aproximadamente de 90 a 95 días en la zona central de Europa

Sequía moderada

a severa

1340 – 1400 América del

Norte

Periodo muy prolongado de sequía en los Estados Unidos, México y Canadá con

alta alternancia de humedad en la región suroccidental de los Estados Unidos

Sequía leve a

moderada

15

Tabla 4. Historial de periodos de sequía en el planeta tierra (continuación)

Periodo de

Sequía en años Localización Descripción general

Clasificación de

sequía

1315 Europa Alternancia de periodos secos en Europa suroriental con periodos de humedad en

Europa noroccidental y central

Sequía moderada

a severa

1122 – 1299

América del Norte

Periodo muy prolongado y con gran extensión de sequía en los Estados Unidos con poca alternancia de humedad y precipitación


1100 – 1247 Periodo muy prolongado de sequía en la región suroccidental y suroriental de los

estados unidos y Canadá

Sequía leve a

moderada

1075 – 1121 Periodo muy prolongado de sequía en la región central y suroriental de Estados Unidos con una alternancia de humedad en la zona central y norte.


940 – 985 Periodo prolongado de sequía en la región central y suroccidental de los Estados

Unidos y parte de Canadá

Sequía leve a

moderada

832 – 1074 Periodo muy prolongado de sequía en la región suroccidental y suroriental de Estados Unidos con alternancia de periodos de humedad en la zona central.



3.1.2 Fenómenos de sequía en el ámbito Colombiano

El fenómeno de sequía en Colombia es un fenómeno natural abordado en primera instancia desde

la Gestión del Riesgo de Desastres (GRD), siendo encargados a su vez del control y vigilancia del

mismo. Por esta razón, las principales investigaciones del fenómeno de sequía a nivel nacional son

realizadas por la Unidad Nacional para la Gestión del Riesgo de Desastres (UNGRD) y por el

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

En el caso del IDEAM, es la entidad encargada y autorizada de producir información básica sobre

hidrología, hidrogeología, meteorología y geografía básica sobre aspectos biofísicos,

geomorfológicos, suelos y cobertura vegetal para el manejo y aprovechamiento de los recursos

biofísicos de la Nación. A continuación, en las tablas (5) y (6) se realiza una breve recopilación de

las principales investigaciones de fenómenos de sequía en el territorio colombiano, junto con las

metodologías empleadas, los resultados obtenidos y las conclusiones de las mismas.

Metodologías de cálculo utilizadas: África: Índice estandarizado de precipitación y evapotranspiración (SPEI) y Índice de severidad de sequía de Palmer (PDSI)

América del norte: Anillos de árboles (286) y Índice de severidad de sequía de Palmer (PDSI)

América del sur: Anillos de árboles (286) y Índice de severidad de sequía de Palmer (PDSI) Asia: Anillos de árboles (300) y Índice Autocalibrado de severidad de sequía de Palmer (sc-PDSI)

Europa: Anillos de árboles (106) y Índice Autocalibrado de severidad de sequía de Palmer (sc-PDSI)

16

Tabla 5. Historial de fenómenos de sequía en Colombia según UNGRD

Plan Nacional de Contingencia ante el fenómeno del niño (2014 - 2015) (UNGRD, 2014)

Descripción general

Plan elaborado en 4 módulos: El primero es reconocer los fenómenos del pasado y sus principales enseñanzas. El segundo

aborda el pronóstico, escenarios y análisis de los riesgos previstos a nivel territorial y sectorial. El tercero propone las medidas

generales para implementar en los territorios y sectores y el cuarto está focalizado en las medidas organizativas, operativas y

logísticas frente al fenómeno del niño.

Plan Nacional de Contingencia para Temporada Seca (2016 - 2017) (UNGRD, 2016)


Plan comprendido en cuatro módulos: El primero relacionado con el contexto del riesgo asociado a temporada seca y a sus

posibles escenarios de riesgo. El segundo formula un marco operacional del Plan Nacional de Contingencia (PNC). El tercero

establece la organización, coordinación y respuesta frente al fenómeno. Finalmente, el ultimo comprende el seguimiento,

monitoreo e información del plan y su correspondiente cumplimiento.

Evaluación inicial sobre el statu quo de los sistemas de alerta temprana contra la sequía en Colombia (2017) (Pérez et

al., 2017)


Investigación con el propósito de “Fortalecer los sistemas de monitoreo y los modelos para la predicción estacional en

Colombia” perteneciente al sistema de alerta temprana por sequía, está conformado por siete módulos: El primero es un marco

conceptual de los términos inherentes de la sequía. El segundo es un marco jurídico y normativo de los sistemas de alerta

temprana y fenómenos de sequía. El tercero corresponde a los antecedentes de las sequías en Colombia. El cuarto muestra la

situación actual del monitoreo de la sequía en Colombia

El quinto es una caracterización por regiones vulnerables de sequía en Colombia. El sexto es la integración de la vigilancia y de

los servicios de alerta por sequía y finalmente. El séptimo nos habla de las conclusiones frente a este fenómeno resaltando el

fortalecimiento de los sistemas de alerta temprana por sequía en el país.

Estrategias de perspectivas estacionales de sequía para tomar decisiones apropiadas y oportunas en el campo de la

agricultura y los recursos hídricos (2017) (UNGRD, 2017)


Investigación centrada en la sequía y en la disminución de las lluvias asociadas al fenómeno del niño, afectando los diferentes

sectores productivos del país. Por consiguiente, se formulan estrategias que optimicen y fortalezcan la predicción climática

estacional, elaborado en dos grandes módulos.

El primero perteneciente a las perspectivas estacionales de sequía en los diferentes sectores (agricultura, agua, ganadero,

energético, ambiente y salud) y un segundo denominado estrategias propuestas para la toma de decisiones según las predicciones

climáticas que permitan reducir el riesgo ante una sequía.

Estrategia nacional para la gestión integral de la sequía en Colombia (2018) (UNGRD, 2018)


La estrategia integral de la sequía en Colombia, se desarrolla en 13 módulos o componentes: El primero y segundo abordan el

perfil ambiental de Colombia con respecto a la sequía. El tercero realiza una descripción de los antecedentes a nivel internacional

y nacional de los principales episodios de sequía. El cuarto define el alcance de la investigación, mientras que el quinto y sexto

establecen los objetivos y su relación con la normatividad jurídica con respecto a la sequía. El séptimo realiza una observación

detallada de la sequía en Colombia.

El octavo describe los posibles impactos de la sequía en los ecosistemas, biodiversidad y degradación de los suelos. El noveno

y décimo están enfocados a una propuesta sobre la gestión de la sequía y un sistema de información sobre alerta temprana de la

sequía. El décimo primero y décimo segundo se encargan de la comunicación nacional, regional y local de la investigación.

Finalmente, el décimo tercero aborda la sequía desde la gestión del riesgo en ámbitos de mitigación y adaptación de la sequía.


17

Tabla 6. Historial de fenómenos de sequía en Colombia según IDEAM

Estadísticas de sequías y heladas meteorológicas en Colombia (1996) ) ( Hurtado, 1996)


Investigación enfocada en el análisis de sequía meteorológica a partir de un índice de lluvia con 3 rangos de intensidad durante

el periodo de tiempo 1961-1993. Además, califica a partir del índice de lluvia los periodos de estrés hídrico y de normalidad

con la finalidad de analizar la posible relación entre el fenómeno del niño y los fenómenos de sequía

Aplicación de índices de sequía en Colombia IDEAM (2002) ) (Hurtado y Cadena, 2002)


Artículo científico con énfasis en la aplicación de los principales índices de sequía en Colombia, clasificando dos grandes grupos

de índices según la lluvia y el concepto de balance hídrico. El primer grupo de índices pertenecientes a la lluvia incluye el índice

de los deciles y el índice estandarizado de precipitación (SPI).

Por su parte, los índices de balance hídrico incluyen el índice de Severidad de Sequía de palmer (PDSI), el índice de anomalía

de humedad (Z) y el índice de disponibilidad hídrica (IDH). El área de estudio de esta investigación fue focalizada en la región

caribe y concluyo que los índices de balance hídrico a nivel general reflejan mejor lo que sucede con el abastecimiento del agua,

mientras que los índices de lluvia guardan una estrecha correlación con el índice Z. por lo cual, su aplicabilidad y uso es más

sencillo.

La sequía en Colombia (2006) (Mayorga y Hurtado, 2006)


Investigación centrada en la evaluación de la sequía en las diferentes regiones del país mediante la aplicación del índice

estandarizado de precipitación (SPI). Por ende, en primer lugar, realiza una síntesis breve de los principales conceptos

relacionados con la sequía. En segundo lugar, desarrolla una descripción de las metodologías existentes sobre la evaluación de

la sequía. Finalmente, expone los resultados mediante una descripción de la intensidad de la sequía para cada una de las regiones

del territorio colombiano.

Sequía meteorológica y sequía agrícola en Colombia: incidencia y tendencias (2012) (IDEAM, 2012)


Documento de investigación focalizado en la determinación de la incidencia actual y las tendencias acerca de las sequías tanto

meteorológica como agrícola con respecto a las temporadas de mayor concentración de lluvias para el primer y semestre del

año. Por consiguiente, hace uso del índice estandarizado de precipitación (SPI) para la serie de tiempo 1971-2010 en una red

aproximada de 77 estaciones a nivel nacional, calculando la frecuencia y periodo de retorno de los principales eventos de sequía

meteorológica ocurridos durante ese lapso de tiempo, así como los balances hídricos secuenciales de sequía agrícola.

Actualización de las estadísticas de sequía en Colombia (2017) (Gómez y Cadena, 2017)


Investigación con hincapié en la actualización de las estadísticas de la sequía en Colombia con base en las investigaciones

denominadas “la sequía en Colombia” y “Sequía meteorológica y agrícola en Colombia: incidencias y tendencias” mencionadas

anteriormente. Por consiguiente, utiliza una metodología dividida en 4 secciones.

La primera hace referencia a un marco conceptual resumido acerca de los principales términos y conceptos relacionados con la

sequía, la segunda hace un inventario y caracterización de los eventos de sequía meteorológica, la tercera realiza la

caracterización de eventos de sequía agrícola. Finalmente, en la cuarta se realiza un análisis del comportamiento intraestacional

de las tendencias de periodos secos y lluviosos con respecto a sus valores históricos.

Estudio Nacional del Agua (ENA) periodos (2010) (2014) (2019) (IDEAM)


Los estudios nacionales del agua, tienen como propósito proporcionar información precisa y actualizada sobre la distribución

regional y local de la disponibilidad de agua y sus condiciones de sostenibilidad. Además, otorga elementos importantes para el

ordenamiento del uso del agua con énfasis en las zonas más vulnerables y con mayor peligro de desabastecimiento de agua.

Estas investigaciones parten de elementos conceptuales y metodológicos para la cuantificación del recurso, tales como balance

hídrico, condiciones del medio natural (suelo-cobertura vegetal), índice de escases de agua, modelos dinámicos para mejorar la

interpretación de los procesos que se dan en el ciclo hidrológico y su relación con las actividades socioeconómicas.


18

3.1.3 Fenómenos de sequía en el municipio de Motavita

El fenómeno de sequía en el municipio de Motavita actualmente no ha sido estudiado ni analizado

a profundidad, esto debido en gran medida a que este fenómeno es de carácter sigiloso e

imperceptible al corto plazo. Por esta razón a diferencia de otros fenómenos naturales con alto

grado de impacto de manera inmediata como por ejemplo sismos, inundaciones, erupciones

volcánicas entre otros. Las sequías se desarrollan en términos de intensidad y magnitud a largo

plazo, generando mayores impactos en la población y en el territorio con respecto a otros

fenómenos naturales.

A pesar de no haber sido estudiado este fenómeno a profundidad, existen estudios relacionados

con el desabastecimiento de agua, disponibilidad de recursos hídricos y la calidad del agua para el

consumo humano. En ese orden de ideas, Fajardo (2019) abordó en detalle estudios de información

climática en condiciones de disponibilidad hídrica en los Valles de Ubaté, Chiquinquirá y Alto

Chicamocha con la implementación de un índice de susceptibilidad a excesos y deficiencias

hídricas afín con el índice de Palmer (PDSI). En la investigación se observó una elevada

deficiencia hídrica del 36 % de la superficie principalmente en Motavita, Cómbita, Oicata, Tuta,

Paipa, Sotaquirá, Tibasosa y hacia el norte, en los municipios Santa Rosa, Cerinza, Tutazá y Belén.

Por otro lado, Pardo (2018) evaluó la sostenibilidad en la cuenca alta del rio Chicamocha, la cual

comprende 22 cabeceras municipales incluyendo el municipio de Motavita, esta investigación está

basada en la metodología “Blue City Index” (BCI) y “Trends and Pressures Index” (TPI)

planteando estrategias de mitigación para aumentar la sostenibilidad de la cuenca y los afluentes

hídricos.

3.2 Marco normativo

La GRD en Colombia está comprendida según el artículo 1 de la ley 1523 de 2012, como “un

proceso social orientado a la formulación, ejecución, seguimiento y evaluación de políticas,

estrategias, planes, programas, regulaciones, instrumentos, medidas y acciones permanentes para

el conocimiento, la reducción del riesgo y para el manejo de desastres, con el propósito explícito

de contribuir a la seguridad, el bienestar, la calidad de vida de las personas y al desarrollo

sostenible”. Esta ley surge como respuesta a los principales desastres de carácter social ocurridos

con anterioridad en el territorio colombiano, los cuales se caracterizaron por haber generado altos

impactos en la población y en el territorio.

El suceso ocurrido en Armero durante el año 1985, creo la necesidad de implementar el Sistema

Nacional de Prevención y Atención de Desastres (SNPAD). Posteriormente, en el año 1998 se

adopta mediante decreto 93 de 1998 el primer Plan Nacional para la Prevención y Atención de

Desastres (PNPAD). Finalmente, a raíz del fenómeno de la niña ocurrido durante el periodo 2010-

2011. La cual provoco la aparición de inundaciones a lo largo del territorio nacional. Por tal razón,

se adopta en el año 2012 la ley 1523 como medida de respuesta principalmente a los efectos del

cambio climático y el Fenómeno del Niño – Oscilación del sur (ENOS).

19

La gestión del riesgo de desastres contiene de acuerdo con la presente ley, de manera intrínseca

una serie de conceptos, términos, procesos, programas, entidades de índole gubernamental y no

gubernamental, entre otros. Los cuales permiten a través del Sistema Nacional de Gestión del

Riesgo de Desastres (SNGRD) desarrollar, mantener y garantizar los procesos de conocimiento

del riesgo, reducción del riesgo y manejo del riesgo (ilustración 6).

Ilustración 6. Procesos de la gestión del riesgo de desastres

Fuente: Terminología sobre Gestión del Riesgo de Desastres y Fenómenos Amenazantes

(UNGRD, 2017)

Estos procesos se articulan entre sí inicialmente desde la fase del conocimiento del riesgo donde

se realiza el análisis y evaluación de los parámetros de amenaza, vulnerabilidad, exposición y

riesgo de aquellos fenómenos naturales que tienen la posibilidad de generar afectaciones en la

población y en el territorio. Además, este proceso involucra la identificación y caracterización de

escenarios de riesgo con base en pronósticos y niveles de riesgo identificados previamente en la

amenaza, vulnerabilidad y riesgo (ilustración 7).

El conocimiento del riesgo por sequía en el presente estudio de acuerdo con la presente ley. Utilizó

una serie de conceptos y términos estrechamente relacionados con los fenómenos naturales de tipo

meteorológicos como por ejemplo las sequías. Sin embargo, estos términos estuvieron

fundamentados desde una perspectiva exclusivamente técnica y científica acerca de este

fenómeno. Por lo cual, proporcionó un diagnóstico inicial acerca de la sequía en el área de estudio

y no pudo proveer la información necesaria para llevar a cabo un proceso de reducción del riesgo

o manejo de desastres.

Los términos anteriores con respecto a los fenómenos meteorológicos como la sequía, estuvieron

fundamentados según UNISDR (2009) mediante la siguiente ecuación:

𝑅𝑖𝑒𝑠𝑔𝑜 = 𝐴𝑚𝑒𝑛𝑎𝑧𝑎 ∗ 𝑉𝑢𝑙𝑛𝑒𝑟𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 ∗ 𝐸𝑥𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 (3.2.1)

20

Ilustración 7. Conocimiento del riesgo por fenómenos meteorológicos

Fuente: Gestión de los riesgos de fenómenos meteorológicos extremos y desastres para mejorar

la adaptación al cambio climático (IPCC, 2012)

3.3 Marco teórico

Los fenómenos naturales y específicamente los hidrometeorológicos como los fenómenos de

sequía, están fundamentados en una serie de teorías, hipótesis y técnicas. Las cuales permiten

comprender desde una óptica científica y académica como es el comportamiento y evolución de

los mismos a través del tiempo. No obstante, debido a la alta interrelación de estos fenómenos con

aspectos económicos, sociales, políticos y ambientales de un territorio y/o población, es necesario

proporcionar los principales términos y conceptos relacionados con las sequías, no solo desde su

concepción como fenómeno natural sino desde su rol fundamental en el desarrollo de una

población, en este caso la población del municipio de Motavita (Boyacá).

3.3.1 Sequía

En la actualidad, no existe una definición única o universal acerca del fenómeno de sequía. Esto

en parte debido a que las sequías pueden variar dependiendo de las condiciones geográficas,

climatológicas y edafológicas de una zona geográfica determinada. Además, este fenómeno en

algunas ocasiones puede llegar a ser imperceptible y silencioso. De tal forma, es posible afirmar

que no tiene un comienzo, una duración y un fin, dificultando la posibilidad de ser caracterizado

por las autoridades encargadas del monitoreo, control y vigilancia del mismo.

Sumado a lo anterior, existen fenómenos naturales y antrópicos que pueden estar estrechamente

relacionados con este fenómeno como el ENOS, la ZCIT, la OMJ, la degradación de los suelos

por procesos de erosión y salinización, olas de calor e incendios forestales (Wilhite et al., 2006).

Por consiguiente, es importante diferenciar los escenarios en donde se desarrolla una sequía y los

posibles impactos que podría originar para una población y un territorio.

21

Definiciones de sequía:

• La OMM (1992) define sequía como “período de tiempo con condiciones meteorológicas

anormalmente secas, suficientemente prolongado como para que la falta de precipitación

cause un grave desequilibrio hidrológico”.

• La CNULDS (1994, p.5) define la sequía como “fenómeno que se produce naturalmente

cuando las lluvias han sido considerablemente inferiores a los niveles normales registrados,

causando un agudo desequilibrio hídrico que perjudica los sistemas de producción de

recursos de tierras”.

• La OMM (2006) define la sequía como un “fenómeno natural insidioso caracterizado por

precipitaciones inferiores a lo esperado o inferiores a lo normal o aguas superficiales

limitadas que, cuando se extiende durante una temporada o período prolongado, son

insuficientes para satisfacer la demanda humana, actividades económicas y el medio

ambiente”.

Además de las definiciones mencionadas anteriormente, el NDMC (2003) establece dos tipos de

definiciones de sequía. La primera es una “definición conceptual” que permite entender el

concepto de sequía y sus características intrínsecas como un déficit de agua o escasez de agua en

un periodo determinado. Por otro lado, la segunda definición llamada “definición operacional”

permite comprender el principio, final y grado de severidad de la sequía. Además, con el uso de

índices o indicadores posibilita analizar la frecuencia y duración de una sequía en diferentes escalas

de tiempo y espacios geográficos.

Los fenómenos de sequía en diversas ocasiones están relacionados con diferentes términos o

procesos del ciclo hidrológico, estos términos se utilizan en algunas ocasiones para hacer

referencia a la aparición de sequías. Algunos de los términos más utilizados son “Anomalía de

precipitación”, “Aridez”, “Desabastecimiento de agua”, “Escasez de agua”, “Estrés Hídrico”,

“Estiaje”, entre otros. Estos términos se usan con respecto a la cantidad de agua disponible en un

lugar determinado. Ahora bien, estos términos a pesar de estar relacionados entre sí, es importante

su diferenciación con respecto a la sequía, esto con el propósito de identificar la principal

problemática con respecto a la cantidad de agua disponible. Un fenómeno de sequía categorizado

como leve podría no generar la escasez de agua en un espacio-tiempo. Asimismo, el

desabastecimiento de agua podría deberse a un aumento sostenido en la población y con ello el

aumento de la demanda de agua para consumo doméstico. Por estas razones, es fundamental

comprender la interacción de los términos mencionados anteriormente con respecto a las sequías.

Actualmente según el protocolo de degradación de suelos y tierras por desertificación Gómez et

al. (2010) en concordancia con (CNULD), existen diferentes fenómenos naturales estrechamente

relacionados con las sequías como lo es la degradación de los suelos, en donde se incluyen

procesos físicos, químicos y biológicos: por procesos físicos tenemos la erosión y la compactación,

por procesos químicos encontramos la salinización, acidificación/ alcalinización y contaminación.

Mientras que, en los procesos biológicos se evidencian la perdida de la materia orgánica, el

desequilibrio de la actividad biológica y los procesos de mineralización del suelo (IDEAM y

22

UDCA, 2015). Por consiguiente, es necesario su diferenciación con respecto a las sequías tal como

se pudo establecer anteriormente con respecto a los principales términos del ciclo hidrológico.

La principal diferencia entre la degradación de los suelos y las sequías, radica en su accionar.

Mientras que, la degradación de los suelos es un proceso de pérdida de la productividad y

diversidad biológica por diversos factores (erosión, desertificación, salinización). Las sequías

pueden ser vistas como una anomalía climatológica en la que la cantidad de agua disponible está

por debajo de los valores históricos medios. Por ello, es posible afirmar que los fenómenos de

sequía pueden acrecentar la degradación de los suelos, así como un desequilibrio en las diferentes

fases del ciclo hidrológico de un territorio.

3.3.2 Caracterización de las sequías

La caracterización de una sequía utiliza una serie de parámetros que proporciona información

acerca del comportamiento y evolución de este fenómeno, en conformidad con (Burton et al.,

1978) se definen siete parámetros que están agrupados de acuerdo a su magnitud, componente

temporal y componente espacial (tabla 7).

Tabla 7. Parámetros en la caracterización de sequías

Tipo de

parámetro

Nombre del

parámetro

Definición

Magnitud

Magnitud

Déficit medio de precipitación o caudal durante el periodo de duración del evento seco.

Puede medirse como la anomalía o la diferencia (en valor absoluto) de precipitación o

caudal para el período seleccionado.

Componente

Temporal

Duración

Tiempo (número total de días, meses o años consecutivos) durante el cual la

precipitación o el caudal totales registrados son inferiores a la precipitación o el caudal

medio de ese mismo período.

Frecuencia

Número de casos que se producen durante un período determinado. Puede medirse

también a través de la probabilidad empírica de que la precipitación o el caudal sean

inferiores a la media, o del período de retorno del evento seco.

Velocidad de

implantación

Tiempo transcurrido entre el momento de inicio del déficit de precipitación o caudal,

y el momento en que ese déficit alcanza su valor máximo.

Espaciamiento

temporal

Tiempo transcurrido entre diversos períodos secos, lo que nos proporciona una medida

de la regularidad o aleatoriedad del fenómeno.

Componente

espacial

Extensión espacial Superficie total en la que se registra déficit hídrico.

Dispersión

espacial

Medida del grado de difusión o concentración de la anomalía de caudal o de

precipitaciones.

Fuente: Burton et al., 1978

3.3.3 Tipos de sequía

Las diferentes definiciones de sequía expuestas anteriormente abordan estos fenómenos desde

diferentes ópticas o puntos de vista, esto se debe en gran parte a los diferentes impactos que las

sequías pueden generar en los diversos ámbitos tanto económicos, ambientales y sociales en un

área geográfica. Por consiguiente, es necesario categorizar las sequías según el ámbito donde se

considere pertinente analizar, tal como lo establece (Wilhite y Glantz, 1985) categorizando este

fenómeno en cuatro grupos (sequía meteorológica, sequía agrícola, sequía hidrológica y sequía

23

socioeconómica). Sumado a lo anterior, según Cadena (2005) existen otras clases de sequía como

la sequía estacional y contingente.

Sequía Meteorológica: La sequía meteorológica es definida usualmente comparando la

precipitación del momento (días, meses e incluso años) de una zona específica con el registro

histórico de la precipitación media para esa zona o región (Mayorga y Hurtado, 2006, p.5).

Sequía Agrícola: La sequía agrícola se presenta cuando el agua con la que se cuenta, ya sea por

precipitación o por almacenamiento en el suelo o en los diferentes cuerpos de agua, no es suficiente

para que los cultivos puedan crecer y desarrollarse de manera adecuada (Mayorga y Hurtado, 2006,

p.6)

Sequía Hidrológica: La sequía hidrológica está asociada con los efectos de los periodos de baja

precipitación sobre el abastecimiento de aguas superficiales o subterráneas. La frecuencia y

severidad de esta sequía es a menudo definida por el nivel de los ríos u otras escalas (Mayorga y

Hurtado, 2006, p.6).

Sequía Socioeconómica: Su ocurrencia depende de la oferta y demanda de agua. Es decir, cuando

la demanda es mayor a la oferta se dice que es un evento de sequía socioeconómica (Mayorga y

Hurtado, 2006, p.7)

Sequía estacional: Sequía con estaciones lluviosas o secas bien definidas y es típica de las

regiones tropicales. Cada año se espera sequía debido al comportamiento climático en los patrones

de circulación atmosférica (Mayorga y Hurtado, 2006, p.7).

Sequía contingente: Sequía provocada por una distribución muy irregular y variable de la lluvia,

sucede durante periodos más o menos prolongados en los cuales las lluvias son considerablemente

menores a lo normal (Mayorga y Hurtado, 2006, p.7)

Adicional a los tipos de sequía, existen indicadores de sequía los cuales son “variables o

parámetros utilizados para describir las condiciones de las sequías” (OMM) y Asociación Mundial

para el Agua (AMA) (2016, p.3) resaltando las variables de precipitación, temperatura, caudales

fluviales, niveles de los cuerpos de agua y la humedad del suelo. Por su parte, los índices son las

representaciones de tipo numérico de las variables mencionadas anteriormente, en donde se mide

la gravedad de las sequías y se categoriza las mismas con el propósito de planificar y diseñar

aplicaciones en Sistemas de Alerta Temprana (SAT) y la Gestión del Riesgo de Desastres (GRD).

3.3.4 Índices de sequía

Los fenómenos de sequía en la actualidad pueden ser evaluados bajo diferentes tipo de índices o

indicadores, los cuales dependiendo del componente o aspecto a evaluar (Meteorología, Humedad

del suelo, Hidrología y Teledetección) permiten conocer el comportamiento y evolución de las

sequías de acuerdo con los parámetros y datos de entrada utilizados para su estimación y

caracterización (tabla 8).

24

Tabla 8. Índices de sequía y parámetros de entrada

Meteorología Parámetros de entrada

Índice de anomalía de la aridez (AAI) P, T, ETP,ET

Índice de sequía de Keetch-Byram (KBDI) P, T

Índice normalizado o estandarizado de precipitación (SPI) P

Índice de aridez (AI) P,T

Índice Z de China (CZI) P

Índice de humedad de los cultivos (CMI) P,T

Índice de zonas de sequía (DAI) P

Índice de reconocimiento de sequías (DRI) P, T

Índice de sequía efectiva (EDI) P

Índice de sequía de la NOAA (NDI) P

Índice de severidad de sequía de Palmer (PDSI) P,T,CAD

Índice Z de Palmer P,T,CAD

Índice de anomalía pluviométrica (RAI) P

Índice autocalibrado de severidad de sequía de Palmer (sc-PDSI) P,T,CAD

Índice normalizado de anomalías (SAI) P

Índice estandarizado de precipitación y evapotranspiración (SPEI) P,T

Índice de sequía de referencia para la agricultura (ARID) P,T,Mod

Índice de sequía específico para cultivos (CSDI) P, T, TPR, V, Rad, CAD, Mod, CD

Índice para reclamaciones por sequía (RDI) P, T, MN, EM, CF

Humedad del suelo Variables de uso

Índice del déficit de evapotranspiración (ETDI) Mod

Índice del déficit de humedad del suelo (SMDI) Mod

Hidrología Variables de uso

Índice de sequía hidrológica de Palmer (PHDI) P,T,CAD

Índice normalizado del suministro de embalses (SRSI) RD

Índice normalizado de los caudales fluviales (SSFI) SF

Índice normalizado del nivel del agua (SWI) GW

Índice de sequía de los caudales fluviales (SDI) SF

Índice del abastecimiento de las aguas superficiales (SWSI) P,EM,CF,MN

Índice agregado de sequía (ADI) P, ET, CF, EM, CAD, MN

Índice normalizado de la fusión de la nieve y la lluvia (SMRI) P,T,CF,Mod

Teledetección Variables de uso

Índice mejorado de la vegetación (EVI) Sat

Índice de estrés por evaporación (ESI) Sat,ETP

Índice diferencial normalizado de vegetación (NDVI) Sat

Índice de las condiciones de temperatura (TCI) Sat

Índice de condiciones de la vegetación (VCI) Sat

Índice de respuesta a la sequía de la vegetación (VegDRI) Sat, P, T, CAD, LC, ER

Índice de salud de la vegetación (VHI) Sat

Índice de satisfacción de la demanda de agua (WRSI) y WRSI geoespacial Sat, Mod, CC

Índice diferencial de agua normalizado (NDWI) e Índice de agua en la superficie

terrestre (LSWI) Sat

Leyenda de las variables

AS = aguas subterráneas CAD = contenido de agua disponible CC = coeficiente de cultivo

CF = caudales fluviales CS = cobertura del suelo DC = datos de cultivos

DHS = déficit hídrico del suelo EM = embalse ER = ecorregión

ET = evapotranspiración ETP = evapotranspiración potencial MN = manto de nieve

Mod = modelado P = precipitación Rad = radiación solar

Sat = satélite TPR = temperatura del punto de rocío T = temperatura

TS = tipo de suelo V = datos sobre el viento Varios = varios indicadores

Fuente: Manual de indicadores e índices de sequía (OMM y AMA, 2016)

25

3.3.5 Índice de Severidad de Sequía de Palmer (PDSI)

El índice de Sequía de Palmer o índice de severidad de sequía de Palmer (PDSI) es un índice de

sequía de tipo meteorológico con un alto componente edafológico y agrícola, fue creado por el

meteorólogo Wayne Palmer en 1965 en su informe titulado “Meteorological Drought” a solicitud

de la oficina meteorológica de los Estados Unidos con el propósito de detectar sequías relacionadas

con la producción de cultivos en las regiones de lowa central y el Oeste de Kansas. Según Mayorga

y Hurtado (2006) este índice está ajustado a regiones tanto homogéneas, montañosas y

heterogéneas con presencia de microclimas. Además, (Ravelo, 1990) establece que el PDSI

responde de manera eficiente a condiciones climáticas que no han sido usualmente húmedas o

secas. Este indicador está basado en el balance de agua en el suelo utilizando el concepto de ingreso

(precipitación) y pérdida de agua (evapotranspiración) en los suelos y el ciclo hidrológico.

Este índice tiene como propósito según (Palmer, 1965) “Desarrollar una metodología general para

evaluar la anomalía meteorológica en términos de un índice que permita realizar comparaciones

temporales y espaciales de la severidad de la sequía.” en donde la diferencia entre la precipitación

real y la precipitación calculada representa una medida de la desviación de la humedad del clima

en un momento determinado con respecto a las condiciones normales de humedad. En la tabla (9),

se describen las principales características del PDSI, parámetros de entrada, aplicaciones, ventajas

y desventajas.

Tabla 9. Características del PDSI

Características

Índice de sequía tipo meteorológico que utiliza datos mensuales de la temperatura y de precipitación, junto

con información sobre la capacidad de retención del agua de los suelos.

Tiene en cuenta la humedad recibida (precipitación), así como la humedad almacenada en el suelo, de

manera que representa la posible pérdida de humedad a causa del influjo de la temperatura.

Parámetros de

entrada

Datos mensuales de temperatura y precipitación. Se puede utilizar información sobre la capacidad de

retención del agua de los suelos, pero también se puede recurrir a valores predeterminados, se precisa un

registro completo en serie de temperatura y precipitación.

Aplicaciones Creado principalmente para detectar las sequías que afectan a la agricultura; también se ha utilizado para

detectar y vigilar sequías asociadas con otros tipos de efectos.

Puntos fuertes Es bastante fiable para detectar sequías gracias a la utilización de datos del suelo y de una metodología

del balance hídrico climático

Puntos débiles

La necesidad de disponer de datos completos en serie puede causar problemas. El PDSI tiene una escala

temporal de nueve meses, aproximadamente, lo que deriva en un desfase al detectar condiciones de sequía

sobre la base del componente de humedad del suelo en los cálculos.

Este desfase puede ser de varios meses, y supone un inconveniente al intentar detectar una situación de

sequía que surge súbitamente. También, hay problemas en relación con las estaciones, dado que el PDSI

no gestiona adecuadamente la precipitación helada ni los suelos congelados.

Fuente: Manual de indicadores e índices de sequía (OMM, 2012)

Los métodos y variables utilizados para el cálculo del PDSI son la Precipitación (P), la

Temperatura media mensual del Aire (Ta), la evapotranspiración potencial (ETP) de Thornthwaite,

el balance hídrico climático y la Capacidad de Retención de Agua Disponible (CRAD) también

26

denominado (en inglés Available Water Capacity of the soil AWC). Ahora bien, existen otras

variables relacionadas con el cálculo del AWC y la evapotranspiración potencial de Thornthwaite.

Es posible encontrar diferentes denominaciones afines para el AWC propuesto por Palmer, algunas

son la Capacidad de Retención de Agua Disponible (CRAD), Capacidad de agua disponible del

suelo (AWC en inglés), Agua Disponible Total (ADT), Capacidad de Almacenamiento de Agua

(CAA). No obstante, en el presente estudio se utilizará el término CRAD como sinónimo de AWC

propuesto por Palmer en 1965 (ilustración 8).

Ilustración 8. Balance de agua en el suelo

Fuente: Allen et al., 2006

3.3.5.1 Capacidad de Retención de Agua Disponible (AWC)

El (AWC) en concordancia con Marlatt (1961) se determina dividiendo el suelo en dos capas

arbitrarias, la primera capa denominada “suelo superficial” que tiene una pulgada (25.4 mm) de

humedad disponible dentro de la capacidad de campo, en ella se realiza el almacenamiento de la

lluvia y el proceso de evapotranspiración de las plantas. Mientras que, la segunda capa denominada

“capa profunda” depende en gran medida de la profundidad efectiva de las plantas y de las

características propias del suelo. Palmer parametriza el AWC, en donde una saturación completa

de agua en la capa superior o superficial, permite la infiltración de agua en la capa profunda y

cuando ambas están saturadas o el AWC ya está almacenado en el suelo, se produce un fenómeno

del ciclo hidrológico denominado escorrentía.

Es importante hacer énfasis en el cálculo especifico del AWC tal como lo establece Allen et al.

(2006) mencionando que, el cálculo del AWC depende de variables intrínsecas de la edafología

propia del lugar o la región de estudio tales como: Punto de Marchitez Permanente (PMP),

27

Capacidad de Campo (CC) y Profundidad Efectiva del Suelo (Zr). Además, existen dos capas en

el suelo, en donde la primera describe la evaporación en la superficie del suelo y la segunda

describe la transpiración de la planta. Palmer considero fundamental el AWC debido a su estrecha

relación con periodos de lluvia o de riego, ya que después de periodos de lluvia el suelo empieza

a drenarse hasta completar la capacidad de campo y en caso dado de continuar podría darse una

sobrestimación del suministro de agua disponible. Por otra parte, en una ausencia o escasez de

precipitación para periodos relativamente largos, es posible una disminución de la zona radicular

del cultivo o de la vegetación producto del consumo de agua de la vegetación en sus diferentes

fases. De ahí que, en dado caso de continuar la extracción de agua por parte de la vegetación, la

cantidad de agua disponible para la vegetación será inexistente o nula alcanzando el punto de

marchitez permanente. La fórmula para calcular el AWC está fundamentada de la siguiente manera

de acuerdo con (Allen et al., 2006).

En donde (CC) representa la variable de Capacidad de Campo, (PMP) el Punto de Marchitamiento

Permanente del suelo y (Zr) la Profundidad Efectiva del Suelo. Sin embargo, debido a los

diferentes tipos de textura del suelo, el PMP y el CC se pueden clasificar tomando como referencia

las diferentes texturas del suelo para múltiples horizontes tales como: horizontes maestros o

principales, horizontes combinados o transicionales y horizontes subordinados. (Anexo 2)

3.3.5.2 Profundidad efectiva del suelo (Zr)

El cálculo de la profundidad efectiva de las raíces o del suelo, está estrechamente relacionada con

el patrón de extracción de agua y el drenaje del suelo. Suelos escasamente drenados o muy poco

drenados posibilitan la rápida retención del agua en la capa superficial imposibilitando a su vez la

infiltración del agua en las capas más profundas del suelo. Por otro lado, suelos excesivamente

drenados imposibilitan la retención del agua necesaria para el crecimiento de la vegetación o de

los cultivos. En consecuencia, de acuerdo con (IGAC, 2016) existen diferentes valores de

profundidad efectiva (tabla 10), las cuales pueden variar dependiendo de la presencia de las

siguientes limitantes:

• Horizontes o capas endurecidas por: capa cálcica, coraza de hierro, carbonatos alcalinos

térreos, yeso, sílice, y sales más solubles que el yeso.

• Horizontes con acumulación de arcilla compactada

• Nivel freático fluctuante

• Cambios abruptos de textura entre dos horizontes.

• Contacto lítico y paralítico.

• Horizontes dénsicos.

( ) ( )( ) 1 000 – ) (3.3.5.1.1AWC mm CC PMP Zr=

28

Tabla 10. Profundidad efectiva del suelo

Clase Profundidad en cm Promedio (centímetros)

Muy superficial < 25 12.5

Superficial (25 - 50) 37.5

Moderadamente Superficial (50 - 75) 62.5

Moderadamente profunda (75 - 100) 87.5

Profunda (100 - 150) 125

Muy profunda > 150 150

Fuente: IGAC, 2016

Los valores expuestos anteriormente son una generalización de los posibles rangos de valores que

puede tomar la profundidad efectiva para diferentes suelos. No obstante, es importante resaltar

que, para un determinado suelo es posible encontrar diferentes perfiles con múltiples horizontes

(A, B, C, R, E). Por lo cual, en el presente trabajo se hace uso de horizontes que se encuentren

dentro del rango de la profundidad efectiva de los diferentes suelos o UCS del área de estudio.

3.3.5.3 Evapotranspiración Potencial (ETP)

El termino evapotranspiración lleva inmerso dos conceptos totalmente enlazados entre sí, el primer

término es una de las fases principales del ciclo hidrológico conocido como “evaporación”

caracterizado por el cambio de líquido a gaseoso del estado del agua, mientras que el segundo

término es un fenómeno biológico conocido como “transpiración” por el cual las plantas pierden

agua en forma de vapor hacia la atmosfera terrestre.

Cuantificar el valor de la evapotranspiración desde el punto de vista de la “evaporación” es posible

mediante instrumentos como los evaporímetros. Sin embargo, para el caso de la transpiración de

las plantas instrumentos como lisímetros representan mayor dificultad para su estimación debido

al uso de variables intrínsecas como la precipitación, infiltración y el (AWC). Por consiguiente, es

necesario cuantificar de manera global ambos procesos haciendo uso del término

evapotranspiración, el cual a su vez puede ser calculado de manera potencial o de manera real. De

ahí que, existen diferentes métodos que permiten calcular la evapotranspiración (método

Thornthwaite, método Jensen – Heise, método Hargreaves, método Blanney – Criddle, método

Turc, método Penman –Monteith, entre otros). (Apéndice A, Ej. 1)

3.3.6 Índice Estandarizado de Precipitación (SPI)

El índice normalizado o estandarizado de precipitación (SPI) es un índice de sequía tipo

hidrometeorológico elaborado por los científicos de la Universidad Estatal de Colorado McKee,

Doesken y Kleist en 1993 con el objetivo de cuantificar la relación existente de los déficits de

precipitación en las aguas subterráneas, el almacenamiento de agua en reservorios, la humedad del

suelo, entre otros (OMM, 2012).

29

El SPI está caracterizado por su sencillez y facilidad de uso, dado que solo requiere para su

estimación la variable precipitación. La cual permite calificar la severidad de una sequía en el

corto, mediano y largo plazo. Además, es muy efectivo para analizar periodos y ciclos tanto

húmedos como secos en un lugar determinado. Por otro lado, es posible calcular el SPI en cualquier

periodo de tiempo como contrapartida a lo establecido por (Guttman, 1999) mencionando que

entre 1 a 24 meses se puede encontrar un rango de mejor aceptación. De la misma manera,

(Guttman, 1998) establece que se debe disponer de un mínimo de entre 20 y 30 años de valores

mensuales de precipitación. Sin embargo, lo óptimo sería contar con entre 50 y 60 años de valores

mensuales de precipitación (OMM, 2012), en la tabla (11) se describen las principales

características del SPI.

Tabla 11. Características del SPI

Características

El SPI se basa en la probabilidad de precipitación para cualquier escala temporal. Teniendo en

cuenta la precipitación observada y la probabilidad de la misma para transformarse en un índice

de sequía

Parámetros de

entrada La precipitación es el único parámetro necesario para el cálculo.

Aplicaciones El SPI es usado en iniciativas de alerta temprana y vigilancia de la sequía.

Puntos fuertes

• El SPI puede calcularse para distintas escalas temporales

• Permite ofrecer una alerta temprana de la sequía y ayudar a evaluar su severidad

• Tiene coherencia espacial, permite realizar comparaciones entre distintas localidades

con climas distintos.

Puntos débiles

• Está basado únicamente en la precipitación

• No contiene ningún componente de equilibrio entre el suelo y el agua, por lo que no

se puede calcular ninguna relación de evapotranspiración / evapotranspiración

potencial (ET/ETP)

Fuente: OMM, 2012

En sus inicios el SPI se creó con la finalidad de cuantificar el déficit de precipitación para varias

escalas de tiempo, estas escalas de tiempo evidencian el impacto de la sequía en la disponibilidad

de recursos hídricos. Al igual que, anomalías en las condiciones de humedad del suelo para escalas

relativamente cortas. No obstante, en el caso de anomalías de precipitación a largo plazo estas se

ven reflejadas en las aguas subterráneas y en los caudales fluviales.

3.3.6.1 Escalas de tiempo del SPI para periodos cortos/largos

En la tabla (12) se presentan las diferentes escalas de tiempo, acompañadas de su descripción

general acerca de las principales características positivas y negativas.

30

Tabla 12. Escalas de tiempo del SPI

Escala de

tiempo Descripción general

SPI de 1

mes

El SPI de un mes es similar a la representación del régimen de precipitación mensual de un lugar determinado,

reflejando las condiciones a corto plazo de la humedad del suelo y el estrés de los cultivos. No obstante, el

cálculo de un SPI mensual puede implicar interpretaciones erróneas especialmente en regiones en donde la

precipitación es normalmente baja durante periodos de tiempo cercanos a un mes. Por lo cual, es posible

encontrar valores continuamente negativos o positivos inclusive cuando la desviación media es relativamente

baja.

SPI de 3

meses

El SPI de 3 meses refleja las condiciones de humedad a corto y medio plazo, proporcionando una estimación

estacional de la precipitación en las principales regiones agrícolas. Adicional a esto, podría ser más eficaz para

poner de relieve la existencia de condiciones de humedad que el índice de Palmer, de respuesta más lenta, u

otros índices hidrológicos actuales.

SPI de 6

meses

El SPI de 6 meses indica tendencias de precipitación entre estaciones a mediano plazo y se considera más

sensible a las condiciones de precipitación que el Índice de Palmer.

Un SPI de 6 meses puede ser muy eficaz para mostrar la precipitación en distintas estaciones y la información

derivada de un SPI de 6 meses también podría reflejar caudales fluviales y niveles de almacenamiento anómalos,

en función de la región y la época del año.

SPI de 9

meses

El SPI de 9 meses da una indicación de pautas de precipitación intraestacionales en escalas temporales medias.

Las sequías normalmente tardan una estación o más en desarrollarse. Los valores de SPI por debajo de -1,5 para

estas escalas temporales generalmente se consideran un buen indicativo de que la sequedad está teniendo un

impacto significativo en la agricultura y puede que también esté afectando a otros sectores.

En algunas regiones se puede observar que la pauta seguida en el mapa por el Índice de Palmer se vincula

estrechamente con los mapas de SPI de 9 y 12 meses. Este período de tiempo se introduce para pasar de la sequía

estacional a corto plazo a las sequías a más largo plazo que pueden por su carácter pueden ser hidrológicas o

plurianuales.

SPI de 12

meses

El SPI en estas escalas temporales refleja patrones de precipitación a largo plazo. Dado que estas escalas

temporales son el resultado acumulado de períodos más cortos que pueden estar por encima o por debajo de lo

normal, el SPI a más largo plazo tiende a situarse en torno a cero, a menos que se esté produciendo una tendencia

húmeda o seca característica.

Los SPI de estas escalas temporales generalmente se vinculan con cauces fluviales, niveles de los reservorios e

incluso niveles de las aguas subterráneas a escalas temporales más largas. En algunas localidades, el SPI de 12

meses es el que más se relaciona con el Índice de Palmer, y ambos índices pueden reflejar condiciones parecidas.

Fuente: OMM, 2012

3.3.7 Planeta Tierra y movimientos planetarios

La Tierra es un planeta terrestre perteneciente al sistema solar compuesto por capas externas e

internas en su estructura y composición. Las capas superficiales o externas están establecidas por

la Atmosfera, Hidrosfera, Criosfera, Litosfera y Biosfera. Mientras que, sus capas internas o

concéntricas están integradas por la Corteza, Manto y Núcleo. Los fenómenos de origen

hidrometeorológico relacionados con el movimiento de los cuerpos de agua y la atmosfera

requieren de la comprensión de los principales movimiento físicos que realiza la Tierra con

respecto al Sol tales como rotación, traslación, precesión y nutación en concordancia con (Leyva,

1998) y (Sanga, 2019).

31

En los procesos de traslación y rotación el eje terrestre o polar forma un ángulo aproximado de

23.27° respecto a la normal de la eclíptica, fenómeno conocido como oblicuidad de la eclíptica

generando la aparición de largos meses de luz y oscuridad en los polos geográficos y por

consiguiente la aparición de las estaciones del año a causa del ángulo de incidencia de la radiación

solar y de la traslación de la tierra alrededor del Sol.

Los términos equinoccios y solsticios describen la posición de la Tierra con respecto al Sol a lo

largo del año. El equinoccio de primavera es el momento del año (21 de marzo) en donde finaliza

el invierno y empieza la primavera. Por otro lado, el equinoccio de otoño es el momento (21 de

septiembre) en donde finaliza el verano y comienza el otoño. Ahora bien, el solsticio de verano o

vernal (21 de junio) es el instante marcado por la finalización de la primavera y el inicio del verano.

Por su parte, el solsticio de invierno (21 de diciembre) indica la finalización de otoño y el comienzo

del invierno.

3.3.8 Atmosfera terrestre

La atmosfera es la capa gaseosa más externa y menos densa del planeta tierra, está compuesta

principalmente por gases constantes tales como el nitrógeno y el oxígeno. Su composición y los

procesos que allí se realizan son de vital importancia para los seres humanos, el medio ambiente y

los ecosistemas (Leyva, 1998). La atmosfera puede ser dividida a través de diferentes capas en

función de la temperatura y la altitud, las cuales se pueden clasificar en (troposfera, estratosfera,

mesosfera, termosfera y exosfera). No obstante, existe otra clasificación en la cual la troposfera y

la estratosfera conforman la homosfera. Mientras que, la mesosfera junto con la termosfera

constituye generan la ionosfera. A continuación, se realiza una breve descripción de la capas

atmosféricas y su relación con los fenómenos hidrometeorológicos tal como lo establecen

(Sarochar, 2013) y (Andrades y Muñez, 2012).

La tropósfera es la capa de la atmosfera en donde se producen importantes movimientos tanto

verticales como horizontales de masas de aire (vientos o corrientes de aire) con abundantes

cantidades de agua. En consecuencia, es en esta capa es donde se producen la mayoría de los

fenómenos meteorológicos como por ejemplo lluvias, vientos, cambios de temperatura, tormentas

tropicales e incluso huracanes. La estratósfera se caracteriza por tener poca variación de

temperatura (isotérmica) en su parte inferior (primeros 20 km). Aun así, a medida que va

aumentando de altitud sobre esta capa se llega a su capa superior denominada estratopausa. La

mesósfera a diferencia de la estratopausa la temperatura disminuye a medida que aumenta de

altitud alcanzando valores máximos de hasta -95°C. Por tal razón, es considerada la capa más fría

de la atmosfera con presiones atmosféricas sumamente bajas. Su capa superior se denomina

mesopausa y es el límite con la termosfera. La termosfera está caracterizada por tener bajas

cantidades de partículas de aire y por el aumento progresivo de la temperatura con respecto a la

altitud. Este aumento de temperatura se debe principalmente a la radiación solar durante los días a

lo largo de cada año. Finalmente, la exosfera está compuesta principalmente por bajas densidades

hidrogeno, helio y otras moléculas de mayor peso. Su principal característica es ser la zona de

tránsito entre la atmosfera terrestre y el espacio interplanetario.

32

3.3.9 Circulación atmosférica y vientos planetarios

La atmosfera vista como un componente vivo del planeta Tierra posee diferencias en sus valores

de temperatura, radiación y presión. Estas diferencias provienen de la interrelación física –

matemática entre el Sol y la Tierra, específicamente en la forma como el sol irradia calor y energía

a través de la luz solar con respecto a la atmosfera, hidrosfera y litosfera. Ahora bien, el planeta

Tierra presenta una serie de cambios tales como los movimientos de rotación, traslación, precesión

y nutación. El equilibrio de estas diferencias se da a partir de vientos, corrientes ya sean oceánicas

como de chorro. Las cuales redistribuyen o equilibran la energía, el momento cinético y el vapor

de agua posibilitando así la aparición de los regímenes climatológicos estacionarios. Además,

imposibilita la acumulación total de la radiación del sol en las zonas intertropicales y la total

ausencia de la misma en sus zonas polares (Andrades y Muñez, 2012).

Este intercambio de energía vista desde el aire y el viento infiere un alto calentamiento en el

ecuador y un bajo calentamiento en los polos. De ahí que, si no existiera este intercambio de masas

de aire en el caso de la zona ecuatorial el aire se elevaría hacia las capas más altas de la atmosfera.

Mientras que, las capas más bajas de la atmosfera serían sustituidas por masas de aire frías

proveniente de los polos terrestres, creando así una circulación convectiva caracterizada por la

escasa producción de vapor de agua y de intercambio de energía (ilustración 9).

Ilustración 9. Vientos planetarios y masas de aire

Fuente: Los Alisios (Fondear, s.f)

El viento visto como el desplazamiento de aire provocado por la diferencia de presión existente de

un lugar a otro, es producto de la presión atmosférica ejercida sobre masas de aire cálidas o frías.

Una masa de aire caliente puede dilatarse y hacerse menos densa disminuyendo así su presión

atmosférica. Mientras tanto, una masa de aire fría puede tardar más tiempo en calentarse y dilatarse

aumentando su presión atmosférica. Estas diferencias según Ruiz et al. (2017) están relacionadas

con el movimiento y la trayectoria de los vientos mediante una serie de fuerzas denominadas:

Fuerzas del Gradiente de Presión (FGP), Fuerza de Coriolis (FCOR) y viento geostrófico. La FGP

33

es la fuerza resultante de la diferencia de presión entre dos puntos de la atmosfera terrestre, las

cuales tienden a moverse desde los centros de alta presión hacia los centros de baja presión con la

finalidad de alcanzar un equilibrio barométrico.

La FCOR es una fuerza perpendicular a la dirección del eje de rotación de la Tierra, la cual puede

generar una desviación en los vientos y las masas de aire, dicha fuerza en el hemisferio norte

produce la desviación de las masas de aire en dirección este (ilustración 10). Mientras que, en el

hemisferio sur la FCOR desvía el movimiento hacia el oeste. Además, la FCOR crea tres ciclos

cerrados de movimientos de aire, el primero en latitudes bajas o cercanas al ecuador, el segundo

en zonas de latitudes altas o polares y el tercero en zonas de latitudes medias o intermedias.

Ilustración 10. Fuerza de Coriolis

Fuente: Fundamentos de Climatología (Andrades y Múñez, 2012)

El viento geostrófico es la mayor aproximación al viento físico y real, derivado de un equilibrio

entre la FCOR y la FGP, en donde la dirección e intensidad del viento están en función de estas

dos fuerzas. Por ende, se puede inferir que al existir un equilibrio entre la FCOR y la FGP la

aceleración neta del viento geostrófico es cero (0) producto de una velocidad mantenida como

constante. Adicional a esto, este viento se localiza principalmente en la troposfera libre y tiene la

característica de soplar paralelo a las isobaras (puntos de igual presión atmosférica al nivel del

mar).

3.3.10 Vientos planetarios

Los vientos globales o planetarios son aquellos vientos que recorren el planeta a lo largo del tiempo

transportando grandes cantidades de energía térmica. A nivel general se resaltan según (Andrades

y Muñez, 2012) tres zonas de vientos persistentes y globales bajo los nombres de vientos polares

34

del este, vientos del oeste, vientos alisios del norte, vientos alisios del sur, vientos del oeste y

vientos polares del este (ilustración 11).

Ilustración 11. Células de circulación atmosférica

Fuente: CEUPE, 2021

Las sequías pertenecientes a la zona ecuatorial o zona de convergencia intertropical, son vientos

localizados entre los 5° norte y 5° sur, caracterizados por no poseer vientos dominantes en

superficie. Por lo cual, existe una alternancia de vientos débiles (clima despejado) con vientos

fuertes (tormentas). Esto debido a ser una de las zonas con mayor cantidad de insolación, en la

cual el aire húmedo se divide dando paso a corrientes de convección, ya sea subiendo el aire

caliente a la parte superior de la atmosfera o bajando el aire frio en las capas superficiales.

3.3.11 Clima y tiempo atmosférico

El clima constituye uno de los principales factores en términos ambientales que tiene la posibilidad

de incidir en diferentes aspectos del territorio y la población como por ejemplo la agricultura,

producción energética, transporte y la movilidad. A pesar de esto, el clima a través de la historia

ha tenido diversas fluctuaciones u oscilaciones en diferentes escalas de tiempo que pueden ir desde

años hasta milenios.

Es importante no confundir el clima con el tiempo atmosférico, ya que a pesar de estar relacionados

entre sí. El tiempo atmosférico de acuerdo con (IDEAM y UNAL, 2018) es el “estado de la

atmósfera en un momento dado” y este se expresa ya sea en fenómenos recurrentes (nublado,

soleado, lluvioso, calor, frío, viento o calma) o por el contrario en situaciones atmosféricas

extremas (helada, tormenta, vendaval, granizada) (ilustración 12). De ahí que, es importante definir

los componentes y variables principales del sistema climático y del tiempo atmosférico.

35

Ilustración 12. Clima y tiempo atmosférico

Fuente: IPCC, 1997

El sistema climático está conformado por los siguientes componentes principales: Atmosfera

(gases que rodean la tierra), Hidrosfera (océanos, mares, ríos, lagos, agua subterránea, etc.),

Criosfera (hielo de mar, glaciares, mantos de hielo) Litosfera (islas, continentes) y Biosfera (seres

humanos, plantas, animales, hongos, microorganismos). Por otro lado, las variables climatológicas

del sistema climático a nivel general son presión atmosférica, temperatura, humedad, velocidad y

dirección del viento, precipitación, brillo solar y nubosidad (IDEAM y UNAL, 2018).

La expresión más utilizada con respecto al clima son las estaciones del año que para el caso

colombiano debido al régimen de precipitación unimodal (temporada de lluvias y temporada de

ausencia de lluvias) regula en mayor medida las condiciones meteorológicas y atmosféricas del

territorio colombiano. Además, es importante tener en cuenta que dentro de la climatología

podemos encontrar el concepto de “patrón climatológico”, el cual representa las condiciones

predominantes del clima durante un periodo generalmente de 30 años o más, mientras que el

término de “diagnostico o pronóstico del clima” está relacionado con las condiciones atmosféricas

previstas para un momento determinado del clima en el futuro

3.3.12 Precipitación y ciclo hidrológico

Uno de los principales ciclos biogeoquímicos existentes en el clima es el ciclo hidrológico o

también denominado ciclo natural del agua. El ciclo hidrológico es un proceso natural de ciclo

continuo del agua a través de sus diferentes estados naturales (solido, líquido y gaseoso)

localizados en la atmosfera, litosfera y biosfera terrestre. Existen diferentes fases dentro del ciclo

hidrológico tal como se puede visualizar en la ilustración (13), la primera fase inicia cuando los

cuerpos de agua cambian de estado ya sea de líquido a gaseoso (evaporación) o de estado sólido a

gaseoso (sublimación) subiendo hacia la atmosfera en forma de vapor de agua de manera temporal,

36

para posteriormente a través de la condensación (proceso por el cual el agua cambia de estado

gaseoso a liquido) forman cristales de hielo o gotas de agua que al unirse crean las nubes que luego

por acción de la gravedad caen a la superficie terrestre en un proceso denominado precipitación.

Ilustración 13. Ciclo natural del agua

Fuente: El Ciclo del Agua USGS (Evans y Perlman, 2014)

El agua que cae en la superficie terrestre puede desarrollar dos diferentes procesos denominados

escorrentía superficial o infiltración, el termino escorrentía hace referencia al agua de lluvia que

corre sobre el terreno o sobre la superficie del suelo en dirección hacia la corriente de agua más

cercana como los ríos o afluentes de agua para posteriormente desembocar en cuerpos de agua de

mayor dimensión como los mares o los océanos. Mientras que, por infiltración el agua que cae

sobre la superficie terrestre se introduce en el suelo almacenándose allí de manera temporal

constituyendo lo que se denomina “agua subterránea o circulación de agua subterránea”.

Finalmente, cuando la cantidad y volumetría de los principales cuerpos de agua y de la vegetación

es lo suficientemente alta, permite iniciar de nuevo el ciclo hidrológico a través de la evaporación

y sublimación. Sin embargo, para el caso de la vegetación este proceso se denomina

evapotranspiración por el cual existen dos fenómenos relacionados entre sí, la evaporación desde

el suelo y de la superficie cubierta por plantas y la traspiración de las plantas por medio de sus

hojas.

El cambio climático proveniente de los gases de efecto invernadero y del calentamiento global,

posibilitan cambios en el ciclo hidrológico y en los regímenes de precipitación debido al aumento

continuo de la temperatura media global. Ahora bien, los cambios en las precipitaciones no serán

uniformes para todas las regiones del planeta tierra y dependerán en gran parte de su localización.

Es probable que en latitudes altas se experimente un aumento en la precipitación media anual,

37

mientras que en latitudes medias o subtropicales la precipitación media anual disminuya con

principal énfasis en lugares en donde ocurren fenómenos extremos como sequías e inundaciones.

(Pachauri et al., 2014).

3.3.13 Cambio climático global

El cambio climático global corresponde a las modificaciones de las condiciones establecidas en el

clima durante periodos de largo plazo (siglos, milenios, etc). Sin embargo, a diferencia de los

términos mencionados anteriormente. La noción de cambio climático ha venido tomando

relevancia tanto para entidades gubernamentales y no gubernamentales. De ahí que, es importante

comprender su significado y las principales casusas del mismo, esto con el propósito de entender

el dinamismo del clima a escala global en periodos de tiempo significativamente largos.

Las causas principales del cambio climático son el resultado de variabilidades internas del sistema

climático y de factores externos que pueden ser de índole natural o antrópico tal como lo estipula

(IDEAM y UNAL, 2018) resumiéndose de la siguiente manera:

Factores externos: Ciclos solares de largo plazo, cambios en la geometría de la órbita del planeta

tierra y cambios en la geometría de la incidencia de rayos solares con respecto a la superficie

terrestre.

Factores internos: Deriva continental, cambios en la composición atmosférica, interacción entre

componentes del sistema terrestre y procesos antrópicos.

Es indispensable diferenciar la variabilidad climática del cambio climático, ya que el cambio

climático puede modificar las condiciones climatológicas de un área o de una región de manera

reversible o irreversible dependiendo de la severidad con la que cambien las variables

climatológicas y el sistema climatológico durante un periodo de tiempo determinado. Mientras

que, la variabilidad climática está referida a las variaciones y/o oscilaciones cíclicas del clima cada

determinado tiempo (mensual, anual, interdecadal). Por tal razón, los fenómenos de variabilidad

climática tienen un periodo de retorno conocido, así como su tiempo de duración.

Una de las entidades gubernamentales especialistas sobre el cambio climático es el IPCC, el cual

resalta los cambios observados en el clima a escala global, en donde Pachauri et al., (2014, p.2)

resalta que “La influencia humana en el sistema climático es clara, y las emisiones antropogénicas

recientes de gases de efecto invernadero son las más altas de la historia “ y “La atmósfera y el

océano se han calentado, los volúmenes de nieve y hielo han disminuido y el nivel del mar se ha

elevado”.

3.3.14 Temperatura media global en superficie y calentamiento global

El efecto invernadero en conjunto con sus gases genera un aumento de la temperatura media global

en superficie también conocido como “calentamiento global”. No obstante, según (Barboza, 2013)

existe una dualidad referida al termino calentamiento global. En primera instancia el calentamiento

38

global puede ser visto como un fenómeno en donde se observa el aumento de la temperatura media

global en la atmosfera terrestre y en los océanos durante un tiempo determinado. En la ilustración

(14) se presenta la temperatura media global en superficie para los días más cálidos y las noches

más frías. Por otra parte, el termino calentamiento global puede ser visto como una teoría

relacionada con la predicción a futuro del valor de la temperatura media global por medio de

simulaciones computacionales.

Ilustración 14. Temperatura media global en superficie

Fuente: Calentamiento global de 1,5 °C (IPCC, 2019)

3.3.15 Variabilidad climática

La comprensión de la sequía vista desde la perspectiva de la variabilidad climática y el cambio

climático proporciona información útil en términos de la génesis, comportamiento y evolución de

la misma con respecto a los principales cambios y dinamismos ocurridos en el planeta tierra a lo

largo del tiempo. De otro modo, el clima como componente atmosférico ha presentado ciclos,

fluctuaciones u oscilaciones en diferentes escalas de tiempo, estas fluctuaciones se ven reflejadas

en las variables climatológicas mencionadas previamente (precipitación, temperatura del aire,

brillo solar, humedad, entre otras).

La medición de estas variables climatológicas se compara con los valores parámetro o estándar de

un periodo de tiempo de por lo menos de 30 años de observación, en donde los valores que fluctúan

o varían por encima o por debajo de los valores promedio constituyen lo que se conoce desde el

campo de la estadística como “variabilidad climática” y “anomalía climática”. El término anomalía

climática es utilizado para describir la desviación del clima en un momento determinado, mientras

que el término de variabilidad climática proporciona a nivel general las fluctuaciones o variaciones

del clima a escalas de tiempo mayor. De acuerdo con (Montealegre, 2009) estas se clasifican ya

sean escalas de tiempo mensuales “Variabilidad climática estacional”, en escalas de tiempo

39

estacionales “Variabilidad climática intraestacional”, en escalas de tiempo en años “Variabilidad

climática interanual”, escalas de tiempo en décadas “Variabilidad climática interdecadal” y escalas

de tiempo en milenios “Cambios climáticos globales”.

Zona de Confluencia Intertropical (ZCIT): La Zona de Confluencia Intertropical (ZCIT) (en

inglés ITCZ) es un fenómeno de variabilidad climática estacional caracterizada por ser una región

del planeta terrestre en donde convergen los vientos alisios del hemisferio norte (dirección NE)

con los vientos alisios del hemisferio sur (dirección SE). Esta región abarca la línea del ecuador y

las zonas tropicales de la tierra como lo es la región del Congo en África, la Amazonia y el Sudeste

Asiático (ilustración 15).

Ilustración 15. Zona de convergencia intertropical

Fuente: Weninger et al., 2014

La principal característica de (ZCIT) es la baja presión que se constituye por ser una franja o

cinturón en donde convergen grandes masas de aire cálido y húmedo, durante esta interacción las

masas de aire cálidas se dilatan y pierden densidad, provocando así la elevación de estas masas de

aire hasta la troposfera en un proceso denominado convección. De acuerdo con Quesada y Waylen

(2012) los recorridos de estos vientos alisios del norte y del sur varían dependiendo de la época

del año: en los meses de enero y febrero (estaciones de verano) estas corrientes de aire van de sur

a norte. Mientras que, durante los meses de julio y agosto lo hacen en sentido norte - sur. Por lo

cual, los efectos de estas corrientes de aire pueden comenzar a sentirse a partir de los 5° norte y 5°

sur respectivamente

Este calentamiento de las masas de aire provoca un aumento de temperaturas y con ello la aparición

de algunas fases del ciclo hidrológico como lo es la evaporación, condensación y precipitación.

Además, permite la creación de diversos fenómenos meteorológicos como las tormentas eléctricas

e incluso los huracanes. Adicional a lo anterior, según (Estupiñán y Carvajal, 2014) la ZCIT es

una zona en donde el ratio de evaporación es inferior a la precipitación. Constituyendo así una de

las zonas más lluviosas del planeta.

40

Oscilación Madden-Julián (OMJ): La Oscilación de Madden-Julián es un fenómeno de

variabilidad climática intraestacional, la cual según Torres (2012) es una perturbación tropical

(zonas de latitudes bajas) que se propaga sobre el este de las zonas tropicales del planeta tierra con

un ciclo que oscila entre los 30 a 60 días. Además, teniendo en cuenta lo dicho por (Hendon y

Salvy, 1994) la OMJ está caracterizada por anomalías en convección y vientos tropicales a escalas

de tiempo intraestacionales desarrolladas sobre el océano indico y con finalización sobre el océano

pacifico en dirección este. La OMJ puede ser vista como un acoplamiento a gran escala entra la

circulación atmosférica y la convección profunda tropical, con una velocidad de propagación

aproximada de 4 a 8 metros por segundo (m/s), ya que al tratarse de una anomalía de precipitación

producto de diferencias entre la tierra, los océanos y la hidrología superficial (Poveda et al, 2002).

Es posible la aparición de grandes regiones con lluvia tropical aumentada junto con una alternancia

de zonas de lluvia suprimida (ilustración 16).

Ilustración 16. Oscilación de Madden-Julián

.

Fuente: Servicio Meteorológico Nacional (SMN) (2020)

La variabilidad climática intraestacional de OMJ hace alusión a las dos fases de oscilación

conocidas de la OMJ denominadas fase este y oeste. En la fase este también denominada negativa

o suprimida se caracteriza por la convergencia de los vientos en la parte superior de la atmosfera,

forzando al aire a hundirse para después divergir en la superficie. Por tal razón, el aire se calienta

y se seca disminuyendo así las precipitaciones. Mientras que, en la fase oeste también conocida

como positiva o convectiva es posible el ascenso de las lluvias y con ello la aparición de huracanes

y tormentas tropicales en el océano pacifico.

El Niño – Oscilación del Sur (ENOS): El fenómeno del Niño-Oscilación del Sur (ENOS o ENSO

en inglés) es un fenómeno de variabilidad climática interanual de escalas globales, caracterizado

por su alta correlación entre la atmosfera y la hidrosfera. El componente de la atmosfera

denominada oscilación del sur está dada por la influencia de la presión atmosférica, la circulación

atmosférica y el cinturón de los vientos alisios. Por otro lado, el componente perteneciente a la

hidrosfera describe las variaciones de la Temperatura Superficial del Mar (TSM) y el

comportamiento de la termoclina oceánica. Este fenómeno como se puede ver en la ilustración

(17) está localizado aproximadamente entre los 80° oeste y 120° este en las zonas tropicales y

parte de las extratropicales de los hemisferios norte y sur. Sin embargo, sus implicaciones en el

41

clima y el tiempo son a escala global, según (Montealegre, 2009) el ENSO se caracteriza por poseer

tres diferentes estados de la TSM en la franja tropical del océano pacifico. El primero denominado

“El Niño” (calentamiento extremo de las aguas superficiales y una anomalía positiva de la TSM),

un segundo con condiciones normales y el tercero llamado “La Niña” (enfriamiento extremo de

las aguas superficiales y una anomalía negativa de la TSM). De ahí que, este fenómeno sea

conocido como Niño-Oscilación del Sur.

Condiciones normales: La fase de normalidad o de no ENOS hace referencia a los años con

condiciones climatológicas propias o estándares de una área geográfica, lo cual infiere la no

aparición de las fases del niño o de la niña.

Fase del niño: La fase del niño se manifiesta con un incremento de la TSM en la zona comprendida

entre Australia - Nueva Guinea y Colombia – Ecuador – Peru, en el caso de Sudamerica esta se

expresa con un aumento de la temperatura promedio del aire así como una disminuacion

significativa de la precipitación.

Ilustración 17. Fase el niño – Oscilación del sur

Fuente: Tercera Comunicación Nacional de Cambio Climático, 2016

Fase de la niña: la fase de la niña se manifiesta con una disminución de la TSM en la zona

comprendida entre Australia - Nueva Guinea y Colombia – Ecuador – Peru, en el caso del pacifico

oriental ocurre una disminución de la temperatura promedio del aire y un aumento considerable

en la precipitación en las zonas tropicales y parte de las extratropicales de los hemisferios norte y

sur (ilustración 18).

Ilustración 18. Fase la niña – Oscilación del sur

Fuente: Tercera Comunicación Nacional de Cambio Climático, 2016

42

4. ASPECTOS METODOLÓGICOS

4.1 Proceso y flujo metodológico

El proceso y flujo metodológico fue establecido con las orientaciones y pautas necesarias para la

implementación a nivel general del presente trabajo. Este flujo está basado en las características

edafológicas, climatológicas y físicas del área de estudio. Al igual que, los índices de sequía y el

conocimiento del riesgo de desastres (ilustración 19). La elaboración del proceso y flujo

metodológico a su vez está divido en 3 procesos, los cuales obedecen a cada uno de los objetivos

específicos propuestos en el capítulo 1. Estos procesos dan como resultado final la construcción

de escenarios de riesgo por sequía en el municipio de Motavita.

El proceso y flujo metodológico inicia a partir de unos insumos provenientes de los indicadores de

sequía y la implementación de inteligencia artificial para el pronóstico de valores futuros, cada

proceso describe a nivel general los pasos que se requieren para la elaboración de la presente

metodología de evaluación y pronóstico de sequía. No obstante, en los próximos ítems cada

proceso es descrito de manera detallada con sus respectivos métodos de cuantificación.

Ilustración 19. Proceso y flujo metodológico


4.1.1 Tratamiento preliminar

Una vez obtenidas la información preliminar por parte del IDEAM sobre las 6 estaciones

hidrometeorológicas seleccionadas, se procedió a hacer un primer análisis de la información sobre

la variable precipitación a cada una de las mismas. En donde, se logró denotar información vacía

43

o datos faltantes inferiores al 5% de la totalidad de la información en cada estación para algunos

meses del año, con excepción a la estación UPTC que cuenta con la totalidad de la información

(tabla 13).

Tabla 13. Información preliminar estaciones hidrometeorológicas

Municipio Nombre Estación Total Datos Datos

Faltantes

Porcentaje (%)

Motavita Panelas 372 12 3.2

Cómbita Cómbita 372 18 4.8

Chíquiza San Pedro Iguaque 372 7 1.9

Tunja UPTC 372 0 0

Samacá Villa Carmen 372 5 1.3

Villa de Leyva Villa de Leyva AUT 372 5 1.3


En una primera aproximación, la información recopilada de las estaciones de estudio en términos

climatológicos y meteorológicos presenta un comportamiento similar sobre la variable

precipitación, en donde la estación UPTC presentó una alta correlación con las otras estaciones.

Por tal motivo, fue posible emplear métodos estadísticos con el fin complementar la información

que se encuentra vacía (Alfaro y Pacheco 2000). Unos de estos métodos es la regresión lineal

simple, siendo un método adecuado para la naturaleza de la variable de interés. Además, como lo

menciona Allen et al. (2006) este tipo de método se recomienda utilizar cuando la serie de datos

presenta las mismas características del medio natural.

El uso de este método estadístico arrojó que la estación Villa Carmen presenta el mayor porcentaje

de correlación tomando como referencia la estación UPTC (tabla 14). Por tal razón, se pudo

implementar el método de regresión lineal para completar la información faltante y obtener los

mejores resultados.

Tabla 14. Coeficientes de correlación de la precipitación

Estación parámetro Estación incompleta Porcentaje de correlación (%)

UPTC San Pedro Iguaque 77.64

UPTC Cómbita 74.52

UPTC Panelas 76.21

UPTC Villa Carmen 79.02

UPTC Villa de Leyva AUT 67.48


Una vez calculados los datos faltantes de la estación Villa Carmen se procedió a realizar las

combinaciones con las demás estaciones con respecto a UPTC o Villa Carmen, encontrando así,

mejores coeficientes de correlación (tabla 15).

44

Tabla 15. Ajuste de los coeficientes de correlación


UPTC San Pedro Iguaque 77.84

San Pedro Iguaque Villa de Leyva AUT 81.10

Panelas Cómbita 76.67

UPTC Panelas 78.31

UPTC Villa Carmen 79.19


Un primer análisis de la información evidenció que, los nuevos porcentajes de correlación una vez

aplicado el método están cercanos al 80%. Esto con base en Pizarro et al. (1993) mencionando que

para que un coeficiente de correlación sea aceptable debe ser igual o superior a 80 %. Por lo cual,

se decidió aplicar una prueba estadística denominada T-Students con la finalidad de verificar si la

información de las estaciones está correlacionada entre sí, incluyendo los nuevos datos calculados

en la regresión lineal simple.

El cálculo de la prueba estadística T-Students tiene un total máximo de 100 grados de libertad,

esto es de suma importancia debido que cada estación tiene un total de 372 datos para 31 años. Por

tal razón, se procedió a dividir la información de cada estación en intervalos de 7 años y 8 años

que equivalen a 84 y 96 meses respectivamente, en donde su fundamentación matemática y

estadística está fundamentada en Villón (2006). (Apéndice B)

De esta manera al aplicar la prueba T-Students a diferentes muestras en distintos intervalos de

tiempo, se logró determinar los siguientes criterios de decisión para cada estación como se observa

en la tabla (16).

Tabla 16. Prueba estadística T – Students

Estación 𝐭𝐭 𝐭𝐜 Hipótesis

UPTC-San Pedro Iguaque 1.985 13.74 Se rechaza hipótesis nula

Panelas-Cómbita 1.985 10.82 Se rechaza hipótesis nula

UPTC-Panelas 1.985 10.48 Se rechaza hipótesis nula

UPTC-Villa Carmen 1.985 13.93 Se rechaza hipótesis nula

Villa de Leyva AUT 1.985 12.85 Se rechaza hipótesis nula


Los resultados de la prueba T-Students lograron determinar que, todas las muestras seleccionadas

están correlacionadas entre sí en un 95% de probabilidad. Por otra parte, ya que las series están

relacionadas entre sí en términos meteorológicos. Se asume que, la información obtenida con la

regresión lineal simple es adecuada y válida para el propósito del presente estudio. Además, se

tuvo en cuenta la utilización de una de las variables del sistema climático complementaria a la

precipitación denominada Temperatura media del Aire (TA), cuyos datos son proporcionados por

el IDEAM. Ahora bien, solo 3 estaciones del presente estudio contaron con equipos o instrumentos

que registren datos de temperatura de las 6 que inicialmente se seleccionaron, en donde se extrajo

45

información vacía o datos faltantes inferiores al 5% del total de la información para cada estación

(tabla 17). Adicional a esto, ya que ninguna estación contaba con el 100 % de la información se

procedió a utilizar el método de la media aritmética para completar la información de aquella

estación más próxima a Motavita, en este caso la estación UPTC.

Tabla 17. Temperatura de las estaciones climatológicas principales

Municipio Nombre Estación Total de Datos Datos Faltantes Porcentaje (%)

Tunja UPTC 360 6 1.6

Samacá Villa Carmen 360 3 0.83

Villa de Leyva Villa de Leyva AUT 360 15 4.16


Una vez completada la información vacía o faltante de la estación UPTC, se hizo uso nuevamente

del método de regresión lineal simple para estimar los valores de temperatura que carecen las otras

estaciones en algunos meses. Por lo cual, al momento de realizar el correspondiente coeficiente de

correlación, se estableció que la estación de UPTC y Villa de Leyva presentan la mejor correlación.

Sin embargo, las estaciones Villa Carmen y Villa de Leyva AUT presentaron un coeficiente muy

bajo inferior al 60 %. Esto debido a que, la temperatura media del aire registrada en cada lugar

puede variar no constituyendo un patrón o tendencia similar (tabla 18).

Tabla 18. Coeficientes de correlación temperatura


UPTC Villa Carmen 75.25%

Villa Carmen Villa de Leyva AUT 59.81%


4.1.2 Fundamentación teórica y clasificación del SPI

El sistema de clasificación del SPI según (McKee et al., 1993) varía según la escala temporal y los

valores del SPI. En consecuencia, valores continuamente negativos con una intensidad de -1.0 o

inferior serán considerados como episodios de sequía. Por otro lado, valores continuos de 1.0 o

superior serán considerados como periodos de humedad.

Según lo establecido por Núñez et al. (2005) la distribución que mejor representa el

comportamiento de un fenómeno de sequía es la distribución Gamma, ya que se ajusta a una serie

de datos climatológicos de precipitación. A pesar de esto, la distribución de probabilidad Gamma

que es tipo continua no está definida en el valor cero (0). De ahí que, cuando la estación registra

datos de precipitación cercanos al valor de cero podría tener inconvenientes en el recorrido de la

función y por lo tanto en el valor del SPI. Por lo cual, posteriormente se puede transformar en una

distribución normal estandarizada según Abramowitz y Stegun (1965). Ya que el uso de una

distribución normal estandarizada con media igual a cero (0) y desviación estándar de uno (1),

46

permite según Thom (1958) la obtención de valores relativos entre (-3) y (+3), los cuales son

utilizados para clasificar la sequía.

A continuación, se describe la fundamentación matemática del SPI, en donde se describe la

distribución gama, la transformación a una distribución normal y la obtención de los valores de Z

tomados en cuenta en el SPI según (Kumar et al., 2009).

( )11

( ) 4.1.2.1( )

x

g x x e

−

−= para 0x

En donde:

0 , es un parámetro de escala

0 , α es un parámetro de forma

0x , x es la cantidad de precipitación (milímetros) para la escala elegida

( ) es la función de distribución gamma

Función de distribución Gamma

( )1

0

( ) 4.1.2.2yy e

− −=

En donde los parámetros α y β se estiman de la siguiente manera:

Siendo A una variable auxiliar

Donde, n = número de precipitaciones observadas

La función de probabilidad acumulada está definida como:

( ) ( )1

0 0

1( ) * 4.1.2.6

* ( )

xx x

G g x dx x e dxx

−

−= =

En donde, la función de probabilidad acumulada finalmente se convierte en:

( )( ) (1 ) ( ) 4.1.2.7H x q q G x= + −

( )1 4

* 1 1 4.1.2.34 3

A

A

= + +

( )4.1.2.4x

a =

( )ln( )

ln( ) 4.1.2.5x

A xn

= −

47

Transformación a la variable aleatoria normal estandarizada

En donde los coeficientes están definidos como:

𝐶0= 2.515517 𝑑1= 1.432788

𝐶1= 0.802853 𝑑2= 0.189269

𝐶2= 0.010328 𝑑3= 0.001308

Los valores de Z clasifican el SPI y la sequía tal como se observa en la tabla (19). Por otra parte,

en la tabla (20) se evidencia la probabilidad de recurrencia en años de la sequía meteorológica.

Tabla 19. Clasificación del SPI

SPI Descripción

≥ 2.0 Extremadamente húmedo

(1.5 , 1.99) Muy húmedo

(1.0 , 1.49) Moderadamente húmedo

(0.99 , -0.99) Normal o aproximadamente normal

(-1.0 , -1.49) Moderadamente seco

(-1.5 , -1.99) Severamente seco

≤ 2.0 Extremadamente seco

Fuente: Índice normalizado de precipitación Guía del usuario (OMM, 2012)

Tabla 20. Probabilidad de recurrencia sequía meteorológica

SPI Categoría Número de veces en 100 años Severidad del episodio

(0.0 , -0.99) Sequía leve 33 1 en 3 años

(-1.0 , -1.49) Sequía moderada 10 1 en 10 años

(-1.5 , -1.99) Sequía severa 5 1 en 20 años

≤ 2.0 Sequía extrema 2.5 1 en 50 años

Fuente: Índice normalizado de precipitación Guía del usuario (OMM, 2012)

( )2

0 1 2

2 3

1 2 3

4.1.2.81

c c t c tZ SPI t

d t d t d t

+ += = − −

+ + + 0 ( ) 0.5H x

( )2

0 1 2

2 3

1 2 3

4.1.2.91

c c t c tZ SPI t

d t d t d t

+ += = + −

+ + +

0.5 ( ) 1H x

0 ( ) 0.5H x

0.5 ( ) 1H x

( )2

1ln 4.1.2.10

( ( ))t

H x

=

( )2

1ln 4.1.2.11

(1 ( ))t

H x

=

−

48

4.1.2.1 Calculo automatizado del SPI

El índice normalizado o estandarizado de precipitación (SPI en inglés) de acuerdo con el área de

estudio y las estaciones hidrometeorológicas seleccionadas, requiere como único parámetro de

inserción la precipitación total mensual de un periodo de tiempo establecido. Además, debido a su

facilidad de uso y alto reconocimiento como uno de los principales índices de sequía, existen

diferentes herramientas de software disponibles para su estimación y análisis.

El software utilizado en el cálculo del SPI es el SPI Generator versión 1.7.5 del Centro de

Mitigación de Sequía Nacional de la Universidad de Nebraska1. El SPI Generator tiene la

capacidad de realizar el cálculo del SPI para diferentes escalas. De igual modo, dado su flexibilidad

y fácil uso, permite modelar el comportamiento y evolución de la precipitación en un lugar

estipulado. En este proyecto se determinó el SPI para una escala de 3 meses, 6 meses y 12 meses.

Dado que, estas escalas representan las condiciones sequía a corto, mediano y largo plazo. En

donde la primera escala brinda un diagnostico estacional de las condiciones de humedad, la

segunda una tendencia de precipitación entre estaciones y la última refleja a largo plazo valores de

cero o en algunos casos tendencias de periodos característicos secos o húmedos. Además, el

complemento de las tres escalas evita errores de interpretación relacionados a la sequía.

4.1.3 Fundamentación teórica y clasificación del PDSI

El cálculo del PDSI requiere como parámetros de inicio las variables definidas en la sección

anterior exceptuando el balance hídrico climático. Por consiguiente, el PDSI inicia calculando el

balance hídrico climático utilizando las series de tiempo de temperatura y precipitación en escalas

de tiempo usualmente de meses o años (Apéndice A, Ej. 3). En el caso de la precipitación esta

alimenta la evapotranspiración, la humedad del suelo y la escorrentía (Heim, 2002). Sin embargo,

existen términos adicionales necesarios para el cálculo del balance hídrico climático teniendo en

cuenta las investigaciones de Palmer (1965) y Cedex (2013). A continuación, se desarrolla la

fundamentación matemática del PDSI:

• Evapotranspiración potencial (𝐸𝑇𝑃𝑖) y real (𝐸𝑇𝑅𝑖)

• Recarga potencial (𝑅𝑃𝑖) y real (𝑅𝑅𝑖)

• Escorrentía potencial (𝐸𝑆𝑃𝑖) y real (𝐸𝑆𝑅𝑖)

• Pérdida total de agua potencial (𝐿𝑃𝑖) y real (𝐿𝑅𝑖)

• Perdida de agua en la superficie potencial (𝐿𝑃𝑠𝑖) y real (𝐿𝑅𝑠𝑖)

• Perdida de agua en el suelo potencial (𝐿𝑃𝑢𝑖) y real (𝐿𝑅𝑢𝑖)

Existen otros términos como el almacenamiento en superficie ( )siS y en el suelo ( )uiS al inicio

de cada mes de cálculo i, las pérdidas reales desde superficie 𝐿𝑅𝑠𝑖 y suelo 𝐿𝑅𝑢𝑖 son:

1 http://drought.unl.edu/MonitoringTools/DownloadableSPIProgram.aspx.

49

( )* 4.1.3.1i i siui ui

ETP P LRLR S

AWC

− − =

𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 siLR = 𝑚𝑖𝑛 ( siS , iETP – iP )

si uiLR S

La recarga potencial (𝑅𝑃𝑖): cantidad de humedad requerida para llevar el suelo a la capacidad de

campo.

La pérdida total de agua potencial (𝐿𝑃𝑖): cantidad de humedad que puede perderse del suelo por

evapotranspiración siempre que la precipitación durante ese periodo sea cero.

( )4.1.3.3i si uiLP LP LP= +

𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 siLP = 𝑚𝑖𝑛( iETP , siS )

( )* 4.1.3.4i siui ui

ETP LPLP S

AWC

− =

si uiLP S

La escorrentía potencial (𝐸𝑆𝑃𝑖,): precipitación potencial menos la recarga potencial

Estos cuatro valores potenciales (𝐸𝑆𝑃𝑖,𝑅𝑃𝑖,𝐿𝑃𝑖,𝐸𝑇𝑃𝑖) se utilizan para estimar los valores reales

mediante balance hídrico partiendo de la capa superficial y capa profunda del suelo, en donde la

capa superficial es la primera en recargarse y solo cuando se excede su capacidad la capa profunda

comienza su almacenamiento. A pesar de esto, existen varios tipos de almacenamiento del agua

en las capas del suelo. Por esta razón, según sea el caso de la precipitación comparada con la

evapotranspiración potencial, algunos valores de (𝐸𝑆𝑃𝑖,𝑅𝑃𝑖,𝐿𝑃𝑖,𝐸𝑇𝑃𝑖) podrían ser cero o no

podrían ser estimados para un intervalo de tiempo mensual:

Tipos de almacenamiento del agua en las capas del suelo:

𝐴) 𝑃𝑖 ≥ 𝐸𝑇𝑃𝑖

Si la precipitación mensual es mayor que la 𝐸𝑇𝑃𝑖 mensual, no hay pérdidas de agua en el suelo y

hay recarga y escorrentía.

( )( ) 4.1.3.2i si uiRP AWC S S= − +

( )4.1.3.5i i si uiESP AWC RP S S= − = +

0

i i

i i

si

ETR ETPP ETP

LR

=

=

50

Si el excedente de lluvia mensual respecto a la 𝐸𝑇𝑃𝑖 mensual es mayor que el déficit de

almacenamiento en superficie, hay suficiente agua para recargar el almacenamiento superficial y

el suelo.

Si el exceso de lluvia respecto a la 𝐸𝑇𝑃𝑖 mensual y recarga en superficie es menor que el déficit

existente en el suelo, el resto de agua que queda una vez sustraída la evapotranspiración potencial

y la recarga del almacenamiento superficial, es absorbido por el suelo. La escorrentía es nula

Si hay excedente, se rellenan los dos niveles y la escorrentía es:

Quedando la recarga total como la suma de las anteriormente calculadas:

Si el exceso de lluvia mensual respecto a la 𝐸𝑇𝑃𝑖 mensual es menor que el déficit de

almacenamiento en superficie, solo se recarga el almacenamiento superior y la escorrentía es nula.

𝐵) 𝑃𝑖 < 𝐸𝑇𝑃𝑖

Si la precipitación mensual es menor que la ETP mensual, parte de lo almacenado se consume en

evapotranspiración real, sin generar recarga y escorrentía.

0

0

i

i i

i

RRP ETP

ESR

=

=

Si el déficit de lluvia mensual respecto a la ETP mensual es menor que el volumen superficial

almacenado, la evapotranspiración consume este almacenamiento y la lluvia, quedando las

pérdidas como:

Si el déficit de lluvia mensual respecto a la ETP mensual es mayor que el volumen superficial

almacenado, se consume parte de lo almacenado en la capa inferior del suelo, después de secar el

almacenamiento superficial.

25.4 25.4i i si si siP ETP S R S= − = −

25.40

ui i i si

i i si ui

i

R P ETP RP ETP R AWC S

ESR

= − − − − − −

=

( )

25,4 25.4

ui ui

i i si ui

i i i si ui

R AWC SP ETP R AWC S

ESR P ETP R R

= − −− − − −

= − − +

25.40

si i i

i i si

i

R P ETPP ETP S

ESR

= −− −

=

0

si i i

i i si

ui

LR ETP PETP P S

LR

= −−

=

*

si si

i i si i i siui ui

LR S

ETP P S ETP P LRLR S

AWC

=

− − − =

( )4.1.3.1i ui si aRR R R= +

51

La pérdida total es suma de las correspondientes al almacenamiento superior y al inferior. Al igual

que, la evapotranspiración real es suma de las pérdidas y la precipitación.

Los valores reales requieren de coeficientes de paso de valores potenciales a reales, Siendo j el

índice indicativo del mes (1 a 12) y k el índice indicativo del año (1 a n, siendo el recorrido de i

entre 1 y 12 n) quedando lo siguiente:

La precipitación climatológicamente apropiada a las condiciones existentes en el mes i es:

La desviación 𝑑𝑖 de la precipitación registrada en el mes i respecto a su media en el mes j es:

El índice 𝑍𝑖 representa la anomalía de la humedad en el suelo durante el mes i. Es producto del

factor 𝑑𝑖 anterior por un factor 𝐾𝑗

Donde:

ñ ñ

ñ ñ

ñ ñ

ñ ñ

j jk a os k a osj j

k a os k a osj j

j jk a os k a osj j

k a os j k a osj

ETR RRETR R

ETP RPETP RP

ESR LRESR LR

ESP LP LPESP

= = = =

= = = =

( )i si ui LR LR LR 4.1.3.1b= +

( )i i iETR P LR 4.1.3.2b= +

( )4.1.3.6i i i i iP ETR R ESR LR= + + −

( )( )* * * * 4.1.3.7i i j i j i j i j id P ETP RP ESP LP = − + + −

( )1* 4. .3.8i i jZ d k=

10

2.81.5log 0.5ˆ

m J

j

k TD

= + +

12

1

17.67*

*j m

m m

m

K K

D K=

=

j j j

J

J j

ETP RR ESRT

LR P

+ += +

k

j

dD

n

=

52

El parámetro 𝑇𝐽 es una medida del ratio de la “demanda de humedad” respecto a “los aportes de

humedad” para un mes y una región, El factor de ponderación 𝑘𝑗 tiende a ser grande en regiones

áridas y pequeño en regiones húmedas. Finalmente, la ecuación propuesta por Palmer para

clasificar la severidad de la sequía es la siguiente:

Donde el 𝑥𝑖 es el valor del PDSI para el mes i y dependiendo de su valor se clasifican para periodos

húmedos (𝑥1), periodos secos (𝑥2) y periodos normales sin sequía ni humedad (𝑥3) (ilustración

20). Mientras que, en la tabla (21) se define la clasificación de los valores de PDSI y su clase de

sequía.

Ilustración 20. Clasificación del PDSI

Fuente: Palmer (1965)

Tabla 21. Clasificación de los valores de PDSI

Valor de PDSI Clase de sequía

≥ 4 Humedad extrema

(3.0 , 3.9) Humedad severa

(2.0 , 2.9) Humedad moderada

(1.0 , 1.9) Humedad ligera

(0.5 , 0.9) Humedad incipiente

(0.49 , -0.49) Normal

(-0.5 , -0.99 ) Sequía incipiente

(-1.0 , -1.99) Sequía leve

(-2.0 , -2.99) Sequía moderada

(-3.0 , -3.99) Sequía severa

≤ -4.0 Sequía extrema

Fuente: Palmer (1965)

A continuación, se describe el procedimiento propuesto por Palmer para el cálculo del PDSI:

( ) ( )0,897 1 4.1.3.93

ii

zx x i= − +

53

1) Realizar o calcular el Balance hídrico climático por meses para una larga serie de años.

2) Resumir los resultados anteriores para obtener determinadas constantes o coeficientes que

dependen del clima del área que se analiza.

3) Analizar nuevamente la serie utilizando los coeficientes derivados para determinar la

cantidad de humedad requerida para el clima "normal" durante cada mes.

4) Convertir las salidas a índices de anomalías de humedad.

5) Analizar la serie de índices para desarrollar:

a) Criterios que permitan determinar el comienzo y fin de los períodos de sequía.

b) Una fórmula para determinar la gravedad de la sequía.

4.1.3.1 Capacidad de campo y punto de marchitez permanente

La determinación de la variables (CC) y (PMP) guardan una estrecha relación con las

características edafológicas propias del suelo a determinar, esta información usualmente es

proporcionada por las entidades gubernamentales encargadas del manejo, control y regulación del

suelo a través de mapas de suelos o libros de taxonomía. En ese orden de ideas, para el caso

Colombiano una de las entidades encargadas de proporcionar la información edafológica a nivel

nacional es el Instituto Geográfico Agustín Codazzi (IGAC), el cual en su subdirección de

agrología contiene información de libre acceso sobre los diferentes tipos de suelo existentes por

departamento a escala 1:100.000, en este caso la información edafológica proveniente del área de

estudio (zona centro del departamento de Boyacá) es posible observarla en la tabla (22).

Tabla 22. Orden, suborden y gran grupo de UCS

Orden Suborden Gran grupo Subgrupo Unidades Cartográficas del suelo

Inceptisoles

Udepts

Dystrudepts

Typic Dystrudepts MHV, MLE, MKE

Humic Dystrudepts MKC, MLV,AHV, AHE

Humic Lithic Dystrudepts MGE

Humic Pachic Dystrudepts MHV

Andic Dystrudepts MLV,AHE

Oxic Dystrudepts MKH, MHE

Ustepts

Dystrustepts

Typic Dystrustepts VMA

Andic Dystrustepts AMV

Lithic Dystrustepts MMC, MMA

Humic Dystrustepts MMX, MME

Haplustepts

Typic Haplustepts MMC

Fluventic Haplustepts VMA, MMH

Aquic Haplustepts MMH

Udertic Haplustepts VMA

Aquepts Endoaquepts Fluvaquentic Endoaquepts AMH

Entisoles

Orthents

Ustorthents Lithic Ustorthents MMA, MME

Udorthents Typic Udorthents MKC

Lithic Udorthents MHE, MLE,MKE

Fluvents Ustifluvents Typic Ustifluvents MMH

Udifluvents Typic Udifluvents MKH

Molisoles

Ustolls

Haplustolls

Lithic Haplustolls MMC

Fluventic Haplustolls AMH

Entic Haplustolls MMC

54

Tabla 22. Orden, suborden y gran grupo de UCS (continuación)

Orden Suborden Gran grupo Subgrupo Unidades Cartográficas del suelo

Alfisoles

Ustalfs

Haplustalfs

Inceptic Haplustalfs MMA

Typic Haplustalfs MMX

Vertic Haplustalfs AMV

Andisoles

Ustands Haplustands Typic Haplustands MMX

Pachic Haplustands AMV

Udands

Hapludands Typic Hapludands AHV, MHV, MGE

Melanudands Pachic Melanudands AHV

Typic Melanudands MKC

Fulvudands Pachic Fulvudands MLV

Placudands Typic Placudands AHE

Fuente: Estudio General de Suelos y Zonificación de Tierras del Departamento de Boyacá

(IGAC, 2005)

En la ilustración (21) se puede evidenciar espacialmente la información de las diferentes UCS para

los municipios de Villa de Leyva, Samacá y Tunja. Cuyas características edafológicas se tienen en

cuenta para el cálculo del AWC y el PDSI.

Ilustración 21. Mapa de UCS


Este conjunto de datos permite conocer información fundamental acerca de los tipos de suelo y

sus características propias como el orden, suborden, gran grupo, subgrupo del área de estudio.

Adicional a esto, con la información de las Unidades Cartográficas del Suelo (UCS) y el tipo de

suelo (Componente Taxonómico), es posible conocer otras características físicas de los suelos

55

como lo son la estructura del suelo, granulometría, porosidad, capacidad de drenaje,

permeabilidad, entre otros. Estas características edafológicas y geomorfológicas se describen en

la tabla (23) con su respectivo material parental y UCS.

Tabla 23. Geomorfología, material parental y UCS

Paisaje Clima Tipo de Relieve Material Parental Perfil UCS

MONTAÑAS

ESTRUCTURALES EROSIONALES

Muy Frío muy húmedo

Crestas

Homoclinales abruptas

Rocas sedimentarias clásticas arenosas con intercalaciones limoarcillosas

PB-2

B-106 MGE

Muy frío

húmedo

Crestas y

Crestones Homoclinales

PB-13A

503 MHE

Vigas, Lomas y Glacis

Depósitos superficiales de ceniza volcánica sobre rocas sedimentarias clásticas mixtas

174A

P-503A

PB-15A

MHV

Frío muy húmedo

Crestas

Homoclinales

Abruptas

Depósitos superficiales piroclásticos de ceniza volcánica sobre rocas sedimentarias clásticas limoarcillosas

PB - 3 B-104

MKE

Espinazos y

Cuestas

Rocas sedimentarias clásticas mixtas y depósitos

superficiales piroclásticos de ceniza volcánica

PB-71

PB-65 MKC

Vallecitos Depósitos superficiales clásticos hidrogravigénico 183A

R-03 MKH

Frío húmedo

Crestas

Homoclinales

Abruptas

Rocas sedimentarias clásticas arenosas con intercalaciones de limoarcillosas

B-55 B-14

MLE

Frio húmedo

Vigas, Lomas, Coluvios y

Glacis

Rocas sedimentarias clásticas mixtas

PJ-112 R-05

PJ-83

MLV

Frío seco

Crestas Homoclinales

Abruptas

Rocas sedimentarias clásticas arenosas con intercalaciones

de limoarcillosas

B-122

B-140 MME

Vigas y

Crestones Homoclinales

Rocas sedimentarias clásticas mixtas y localmente rocas

ígneas

531

PJ-45 PJ-68

MMA

Lomas y Glacis Rocas sedimentarias clásticas mixtas parcialmente

cubiertas de ceniza volcánica

PB-80

J-21 790A

MMC

Cuestas, Lomas, Glacis

Rocas sedimentarias clásticas arenosas con intercalaciones

de limoarcillosas con capas discontinuas de ceniza

volcánica

B-124

J-17A

B-138

MMX

Vallecitos Depósitos superficiales clásticos hidrogravigénico

PB-87

793

611

MMH

ALTIPLANICIE

ESTRUCTURAL

Muy frío húmedo

Crestas

Homoclinales

Abruptas

Rocas sedimentarias clásticas mixtas, parcialmente cubiertas con depósitos de ceniza volcánica

B-150

B-149

B-98

AHE

Muy frío

húmedo Lomas y Glacis

Depósitos superficiales piroclásticos de ceniza volcánica sobre rocas sedimentarias clásticas mixtas

R-01 PB-28

B-16

AHV

Frío seco PB-35A

R-02 AMV

Frío seco Vallecitos Depósitos superficiales clásticos mixtos 691 AMH

VALLE ALUVIAL

Frío seco

Terrazas

recientes

Depósitos superficiales clásticos hidrogénicos mixtos

PB-41

J-27 J-37A

VMA

Fuente: Estudio General de Suelos y Zonificación de Tierras del Departamento de Boyacá

(IGAC, 2005)

56

4.1.3.2 Cálculo de la Capacidad de Almacenamiento del Agua (AWC)

Los valores de AWC teóricamente son los mismos para las UCS con el mismo nombre o

denominación (tabla 24), esto significa que por ejemplo el AWC de la UCS AHE perteneciente a

las estaciones Samacá y Tunja tiene el mismo valor. Por consiguiente, existen UCS con la misma

denominación pero con mayor o menor área (hectáreas) que otras. Por tal motivo, fue necesario

calcular un AWC ponderado por cada una de las estaciones climatológicas, en donde las UCS de

mayor área tuvieron a su vez un mayor peso comparadas con las de menor peso, esto con la

finalidad de determinar el AWC final por cada estación. (Apéndice A, Ej.2)

Tabla 24. Valores de AWC 2

UCS Componente

Taxonómico Perfil

Profundidad

Efectiva

(Zr)

Símbolo

Horizonte

Espesor

Horizonte

(m)

Textura

del

suelo

(Media

CC)

𝒎𝟑/𝒎−𝟑

(Media

PMP)

𝒎𝟑

/𝒎−𝟑

Agua

disponible

total

(TAW)

(mm/m)

(AWC)

(mm)

AWC

Total

(mm)

AHE

Andic Dystrudepts

(40%) B-150

Profunda

Ap 0.3 FA 0.215 0.095 120 36

183.9 A 0.2 FA 0.215 0.095 120 24

Bw 0.18 FA 0.215 0.095 120 21.6

BC 0.62 FArA 0.36 0.195 165 102.3

Humic Dystrudepts

(40%) B-149

Profunda

Ap 0.35 FArA 0.36 0.195 165 57.75

239.25 A 0.25 FArA 0.36 0.195 165 41.25

Bw 0.25 FArA 0.36 0.195 165 41.25

C 0.6 FArA 0.36 0.195 165 99

AHV

Pachic Melanudands

(30%)

R-01

Muy

profunda

Ap 0.6 Far 0.33 0.19 140 84

202.8 Bw1 0.36 FArA 0.36 0.195 165 59.4

Bw2 0.54 Ar 0.47 0.36 110 59.4

Humic Dystrudepts

(30%) PB-28

Muy

Superficial

Ap 0.18 F 0.265 0.125 140 25.2 67.2

A 0.3 F 0.265 0.125 140 42

Typic Hapludands

(30%) B-16

Muy

profunda

Ap 0.2 FArA 0.36 0.195 165 33

209

A 0.45 FArA 0.36 0.195 165 74.25

AB 0.15 FArA 0.36 0.195 165 24.75

Bw 0.5 Ar 0.47 0.36 110 55

C 0.2 Ar 0.47 0.36 110 22

AMV

Vertic Haplustalfs

(45%) PB-35A

Superficial

Ap 0.2 Far 0.33 0.19 140 28 52.2

Bt1 0.22 Ar 0.47 0.36 110 24.2

Andy Dystrustepts

(35%) R-02

Profunda

Ap 0.23 Far 0.33 0.19 140 32.2

211 A 0.35 Far 0.33 0.19 140 49

Bw1 0.52 FArA 0.36 0.195 165 85.8

Bw2 0.4 Ar 0.47 0.36 110 44

MHE

Lithic Udorthents (45%)

PB-13A Muy

superficial A 0.16 FL 0.285 0.115 170 27.2 27.2

Oxic Dystrudepts (35%)

503 Muy

superficial Ap 0.35 FArA 0.36 0.195 165 57.75 57.75

Typic Hapludands

(50%) 174A

Muy

superficial

Ap 0.16 F 0.265 0.125 140 22.4 49

A 0.19 F 0.265 0.125 140 26.6

Humic Pachic Dystrudepts (20%)

P-503A Muy

superficial

Ap 0.19 Far 0.33 0.19 140 26.6 71.15

A 0.27 FArA 0.36 0.195 165 44.55

Typic Dystrudepts

(20%) PB-15A

Muy

superficial

Ap 0.14 FArA 0.36 0.195 165 23.1 83.3

Bw 0.43 Far 0.33 0.19 140 60.2


2 Nótese que 𝐴𝑊𝐶 = 1000 (𝐶𝐶 − 𝑃𝑀𝑃) ∗ 𝑍𝑟, en donde Zr esta subdividida por cada respectivo horizonte

57

4.1.3.3 Calculo automatizado del PDSI

El (PDSI) está fundamentado en las estaciones climatológicas principales UPTC – 24035130, Villa

Carmen – 24015220 y Villa de Leyva AUT – 24015300. Estas estaciones categorizadas como

climatológicas tienen la capacidad de realizar mediciones de variables requeridas en el PDSI como

la precipitación y la temperatura media mensual del aire para un periodo de tiempo establecido.

Las estaciones Pluviométrica Panelas-24010840 y Cómbita-24030310. Así como, la estación

Pluviográfica San Pedro Iguaque-24010830 no cuentan con mediciones de la variable temperatura

media mensual. Por tal motivo, no fue posible realizar el cálculo del PDSI para estas estaciones.

El software utilizado para calcular el Índice de Severidad de Palmer (PDSI) fue el Índice de

severidad de sequía de Palmer autocalibrado (sc-PDSI) realizado por la Universidad de Nebraska-

Lincoln (Wells et al., 2000) en lenguaje C++ y Fortran. Puesto que, es de fácil manejo,

manipulación y modificación por parte del usuario.

Este programa implementado en lenguaje C++ y Fortran fue creado y adaptado a las condiciones

climatológicas propias de los Estados Unidos y de países con latitudes medias (estaciones de

invierno, primavera, verano y otoño). De ahí que, fue necesario la modificación y ajuste parcial

del código original con el propósito de implementarlo en zonas de latitudes bajas o tropicales con

regímenes de precipitación unimodal y bimodal (temporada(s) de lluvias o temporada(s) de

ausencia de lluvias).

4.1.4 Redes Neuronales Artificiales (RNA)

Las Redes Neuronales Artificiales (RNA) son una red de neuronas que intentan imitar el

comportamiento de una Red Neuronal Biológica (RNB), ya sea en su estructura o funcionalidad.

El propósito de una RNA es emular las acciones del cerebro humano en la toma de decisiones a

partir de la experiencia. Las RNA presentan una gran variedad de definiciones dentro de la cual se

destaca: “Redes neuronales artificiales son redes interconectadas masivamente en paralelo de

elementos simples y con organización jerárquica, las cuales intentan interactuar con los objetos

del mundo real del mismo modo que lo hace el sistema nervioso”(Kohonen, 1988, p.4). Una de las

ventajas de la RNB es su aprendizaje a partir de estímulos generados en el ambiente, muy

contrariamente a las redes artificiales que requieren un aprendizaje supervisado. Es decir, un

entrenamiento previo para reflejar resultados (Brío y Molina, 2001).

Uno de los principales elementos de la RNB son sus neuronas agrupadas entre sí, que forman

millones de conexiones. De igual modo, como aparece en la ilustración (22) una RNA también se

agrupa para formar conexiones. No obstante, estas se alinean en capas ya sean de entrada, ocultas

o de salida en donde se recibe, procesa y transmite la información. Las redes neuronales artificiales

según López et al., (2008) las describe como procesadoras artificiales que permiten controlar los

datos de entrada al ponderarlos, modificarlos y son pieza fundamental del aprendizaje de la red,

con esto la red neuronal aprende de sus errores y hace los ajustes respectivos con el fin de

mejorarlos.

58

Ilustración 22. Estructura jerárquica de una RNA


4.1.4.1 Estructura de una RNA (Perceptrón Multicapa)

La RNA Perceptrón Multicapa está compuesta por una capa de entrada, una oculta alineada por

neuronas y una de salida. Así como lo define Izaurieta y Saavedra (2000) el símbolo 𝑌𝑗 hace

referencia a la neurona de estudio, los valores 𝑋𝑖 son los datos de entrada que envían señales a la

neurona. Los valores 𝑊𝑗𝑖 son los pesos sinápticos en las dendritas de la neurona, los cuales se

encargan de multiplicar los datos de entrada y definir el nivel de importancia de cada dato. Además,

la sinapsis tiene un efecto de excitación (positiva) o de inhibición (negativa). Por lo tanto, se

obtiene los datos de salida 𝑍𝑘 que son los datos de respuesta del modelo (ilustración 23).

( )ji (4.1.4. )

11.1

nin

j i

xY w x

i=

=

La variable (𝑖𝑛) hace referencia al valor de entrada, si la neurona llega a superar determinado

punto puede quedar activa o inactiva. Adicional a esto, en su activación se utilizan funciones de

activación sobre 𝑌𝑗(𝑖𝑛). Matich (2001) describe que las neuronas biológicas se encuentran en dos

momentos: activas o inactivas y a eso se le denomina “estado de activación” y es común que las

neuronas artificiales también se encuentren en diferentes estados de activación que varían en

rangos entre (0,-1) para las inactivas y valores de uno (1) para las activas.

59

Ilustración 23. Composición de una RNA

Fuente: Izaurieta y Saavedra, 2000

4.1.4.2 Funciones de activación de una RNA

En una red neuronal artificial las funciones de activación, permiten que las neuronas superen

umbrales de activación o inactivación, dentro de las funciones de activación las más destacadas

para las redes neuronales de Perceptrón Multicapa son las sigmoidales, cuyas ecuaciones están

recopiladas por (Torres, 1994).

Tal que

Las siguientes son funciones sigmoidales:

La función de Heaviside ( )1 0

f x0

si x

enotrocaso

=

La función sigmoide o logística ( ) x

1f x

1 e−=

+

La función “rampa unidad” ( )

1 1

f x 0 1

0 0

six

xsi x

si x

=

( ): 0,1R I I → =

lim ( ) 1 lim ( ) 0t t

t y t → →−

= =

60

La función coseno sigmoidal ( )

π0

2

3πcos x 1

π π2f x

2 2 2

π1

2

si x

si x

si x

− −

+ + = −

4.1.4.3 Reglas de aprendizaje de una RNA

Las redes neuronales son capaces de resolver problemas complejos, mediante su capacidad de

aprendizaje y experiencia al almacenar información en los pesos de las conexiones (Matich, 2001).

Uno de los algoritmos más utilizados se denomina BackPropagation o retropropagación del error.

Este método está basado en el descenso del gradiente en donde el método asume que se conocen

los datos de entrada y datos de salida cuyo fin es ajustar los pesos sinápticos. De tal manera que,

el error entre el dato de respuesta y el verdadero sea mínimo. Es decir, la capa de salida al obtener

un resultado se compara con el valor real, obteniendo así un error o varios según el número de

resultados que se espere. Luego, con la obtención del error este es transmitido hacia atrás a los

pesos sinápticos, con el fin de modificarlos y con esto determinar si el error se disminuye (Munt,

2018).

Según (Torres, 1994) los pesos de las conexiones cambian de la siguiente manera:

Donde ∆𝑤𝑖𝑗 = −𝜕𝐸

𝜕𝑤𝑖𝑗, n es una constante positiva de aprendizaje; E es la función de error dada en

términos de la suma de diferencia entre el valor real representado por 𝑑𝑗 y el dato de salida que

viene dado por 𝑦𝑗 :

4.1.4.4 Creación de una RNA (Perceptrón Multicapa)

En la creación de la RNA para este estudio, solo se tuvo en cuenta los valores del SPI en una escala

de 3 meses, esto teniendo en cuenta que los periodos de ausencia de lluvias y aumento de lluvias

fluctúan cada 3 meses en el municipio de Motavita, proporcionando así la posibilidad de

monitorear y vigilar el comportamiento de la precipitación a tiempos relativamente cortos.

Además, en la ilustración (24) se presentan los pasos que se tuvieron en cuenta para la creación de

una RNA y su pronóstico. Por otro lado, Sánchez y Velásquez (2010) consideran que existe falta

( )nuevo anterior

ij ij ij 4.1.4.3.1w w n w= +

( ) ( )2

j j

j

4.1.4.3.21

E d y2

= −

61

de investigaciones relacionadas con metodologías que combinen series de tiempo y RNA, las

cuales sean replicables en diferentes espacio-tiempo. Las RNA funcionan con datos

independientes y la posición de los datos no influye en los resultados siguientes. En cambio, las

series de tiempo son un conjunto de datos que siguen un patrón y sus valores están caracterizados

por valores específicos en determinados momentos del tiempo que dependen de datos anteriores.

Ilustración 24. Fases de creación y pronóstico de una RNA


Para la creación de la Red Neuronal Artificial se tomaron en cuenta los siguientes aspectos:

1. La única información que se utilizó fue la de la estación Panelas (Motavita) y solo se tuvo

en cuenta la fecha y la variable de SPI de 3 meses.

2. El procesamiento de la información requirió de la utilización del software Weka versión

3.8.4 de la Universidad de Waikato Hamilton de Nueva Zelanda3.

3. La información de SPI de 3 meses estaba en forma de serie de tiempo y por tal motivo fue

necesario descargar una extensión del software Weka. La extensión se denomina

TimesSeriesForescasting que transforma la serie temporal en un algoritmo que puede ser

manipulado y utilizado con cualquier algoritmo de predicción del software.

4. Los datos que se desearon estimar fueron los del primer semestre del 2016 debido a que,

una estimación más amplia de la información podría generar mayor ruido

5. La Red Neuronal que se creó fue la de Perceptrón Multicapa y su estructura estuvo

conformada de la siguiente manera: la regla de aprendizaje que se utilizó fue

BackPropagation y se tuvo en cuenta la función de activación sigmoide o logística. Esta

información no se modificó porque el software ya está configurado de esa manera. Además,

el tiempo de entrenamiento de la red neuronal y la tasa de aprendizaje de los pesos no se

3 https://www.filehorse.com/es/descargar-weka-64/

62

alteraron, ya que al momento de su variación no presentó un cambio significativo y por tal

motivo se dejó con el valor por defecto del software.

6. La única variación que se realizó en el programa para la creación de la red neuronal

artificial, fue en la primera capa oculta en donde se modificó el número de neuronas hasta

encontrar la mejor combinación.

La creación de la red neuronal estuvo dividida en las siguientes fases:

• Entrenamiento de la red neuronal artificial:

Para el entrenamiento de la red neuronal artificial se tuvieron en cuenta los datos del SPI de 3

meses de 348 datos que estaban registrados en la estación Panelas de 1987 a 2015 y se implementó

TimesSeriesForescasting para recopilar la dependencia del tiempo en nuevos campos. Es decir, los

nuevos campos adicionados tenían en cuenta el gran valor que puede tener una determinada fecha

para una variable y automáticamente se crean nuevos atributos enfocados en tendencias y

estacionalidades.

Este proceso se realizó de manera interna en el software, y su información estuvo lista para ser

utilizada con cualquier modelo de predicción de Weka incluida RNA. En el entrenamiento se tuvo

en cuenta el 100 % de la información puesto que el comportamiento de la serie temporal de SPI

está afectada por diferentes agentes externos, como los fenómenos naturales de variabilidad

climática que a través de los años se han potencializado. La única variación que se realizó en el

entrenamiento fue específicamente en la capa oculta en donde se hicieron pruebas experimentales

con el fin de determinar qué conjunto de neuronas explicaba mejor el comportamiento del SPI de

3 meses y cual se acercaba a los valores reales. Cabe mencionar que al aumentar y disminuir las

neuronas esto permite modificar el peso sináptico de cada valor de entrada y con esto ajustarlo a

tal punto que los errores de salida y valor real sean mínimos.

Es importante tener en cuenta que, automáticamente el software escoge cual es la combinación de

neuronas que mejor se aproximan a los resultados. Sin embargo, se debe experimentar distintas

variaciones hasta validar el mejor modelo. Por ende, se optó por probar combinaciones de neuronas

del 1 al 100 en la primera capa oculta. Con el fin de escoger los valores que más se aproximen a

los valores verdaderos del SPI-3 para el primer semestre del 2016.

• Validación de la Red Neuronal Artificial:

En sus inicios el SPI estaba calculado para escalas de 3, 6 y 12 meses. Por ende, ya se disponía de

información correspondiente al 2016 en todas las estaciones incluida Motavita. Por tal motivo, la

información del SPI-3 de todo el año 2016 se pudo comparar con los datos pronosticados en ese

semestre. Cuyo fin fue obtener la mejor combinación de neuronas que represente la menor

diferencia entre valor real y el calculado. También fue necesario determinar en qué periodo de

tiempo se pudo estimar la mejor aproximación a los valores reales. En este caso se hicieron

estimaciones para 3 y 6 meses, dado que un intervalo de tiempo mayor puede distorsionar la

información.

63

• Verificación de la Red Neuronal Artificial:

Al obtener los mejores modelos neuronales para la detección de SPI-3 para la estación de Motavita.

Fue necesario validar nueva información desconocida para la red neuronal artificial, con el

objetivo de probar nuevos patrones y determinar si los modelos seleccionados eran capaces de

establecer valores de SPI-3 de otra estación, sin previamente utilizar datos conocidos en el

entrenamiento. Es decir, se utilizó información del SPI de 3 meses de 348 datos que se tenían

registrados en la estación UPTC de Tunja y Villa de Leyva AUT cada uno en un periodo de 1987

a 2015. Luego se implementó TimesSeriesForescasting para pronosticar datos futuros de SPI-3 en

el primer semestre del 2016 de cada estación y señalar si las predicciones lograban acercarse a los

valores reales de esas dos estaciones.

4.1.5 Gestión del riesgo por sequía.

La evaluación del riesgo es un proceso social de planeación, implementación, seguimiento a

aquellos fenómenos amenazantes que pueden tener impactos y perdidas a corto, mediano y largo

plazo en un lugar determinado, este proceso involucra la participación de todos los agentes de la

naturaleza tales como clima, hidrografía, suelo, vegetación, animales, entre otros. Los cuales

interactúan constantemente de manera conjunta con la población frente a la presencia de estos

fenómenos hidrometeorológicos amenazantes como las sequías. Por tal razón, es importante

conocer cuáles son los factores o agentes que podrían verse afectados frente a una sequía de

proporciones o características moderadas, severas o extremas.

La variabilidad climática, el cambio climático a escala global y los impactos de las sequías tienen

la capacidad de incidir de manera negativa en el desarrollo de una población y un territorio, un

fenómeno de sequía asociado a un cambio extremo en los patrones climáticos y en la interacción

hombre - medio natural por la demanda y uso del agua representan uno de los mayores desafíos o

retos a largo plazo para el desarrollo de la humanidad y de la naturaleza. En la ilustración (25) se

expone los criterios a considerar para abordar los fenómenos hidrometeorológicos y su respectiva

evaluación de riesgo.

El desarrollo de una metodología de identificación del riesgo por sequía en el presente trabajo

estuvo basado en términos técnico-científicos con un alto componente social y humano, esto

mediante el uso de variables cuantitativas y cualitativas del riesgo que permitieron conocer con

mayor certeza las zonas con mayor y menor grado de afectación ante la posible ocurrencia de una

sequía en cualquiera de sus categorías. El riesgo como factor principal dentro de la gestión del

riesgo de desastres está en función de la amenaza, vulnerabilidad y exposición para un espacio-

tiempo. La Amenaza requiere de la localización del fenómeno, frecuencia y magnitud, así como

de factores detonantes y condicionantes, mientras que la vulnerabilidad puede ser vista desde

dimensiones sociales, ambientales y económicas.

64

Ilustración 25. Metodología de evaluación del riesgo

Fuente: Lozano et al., 2019

En el presente estudio la variable de exposición incluyó los municipios de Motavita y Tunja, dada

su alta correlación en aspectos edafológicos (unidades cartográficas del suelo), geomorfológicos

(paisaje de montañas estructurales erosiónales y altiplanicies estructurales), climatológicos

(precipitación y temperatura), entre otros. Los cuales tienen la capacidad de verse afectados por la

manifestación de una amenaza por fenómeno de sequía.

Otro aspecto fundamental a considerar para la evaluación del riesgo por sequía en los municipios

de Motavita y Tunja es su alta proximidad en sus áreas rurales y urbanas. Por lo cual, fue posible

evaluar la amenaza en esta área geográfica teniendo en cuenta que la extensión territorial de los

fenómenos de sequía puede abarcar mayores espacios de terreno como departamentos e incluso

regiones.

Para la determinación del riesgo por sequía, se implementó una metodología probabilística y

jerárquica de valores múltiples, modificada de (Saaty, 1980). En la cual se requiere la definición

de pesos de acuerdo a su jerarquización y clasificación para cada uno de los parámetros

establecidos. En la ilustración (26) se expone un flujo de toma de decisiones, que permite

estructurar y analizar los fenómenos naturales.

A continuación, se exponen los diferentes parámetros utilizados a considerar para la evaluación de

la amenaza y vulnerabilidad por sequía en los municipios de Motavita y Tunja, en donde los pesos

asignados para cada uno de los parámetros están jerarquizados según (Saaty, 1980) de la siguiente

manera:

65

• Descriptor numero 1 (peso de 0.503): Al comparar un elemento con otro el primero se

considera absolutamente o muchísimo más importante que el segundo


considera absolutamente o muchísimo más importante o preferido que el segundo


considera más importante o preferido que el segundo.

• Descriptor numero 4 (peso de 0.068): Al comparar un elemento con otro, el primero es

ligeramente más importante o preferido que el segundo.

• Descriptor numero 5 (peso de 0.035): Al comparar un elemento con otro, hay indiferencia

entre ellos.

Ilustración 26. Flujo de toma de decisiones con multicriterio

Fuente: CENEPRED, 2014

La amenaza tal como aparece en la tabla (25) se obtuvo a partir de dos factores (susceptibilidad y

variabilidad climática), siendo la primera definida con el análisis de registro histórico de eventos

y factores condicionantes. Mientras que, la segunda se define a partir de sus factores detonantes

como por ejemplo la variabilidad climática interanual del fenómeno del niño - oscilación del sur

(ENOS). De una manera similar a la amenaza, para el caso de la vulnerabilidad se consideraron

las dimensiones económicas, sociales y ambientales; las cuales contemplan para cada una de sus

componentes la sensibilidad y capacidad adaptativa (tabla 26).

A medida que el cálculo de la amenaza y vulnerabilidad sea mayor comparado con los de menor

peso, en este caso los parámetros de mayor peso están relacionados con descriptores de mayor

magnitud e intensidad, así como una menor frecuencia en su aparición a través del tiempo con

respecto a las sequías. Ahora bien, estos descriptores y parámetros fueron tomados con base en las

características del área geográfica mencionadas anteriormente. Por consiguiente, es posible la

implementación de otros parámetros y descriptores de acuerdo con la problemática o fenómeno a

analizar.

Finalmente, en la presente metodología de evaluación del riesgo por fenómenos de sequía, los

factores condicionantes y detonantes estuvieron relacionados con los respectivos cálculos del SPI

y PDSI, así como las diferentes características edafológicas y climatológicas de la región. Seguido

de lo anterior, se muestran cada uno de los parámetros utilizados para la evaluación de la amenaza

y vulnerabilidad en la región de estudio (Motavita y Tunja).

66

Tabla 25. Parámetros y descriptores de amenaza

Amenaza

Análisis de susceptibilidad

Peso

Análisis de registro histórico de eventos

Peso Parámetro Peso Símbolo Clasificación/Descriptor Valor

70%

50%

Anomalía de precipitación

0.633

Anomalía de precipitación mayor a 300% con respecto al

promedio mensual multianual 0.503

Anomalía de precipitación de 100% a 300% con respecto

al promedio mensual multianual 0.26

Anomalía de precipitación de 50% a 100% con respecto

al promedio mensual multianual 0.134

Anomalía de precipitación de 10% a 50% con respecto al


Anomalía de precipitación menor al 10% con respecto al


Índice de severidad de sequía de palmer

(ISSP) 0.26

ISSP (-3.00 A -3.99). Sequía severa 0.503

ISSP (-2.00 A -2.99). Sequía moderada 0.26

ISSP (-1.00 A -1.99). Sequía ligera 0.134

ISSP (-0.5 A -0.99). Sequía incipiente 0.068

ISSP (0.49 A -0.49). Condición normal o cercano a lo

normal 0.035

Índice estandarizado de precipitación

0.106

(-2.00 o menor). Extremadamente seco (sequía extrema) 0.503

(-1.50 a -1.99). Muy seco (sequía severa) 0.26

(-1.00 a -1.49). Moderadamente seco(sequía moderada) 0.134

(-0.5 a -0.99).Ligeramente seco 0.068

(0.49 a -0.49). Normal 0.035

Factores condicionantes

50%

Profundidad efectiva 0.166666667

Muy superficial 0.503

Superficial 0.26

Moderadamente Superficial 0.134

Moderadamente Profunda 0.068

Profunda 0.035

Clasificación climática Lang

0.166666667

Desértico 0.503

Árido 0.26

Semiárido 0.134

Semihúmedo 0.068

Húmedo 0.035

Índice de aridez 0.166666667

Altamente deficitario de agua 0.503

Deficitario de agua 0.26

Moderado a deficitario de agua 0.134

Moderado 0.068

Moderado a excedentes de agua 0.035

Degradación de los suelos

0.166666667

Muy severa 0.503

Severa 0.26

Moderada 0.134

Ligera 0.068

Muy ligera 0.035

Retención de agua 0.166666667

Muy baja 0.503

Baja 0.26

Moderada 0.134

Alta 0.068

Muy Alta 0.035

Erosión del suelo 0.166666667

Erosión hídrica muy severa o Misceláneo erosionado 0.503

Erosión hídrica severa 0.26

Erosión hídrica moderada 0.134

Erosión hídrica ligera 0.068

Sin erosión hídrica 0.035

Variabilidad climática

30% Factores detonantes

50% Variabilidad

climática interanual (ENOS) precipitación

0.5

Déficit Severo 0.503

Déficit 0.26

Normal 0.134

Excedente 0.068

Excedente Severo 0.035

50% Variabilidad

climática interanual (ENOS) temperatura

0.5

Calentamiento Severo 0.503

Calentamiento 0.26

Normal 0.134

Enfriamiento 0.068

Enfriamiento Severo 0.035

Nota: 1) Las Anomalías de precipitación pueden ser utilizadas para escalas de tiempo mensual, anual, decadal en unidades de milímetros, metros cúbicos, entre otros. 2) En la clasificación climática es posible utilizar Köppen, Thornthwaite, Caldas, Lang, Martonne, Walter, entre otros. 3) La degradación de los suelos puede incluir procesos de desertificación, salinización, acidificación, erosión, entre otros. 4) La variabilidad climática como factor detonante puede incluir otros fenómenos naturales como la Zona de Convergencia Intertropical (ZCIT), la Oscilación de Madden-Julián

(OMJ), la Oscilación Cuasi-bienal (QBO), El Dipolo del Océano Índico (IOD), entre otros.


67

Tabla 26. Parámetros y descriptores de vulnerabilidad

Vulnerabilidad

Vulnerabilidad

social

Peso

Sensibilidad

Peso Parámetro Peso Símbolo Clasificación/Descriptor Valor

50%

70%

Ocupación del

territorio urbano con

respecto al Umbral

Nacional de Densidad

Poblacional (UNDP)

0.4

Valores muy por encima del UNDP 0.503

Valores por encima del UNDP 0.26

Valores cercanos del UNDP 0.134

Valores por debajo del UNDP 0.068

Valores muy por debajo del UNDP 0.035

Ocupación del

territorio rural con

respecto al Umbral

Nacional de Densidad

Poblacional (UNDP)

0.3

Valores muy por encima del UNDP 0.503

Valores por encima del UNDP 0.26

Valores cercanos del UNDP 0.134

Valores por debajo del UNDP 0.068

Valores muy por debajo del UNDP 0.035

Demanda de agua uso

domestico 0.2

50 a 100 M3 por año 0.503

20 a 50 M3 por año 0.26

10 a 20 M3 por año 0.134

5 a 10 M3 por año 0.068

2 a 5 M3 por año 0.035

Desabastecimiento de

agua poblacional 0.1

Muy Alta 0.503

Alta 0.26

Media Alta 0.134

Moderada 0.068

Baja 0.035

Capacidad

Adaptativa 30%

Manejo Eficiente del

Agua (MEA) 0.4

No existen programas de MEA 0.503

Estudios de Implementación programas de MEA 0.26

Implementación Inicial de programas de MEA 0.134

Implementación y Utilización parcial de programas de MEA 0.068

Implementación y Utilización de programas de MEA 0.035

Preservación y

Conservación de los

Cuerpos de Agua

(PCCA)

0.3

No existen programas de PCCA 0.503

Estudios de Implementación de programas de PCCA 0.26

Implementación Inicial de programas de PCCA 0.134

Implementación y Utilización parcial de programas de PCCA 0.068

Implementación y Utilización de programas de PCCA 0.035

Exploración de Agua

Subterránea (EAS) 0.2

No existen programas de EAS 0.503

Estudios de Implementación de programas de EAS 0.26

Implementación Inicial de programas de EAS 0.134

Implementación y Utilización parcial de programas de EAS 0.068

Implementación y Utilización de programas de EAS 0.035

Racionamiento del

Agua (RA) 0.1

No existen programas de RA 0.503

Estudios de Implementación de programas de RA 0.26

Implementación Inicial de programas de RA 0.134

Implementación y Utilización parcial de programas de RA 0.068

Implementación y Utilización de programas de RA 0.035

Vulnerabilidad

económica 30%

Sensibilidad 70%

Demanda de agua

cultivos pos - cosecha 0.633

400 a 800 mM3 0.503

200 a 400 mM3 0.26

100 a 200 mM3 0.134

50 a 100 mM3 0.068

10 a 50 mM3 0.035

Demanda de agua

cultivos transitorios 0.26

50 a 75 Mm3 0.503

25 a 50 Mm3 0.26

10 a 25 Mm3 0.134

5 a 10 Mm3 0.068

2 a 5 Mm3 0.035

Demanda de agua

cultivos permanentes 0.106

50 a 100 Mm3 0.503

25 a 50 Mm3 0.26

15 a 25 Mm3 0.134

5 a 15 Mm3 0.068

2 a 5 Mm3 0.035

Capacidad

Adaptativa 30%

Sistemas de Riego por

Goteo - Micro y

Aspersión (SRG-MA)

1

No existe un (SRG-MA) 0.503

Estudios de Implementación de un (SRG-MA) 0.26

Implementación Inicial de un (SRG-MA) 0.134

Implementación y Utilización parcial de un (SRG-MA) 0.068

Implementación y Utilización de un (SRG-MA) 0.035

Vulnerabilidad

ambiental 20%

Sensibilidad 70%

Anomalía de caudal de

los ríos respecto al

valor medio

1

-95% a -75% 0.503

-74% a -65% 0.26

-64% a -55% 0.134

-54% a -45% 0.068

-44% a -30% 0.035

Capacidad

Adaptativa 30%

Protección y Control

de Cauces en los Ríos

(PCCR)

1

No existe un Sistema de (PCCR) 0.503

Estudios de Implementación de un Sistema (PCCR) 0.26

Implementación Inicial de un Sistema de (PCCR) 0.134

Implementación y Utilización parcial de un Sistema de

(PCCR) 0.068

Implementación y Utilización de un Sistema de (PCCR) 0.035 Nota:

1) La ocupación del territorio tanto urbano como rural pueden ser comparados con indicadores de ocupación del territorio nacional en unidades de metro cuadrado o kilómetro cuadrado por habitante.

2) Las demandas de agua para uso doméstico y agrícola (cultivos) pueden ser estimados en unidades de miles de Metros cúbicos (mM3), Millones de metros cúbicos (Mm3), Metros cúbicos (M3).

3) Las anomalías de caudal pueden estar expresadas en porcentaje o en valores reales de disminución del nivel del agua con respecto a sus niveles medios históricos.


68

5. RESULTADOS

5.1 Índice Estandarizado de Precipitación (SPI)

Los resultados de las 6 estaciones hidrometeorológicas utilizadas en la zona de estudio a nivel

global mostraron patrones de comportamiento afines en la variable precipitación según la escala

de tiempo a analizar. No obstante, existieron periodos de anomalías de precipitación positivas y

negativas a lo largo de los 31 años de estudio.

Una posible razón de la ocurrencia de las anomalías de precipitación en la zona de estudio puede

guardar relación con fenómenos naturales característicos de la zona tropical de Suramérica y de

Colombia como lo es el ENOS, La ZCIT, La OMJ e incluso con la Oscilación Cuasi Bienal (en

inglés QBO). A continuación, se evidencian el modelamiento y los resultados de las diferentes

escalas de tiempo del SPI para las diferentes estaciones hidrometeorológicas y se realiza una

comparación con las diferentes escalas de variabilidad climática propias de zonas tropicales y

ecuatoriales.

5.1.1 SPI trimestral y la variabilidad climática estacional

El análisis de los diferentes valores del SPI-3 para cada una de las estaciones hidrometeorológicas

a nivel global, permitió hacer inferencias sobre el comportamiento de la precipitación bajo esta

escala de tiempo, en la cual se logró observar una alta variabilidad y fluctuación de periodos secos,

normales y húmedos para periodos de tiempo relativamente cortos, tal como se evidenció en la

(ilustración 27).

Ilustración 27. Valores de SPI estación Chíquiza4


4 Los años más representativos en la estación San Pedro Iguaque (Chíquiza) identificados con sequías moderadas,

severas y extremas para las diferentes escalas de SPI son 1997, 1998, 2001, 2002, 2003, 2004 y 2015.

69

Esta escala de tiempo al ser comparada con las escalas semestrales y anuales. Posibilitó inferir

que, un cambio repentino en la precipitación arrojará con mayor rapidez periodos secos si se

compara ese mismo cambio con sus otras dos escalas (ilustración 28). Visto lo anterior de otra

manera, un SPI-3 podría estar más relacionado a procesos de escasez de agua o desbalances

iniciales en el ciclo hidrológico. Por consiguiente, se dedujo que esta escala de tiempo no es la más

adecuada para el análisis de periodos de sequía, ya que es probable que este fenómeno tenga mayor

duración e intensidad con respecto a los arrojados por esta escala de tiempo.

Otra posible razón del comportamiento de la precipitación bajo esta escala de tiempo, podría estar

relacionada con cambios de índole natural en el agua y en el clima como por ejemplo la

variabilidad climática intraestacional. Esto debido a que el área de estudio está localizada en el

territorio Colombiano, perteneciente a su vez a la denominada ZCIT, esta zona es de vital

importancia debido a su altísima correlación con el comportamiento del clima y del ciclo

hidrológico en el territorio nacional para escalas de tiempo cortas.

Ilustración 28. Valores de SPI estación Cómbita5


La ZCIT es una franja situada sobre la línea del ecuador y la zona tropical de Suramérica, la cual

permite y regula el inicio de la temporada de lluvias altas conocidas como invierno y temporada

de ausencia de lluvias conocida como verano. Por lo cual, un cambio en el comportamiento en la

ZCIT y en los vientos alisios pertenecientes a la célula de Hadley (circulación cerrada del viento

que oscila entre los 0° y 30° en latitudes sur y norte) tiene la posibilidad de modificar el régimen

de precipitación unimodal característico del país y con ello la aparición de fenómenos

meteorológicos extremos como las tormentas eléctricas, huracanes, inundaciones y sequías a largo

plazo.

5 Los años más representativos en la estación Cómbita identificados con sequías moderadas, severas y extremas

para las diferentes escalas de SPI (trimestral, semestral y anual) son 1997, 2009, 2010, 2013, 2014, 2015 y 2016.

70

5.1.2 SPI semestral y la variabilidad climática intraestacional

El SPI semestral indicó un comportamiento semejante en la mayoría de las estaciones con la

excepción de algunos valores del SPI en la estación de Villa de Leyva. A pesar de esto, se espera

que en esta escala de tiempo los valores del SPI tengan una menor variabilidad con respecto al SPI

trimestral y los periodos de humedad o sequía ocurran en el mismo periodo de tiempo con mayor

duración y menor intensidad, una de las estaciones que mejor representó el comportamiento de

SPI – 6 fue la estación de Motavita (ilustración 29).

Ilustración 29. Valores de SPI estación Motavita6


Esta escala de tiempo resultó ser muy útil para describir los cambios en el régimen de precipitación

bimodal del área de estudio, ya que permitió evidenciar dos grandes periodos de ausencia de lluvias

para los meses de enero, febrero y parte de marzo correspondientes al primer semestre del año,

siendo posible denotarlo también en el segundo semestre durante los meses de julio, agosto y parte

de septiembre. Un SPI semestral con base en los resultados de las estaciones hidrometeorológicas

permitió inferir que, esta escala de tiempo responderá con menor rapidez a un cambio sustancial

en la precipitación durante un tiempo prolongado. En otras palabras, en el caso de presentarse una

anomalía de precipitación con superávit (periodos húmedos) o déficit (periodos secos). El SPI

semestral podría marcar periodos de sequía incluso cuando estos valores se presenten en

temporadas de lluvias altas.

Realizando una analogía similar a la que se realizó entre el SPI trimestral y la variabilidad climática

estacional, el SPI semestral podríamos relacionarlo con la variabilidad climática intraestacional tal

como ocurre con el fenómeno de oscilación de Madden-Julián. La OMJ como fenómeno de

variabilidad climática tiene la capacidad de influir en los patrones de precipitación de zonas

tropicales y extratropicales. Al igual que la circulación atmosférica de esta célula zonal (vientos

opuestos en la baja y alta troposfera) la temperatura de superficie de este cinturón puede verse

afectada. Por ende, tal como lo establece (Torres, 2012) es posible que la disminución de la

6 Los años más significativos para la estación Panelas (Motavita) reconocidos como sequías moderadas, severas y

extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1992, 1997, 1998, 2001, 2013, 2014,

2015 y 2016.

71

precipitación se vea representada a través de anomalías negativas en las diferentes regiones del

territorio nacional incluyendo la región Andina y el departamento de Boyacá estén influenciadas

por este fenómeno. No obstante, en caso de prolongarse de manera continua estas anomalías o

valores extremos en la precipitación. Es muy probable el inicio de periodos de déficit severos en

la precipitación y con ello las primeras apariciones de fenómenos de sequía.

5.1.3 SPI anual y la variabilidad climática interanual

El SPI anual a diferencia de las otras escalas de tiempo, indicó una mayor cantidad de periodos

normales o cercanos a cero. Sin embargo, existieron periodos húmedos y secos en la mayoría de

estaciones para el mismo periodo de tiempo. Por ende, en esta escala de tiempo es probable que la

frecuencia de periodos húmedos o secos sea relativamente baja. Mientras tanto, su duración en

caso de presentarse podría ser con valores de SPI moderados a severos tal como se pudo observar

en la estación de Samacá (ilustración 30).

Ilustración 30. Valores de SPI estación Samacá7


Esta escala de tiempo con base en los resultados de las estaciones hidrometeorológicas, responde

muy lentamente a la presencia de valores extremos o de anomalías en la precipitación. Esto tiene

una virtud en el momento de evaluar la posible aparición de fenómenos de sequía. Mientras que,

en las escalas trimestrales y semestrales las anomalías de precipitación podrían relacionarse a

cambios o fluctuaciones de índole natural proveniente del régimen de precipitación bimodal de la

zona de estudio, los valores de SPI-12 categorizados como secos o húmedos están relacionados a

fenómenos de índole externo ajenos a las características climatológicas propias de un espacio-

tiempo. Viéndolo de otra manera, los valores de SPI-12 no indican altos periodos de sequía o de

humedad a menos que exista un cambio radical en la precipitación manifestada a través de

anomalías o valores extremos por debajo de los valores históricos.

7 Los años de mayor interés para la estación Villa Carmen (Samacá) reconocidos como sequías moderadas, severas

y extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1992, 1997, 1998, 2001, 2003,

2010, 2015 y 2016

72

Estas anomalías o valores extremos se lograron observar en los últimos 3 años (2014, 2015 y 2016)

de cada una de las estaciones hidrometeorológicas utilizadas como por ejemplo la estación de Villa

de Leyva (ilustración 31), en donde se evidenció de manera continua durante alrededor de varios

meses la aparición de anomalías negativas en la precipitación. Por tal motivo y teniendo en cuenta

que no se presentaron temporadas de lluvias altas como se esperaba según su régimen bimodal.

Podemos establecer finalmente con alto nivel de confiabilidad la aparición de fenómenos de sequía

provenientes de alteraciones significativas en la precipitación y en el ciclo hidrológico del lugar

de estudio. A pesar de esto, la aparición de fenómenos de sequía puede estar ligadas a un fenómeno

que tiene la posibilidad de modificar a largo plazo las condiciones climatológicas de Colombia

como lo es el ENOS.

Ilustración 31. Valores de SPI estación Villa de Leyva8


El ENOS es un fenómeno a escala global caracterizado por el estado de la atmosfera y el océano

en sus tres fases: normalidad, el Niño y la Niña. Estas variaciones u oscilaciones corresponden a

la variación interanual del campo de presión atmosférica cercana a la superficie terrestre en la

región del pacifico centro-oriental. Dicho de otra manera, estas oscilaciones pueden verse

reflejadas mediante anomalías de temperatura superficial y subsuperficial del océano. Así como

en la modificación del régimen de lluvias en este caso bimodal del área de estudio para un tiempo

prolongado.

Finalmente, con base en los resultados arrojados por SPI en las diferentes escalas y teniendo en

cuenta que el SPI 12 en este caso es la escala más adecuada para evaluar las sequías. En el análisis

del siguiente índice llamado (PDSI) se evaluó con mayor profundidad la sequía con respecto al

ENOS junto con las anomalías de temperatura del aire y precipitación arrojadas por este índice.

8 Los años de mayor importancia para la estación Villa de Leyva reconocidos como sequías moderadas, severas y

extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1987, 1989, 1992, 1997, 2012, 2013

y 2015

73

5.1.4 Selección de periodos SPI categorizados con sequías.

Antes de realizar la selección de los años más representativos o relevantes como periodos de

sequía, es importante recalar que debido a la fundamentación teórica del SPI para cualquiera de

las escalas utilizadas (SPI 3, SPI 6, SPI 12) su respectivo cálculo requirió de valores históricos

anteriores al valor que se desea calcular. En ese orden de ideas, el año 1986 no fue posible incluir

en los análisis del SPI debido a que no se contaba con información previa del año 1985. Sin

embargo, para los cálculos del SPI del año 1987 se contaban con valores de 1986 para cualquier

escala de tiempo. Por consiguiente, los resultados del SPI iniciaron desde el año 1987 tal como se

evidencian en los resultados individuales de las estaciones hidrometeorológicas utilizadas

anteriormente como por ejemplo la estación de Tunja (ilustración 32).

Ilustración 32. Valores de SPI estación Tunja9


En la tabla (27) se muestran los resultados del SPI para escalas trimestrales, semestrales y anuales,

en donde los criterios de decisión tenidos en cuenta para otorgarle a un año la categoría de húmedo

o seco son los siguientes:

1) Al menos 3 estaciones hidrometeorológicas según la escala de tiempo, arrojen valores de

SPI secos para periodos de tiempo consecutivo y equiparable.

2) Las escalas de SPI (trimestral, semestral y anual) deben evidenciar la misma clasificación

de SPI en al menos 2 escalas de tiempo diferentes de manera continua para cada una de las

estaciones.

3) En caso dado de no cumplirse lo anterior, se le otorgará al año la categoría de normal o de

normalidad.

Es importante subrayar que los criterios anteriores no reflejan resultados húmedos o secos para la

totalidad de un año. Además, es probable que para un mismo año exista alternancia de periodos

húmedos, normales y secos producto de los fenómenos externos descritos anteriormente.

9 Los años de mayor importancia para la estación UPTC (Tunja) reconocidos como sequías moderadas, severas y

extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1992, 1997, 1998, 2013, 2014, 2015

y 2016

74

Tabla 27. Comportamiento SPI trimestral, semestral y anual

Fecha SPI de 3 meses SPI de 6 meses SPI de 12 meses

1987 Moderadamente seco Moderadamente seco Normal

1992 Moderadamente seco Moderadamente y severamente

seco

Moderadamente y severamente

seco

1995 Moderadamente seco Moderadamente seco Normal

1997 Moderadamente y severamente

seco


seco Moderadamente seco


seco


seco


seco


seco


seco

2002 Normal Moderadamente seco Moderadamente y severamente

seco

2003 Moderadamente seco Normal Moderadamente y severamente

seco

2009 Moderadamente seco Moderadamente seco Moderadamente y severamente

húmedo


seco


seco Extremadamente húmedo


seco


seco


seco


seco


seco


seco


seco


seco

2016 Moderadamente seco y

severamente seco


seco Extremadamente seco

Fuente: Elaboración Propia

En la ilustración (33) se realizó la representación espacial de los principales periodos secos para

la zona de estudio con base en los resultados obtenidos de SPI-12, ya que esta escala tiene la

capacidad de evaluar de mejor manera una posible aparición de fenómenos de sequía. Teniendo

en cuenta a su vez que, el método de interpolación de la Distancia Inversa Ponderada (IDW) es un

método altamente eficiente para estaciones que se localicen relativamente cerca del área de estudio.

De ahí que, se optó por implementar este método de interpolación basado en la aceptación de

puntos de influencia que disminuyen con la distancia (Arango et al., 2012). Es decir, los puntos

que se encuentran más cerca al área de estudio presentan una mayor ponderación o peso, a

diferencia de lo más alejados.

75

Ilustración 33. Años representativos SPI-12


La representación espacial de los valores del SPI-12 de la ilustración anterior, están simbolizados

mediante diferentes tonalidades de color. Estas tonalidades representan episodios de sequía o

humedad. Por lo cual, los valores con tonalidad roja, naranja y amarilla representan los valores

más bajos de SPI-12 relacionados exclusivamente con periodos (extremadamente secos,

severamente secos, moderadamente secos). Por su parte, los valores con tonalidad verde

representan los valores normales de SPI-12. De igual modo, los colores azules representan altos

niveles de SPI-12 relacionados con periodos húmedos. De ahí que, es necesario la interpretación

de cada una de las figuras según el valor del SPI-12. Asimismo, es posible afirmar que una escala

de 3 o de 6 meses puede registrar periodos secos. Sin embargo, al analizar los mapas en una escala

más amplia como por el ejemplo SPI-12, esto permitió descartar periodos que se consideraban

secos para escalas de 3 y 6 meses, pero que en realidad su comportamiento puede ser normal o

húmedo.

76

5.2 Índice de Severidad de Sequía de Palmer (PDSI)

Los resultados del (PDSI) fueron fundamentados en las diferentes contribuciones o aportes que

realizan los siguientes procesos: Balance Hídrico Climático (BHC), Desviación de la humedad del

clima (diferencia entre la precipitación que cayó y lo que se necesitaba para mantener las

condiciones normales de humedad del suelo), Recarga Real del suelo (R o RR), Pérdida Real de

Agua (L o LR), Escorrentía Real (RO o ESR) y Evapotranspiración Real (ETR).

En el caso del BHC, los valores históricos año tras año de cada uno de los meses de medición para

las variables de precipitación, evapotranspiración potencial y real. Permitieron la comparación y

análisis de los diferentes aportes de agua (precipitación), así como las diferentes salidas de agua

(evapotranspiración real) para los diferentes meses del año. Por tal razón, los resultados del (BHC)

y (PDSI) quedan expuestos para las estaciones climatológicas seleccionadas tal como se describen

a continuación.

5.2.1 Balances hídricos climáticos

El análisis del comportamiento del balance hídrico en las estaciones climatológicas, evidenciaron

a nivel general un comportamiento bimodal en cuanto a la variable precipitación y

evapotranspiración real de Thornthwaite, este comportamiento bimodal guarda una estrecha

relación con la variabilidad climática estacional característica de la región (dos temporadas de

lluvias altas conocido como invierno y dos temporada de lluvias bajas conocido como verano).

Los meses de marzo, abril y mayo correspondientes al primer semestre del año. Al igual que, en

los meses de octubre, noviembre y comienzos de diciembre correspondientes al segundo semestre

del año. Esperan de acuerdo con sus valores históricos, un aumento considerable en la precipitación

con respecto a la evapotranspiración real, proporcionando así la ocurrencia de otros procesos del

ciclo hidrológico como lo es la escorrentía y la recarga del suelo o del acuífero, los cuales pueden

variar dependiendo de las condiciones edafológicas y climatológicas existentes para ese periodo

de tiempo. Todo lo anterior queda representado en los diferentes BHC pertenecientes a los

municipios de Samacá, Tunja y Villa de Leyva.

Es importante mencionar que, un balance hídrico climático visto como la interacción entre la

precipitación, la capacidad de almacenamiento del agua (AWC) también denominado capacidad

de reserva de agua y la evapotranspiración potencial ya sea real o potencial, puede otorgar la

identificación de los primeros síntomas de una sequía o de aquellas problemáticas relacionadas

con el ciclo hidrológico (escasez de agua, desabastecimiento de agua, déficit hídrico, estiaje, entre

otros) (ilustración 34). De ahí que, sea necesario analizar cada balance hídrico climático de manera

individual con respecto a posibles anomalías climáticas y procesos de variabilidad climática.

(Apéndice A, Ej.3)

77

Ilustración 34. Balance hídrico climático Samacá


El comportamiento de la precipitación con respecto a la evapotranspiración real de Thornthwaite

(evapotranspiración real mayor que la precipitación), en los meses de enero y febrero

correspondientes al primer semestre del año, así como los meses de julio, agosto y septiembre

correspondientes al segundo semestre del año (ilustración 35). Permiten la ocurrencia de procesos

del ciclo hidrológico como lo la pérdida real de agua y la deficiencia de humedad del agua en el

suelo, en donde una marcada y prolongada deficiencia de humedad tiene la posibilidad de reducir

la transpiración de las plantas y su óptimo funcionamiento.

78

Ilustración 35. Balance hídrico climático Tunja


Los periodos de deficiencia de humedad pueden arrojar además posibles periodos de déficit hídrico

y de escasez hídrica. Ahora bien, es importante recalcar que mientras el déficit hídrico esta

correlacionado con un periodo en el cual la cantidad de recursos hídricos disponibles (cantidad de

agua) no alcanzan a satisfacer una demanda en una población y en un territorio (ilustración 36).

Por su parte, la escasez hídrica la podemos relacionar con aquel periodo de tiempo en donde el

caudal de un rio o de un cuerpo de agua es marcadamente inferior a su caudal promedio histórico.

79

La utilización de los balances hídricos climáticos en las estaciones climatológicas del área de

estudio, permitieron inferir los periodos en los cuales existió una desviación de humedad, la cual

está en función de la precipitación y los valores reales calculados a escala mensual. Sin embargo,

tal como se puede apreciar más adelante en los valores de PDSI. Los periodos clasificados como

secos o húmedos podrían estar correlacionados con otros fenómenos de variabilidad climática

como el fenómeno del niño-Oscilación del sur (ENOS).

El comportamiento de los valores de PDSI en las estaciones climatológicas de Tunja, Samacá y

Villa de Leyva pueden ser analizadas desde diferentes perspectivas o enfoques como lo es el ciclo

hidrológico, anomalías de precipitación y temperatura del aire, características edafológicas y

climatológicas del área de estudio (capacidad de almacenamiento del agua, textura del suelo,

granulometría, profundidad efectiva, capacidad de campo, punto de marchitez permanente e

incluso la geomorfología y el paisaje propio del lugar a evaluar). Sumado a lo anterior, el ENOS

podría ser un factor externo relacionado con la aparición de fenómenos de sequía identificados en

PDSI. Por lo cual, en los análisis de PDSI quedaron expuestos los diferentes enfoques descritos

anteriormente para las estaciones climatológicas principales.

Ilustración 36. Balance hídrico climático Villa de Leyva


80

5.2.2 PDSI y el ciclo hidrológico

El ciclo hidrológico expuesto en el capítulo 3 del presente trabajo incluye las fases de (evaporación,

condensación, precipitación, escorrentía, infiltración, circulación subterránea y sublimación).

Estas fases están interrelacionadas entre sí de manera continua a través del flujo del agua en la

atmosfera, en el medio natural y en el suelo. No obstante, teniendo en cuenta lo propuesto por

(Palmer, 1965) las etapas del PDSI relacionadas con el ciclo hidrológico son la evapotranspiración,

precipitación, escorrentía e infiltración. Ahora bien, las fases del ciclo hidrológico relacionadas

con el PDSI están cuantificadas a través de las variables ETR, P, ESR y AWC. En el caso de la

infiltración se evaluó el (AWC) como parámetro de infiltración o de permeabilidad del suelo a

través de la textura, granulometría, (CC) y (PMP).

El análisis de los valores de PDSI en las estaciones climatológicas posibilitó inferir que los valores

de PDSI categorizados como secos inciden en el comportamiento del ciclo hidrológico. Un periodo

categorizado como seco puede estar relacionado con un desbalance o desequilibrio del ciclo del

agua en una o varias fases del ciclo. Esto se puede ver reflejado en las condiciones establecidas

por Palmer para establecer el valor Z y los valores reales del periodo a evaluar.

Tomando como referencia los años 1997, 1998, 2014, 2015 y 2016 de la ilustración (37). Es posible

inferir que estos años categorizados con sequías moderadas, severas e incluso extremas pueden ser

vistas desde la fase de la evapotranspiración de las plantas, en donde posiblemente este valor fue

altamente superior a la precipitación para ese mismo periodo de tiempo. Por ende, en términos de

balance hídrico la demanda de agua que necesitaban las plantas y el medio natural para poder

realizar la fotosíntesis fue superior a la oferta de agua disponible para ese periodo de tiempo.

Ilustración 37. Valores de PDSI estación Samacá10


10 Los años de mayor importancia para la estación Samacá reconocidos como sequías moderadas, severas y

extremas en PDSI son 1987, 1989, 1992, 1993, 1995, 1997, 2001, 2002, 2003, 2012, 2013, 2014 y 2015.

81

Las sequías vistas desde la fase de precipitación nos conllevan a hablar de la fase de condensación,

en la cual el agua cambia de estado gaseoso a líquido de forma natural. A pesar de ello, existen

procesos externos como los gases de efecto invernadero los cuales producen la liberación de

energía en forma de calor de los diferentes gases almacenados allí y con ello el aumento de la

temperatura superficial terrestre. De ahí que, sea posible una pérdida o liberación de vapor de agua

en forma de calor disminuyendo así la precipitación y creando las sequías de tipo meteorológicas.

Es importante mencionar la posible incidencia de fenómenos de variabilidad climática como el

ENOS y la OMJ, los cuales tienen la capacidad de alterar el ciclo hidrológico y la circulación

atmosférica de un lugar determinado. Especialmente en la célula de Hadley para corrientes de aire

cálidos y fríos. Por tal razón, estos periodos de sequía podrían ser una consecuencia de una fase

convectiva negativa o suprimida de los vientos provocando una disminución de las precipitaciones.

La fase de escorrentía nos podría inducir a la evaluación de sequías de tipo hidrológica, en

parámetros como el nivel del caudal de un rio, el volumen o la cantidad de agua de embalses,

lagunas, lagos, manantiales, entre otros. Los cuales durante la ocurrencia de sequias pueden

disminuir su volumetría, cauce, caudal o tamaño según sea la intensidad de la misma. Adicional a

esto, la escorrentía podría estar relacionada con procesos de estiaje o niveles muy bajos en los

cuerpos de agua descritos anteriormente.

Finalmente, la fase de infiltración es probablemente la fase del ciclo hidrológico en donde por

factores tanto internos como externos el agua no logra superar totalmente o parcialmente la

permeabilidad de los suelos. Por tal razón, podríamos estar hablando de un desequilibrio en las

fases siguientes de circulación de agua subterránea y evapotranspiración. A continuación, se

abordara con mayor detalle la fase de infiltración vista desde la degradación de los suelos y las

sequías.

5.2.3 PDSI desde la degradación de los suelos y la infiltración

La comprensión de las sequías vista desde la degradación de los suelos y la infiltración requiere

inicialmente de la diferenciación entre los procesos de degradación de los suelos y las sequías,

dicha diferencia se puede observar en el capítulo 3 del presente estudio. El agua que se almacena

en los suelos (AWC) es vital para el óptimo desarrollo de los cultivos y de las plantas. Estos valores

de almacenamiento varían de acuerdo a las propiedades físicas del suelo como la textura,

granulometría, estructura, drenaje, (CC) y (PMP).

Podemos afirmar que suelos con alta capacidad de almacenamiento de agua (AWC) como por

ejemplo los suelos identificados en Tunja (154 mm), son suelos con texturas finas o muy finas tipo

Arcillosas, Arcillo limosas o Arcillo arenosas, con valores altos de granulometría de Arcilla y

Limo principalmente. Estos suelos se caracterizan además por tener estructuras en forma de bloque

o granular, los cuales permiten que el agua se infiltre en el suelo sin inconvenientes aparentes.

Es importante resaltar que un suelo con un alto valor de AWC permite tener un alto valor de (CC)

y un (PMP) relativamente alto. Por consiguiente, en temporadas de lluvias altas el suelo tiene la

82

capacidad de almacenar altos valores de agua que posteriormente en temporadas de ausencia de

lluvias utilizará para realizar sus procesos bioquímicos.

Haciendo una analogía con respecto a lo mencionado anteriormente, el comportamiento del PDSI

para la estación de Villa de Leyva como se evidencia en la ilustración (38) se debe a valores de

AWC de 35 mm. Los cuales incluyen un Misceláneo Erosionado (ME) que presentaran

preferiblemente texturas gruesas o moderadamente gruesas tipo arenosas, arenosas francas o

franco arenosas. Sumado a lo anterior, el AWC también puede verse afectado en suelos con

estructuras tipo prismática, columnar e incluso laminar. Por tal razón, es probable que la planta

tenga dificultades en el momento de acceder al agua con un (PMP) y un (CC) considerablemente

bajos.

Considerando que, estos valores bajos o altos de AWC pueden cambiar en el tiempo por procesos

de degradación de los suelos tales como erosión, desertificación y salinización, los cuales permiten

la perdida de la productividad de los cultivos y las plantas en un tiempo determinado, es muy

probable que con la disminución de la precipitación por diversos factores tanto antrópicos como

naturales las sequías se acentúen especialmente en aquellas zonas de uso agrícola de la zona de

estudio (inclúyase la zona noroccidental de Villa de Leyva y Samacá, al igual que la zona centro

norte de Tunja).

Ilustración 38. Valores de PDSI estación Villa de Leyva11


Por último, considerando un AWC como constante e invariable en el tiempo, el PDSI estará en

función principalmente de la evapotranspiración y la precipitación. De ahí que, un periodo

identificado como seco podría deberse a una escasa precipitación que no satisface la demanda de

agua de las plantas con una ocupación parcial o nula de la capacidad de almacenamiento del agua

generando a su vez la pérdida real de agua en los suelos.

11 Los años de mayor importancia para la estación Villa de Leyva reconocidos como sequías moderadas, severas y

extremas en PDSI son 1987, 1988, 1989, 1991, 1992, 1995, 1997, 2001, 2002, 2003, 2012 y 2015.

83

5.2.4 PDSI y el ENOS

El PDSI utiliza en su fundamentación teórica variables intrínsecas como la precipitación,

Temperatura del Aire (TA), evapotranspiración potencial y real, escorrentía, recarga del suelo,

entre otras. No obstante, debido a la alta interrelación existen entre la atmosfera, la superficie

terrestre y la hidrosfera. Es posible hacer una inferencia de aquellas variables extrínsecas o

externas que podrían estar inmersas con los valores de PDSI tales como Temperatura Superficial

del Mar (TSM), Temperatura Superficial Terrestre (TST), presión atmosférica, circulación general

atmosférica, velocidad y dirección de los vientos, corrientes marinas, entre otras.

Estas variables extrínsecas o exteriores si bien no están descritas o fundamentadas específicamente

dentro del PDSI, podrían describir los cambios a escala global de aquellas variables tomadas por

(Palmer, 1965) como las de mayor importancia de PDSI resaltándose la anomalía de precipitación

y la anomalía de (TA). Sin embargo, es importante tener en cuenta que el ENOS tiene en cuenta

dos tipos de anomalías de temperatura, una exclusiva de los océanos y los mares denominada TSM

y una anomalía vista desde la atmosfera terrestre denominada TA.

Una anomalía positiva en la TA describiría un aumento considerable de la temperatura con

respecto a sus medios históricos proporcionando un incremento de la evapotranspiración de las

plantas y una descompensación frente a la cantidad de precipitación necesaria para su óptimo

funcionamiento. Mientras que, una anomalía negativa en la TA podría describir una disminución

de evapotranspiración y un aumento sostenido de precipitación en la región o área de estudio. Por

tales razones, es muy probable deducir la aparición de periodos secos de PDSI cuando ocurren

anomalías positivas de TA. Al igual que, es posible determinar con alta certeza periodos húmedos

relacionados con anomalías negativas de TA.

Estas anomalías de TA tanto positivas o negativas podrían ser inducidas por varios factores ajenos

a la climatología propia de la zona centro del departamento de Boyacá. De ahí que sea posible

relacionar estas anomalías con un fenómeno de ENOS para un periodo de tiempo establecido en

este caso 1987-2016 (ilustración 39). Una posible explicación de estas anomalías de TA teniendo

en cuenta la localización geográfica de Colombia estarían influenciadas por la presencia de vientos

alisios de masas de aire frías y cálidas provenientes de la célula de Hadley y de Ferrel.

84

Ilustración 39. Valores de PDSI Tunja12


El ENOS en su fase cálida (El Niño) y su fase fría (La Niña) influyen considerablemente en la

TSM y en los vientos alisios de la zona tropical del planeta tierra en dirección Este-Oeste. En el

caso de Colombia y específicamente la región Andina, la fase del niño se caracteriza por el

aumento en la TSM y un debilitamiento de los vientos alisios. Mientras tanto, la fase de la niña se

caracteriza por la intensificación de los vientos alisios y una disminución en la TSM. La

modificación de estos vientos alisios da paso a la formación de los regímenes de precipitación

climáticos de Colombia. Por lo cual, en el momento de su llegada al territorio colombiano podría

inducir a un cambio de presiones que en el caso del niño se ve reflejado en periodos de ausencia

de lluvias y un aumento de la presión atmosférica en la región Andina. En contramedida a la fase

de la niña en donde se generan las denominadas lluvias de convección, las cuales se caracterizan

por una disminución de la densidad del aire y la presión atmosférica. Por consiguiente, se espera

en esta fase una alta formación de nubes que al condensarse forman altos periodos o intervalos de

lluvia.

Por último, teniendo en cuenta la altitud del Altiplano Cundiboyacense en donde se sitúa el área

de estudio, el cual oscila entre los 2.000 y los 3.000 metros sobre el nivel del mar (m. s. n. m) las

anomalías positivas de TST que dan origen a los periodos secos podrían estar regidos también por

la actividad solar producto de los procesos naturales de la tierra en rotación y traslación. Tal como

lo estableció (Thornthwaite, 1948) calculando la evapotranspiración potencial y real con base en

el número de horas de brillo solar para diferentes latitudes del hemisferio norte y sur de la tierra. 5.2.5 Resultados finales índices de sequía y ENOS

Los resultados finales del (SPI) a escala de 12 meses junto con el (PDSI) suministraron

información suficiente para determinar si un año fue categorizado con sequía moderada, severa y

extrema según el tipo de sequía que se desee evaluar. En este caso se asumieron las sequías

meteorológicas y agrícolas como los criterios válidos para identificar y evaluar la existencia de

12 Los años de mayor importancia para la estación Tunja reconocidos como sequías moderadas, severas y extremas

en PDSI son 1988, 1989, 1991, 1992, 1995, 1997, 1998, 2001, 2002, 2003, 2012, 2013, 2014, 2015 y 2016

85

este fenómeno. A continuación, en la tabla (28) se especifican los años identificados con

fenómenos de sequía en concordancia con SPI-12, PDSI y ENOS.

Tabla 28. Comportamiento SPI -12, PDSI y ENOS13

Fecha SPI de 12 meses PDSI ENOS Fase Niño

1992 Sequía Moderada a Severa Sequía Moderada a Severa Fuerte

1997 Sequía Moderada Sequía Moderada a Extrema Fuerte

1998 Sequía Moderada a Severa Sequía Moderada a Extrema Fuerte

2003 Sequía Moderada a Severa Sequía Moderada a Severa Moderado



2016 Sequía Extrema Sequía Moderada a Extrema Fuerte


5.3 Redes Neuronales Artificiales (RNA)

Para determinar el pronóstico de SPI-3 en el municipio de Motavita, se debe tener en cuenta que

por el momento no está definido un número exacto de neuronas que analice de la mejor manera

esta escala de tiempo. Por lo cual, se debe encontrar empíricamente la mejor combinación de

neuronas que permita explicar el comportamiento del SPI-3. En este caso solo se puede modificar

el número neuronas, dado que el software utilizado tiene por defecto una estructura y aprendizaje

neuronal que no se puede alterar.

5.3.1 Entrenamiento (RNA)

En la etapa de entrenamiento de 100 combinaciones de neuronas analizadas, se seleccionaron 7

posibles modelos neuronales, que se aproximaron al valor verdadero del SPI de 3 meses para la

estación del municipio de Motavita. En la tabla (29) se puede visualizar una columna compuesta

por la fecha, valores verdaderos o reales del SPI de 3 meses y en las siguientes 7 casillas se presenta

el número de neuronas que se emplearon para cada modelo y su pronóstico respectivo.

Tabla 29. Pronóstico RNA estación Panelas (Motavita)

Fecha Real Pro-3

Neuronas

Pro-63

Neuronas

Pro-76

Neuronas

Pro-86

Neuronas

Pro-88

Neuronas

Pro-90

Neuronas

Pro-97

Neuronas

01-01-2016 -1.61 -1.62 -1.97 -1.16 -1.21 -1.32 -1.21 -1.22

02-01-2016 -1.02 -1.02 -1.58 -0.92 -1.02 -1.16 -1.01 -1.03

03-01-2016 -0.6 -0.80 -1.41 -0.86 -1.05 -1.30 -1.04 -1.04

04-01-2016 -0.21 -0.63 -0.21 -0.96 -0.10 -0.34 -0.26 -0.1

05-01-2016 0.06 -0.61 0.85 -1.07 -0.03 0.06 -0.35 -0.02

06-01-2016 0.05 -0.58 1.14 -0.92 0.57 0.84 0.1 0.57


13 Los resultados del Fenómeno del Niño-Oscilación del Sur (ENOS) han sido tomados con base en criterios

técnico-científicos realizados por UNGRD (2014, 2016, 2017 y 2018) e IDEAM (2006, 2012 y 2017)

86

En la ilustración (40) se puede observar cómo los valores estimados tienden a comportarse de la

misma manera que los valores reales del SPI-3. El modelo de 3 neuronas presentó la mayor

aproximación a los valores verdaderos, sin tener en cuenta los años (1988, 1998, 2002, 2010, 2014)

que reflejan periodos de alta variabilidad que no lograron ser aprendidos por la RNA.

Ilustración 40. Comportamiento del SPI 3 y sus valores de entrenamiento estación Panelas


5.3.2 Validación de la RNA

En esta fase se buscó diferenciar los valores reales del SPI de 3 meses y los valores de la predicción

para el primer semestre del 2016. En tabla (30) se puede observar el error entre el valor real y el

pronosticado.

Tabla 30. Diferencia entre valor real y estimado para la estación Panelas

Fecha Pro-3

Neuronas

Pro-63

Neuronas

Pro-76

Neuronas

Pro-86

Neuronas

Pro-88

Neuronas

Pro-90

Neuronas

Pro-97

Neuronas

01-01-2016 0.01 0.36 -0.45 -0.40 -0.29 -0.40 -0.39

02-01-2016 0 0.56 -0.10 0 0.14 -0.01 0.01

03-01-2016 0.2 0.81 0.26 0.45 0.7 0.44 0.44

04-01-2016 0.42 0 0.75 -0.11 0.13 0.05 -0.11

05-01-2016 0.67 -0.79 1.13 0.09 0 0.41 0.08

06-01-2016 0.63 -1.09 0.97 -0.52 -0.79 -0.05 -0.52


Al analizar en detalle los resultados obtenidos, en la tabla (31) se puede denotar el comportamiento

del Error Medio Cuadrático (EMC) y Desviación Media Absoluta (DAM) para el primer trimestre

del año 2016. La información refleja que la agrupación de 3 neuronas presentó la menor cantidad

de error entre los valores reales y los pronosticados con un EMC de 0.01. Además, esta agrupación

neuronal arroja la menor variación en nuestro conjunto de datos. Es decir, esta información se

encontraba más cerca del promedio con un DAM de 0.07.

87

Tabla 31. Comportamiento EMC y DAM trimestral estación Panelas

Resultado Pro-3

Neuronas

Pro-63

Neuronas

Pro-76

Neuronas

Pro-86

Neuronas

Pro-88

Neuronas

Pro-90

Neuronas

Pro-97

Neuronas

DAM 0.07 0.57 0.27 0.28 0.38 0.28 0.28

EMC 0.01 0.36 0.09 0.12 0.2 0.12 0.12


En la tabla (32) se evidencia el comportamiento de EMC Y DAM para el primer semestre del año

2016. Este análisis nos permitió comprender que el conjunto de 90 neuronas presentó la menor

cantidad de error entre nuestros valores reales y los pronosticados con un EMC de 0.23.

Adicionalmente, esta agrupación neuronal exponía la menor variación en nuestro conjunto de datos

con un DAM de 0.09.

Tabla 32. Comportamiento EMC y DAM semestral estación Panelas

Resultado Pro-3

Neuronas

Pro-63

Neuronas

Pro-76

Neuronas

Pro-86

Neuronas

Pro-88

Neuronas

Pro-90

Neuronas

Pro-97

Neuronas

DAM 0.32 0.60 0.61 0.26 0.34 0.23 0.26

EMC 0.17 0.48 0.51 0.11 0.20 0.09 0.11


Para finalizar, en esta fase se logró determinar que el pronóstico de SPI-3 en la estación de

Motavita presenta mínimos errores en combinaciones de 3 neuronas para periodos trimestrales y

90 neuronas para periodos semestrales. Así mismo, la mejor estimación del pronóstico de SPI-3

se obtuvo en un periodo trimestral, cuyos valores se aproximan al valor real del SPI-3 para la

estación de Panelas para el año 2016 con un alto grado de exactitud. En los primeros 3 meses el

modelo neuronal según la clasificación del SPI arrojó una categorización con un periodo

severamente seco, moderadamente seco y un periodo normal que coincidían con el

comportamiento en ese momento del SPI-3 para el año 2016 en la estación de Panelas en Motavita.

5.3.3 Verificación de la RNA

Los resultados de la RNA evidenciaron que, la mejor combinación de RNA se encontraba en 3

neuronas para trimestres y 90 neuronas para semestres. Por tal razón, se logró afirmar que la RNA

ya estaba lista para ser probada con información desconocida tomando como referencia que la

misma no ha sido tenida en cuenta para el entrenamiento. De tal manera que, se buscaba replicar

estos modelos neuronales en estaciones que se encontraran cercanas a la estación del municipio de

Motavita y presentaran a su vez un coeficiente de correlación alto con respecto al SPI-3.

Estos modelos evidenciaron una disminución de tiempo en la determinación de la mejor

combinación de neuronas para la predicción de SPI-3 de trimestres y semestres, esto implicaba

que para probar los modelos se tenia que emplear la estacion UPTC del muncipios de Tunja y la

88

estacion Villa de Leyva AUT para 3 y 6 meses con 3 y 90 neuronas seleccionadas. En la tabla (33)

se logra visualizar el comportamiento de EMC Y DAM para el primer trimestre del año 2016, en

donde la estación que presentó el menor error entre los valores reales y los pronosticados fue la

estación de UPTC del municipio de Tunja con un EMC de 0.33. Así mismo, el menor DAM fue

de 0.52 para esa misma estación.

Tabla 33. Comportamiento EMC y DAM trimestral estaciones Tunja y Villa de Leyva

Resultado Pro-3 Neuronas- UPTC de Tunja Pro-3 Neuronas- Villa de Leyva AUT

DAM 0.52 0.56

EMC 0.33 0.51


En la tabla (34) se puede denotar el comportamiento del EMC Y DAM para el primer semestre del

año 2016. La estación que obtuvo el menor error en EMC fue Villa de Leyva con 0.53. De igual

modo, el menor DAM fue de 0.58 para esa misma estación.

Tabla 34. Comportamiento EMC y DAM semestral estaciones Tunja y Villa de Leyva

Resultado Pro-6 Neuronas- UPTC de Tunja Pro-6 Neuronas- Villa de Leyva AUT

DAM 0.76 0.58

EMC 1.08 0.53


En esta etapa se logró verificar que el mejor pronóstico de información de SPI-3 se puede encontrar

en los primeros tres meses del año. La estación de UPTC del municipio Tunja presentó el menor

error de predicción para el primer trimestre. Sin embargo, a medida que se desea modelar a mayor

tiempo el que presenta el menor error de predicción es la estación del municipio de Villa de Leyva.

Los anteriores resultados de estimación tanto de 3 meses como de 6 meses para ambas estaciones

arrojaron una exactitud muy baja en comparación de sus valores reales de SPI-3 para cada estación.

5.4 Evaluación de la amenaza, vulnerabilidad y riesgo por sequía

La evaluación de la amenaza, vulnerabilidad y riesgo por sequía en el municipio de Motavita y

Tunja estuvo sustentada en información recopilada de suelos, hidrografía y clima como

características físicas del territorio. Mientras que, la información recopilada en aspectos

económicos, sociales y ambientales correspondían a las características de la población de Motavita

y Tunja. Esta información ha sido recopilada con base en información proveniente de IDEAM y

UNGRD de años históricos menores o iguales a 2016. Por consiguiente, los resultados de amenaza,

vulnerabilidad y riesgo en el presente estudio sirven como insumo o diagnóstico inicial del

conocimiento del riesgo de sequía.

89

Los procesos de reducción de riesgo y manejo de desastres por sequía requieren de información

en tiempo real acerca del comportamiento de este fenómeno a través de instrumentos de monitoreo,

control y vigilancia de sequía en complemento con tecnologías avanzadas como los Sistemas de

Alerta Temprana (SAT). Esto con el propósito de reducir o mitigar el riesgo utilizando

intervenciones correctivas o prospectivas de sus resultados obtenidos en la fase previa de

conocimiento del riesgo. En ese orden de ideas, es pertinente tener en cuenta que los fenómenos

de sequía son fenómenos altamente dinámicos en su extensión territorial, magnitud, intensidad y

frecuencia. Por ende, es probable que los resultados en este estudio de amenaza, vulnerabilidad y

riesgo estén cambiando en el tiempo con respecto a sus valores clasificados como bajos, medios y

altos.

5.4.1 Evaluación de la amenaza por sequía

Los resultados del mapa de amenaza por sequía en los municipios de Motavita y Tunja

evidenciaron un comportamiento diferencial de la amenaza por sequía según el área o la vereda de

cada municipio. Estos valores de amenaza alta, media y baja permitieron conocer el grado de

afectación y severidad de una sequía en el territorio y en la población (ilustración 41).

Los valores de amenaza clasificados como altos y muy altos localizados principalmente en la

región norte de Motavita y sur de Tunja posibilitan inferir la aparición de sequías categorizadas

como severas o extremas, esto como respuesta a unos posibles factores condicionantes que podrían

estar ligados a unos altos procesos de degradación del suelo (erosión, salinización, y

desertificación). Así como, una alta disminución de la precipitación en las temporadas de ausencia

de lluvias provocando al mismo tiempo un estrés hídrico en las aguas superficiales y subterráneas,

las cuales pueden ser utilizadas para la agricultura en los cultivos de riego y secano.

Valores de amenaza categorizados como medios manifestaron la aparición de sequías de índole

incipiente y moderada. Estos valores se localizaron en la parte más cercana a las áreas urbanas de

Motavita y Tunja, en donde es muy probable la aparición de procesos de degradación del suelo

categorizado como muy ligero o tenue en concordancia con lugares de clima tipo semiáridos o frio

secos. Por lo cual, en caso de acentuarse estas problemáticas podría incrementar la amenaza por

sequía en un futuro cercano.

Los valores de amenaza obtenidos como bajos o muy bajos localizados en las áreas urbanas de

Motavita y Tunja pueden ser vistas desde el comportamiento de la sequía y los factores

condicionantes (edafología, hidrología y climatología) propias de este lugar. Valores de amenaza

bajo con respecto a la sequía podrían estar relacionados con pocas áreas con vegetación y

evapotranspiración dentro de la parte urbana. Por lo cual, el valor de precipitación allí siempre

podría ser mayor que la evapotranspiración real de las plantas.

90

Ilustración 41. Mapa de amenaza por sequía


Un valor bajo o muy bajo de amenaza con respecto a los factores condicionantes estaría dados por

una actividad del suelo diferente a las establecidas por el medio natural. Es decir, en el área urbana

de Motavita y Tunja el uso del suelo esta categorizado como residencial, comercial, industrial,

entre otros. Por tal razón, la manifestación de la sequía en esta zona estaría reflejada en el

componente de la variabilidad.

5.4.2 Evaluación de la vulnerabilidad por sequía

El mapa de vulnerabilidad con respecto a los valores clasificados como altos y muy altos por sequía

en el municipio de Tunja y su área de influencia reflejaron el manifiesto de diferentes

problemáticas asociadas a dinámicas poblacionales tales como: una alta demanda de agua, una

baja oferta y disponibilidad de los cuerpos de agua con respecto a su alta concentración

poblacional, así como un alto requerimiento de alimentos y de agua para los medios de producción

91

que allí se realizan (ilustración 42). De ahí que, es posible afirmar la presencia de una sequía

categorizada como baja la cual no refleja necesariamente las problemáticas mencionadas o

descritas anteriormente.

Ilustración 42. Mapa de vulnerabilidad por sequía


Esta zona clasificada como de vulnerabilidad alta a pesar de las problemáticas de índole

poblacional y social con respecto al agua, presenta diversas iniciativas que permiten reducir o

mitigar esta vulnerabilidad en aspectos como el manejo eficiente del agua y el racionamiento del

mismo. No obstante, debido a su alto consumo no solo en la parte doméstica o en los medios de

producción es necesario la implementación de programas que permitan optimizar y preservar el

agua como sistemas de riego para los cultivos y un sistema de protección de las principales fuentes

hídricas del municipio.

El resultado de la vulnerabilidad categorizada como media principalmente en el área rural del

Municipio de Motavita indujo la aparición de sequías moderadas con posibles impactos en los

92

recursos hídricos, el suelo y el clima. Sin embargo, esta sequía calificada como potencialmente

perjudicial para la población y el territorio no constituye necesariamente la aparición de fenómenos

de índole socio-natural como el desabastecimiento de agua, escasez de agua o falta de acceso a la

misma, su razón principal podría radicar en una baja concentración poblacional por metro

cuadrado en la zona rural de Motavita. Por ende, es posible inferir que la demanda de agua por

habitante es relativamente baja y su principal demanda podría venir de los cultivos que allí se

desarrollan. De ahí que, los impactos de una sequía moderada bajo condiciones de uso eficiente

del agua, conservación y preservación de sus fuentes hídricas podrían ser reducidos utilizando

programas o proyectos que vayan en vía de un uso razonable del agua en aquellas épocas de mayor

ausencia por parte de la población y las entidades gubernamentales.

Los valores de vulnerabilidad baja o muy baja localizados en la zona norte de Motavita y la zona

sur de Tunja evidenciaron una alta capacidad adaptativa en aspectos como el manejo eficiente del

agua, preservación y conservación de los cuerpos de agua, los cuales teniendo en cuenta su alta

amenaza por sequía proporcionan los medios suficientes que permiten reducir sus impactos

durante la época de ausencia de lluvias. Además, en cuanto a la producción agrícola que allí se

desarrolla es posible la utilización de cultivos que utilicen sistemas de goteo y micro aspersión,

reduciendo así la cantidad de agua necesaria para la producción de cultivos transitorios como la

papa, el maíz y la arveja que en esta zona se desarrollan.

5.4.3 Evaluación del riesgo por sequía

Los resultados obtenidos en el mapa de riesgo indicaron altos valores de riesgo en las zonas rurales

y periféricas de los municipios, permitiendo inferir la posible aparición de una sequía de tipo

agrícola, esto podría deberse a las condiciones físicas, edafológicas y climatológicas del área de

estudio. Al igual que, la incidencia de la variabilidad climática interanual durante un fenómeno

ENOS (ilustración 43).

Los valores medios de riesgo indicaron una alta incertidumbre con respecto a los cambios que el

fenómeno de sequía podría llegar a presentar en el futuro, ya que al tener valores medios de

amenaza y vulnerabilidad un cambio sustancial en los mismos podría reflejar un riesgo mayor o

menor, constituyendo la posibilidad de potencializar el fenómeno si no se toman medidas que

permitan mitigar o reducir el riesgo por sequía.

Una posible explicación para los valores bajos de riesgo en las zonas urbanas del área de estudio,

podrían atribuirse al bajo impacto de las superficies urbanas en el ciclo natural hidrológico. Ahora

bien, los valores más altos de vulnerabilidad se presentaron en estas zonas urbanas, en donde existe

una demanda alta de agua para consumo humano que genera una modificación del equilibrio

hídrico, cuyos factores determinantes son la variabilidad climática y las anomalías climáticas en

la precipitación.

93

Ilustración 43. Mapa de riesgo por sequía


5.4.4 Caracterización de escenarios de riesgo por sequía

La caracterización de escenarios de riesgo por sequía son aquellos fragmentos o campos

delimitados de los resultados obtenidos en las fases previas de amenaza, vulnerabilidad y riesgo.

Estos escenarios tienen la posibilidad de caracterizar las condiciones actuales o futuras de la

población y el territorio. De manera que, es posible conocer mediante pronósticos como podría

comportarse este fenómeno en los próximos días, meses o años.

Debido a que los fenómenos de sequía son altamente inciertos e impredecibles, los escenarios de

riesgo podrían proporcionan una posible comprensión y priorización de los problemas futuros

generados por la aparición de sequías. Por tanto, conocer su comportamiento a futuro podría

ayudar a establecer medidas que reduzcan o mitiguen su riesgo. No obstante, la utilización de un

pronóstico debe ser acorde y lógico a su comportamiento histórico. En otras palabras, el

94

comportamiento de este depende en gran medida de cómo se haya comportado en su pasado con

respecto a sus episodios de sequías moderadas, severas y extremas.

Los resultados de SPI y PDSI revelaron que 1992 (sequía moderada a severa), 1997 (sequía

moderada), 1998 (sequía moderada a severa), 2003 (sequía moderada a severa), 2014 (sequía

moderada a severa), 2015 (sequía moderada a severa) y 2016 (sequía extrema) son los años

representativos de sequías meteorológicas y agrícolas para Motavita y Tunja. En consecuencia, es

de vital importancia deducir que en un futuro cercano la presencia de este fenómeno podría estar

categorizado en moderado o severo, sin tener en cuenta que su comportamiento podría modificarse

por fenómenos de variabilidad climática y del cambio climático.

Por último, teniendo en cuenta que el riesgo está en función de la amenaza, vulnerabilidad y

exposición. Se propusieron escenarios de riesgo vistos desde la amenaza y la vulnerabilidad,

teniendo en cuenta que el último año con registro de la información es 2016, los escenarios de

riesgo de amenaza y vulnerabilidad corresponderán al primer semestre del año 2017.

5.4.5 Escenario de riesgo desde la amenaza por sequía

Un escenario de riesgo visto desde la amenaza por sequía se construye a partir de la información

pronosticada del fenómeno, en complemento con su serie histórica y el mapa de amenaza realizado

previamente, esto con el objetivo de validar si la información futura obedece o está acorde a su

comportamiento y evolución histórica en los municipios de Motavita y Tunja. En la actualidad

existen pronósticos contemplados a corto plazo (trimestres), mediano plazo (semestres) y largo

plazo (años) los cuales dependerán en gran medida de su nivel de confiabilidad y error. De ahí

que, sea posible inferir que un pronóstico a largo plazo requerirá de información altamente

confiable, precisa y con poco nivel de incertidumbre. Mientras tanto, pronósticos a corto y mediano

plazo al utilizar menos registros podría tener niveles de confiabilidad relativamente altos (mayores

o iguales al 80%) e intervalos o niveles de error muy bajos (iguales o menores al 10%).

El pronóstico utilizado en la presente investigación está en unidades de tiempo semestral,

fundamentado en un SPI-3 de redes neuronales (Perceptrón Multicapa), su principal razón radica

en que esta escala de SPI utiliza los 3 últimos valores de precipitación. Por tal razón, el pronóstico

de Motavita y Tunja estará encaminado a un seguimiento y control de la precipitación, dificultando

o limitando así la posibilidad de establecer necesariamente la presencia de periodos de sequía. A

continuación, se realiza el pronóstico de SPI-3 para el primer semestre de 2017 con la principal

salvedad de no proporcionar características específicas en el inicio, duración, frecuencia y

extensión territorial de un fenómeno de sequía o de sus términos relacionados (déficit hídrico,

escasez hídrica, anomalía de precipitación, entre otros) (tabla 35).

95

Tabla 35. Escenario de amenaza por sequía año 2017

Año

2017 Escala

Categoría

SPI Efectos/Implicaciones Observaciones / Acontecimientos

Áreas de

Afectación

Nivel de

afectación

Enero

SPI-3

Normal

Niveles mínimos de

agua producto del

régimen bimodal de

precipitación

(temporada de

ausencia de lluvias)

Existencia de periodos normales para

estos meses con respecto a su serie

histórica, los cuales evidencian una

alta normalidad sin la presencia de

sequías o de fenómenos de

variabilidad climática.

Zonas de

amenaza

alta y muy

alta

Bajo

Febrero

Marzo

Sequía

moderada

Posible iniciación de

periodos de déficit

hídrico y aridez con

respecto al balance

hídrico climático para

estos meses

Existencia de periodos categorizados

como moderados en la serie histórica,

posible influencia de fenómenos de

variabilidad climática estacional como

la ZCIT durante su localización entre

los 2° y 7° latitud norte

Zonas de

amenaza

media, alta

y muy alta

Medio Abril

Mayo

Junio

Normal

Inicio de la segunda

temporada de ausencia

de lluvias en la región

como consecuencia de

su régimen bimodal

Existencia de algunos periodos

normales tomando como referencia su

serie histórica sin afectación probable

en la precipitación y su ciclo

hidrológico

Zonas de

amenaza

alta y muy

alta

Bajo


5.4.6 Escenario de riesgo desde la vulnerabilidad

El escenario de riesgo desde la vulnerabilidad a diferencia del escenario de riesgo visto desde la

amenaza. Es elaborado con base en los valores futuros de amenaza, el mapa de vulnerabilidad y

las medidas o planes a tener en cuenta para mitigar o reducir los posibles impactos de la aparición

de fenómenos de sequía en los municipios de Motavita y Tunja.

El mapa de vulnerabilidad proporciona los diferentes componentes de sensibilidad y de capacidad

adaptativa. Por consiguiente, la implementación de políticas, programas y planes que permitan

aumentar la capacidad adaptativa de la población, del medio natural y de sus principales

actividades económicas como lo es su alta actividad agrícola, reducirían o mitigarían parte de la

vulnerabilidad existente y a su vez podrían ser los lineamientos para reducir su vulnerabilidad en

el futuro. Por tal motivo, en la tabla (36) se desarrollaron los escenarios de riesgo desde la

vulnerabilidad para el primer semestre del 2017.

96

Tabla 36. Escenario de vulnerabilidad por sequía año 2017

Año 2017 Categoría SPI Áreas de Afectación Nivel de afectación

Meses de enero y febrero Normal Zonas de vulnerabilidad alta

y muy alta Bajo – Medio

Efectos / Implicaciones

Niveles mínimos en el caudal de los principales cuerpos de agua, el cual podría generar un aumento considerable en la

evapotranspiración de las plantas.

Medidas / Planes

Componente Social: Instalar medidas de racionamiento y uso eficiente del agua por parte de la población y las entidades

gubernamentales

Componente Económico: Implementar programas agrícolas que estén basados en el mayor y mejor uso del suelo

Componente Ambiental: Instaurar programas de preservación y conservación de los cuerpos de agua y del medio natural,

imposibilitando actividades como la deforestación y la minería.


Meses de marzo, abril y mayo Sequía moderada Zonas de vulnerabilidad,

media, alta y muy alta Medio – Alto


Anomalías negativas de precipitación provocando posibles periodos de déficit hídrico y de escasez de agua. Además, podría

ser el inicio de un periodo de desabastecimiento de agua

Medidas / Planes

Componente Social: Instalar medidas por parte de las entidades gubernamentales que permitan la reutilización y ahorro

eficiente del agua disminuyendo así su demanda y consumo.

Componente Económico: Establecer medidas por parte del sector agrícola que permita la optimización del agua mediante el

uso de sistemas de goteo y micro – aspersión.

Componente Ambiental: incorporar programas que permitan mejorar las condiciones edafológicas y de la vegetación mediante

el uso de sistemas de riego artificial que posibiliten una mayor absorción de agua en el suelo como lo es la lluvia sólida.


Mes de junio Normal Zonas de vulnerabilidad alta

y muy alta Bajo – Medio


Inicio de la segunda temporada de ausencia de lluvias de acuerdo a su régimen bimodal. Sin embargo, proviniendo de periodos

de déficit hídrico y de escasez de agua es posible que exista una pérdida real de agua en el suelo imposibilitando a su vez la

recarga de acuíferos.

Medidas / Planes

Componente Social: Ejecutar programas de salud poblacional encaminadas a disminuir la aparición de enfermedades tropicales

y de deshidratación como consecuencia de meses de ausencia de lluvias.

Componente Económico: Otorgar subsidios y apoyo al sector agrícola por parte de las entidades gubernamentales

Componente Ambiental: Construir artefactos como los molinos de viento que a través de la energía eólica que permitan la

extracción y bombeo de aguas subterráneas para el consumo de animales y plantas.


97

6. CONCLUSIONES Y RECOMENDACIONES

6.1 Conclusiones

El presente estudio con base en los objetivos y las hipótesis propuestas, confirma o valida las

hipótesis relacionadas con la presencia de periodos de sequía de tipo meteorológica y agrícola en

el municipio de Motavita y sus municipios aledaños, las cuales según SPI y PDSI arrojan sequías

que van desde leves hasta severas. Los valores de PDSI están localizados en el intervalo (- 8 ≤

PDSI ≤ -1). Por su parte, los valores de SPI están localizados en el intervalo (- 4 ≤ SPI ≤ -1). Estos

resultados posibilitan inferir que cada periodo guarda una relación directa con la variabilidad

climática interanual, en este caso el ENOS.

Dado que Motavita se encuentra localizada en la región Andina, sus valores de temperatura estarán

regidos principalmente por las variables de altitud y presión atmosférica, las cuales son

indispensables junto con las corrientes de aire en la circulación atmosférica para periodos en los

cuales se espere una fase convectiva negativa caracterizada por una disminución en la

precipitación, generando así condiciones propicias para una sequía.

La sequía meteorológica es un tipo de amenaza que no solo ha afectado al municipio de Motavita

en las últimas tres décadas, sino que se es un fenómeno de carácter departamental e incluso

regional. Por tal razón, los indicadores que se utilizan para cuantificar este tipo de amenaza como

por ejemplo el SPI, cuyo único parámetro es la precipitación ha permitido estimar 14 periodos

categorizados como moderadamente secos y extremadamente secos, los cuales han afectado en

algún momento a los municipios de (Chíquiza, Cómbita, Motavita, Tunja, Villa de Leiva y

Samacá) para diferentes escalas de tiempo. Asimismo, el municipio de Motavita registró siete

periodos en los cuales su clasificación o categorización está dentro de los periodos descritos

anteriormente. Por consiguiente, los años más críticos de sequía meteorológica en Motavita son

(1992, 1997, 1998, 2001, 2014, 2015 y 2016).

La sequía agrícola es un fenómeno hidrometeorológico en el cual intervienen diferentes variables

como la precipitación, temperatura, capacidad de almacenamiento de agua del suelo y la

evapotranspiración. A pesar de que el municipio de Motavita no cuenta con una estación climática

principal para la determinación de algunas de las anteriores variables. Los municipios de Tunja,

Samacá y Villa de Leyva sí contemplan la mayoría de estas variables, las cuales permiten con base

en los periodos de sequía identificados en SPI, PDSI y ENOS pertenecientes a la tabla (28), realizar

un diagnóstico preliminar de cómo se comportaría el municipio de Motavita por sequía agrícola.

Por otra parte, las características edafológicas y climatológicas tenidas en cuenta en la región de

estudio (inclúyase el municipio de Motavita) están regidas por los factores de formación del suelo

(Suelo, Clima, Organismos, Relieve, Roca madre y Tiempo), permitiendo deducir que la

climatología, el ciclo hidrológico y los balances hídricos son similares en su comportamiento con

respecto a una sequía agrícola.

98

El comportamiento de los balances hídricos climáticos utilizados en PDSI en las ilustraciones (34),

(35) y (36) correspondientes a los municipios de Tunja, Samacá y Villa de Leyva son de tipo

bimodal, los cuales muestran una disminución de la precipitación en los meses de diciembre, enero

y febrero correspondientes al primer semestre del año, así como los meses de junio, julio, agosto

e inicios de septiembre correspondientes al segundo semestre del año. Estos balances muestran el

inicio de los principales periodos de estrés hídrico y de déficit hídrico acompañados de la pérdida

real de agua y de una deficiencia de humedad.

Los meses identificados como húmedos en donde se espera un aumento de precipitación son los

meses de marzo, abril y mayo correspondientes al primer semestre del año. Al igual que, en los

meses de octubre, noviembre y comienzos de diciembre correspondientes al segundo semestre del

año. Por ende, estos son los meses identificados con mayor posibilidad de realizar recarga del suelo

o del acuífero permitiendo posteriormente la utilización del agua de reserva en periodos secos o

de déficit hídrico.

El pronóstico de SPI-3 que se realizó en los primeros tres meses del año 2016 para la estación de

Panelas con una combinación de 3 neuronas representa una buena aceptación del modelo con un

EMC de 0.01 y significa una variación relativamente baja con los valores reales. Aun así, este

modelo no refleja en qué momento de un año exactamente se va a presentar un fenómeno de sequía,

ya que la incertidumbre es alta principalmente por errores que se pueden cometer al estimar valores

iniciales que se requieren y factores externos que pueden influir, como los fenómenos naturales de

variabilidad climática.

Las RNA con respecto al SPI-3 son capaces de pronosticar cómo se puede comportar con gran

exactitud los primeros 3 meses del año en una estación. De ahí que, pueda categorizarlo en un

periodo normal, húmedo o seco teniendo como referencia que el fenómeno de sequía es dinámico

y no estático en el tiempo. Por otra parte, al replicar los dos modelos de 3 y 90 neuronas en dos

estaciones diferentes, no se logró encontrar resultados significativos para 3 o 6 meses estimados,

obteniendo así en promedio EMC 0.5. Una posible explicación de esto podría deberse a que si bien

el fenómeno de sequía es similar en las diferentes estaciones, la utilización de dos modelos de 3 y

90 neuronas podría requerir de los mismos valores de (SPI-3) para cada una de las estaciones. En

consecuencia, la utilización de las RNA en el presente estudio cumplió un único propósito y era

determinar el SPI de 3 meses para el primer semestre del año 2017 en la estación del municipio de

Motavita para la elaboración de los escenarios de riesgo.

Los modelos seleccionados de RNA en el presente estudio trabajaron únicamente con información

de series de tiempo de SPI-3 para el municipio de Motavita. Los cuales no permiten que al entrenar

la serie de tiempo mediante el Perceptrón Multicapa, el modelo logre almacenar patrones o

caracteres de clasificación basados en las diferentes configuraciones de capas ocultas realizadas

mediante ensayo y error. Por ende, estos inconvenientes mencionados anteriormente dificultan el

establecimiento de una metodología patrón o estándar con respecto al pronóstico de SPI-3 en

diferentes estaciones que usen series de tiempo climatológicas.

99

Al analizar desde una perspectiva social y humana los posibles impactos de la ocurrencia de

sequías en el área de estudio y específicamente en el municipio de Motavita, se concluye bajo los

resultados de la gestión del riesgo (mapas de amenaza, vulnerabilidad y riesgo) que los fenómenos

de sequía identificados y descritos previamente no constituyen la principal causa del

desabastecimiento, falta de acceso o escasez de agua de este municipio perteneciente al

departamento de Boyacá. No obstante, la aparición de fenómenos de sequía podría requerir de la

participación de las entidades gubernamentales y de la población en general en los procesos de

manejo, preservación y conservación de manera eficiente de los cuerpos de agua y del medio

natural que allí se localiza, de lo contrario podríamos estar hablando de una acentuación o

incremento de problemáticas ya mencionadas con altas pérdidas para el ecosistema y la población

Motavitense.

Por último, una posible explicación de las problemáticas descritas previamente teniendo en cuenta

los últimos planes de desarrollo del municipio de Motavita, podría estar relacionadas con el

aumento o incremento de manera sostenida e irracional en la demanda de agua, principalmente

para uso doméstico, agrícola, minero y ganadero por parte de la población y de las actividades

económicas que allí se realizan. Por tal razón, es necesario crear conciencia por parte de la

comunidad sobre las actividades que allí se llevan desarrollando, las cuales incidirán a largo plazo

en el desarrollo sostenible de esta población frente a los recursos hídricos que en futuro podrían

llegar a desarrollar.

6.2 Recomendaciones

La creación y utilización de la presente metodología podrá requerir de una serie de ajustes y/o

consideraciones por parte de expertos de diferentes ramas de las ciencias de la tierra y del saber

tales como la meteorología, hidrología, edafología, inteligencia artificial, gestión del riesgo, entre

otros. Por tal razón, se considera fundamental exponer las diferentes recomendaciones a tener en

cuenta al momento de realizar una evaluación y pronóstico de fenómenos de sequía bajo esta

metodología desarrollada desde una perspectiva científica y académica.

Recomendaciones desde la aplicación:

• Utilizar series de tiempo que contengan registros históricos continuos iguales o mayores a

30 años con información debidamente completa para analizar a mayor profundidad el

comportamiento y evolución de las sequías.

• Estimar mediante métodos estadísticos o de inteligencia artificial series de tiempo que

contengan registros o datos faltantes menores al 5% del total de la serie.

• Incluir parámetros propios para la evaluación de la amenaza, vulnerabilidad y riesgo que

puedan describir las condiciones específicas del lugar en aspectos como el clima, suelo,

hidrografía, población, entre otros.

100

Recomendaciones desde la metodología:

• Evaluar y comparar los indicadores de sequía como el SPI y PDSI con indicadores de

fenómenos de variabilidad climática tales como el Índice de Niño Oceánico (INO), Índice

Costero El Niño (ICEN), Índice de Oscilación Sur (IOS), entre otros.

• Incluir indicadores que permitan identificar y evaluar al detalle la relación existente entre

las fases del ciclo hidrológico (énfasis en la condensación, infiltración y escorrentía) y los

fenómenos de sequía categorizados como moderados, severos y extremos.

• Utilizar modelos de simulación que posibiliten monitorear, evaluar y pronosticar en tiempo

real el comportamiento de anomalías negativas de precipitación y/o temperatura para

establecer la ocurrencia de fenómenos de sequía.

• Emplear métodos de cálculo de evapotranspiración potencial y real que incluyan variables

del sistema climático (presión atmosférica, temperatura, humedad, velocidad y dirección

del viento, precipitación, brillo solar y nubosidad) con el propósito de conocer la

interrelación entre la atmosfera, los océanos, la superficie terrestre y las sequías.

• Implementar algoritmos de mayor robustez y complejidad pertenecientes a la inteligencia

artificial que estén fundamentadas en series de tiempo.

Recomendaciones desde la Academia:

• Incentivar a las universidades, centros de investigación y entidades del estado a la

identificación y evaluación de fenómenos de sequía desde una perspectiva crítica, técnico-

científica, social y humana comprendiendo el protagonismo de estos fenómenos en el

desarrollo económico, social, ambiental y cultural de una población-territorio.

• Reconocer la incidencias y aportes del cambio climático, la variabilidad climática y los

fenómenos de sequía provenientes del accionar del ser humano, los cuales comprometen

el desarrollo sostenible, la seguridad alimentaria y la preservación del medio natural a largo

plazo del planeta tierra.

101

BIBLIOGRAFÍA

Abramovitz, M., y Stegun, I. (1965). Handbook of Mathematical Formulas Graphs and

Mathematical Tables. US Department of Commerce, National Bureau of Standards,

Washington, DC.

Aguas de Bogotá SA ESP (2021) Glosario. (s. f.). Recuperado 1 de julio de 2021

Alcaldía de Motavita. (2000) Esquema de Ordenamiento Territorial Colombia: Motavita.

Alcaldía de Motavita. (2016). Plan de Desarrollo Municipal de Motavita 2016- 2019: Motavita,

Unidos por Motavita. Colombia: Motavita.

Alfaro, R., y Pacheco, R. (2000). Aplicación de algunos métodos de relleno a series anuales de

lluvia de diferentes regiones de Costa Rica. Tópicos meteorológicos y oceanográficos,

7(1), 1–20.

AEMET. (2018). Zona de Convergencia Intertropical (ZCIT). MeteoGlosario Visual.

Alley, W. (1984). The Palmer Drought Severity Index: Limitations and Assumptions. Journal of

Climate and Applied Meteorology, 23, 1100-1109.

Allen, R. G., Pereira, L. S., Raes, D., y Smith, M. (1998). Crop evapotranspiration-

Guidelines for computing crop water requirements-FAO Irrigation and drainage paper

56. Fao, Rome, 300(9), D05109.

Allen, R. G., Pereira, L. S., Raes, D., y Smith, M. (2006). Evapotranspiración del cultivo: Guías

para la determinación de los requerimientos de agua de los cultivos. Roma: FAO, 298(0).

Andrades, M. S., y Múñez, C. (2012). Fundamentos de climatología.

Arango, C., Dorado, J., Guzmán, D., y Ruiz, J. (2012). Cambio Climático más probable para

Colombia a lo largo del siglo XXI respecto al clima presente. Subdirección de

Meteorología–IDEAM, 1–38.

Ariza, F. J. (2002). Calidad en la producción cartográfica. Madrid: Ra-Ma.

Baillie, I. C. (2001). Soil survey staff 1999, soil taxonomy: a basic system of soil

Classification for making and interpreting soil surveys, agricultural handbook 436, Natural

Resources Conservation Service, USDA, Washington DC, USA, pp. 869.

Barboza, Ó. (2013). Calentamiento global: “la máxima expresión de la civilización petrofósil”.

Revista del CESLA. International Latin American Studies Review, 16, 35–68.

Boyacá, G. (2020). Pacto social por Boyacá: Tierra que sigue Avanzando. Plan de Desarrollo,

2023.

Brío, B. M. del, y Molina, A. S. (2001). Redes neuronales y sistemas borrosos: Introducción, teoría

y práctica / Bonifacio Martín del Brio, Alfredo Sanz

Burton, I., Kates, R.W. y White, G.F. (1978): The environment as hazard. Oxford University Press.

New York. 240 pp.

102

Cadena, M. (2005). Estudio de diversos índices de sequía para la región Caribe colombiana [PhD

Tesis]. Tesis para optar el título de Magíster en Ciencias-Meteorología. Universidad

Nacional de Colombia.

CEDEX. (2013). Elaboración y Mantenimiento de un Sistema de Indicadores Hidrológicos y

Estudios para la Identificación y Caracterización de Sequías.

CENEPRED. (2014). Manual para la Evaluación de Riesgos Originados por Fenómenos

Naturales – 2da Versión.

CEPAL. (2016, Octubre 13). Convención Marco De Las Naciones Unidas Sobre el Cambio

Climático [Text]. Observatorio del Principio 10.

CEPAL. (2019). La Agenda 2030 y los Objetivos de Desarrollo Sostenible: Una oportunidad para

América Latina y el Caribe. Objetivos, metas e indicadores mundiales. CEPAL.

CEUPE. (2021)¿Qué es la circulación atmosférica? Ceupe.

Colombia. Ministerio de Ambiente, Vivienda y Desarrollo Territorial, y Instituto de Hidrología,

Meteorologia y Estudios Ambientales (IDEAM). (2005). Atlas climatológico de Colombia.

Ideam (Instituto de Hidrología, Meteorologia y Estudios Ambientales).

Cook, E. R., Anchukaitis, K. J., Buckley, B. M., D’Arrigo, R. D., Jacoby, G. C., y Wright, W. E.

(2010). Asian Monsoon Failure and Megadrought During the Last Millennium. Science,

328(5977), 486-489.doi.org/10.1126/science.1185188

Cook, E. R., Seager, R., Heim, R. R., Vose, R. S., Herweijer, C., y Woodhouse, C. (2010).

Megadroughts in North America: Placing IPCC projections of hydroclimatic change in a

long-term palaeoclimate context. Journal of Quaternary Science, 25(1), 48-61.

doi.org/10.1002/jqs.1303

Cook, E. R., Seager, R., Kushnir, Y., Briffa, K. R., Büntgen, U., Frank, D., Krusic, P. J., Tegel,

W., Schrier, G. van der, Andreu-Hayles, L., Baillie, M., Baittinger, C., Bleicher, N., Bonde,

N., Brown, D., Carrer, M., Cooper, R., Čufar, K., Dittmar, C., … Zang, C. (2015). Old

World megadroughts and pluvials during the Common Era. Science Advances, 1(10),

e1500561. doi.org/10.1126/sciadv.1500561

CNULDS (1994). Convención Internacional de Lucha Contra la Desertificación en los países

afectados por sequía grave o desertificación, en particular en África.

Decreto 919 de 1989. Por cual se organiza el Sistema Nacional para la Prevención y

Atención de Desastres y se dictan otras disposiciones. 1 de Mayo de 1989. Diario Oficial

No 38.799

ESE Centro de Salud de Motavita. (2020). Análisis de situación de salud con el modelo de los

determinantes sociales de salud, municipio de Motavita Boyacá 2020

Estrategia Internacional para la Reducción de Desastres de Naciones Unidas -UNISDR.

(2009).Terminología sobre reducción del riesgo de desastre. Ginebra: UN.

Estupiñán, A., y Carvajal-Serna, L. F. (2014). Evaluación de las tendencias de largo plazo en la

precipitación en la cuenca del rio Aburra (Medellín-Colombia) durante el período 1981-

2017

Evans, J., y Perlman, H. (2014). The water cycle. United States Geological Survey.

103

Fajardo Rojas, A. E. (2019). Variabilidad climática y disponibilidad hídrica en los valles de Ubaté,

Chiquinquira y Alto Chicamocha, Colombia. Acta Agronómica, 68(3), 182-195.

doi.org/10.15446/acag.v68n3.69082

FAO, I., y PNUMA, I. (1999). El futuro de nuestra tierra, enfrentando el desafío guía para la

planificación integrada para el desarrollo sostenible de los recursos de la tierra. Roma,

Italia.

FAO. (2013). Afrontar la escasez de agua: Un marco de acción para la agricultura y laseguridad

alimentaria. FAO.

Fondear. (s.f). Los Alisios. http://www.fondear.org/infonautic/Mar/Meteo/Alisios/Alisios.htm

Gencat. (2009). La Cumbre de Johannesburgo (2002). Departamento de Territorio y

Sostenibilidad.

Gómez, C. E. [et al. (2010). Protocolo de degradación de suelos y tierras por desertificación.

IGAC; IDEAM; MAVDT.

Gómez, J., y Cadena, M. C. (2017). Actualización de las estadísticas de la sequía en Colombia.

Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM.

Guttman, N.B., 1998: Comparing the Palmer Drought Index and the Standardized

Precipitation Index. Journal of the American Water Resources Association, 34:113–121,

doi:10.1111/j.1752-1688.1998.tb05964.

Guttman, N. B. (1999). Accepting the Standardized Precipitation Index: A CalculationAlgorithm1.

JAWRA Journal of the American Water Resources Association, 35(2), 311-322.

doi.org/10.1111/j.1752-1688.1999.tb03592.x

Heim Jr, R. R. (2002). A review of twentieth-century drought indices used in the United

States. Bulletin of the American Meteorological Society, 83(8), 1149-1166.

Hendon, H. H., y Salby, M. L. (1994). The life cycle of the Madden–Julian oscillation.

Journal of Atmospheric Sciences, 51(15), 2225-2237.

Hurtado, G. (1996) Estadísticas de sequías y heladas meteorológicas en Colombia. IDEAM.

Hurtado, G., y Cadena, M. C. (2002). Aplicación de índices de sequía en Colombia. Universidad

Nacional de Colombia. Departamento de Geociencias.

IDEAM. (2010). Estudio nacional del agua 2010. instname:Unidad Nacional para la Gestión del

Riesgo de Desastres.

IDEAM. (2012). Sequía Meteorológica y sequía Agrícola en Colombia incidencias y tendencias

IDEAM, Estudio Nacional del Agua 2014. Bogotá, D. C., 2015. 496 páginas.

IDEAM, U.D.C.A 2015. Síntesis del estudio nacional de la degradación de suelos por erosión en

Colombia - 2015. IDEAM - MADS.Bogotá D.C., Colombia., 62 págs. Publicación

aprobada por el IDEAM, Diciembre de 2015, Bogotá D.C., Colombia.

IDEAM, CAR y U.D.C.A, 2017. Protocolo para la identificación y evaluación de la degradación

de suelos por salinización. IDEAM.

IDEAM - UNAL, Variabilidad Climática y Cambio Climático en Colombia, Bogotá, D.C.,

104

2018.

IDEAM (2019). Estudio Nacional del Agua 2018. Bogotá: Ideam: 452 pp.

IDEAM. (2019). Glosario Meteorológico.

IGAC. (2005). Estudio General de Suelos y Zonificación de Tierras del Departamento de

Boyacá.

IGAC. (2016). Metodología Elaborar y Actualizar Áreas Homogéneas de Tierras con Fines

Multipropósito.

Intergubernamental de Expertos sobre el Cambio Climático. (1997). Introducción a los modelos

climáticos simples utilizados en el Segundo Informe de Evaluación del IPCC.

Inter-American Development Bank. (2018). Proceso Regional de las Américas: Foro Mundial del

Agua 2018: Informe regional América Latina y el Caribe: Resumen ejecutivo. Inter-

American Development Bank.doi.org/10.18235/0001028

Intergubernamental de Expertos sobre el Cambio Climático. (2019). Calentamiento

globalde1,5°C.

IPCC, 1997: Grupo intergubernamental de expertos sobre el cambio climático, y

Intergovernmental Panel on Climate Change (Eds.). (1997). Introducción a los modelos

climáticos simples utilizados en el segundo informe de evaluación del IPCC An

introduction to simple climate models used in the IPCC second assessment report. IPCC.

IPCC, 2012: “Resumen para responsables de políticas”en el Informe especial sobre la gestión de

los riesgos de fenómenos meteorológicos extremos y desastres para mejorar la adaptación

al cambio climático [edición a cargo de C. B. Field, C. B., V. Barros, T. F. Stocker, D. Qin,

D. J. Dokken, K. L. Ebi, M. D. Mastrandrea, K. J. Mach, G. -K. Plattner, S. K. Allen, M.

Tignor, y P. M. Midgley]. Informe especial de los Grupos de trabajo I y II del Grupo

Intergubernamental de Expertos sobre el Cambio Climático, Cambridge University Press,

Cambridge, Reino Unido y Nueva York, Nueva York, Estados Unidos de América, págs.

1-19

ISO/IEC Guide (2009). Frequency 3.6.1.5. The Risk Management Vocabulary.

Izaurieta, F., y Saavedra, C. (2000). Redes neuronales artificiales. Departamento de Física,

Universidad de Concepción Chile.

Ley 1523 de 2012. Por la cual se adopta la política nacional de gestión del riesgo de desastres y se

estableces el Sistema Nacional de Gestión del Riesgo de Desastres y se dictan otras

disposiciones. 24 de Abril de 2012. Diario Oficial No. 48.411

Kharraz, J. E., El-Sadek, A., Ghaffour, N., y Mino, E. (2012). Water scarcity and drought in

WANA countries. Procedia Engineering, 33, 14-29.

doi.org/10.1016/j.proeng.2012.01.1172

Kohonen, T. (1988). An introduction to neural computing. Neural Networks, 1(1), 3-16.

doi.org/10.1016/0893-6080 (88)90020-2

Kumar, M. N., Murthy, C. S., Sai, M. V. R. S., y Roy, P. S. (2009). On the use of Standardized

Precipitation Index (SPI) for drought intensity assessment. Meteorological Applications,

16(3), 381-389.doi.org/10.1002/met.136

105

Leyva Franco, P. ed. (1998). El medio ambiente en Colombia. IDEAM.

Li, J., y Heap, A. D. (2011). A review of comparative studies of spatial interpolation methods in

environmental sciences: Performance and impact factors. Ecological Informatics, 6(3),

228-241. doi.org/10.1016/j.ecoinf.2010.12.003

López, R. F., Fernandez, J. M., y Fernández, J. M. F. (2008). Las Redes Neuronales Artificiales.

Netbiblo.

Lozano, H., y Caicedo, H. (2019). Caja de herramientas: Incorporando la gestión del riesgo de

desastres y la adaptación al cambio climático en proyectos de inversión pública.

Masih, I., Maskey, S., Mussá, F., y Trambauer, P. (2014). A review of droughts on the African

continent: A geospatial and long-term perspective. Hydrology and Earth System Sciences,

18, 3635-3649. doi.org/10.5194/hess-18-3635-2014

Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Universidad

Tecnológica Nacional, México, 41.

Mayorga, R., y Hurtado. (2006). La sequía en Colombia. Instituto de Hidrología, Meteorología y

Estudios Ambientales – IDEAM.

McKee, T. B., Doesken, N. J., y Kleist, J. (1993). The Relationship of Drought Frequency and

Duration to Time Scales

Meehl, G., Stocker, T., Collins, W., Friedlingstein, P., Gaye, A., JM, G., Kitoh, A., Knutti, R., JM,

M., Noda, A., Raper, S., Watterson, I. G., Weaver, A., y Zhao, Z.-C. (2007). Global Climate

Projections. En Climate Change (Vol. 3495).

Miyamoto, B. C. B. (2017). Impactos econômicos de eventos extremos de precipitação na

agricultura brasileira.

Montealegre, J. (2009). Estudio de la variabilidad climática de la precipitación en Colombia

asociada a procesos oceánicos y atmosféricos de meso y gran escala. Disponible desde

Internet en: http://institucional. Ideam. gov. co/jsp/812

Morales, M. S., Cook, E. R., Barichivich, J., Christie, D. A., Villalba, R., LeQuesne, C., Srur,

A.M., Ferrero, M. E., González-Reyes, Á., Couvreux, F., Matskovsky, V., Aravena, J. C.,

Lara, A., Mundo, I. A., Rojas, F., Prieto, M. R., Smerdon, J. E., Bianchi, L. O., Masiokas,

M. H.,… Boninsegna, J. A. (2020). Six hundred years of South American tree rings reveal

an increase in severe hydroclimatic events since mid-20th century. Proceedings of the

National Academy of Sciences, 117(29), 16816-16823. doi.org/10.1073/pnas.2002411117

Munt, A. M. (2018). Introducción a los modelos de redes neuronales artificiales El Perceptrón

simple y multicapa. 47.

Naciones Unidas. (1992). Convención Marco de las Naciones Unidas sobre el Cambio Climático

Naciones Unidas. (1997). El protocolo de Kioto | Naciones Unidas. United Nations; United

Nations.

Naciones Unidas. (2015). El Acuerdo de París | Naciones Unidas. United Nations; United

Nations.

106

NDMC. (2003). Sequía. National Drought Mitigation Center.

NDMC.(2018).SPIGenerator.exe. Windows. Estados Unidos: National Drought Mitigation

Center.

Núñez, S., Núñez, L., Podestá, G., y Skansi, M. (2005). El índice estandarizado de precipitación

como herramienta para la caracterización y el monitoreo de la sequía: Una prueba de

concepto. XIX Congreso Argentino de Meteorología. Buenos Aires.

Oficina de las Naciones Unidas para Reducción de Riesgo de Desastres. (2009). 2009 UNISDR:

Terminología sobre reducción del riesgo de desastres. Issuu.

OMM. (1992). International meteorological vocabulary. Secretariat of the World Meteorological

Organization.

Organización Meteorológica Mundial (OMM). (1992). Tercer Plan a largo plazo de la OMM,

política y estrategia generales 1992-2001—Tercer plan a largo plazo de la OMM, parte I.

OMM.

Organización Meteorológica Mundial (OMM). (1997). Organización Meteorológica Mundial—

Informe Anual 1996 (N.o 859; p. 60).

OMM. (2006). Drought monitoring and early warning: concepts, progress and future challenges.

OMM. (2012). Índice normalizado de precipitación, Guía del Usuario OMM. Organización

Meteorológica Mundial Ginebra.

Organización de las Naciones Unidas (ONU). (1992). La declaración del Río sobre el Medio

Ambiente y el Desarrollo.

Ortega-Gaucin, D. (2012). Sequía en Nuevo León: Vulnerabilidad, Impactos Y Estrategias de

Mitigación. Instituto Del Agua De N.l.

Organización Meteorológica Mundial (OMM) y Asociación Mundial para el Agua (2016):

Manual de indicadores e índices de sequía (M. Svoboda y B.A. Fuchs). Programa de

gestión integrada de sequías, Serie 2 de herramientas y directrices para la gestión integrada

de sequías. Ginebra.

Pachauri, R. K., Meyer, L. A., y Stocker, T. (2014). IPCC 2014: Cambio climático 2014:

Informe de síntesis. Contribución de los Grupos de Trabajo I. II y III al Quinto Informe de

evaluación del panel intergubernamental sobre el cambio climático. IPCC, Ginebra, CHE.

Páez, S. R., y Morales, R. (2003). Evidencias de la oscilación del tiempo Madden y Julián

en el Caribe colombiano. Boletín Científico CIOH, (21), 101-113.

Palmer, W. C. (1965). Meteorological Drought. U.S. Department of Commerce, Weather Bureau.

Pardo, A., y Camila, L. (2018). Evaluación de la sostenibilidad en el manejo del recurso hídrico

según en la metodología «City Blueprint Framework» en la cuenca alta del rio chicamocha.

Peel, M. C., Finlayson, B. L., y McMahon, T. A. (2007). Updated world map of the Köppen-Geiger

climate classification. Hydrology and Earth System Sciences, 11(5), 1633-1644.

doi.org/10.5194/hess-11-1633-2007

107

Pérez Betancourt, J., Martínez Gómez, M. T., y Hernández Gelves, S. A. (2017). Evaluación inicial

sobre el status quo de los sistemas de alerta temprana contra la sequía en Colombia.

Pizarro, R., Gonzales, P., Wittersshein, M., Saavedra, J., y Soto, C. (1993). Elementos técnicos de

hidrología III. Proyecto regional mayor sobre uso y conservación de recursos hídricos en

áreas rurales de América latina y el caribe. Universidad de Talca, Talca, Chile.

Poveda, G., Mesa, O., Agudelo, P., y Alavarez, J. (2002). Influencia del ENSO, oscilación

Madden-Julian, ondas del este, huracanes y fases de la luna en el ciclo diurno de

precipitación en los Andes Tropicales de Colombia. Meteorología Colombiana.

Quesada, M. E., y Waylen, P. R. (2012). Annual and Seasonal Hydrological Differences in

Adjacent Regions: A Study of the Virilla and Grande de San Ramon River Basins (Costa

Rica). Cuadernos de Geografía: Revista Colombiana de Geografía, 21(2), 167-175.

Ravelo, A. (1990). Manual Teórico Operativo del Índice de Sequía de Palmer. Revista

Geofísica, 39, 85–99.

Rodríguez I. 2001. Taller de Capacitación en Aspectos Básicos de la Ciencia del Suelo y

Clasificación de la Capacidad de uso de la Tierra. Universidad Nacional Agraria. Proyecto

Manejo Sostenible de los Recursos Naturales en el Sur Oeste de Nicaragua., DR-GTZ.

Managua, Nicaragua. 208 p.

Ruíz Murcia, J. F., Serna Cuenca, J., y Zapata Lesmes, J. H. (2017). Atlas de viento de

Colombia. IDEAM, Unidad de Planeación Minero Energético (UPME).

Saaty T. L. (1980). The Analytic Hierarchy Process, McGraw-Hill Book Co., N.Y.

SANTOS PEREIRA, L., VALERO, J., PICORNELL, M., y TARJUELO, J. (2010).

El riego y sus tecnologías. CREA-UCLM (1ra edición en castellano), ISBN, 13, 978-84.

Sánchez, P., y Velásquez, J. D. (2010). Problemas de investigación en la predicción de series de

tiempo con redes neuronales artificiales. Revista Avances en Sistemas e Informática, 7(3),

67–73.

Sarochar, H. (2013). Introduccion A La Meteorologia I | Niebla | Lluvia. Scribd.

Sanga Tito, D. A. (2019). Cambio Climático. Universidad Autónoma San Francisco.

Servicio Meteorológico Mundial. (2020). Oscilaciones: el mundo en movimiento.

Shaxson, F., y Barber, R. (2005). Optimización de la humedad del suelo para la producción

vegetal. El significado de la porosidad del suelo

Steduto, P., Hsiao, T. C., Fereres, E., y Raes, D. (2012). Respuesta del rendimiento de los cultivos

al agua. Estudio FAO: Riego y Drenaje (FAO) spa no. 66.

Tercera Comunicación Nacional de Cambio Climático. IDEAM, PNUD, MADS, DNP,

Cancillería, “Conocer: El primer paso para adaptarse. Guía básica de conceptos sobre el

cambio climático” 2016

Thom, H. C. (1958). A note on the gamma distribution. Monthly Weather Review, 86(4), 117122.

Thornthwaite, C. W. (1948). An approach toward a rational classification of climate. Geographical

review, 38(1), 55–94.

108

Thornthwaite, C. W and Mather, J.R. 1957. Instructions and tables for computing potential

evapotranspiration and the water balance. Drexel Institute of Technology. Climatology.

10(3):185-311.

Torres, L. G. (1994). Redes neuronales y aproximación de funciones. Boletín de Matemáticas,

1(2), 35-58.

Torres Pineda, C. E. (2012). Efecto de las ondas Madden-Julián en la precipitación sobre algunas

regiones del territorio colombiano. Departamento de Geociencias.

Torregrosa, V. (2014). Diccionario etimológico de meteorología y ciencias afines.

UNGRD Motavita. (2012). Plan Municipal de Gestión del Riesgo de Desastres. Municipio de

Motavita Boyacá.https://repositorio.gestiondelriesgo.gov.co/handle/20.500.11762/28453

Unidad Nacional para la Gestión del Riesgo de Desastres

UNGRD. (2014). Plan Nacional de Contingencia ante el fenómeno del Niño 2014-2015.

UNGRD Motavita. (2016). Plan Municipal de Gestión del Riesgo de Desastres. Municipio de

Motavita Boyacá.

UNGRD. (2016). Plan Nacional de Contingencia para la segunda temporada de lluvias y posible

Fenómeno La Niña 2016- 2018.

UNGRD. (2016). Plan Nacional de Contingencia para Temporada Seca: 15 Dic 2016 – 15 Marzo

2017.

UNGRD. (2017). Terminología sobre Gestión del Riesgo de Desastres y Fenómenos

Amenazantes. Unidad Nacional para la Gestión del Riesgo de Desastres.

UNGRD. (2017). Estrategias de perspectivas estacionales de sequía para tomar decisiones

apropiadas y oportunas en el campo de la agricultura y los recursos hídricos. Unidad

Nacional para la Gestión del Riesgo de Desastres

UNGRD, El Instituto de Hidrología, Meteorología y Estudios Ambientales, Ministerio de

Ambiente, Cancillería, The Global Mechanism, y Organización de las Naciones Unidas.

(2018). Estrategia Nacional para la Gestión Integral de la sequía en Colombia.

UNGRD. (2018). Atlas de riesgo de Colombia: Revelando los desastres latentes. Unidad Nacional

para la Gestión del Riesgo de Desastres.

Velasco, I., Ochoa, L., y Gutiérrez, C. (2005). Sequía, un problema de perspectiva y gestión.

Región y sociedad, 17(34), 35-71.

Villón, M. (2006). Hidrología estadística. Costa Rica: Tecnológica de Costa Rica.

Weninger, B., Clare, L., Gerritsen, F., Horejs, B., Krauß, R., Linstädter, J., Özbal, R., y

Rohling, E. (2014). Neolithisation of the Aegean and Southeast Europe during the 6600–

6000 calBC period of Rapid Climate Change. Documenta Praehistorica, 41, 1-31.

doi.org/10.4312/dp.41.1

Wells, N., S. Goddard and M.J. Hayes, 2004: A self-calibrating Palmer Drought Severity

Index. Journal of Climate, 17: 2335–2351.doi:10.1175/1520-0442 (2004)017.

W. E. Marlatt, A. V. Havens, N. A. Willets, and G. D. Brill, “A Comparison of Computed

109

and Measured Soil Moisture under Snap Beans,” Journal of Geophysical Research, vol. 66,

No. 2, Feb. 1961, pp. 535-541.

Wilhite, D. A., y Glantz, M. H. (1985). Understanding: The Drought Phenomenon: The Role of

Definitions. Water International, 10(3), 111-120.doi.org/10.1080/02508068508686328.

Wilhite, D. A., Svoboda, M. D., y Hayes, M. J. (2006). Understanding the complex impacts of

drought: A key to enhancing drought mitigation and preparedness. Water resources

management, 21(5), 763–774.

Witten, I. H., Frank, E., Hall, M. A., y Pal, C. J. (2016). Data Mining: Practical Machine Learning

Tools and Techniques.

Witten, I.H., Frank, E., Trigg, L., Hall, M., Holmes, G. y Cunningham, S.J. (1999). Weka:

Practical machine learning tools and techniques with Java implementations. (Working

paper 99/11). Hamilton, New Zealand: University of Waikato, Department of Computer

Science.

Yuan, S., Quiring, S. M., y Patil, S. (2016). Spatial and temporal variations in the accuracy of

meteorological drought indices. Cuadernos de Investigación Geográfica, 42(1), 167-183.

doi.org/10.18172/cig.2916.

110

ANEXOS

Anexo 1

Tabla A1.1: Media de la duración mensual posible de la luz solar en el hemisferio norte expresada en 12 horas.

Latitud Norte Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

0 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2

1 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2

2 31.2 28.2 31.2 30.3 31.5 30.6 31.2 31.2 30.3 31.2 30.0 30.9

3 30.9 28.2 30.9 30.3 31.5 30.6 31.5 31.2 30.3 31.2 30.0 30.9

4 30.9 27.9 30.9 30.6 31.8 30.9 31.5 31.5 30.3 30.9 30.0 30.6

5 30.6 27.9 30.9 30.6 31.8 30.9 31.8 31.5 30.3 30.9 29.7 30.6

6 30.6 27.9 30.9 30.6 31.8 31.2 31.8 31.5 30.3 30.9 29.7 30.3

7 30.3 27.6 30.9 30.6 32.1 31.2 32.1 31.8 30.3 30.9 29.7 30.3

8 30.3 27.6 30.9 30.9 32.1 31.5 32.1 31.8 30.6 30.6 29.4 30.0

9 30.0 27.6 30.9 30.9 32.4 31.5 32.4 31.8 30.6 30.6 29.4 30.0

10 30.0 27.3 30.9 30.9 32.4 31.8 32.4 32.1 30.6 30.6 29.4 29.7

11 29.7 27.3 30.9 30.9 32.7 31.8 32.7 32.1 30.6 30.6 29.1 29.7

12 29.7 27.3 30.9 31.2 32.7 32.1 33.0 32.1 30.6 30.3 29.1 29.4

13 29.4 27.3 30.9 31.2 33.0 32.1 33.0 32.4 30.6 30.3 28.8 29.4

14 29.4 27.3 30.9 31.2 33.0 32.4 33.3 32.4 30.6 30.3 28.8 29.1

15 29.1 27.3 30.9 31.2 33.3 32.4 33.6 32.4 30.6 30.3 28.5 29.1

16 29.1 27.3 30.9 31.2 33.3 32.7 33.6 32.7 30.6 30.3 28.5 28.8

17 28.3 27.3 30.9 31.5 33.6 32.7 33.9 32.7 30.6 30.0 28.2 28.8

18 28.8 27.0 30.9 31.5 33.6 33.0 33.9 33.0 30.6 30.0 28.2 28.5

19 28.5 27.0 30.9 31.5 33.9 33.0 34.2 33.0 30.6 30.0 27.9 28.5

20 28.5 27.0 30.9 31.5 33.9 33.3 34.2 33.3 30.6 30.0 27.9 28.2

21 28.2 27.0 30.9 31.5 33.9 33.3 34.5 33.3 30.6 30.0 27.6 28.2

22 28.2 26.7 30.9 31.8 34.2 33.6 34.5 33.3 30.6 29.7 27.6 27.9

23 27.9 26.7 30.9 31.8 34.2 33.9 34.8 33.6 30.6 29.7 27.6 27.6

24 27.9 26.7 30.9 31.8 34.5 34.2 34.8 33.6 30.6 29.7 27.3 27.6

25 27.9 26.7 30.9 31.8 34.5 34.2 35.1 33.6 30.6 29.7 27.3 27.3

26 27.6 26.4 30.9 32.1 34.8 34.5 35.1 33.6 30.6 29.7 27.3 27.3

27 27.6 26.4 30.9 32.1 34.8 34.5 35.4 33.9 30.6 29.7 27.0 27.0

28 27.3 26.4 30.9 32.1 35.1 34.8 35.4 33.9 30.9 29.4 27.0 27.0

29 27.3 26.1 30.9 32.1 35.1 34.8 35.7 33.9 30.9 29.4 26.7 26.7

30 27.0 26.1 30.9 32.4 35.4 35.1 36.0 34.2 30.9 29.4 26.7 26.4

31 27.0 26.1 30.9 32.4 35.4 35.1 36.0 34.2 30.9 29.4 26.4 26.4

32 26.7 25.8 30.9 32.4 35.7 35.4 36.3 34.5 30.9 29.4 26.4 26.1

33 26.4 25.8 30.9 32.7 35.7 35.7 36.3 34.5 30.9 29.1 26.1 25.8

34 26.4 25.8 30.9 32.7 36.0 36.0 36.6 34.8 30.9 29.1 26.1 25.8

35 26.1 25.5 30.9 32.7 36.3 36.3 36.9 34.8 30.9 29.1 25.8 25.5

36 26.1 25.5 30.9 33.0 36.3 36.6 37.2 34.8 30.9 29.1 25.8 25.2

37 25.8 25.5 30.9 33.0 36.6 36.9 37.5 35.1 30.9 29.1 25.5 24.9

38 25.5 25.2 30.9 33.0 36.9 37.2 37.5 35.1 31.2 28.8 25.2 24.9

39 25.5 25.2 30.9 33.3 36.9 37.2 37.8 35.4 31.2 28.8 25.2 24.6

40 25.2 24.9 30.9 33.3 37.2 37.5 38.1 35.4 31.2 28.8 24.9 24.3

41 24.9 24.9 30.9 33.3 37.5 37.8 38.1 35.7 31.2 28.8 24.6 24.0

42 24.6 24.6 30.9 33.6 37.8 38.1 38.4 35.7 31.2 28.5 24.6 23.7

43 24.3 24.6 30.6 33.6 37.8 38.4 38.7 36.0 31.2 28.5 24.3 23.1

44 24.3 24.3 30.6 33.6 38.1 38.7 39.0 36.0 31.2 28.5 24.0 22.8

45 24.0 24.3 30.6 33.9 38.4 38.7 39.3 36.3 31.2 28.2 23.7 22.5

Fuente: Thornthwaite y Mather (1957)

111

Tabla A1.2: Media de la duración mensual posible de la luz solar en el hemisferio sur expresada en 12 horas.

Latitud

Sur

Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

0 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2

1 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2

2 31.5 28.2 31.2 30.3 30.9 30.0 31.2 31.2 30.3 31.2 30.6 31.5

3 31.5 28.5 31.2 30.0 30.9 30.0 30.9 31.2 30.0 31.2 30.6 31.5

4 31.8 28.5 31.2 30.0 30.9 29.7 30.9 30.9 30.0 31.5 30.6 31.8

5 31.8 28.5 31.2 30.0 30.6 29.7 30.6 30.9 30.0 31.5 30.9 31.8

6 31.8 28.8 31.2 30.0 30.6 29.4 30.6 30.9 30.0 31.5 30.9 32.1

7 32.1 28.8 31.2 30.0 30.6 29.4 30.3 30.6 30.0 31.5 30.9 32.4

8 32.1 28.6 31.5 29.7 30.3 29.1 30.3 30.6 30.0 31.8 31.2 32.4

9 32.4 29.1 31.5 29.7 30.3 29.1 30.0 30.6 30.0 31.8 31.2 32.7

10 32.4 29.1 31.5 29.7 30.3 28.8 30.0 30.3 30.0 31.8 31.5 33.0

11 32.7 29.1 31.5 29.7 30.0 28.8 29.7 30.3 30.0 31.8 31.5 33.0

12 32.7 29.1 31.5 29.7 30.0 28.5 29.7 30.3 30.0 31.8 31.8 33.3

13 33.0 29.4 31.5 29.4 29.7 28.5 29.4 30.0 30.0 32.1 31.8 33.3

14 33.3 29.4 31.5 29.4 29.7 28.2 29.4 30.0 30.0 32.1 32.1 33.6

15 33.6 29.4 31.5 29.4 29.4 28.2 29.1 30.0 30.0 32.1 32.1 33.6

16 33.6 29.7 31.5 29.4 29.4 27.9 29.1 30.0 30.0 32.1 32.1 33.9

17 33.9 29.7 31.5 29.4 29.1 27.9 28.8 29.7 30.0 32.1 32.4 33.9

18 33.9 29.7 31.5 29.1 29.1 27.6 28.8 29.7 30.0 32.4 32.4 34.2

19 34.2 30.0 31.5 29.1 28.8 27.6 28.5 29.7 30.0 32.4 32.7 34.2

20 34.2 30.0 31.5 29.1 28.8 27.3 28.5 29.7 30.0 32.4 32.7 34.5

21 34.5 30.0 31.5 29.1 28.8 29.3 28.2 29.7 30.0 32.4 32.7 34.5

22 34.5 30.0 31.5 29.1 28.5 27.0 28.2 29.4 30.0 32.7 33.0 34.8

23 34.8 30.3 31.5 28.8 28.5 26.7 27.9 29.4 30.0 32.7 33.0 35.1

24 35.1 30.3 31.5 28.8 28.2 26.7 27.9 29.4 30.0 32.7 33.3 35.1

25 35.1 30.3 31.5 28.8 28.2 26.4 27.9 29.4 30.0 33.0 33.3 35.4

26 35.4 30.6 31.5 28.8 28.2 26.4 27.6 29.1 30.0 33.0 33.6 35.4

27 35.4 30.6 31.5 28.8 27. 9 26.1 27.6 29.1 30.0 33.3 33.6 35.7

28 35.7 30.6 31.8 28.5 27.9 25.8 27.3 29.1 30.0 33.3 33.9 36.0

29 35.7 30.9 31.8 28.5 27.6 25.8 27.3 28.8 30.0 33.3 33.9 36.0

30 36.0 30.9 31.8 28.5 27.6 25.5 27.0 28.8 30.0 33.6 34.2 36.3

31 36.3 30.9 31.8 28.5 27.3 25.2 27.0 28.8 30.0 33.6 34.5 36.6

32 36.3 30.9 31.8 28.5 27.3 25.2 26.7 28.5 30.0 33.6 34.5 36.9

33 36.6 31.2 31.8 28.2 27.0 24.9 26.4 28.5 30.0 33.9 34.8 36.9

34 36.6 31.2 31.8 28.2 27.0 24.9 26.4 28.5 30.0 33.9 34.8 37.2

35 36.9 31.2 31.8 28.2 26.7 24.6 26.1 28.2 30.0 33.9 35.1 37.5

36 37.2 31.5 31.8 28.2 26.7 24.3 25.8 28.2 30.0 34.2 35.4 37.6

37 37.5 31.5 31.8 28.2 26.4 24.0 25.5 27.9 30.0 34.2 35.7 38.1

38 37.5 31.5 32.1 27.9 26.1 24.0 25.5 27.9 30.0 34.2 35.7 38.1

39 37.8 31.8 32.1 27.9 26.1 23.7 25.2 27.9 30.0 34.5 36.0 38.4

40 38.1 31.8 32.1 27.9 25.8 23.4 25.2 27.6 30.0 34.5 36.0 38.7

41 38.1 32.1 32.1 27.9 25.8 23.1 24.9 27.6 30.0 34.5 36.3 39.0

42 38.4 32.1 32.1 27.6 25.5 22.8 24.6 27.6 30.0 34.8 36.6 39.3

43 38.7 32.4 32.1 27.6 25.2 22.5 24.6 27.3 30.0 34.8 36.6 39.6

44 39.0 32.4 32.1 27.6 24.9 22.2 24.3 27.3 29.7 34.8 36.9 39.9

45 39.3 32.7 32.1 27.6 24.9 21.9 24.0 27.3 29.7 35.1 37.2 40.2

46 39.6 32.7 32.1 27.3 24.6 21.6 23.7 27.0 29.7 35.1 37.5 40.5

47 39.9 33.0 32.1 27.3 24.3 21.3 23.4 27.0 29.7 35.1 37.8 40.8

48 40.2 33.0 32.4 27.0 24.0 21.0 22.8 26.7 29.7 35.4 38.1 41.1

49 40.5 33.3 32.4 27.0 23.7 20.7 22.5 26.7 29.7 35.4 38.4 41.7

Fuente: Thornthwaite y Mather (1957)

112

Anexo 2

Tabla A2.1: Clasificación de los tipos de suelo

Tipos de suelo Abreviatura Clase textural Granulometría (%)

Arena Limo Arcilla

Suelos arenosos Texturas gruesas

A Arenoso 86-100 0-14 0-10

AF Arenoso Franco 70-86 0-30 0-15

Suelos francos

Textura moderadamente

gruesa FA Franco Arenoso 50-70 0-50 0-20

Texturas medias

F Franco 23-52 28-50 7-27

FL Franco Limoso 20-50 74-88 0-27

L Limoso 0-20 88-100 0-12

Texturas

moderadamente finas

Far Franco Arcilloso 20-45 15-52 27-40

FArA Franco Arcillo Arenoso 45-80 0-28 20-35

FArL Franco Arcillo limoso 0-20 40-73 27-40

Suelos arcillosos

Texturas finas

ArA Arcilloso Arenoso 45-65 0-20 35-55

ArL Arcilloso Limoso 0-20 40-60 40-60

Ar Arcilloso 0-45 0-40 40-100

Fuente: Baillie, 2001

Tabla A2.: Comportamiento del CC y PMP para los diferentes tipos de textura del suelo

Tipo de textura del suelo Capacidad de Campo (CC) en

𝒎𝟑/𝒎−𝟑

Punto de Marchitez Permanente (PMP) en

𝒎𝟑/𝒎−𝟑

Arenoso (0,10 – 0,15) (0,03 – 0,06)

Arenoso Franco (0,12 – 0,18) (0,04 – 0,10)

Franco Arenoso (0,17 – 0,26) (0,06 – 0,13)

Franco (0,22 – 0,31) (0,09 – 0,16)

Franco Limoso (0,23 – 0,34) (0,08 – 0,15)

Limoso (0,30 – 0,32) (0,09 – 0,11)

Franco Arcilloso (0,28 – 0,38) (0,16 – 0,22)

Franco Arenoso Arcilloso (0,32 – 0,40) (0,16 – 0,23)

Franco Arcillo Limoso (0,20 – 0,30) (0,13 – 0,19)

Arcillo Arenoso (0,28 – 0,40) (0,19 – 0,30)

Arcillo Limoso (0,38 – 0,50) (0,23 – 0,34)

Arcilloso (0,39 – 0,55) (0,30 – 0,42)

Fuente: Pereira el tal., 2010

113

APÉNDICE

Apéndice A

Información al lector: En caso de requerir el programa utilizado en el presente estudio para el cálculo del PDSI y

todos sus componentes (BHC, AWC, ETP y ETR) es posible contactarse vía e-mail al correo

[email protected]

Ejemplo 1: Calculo Manual de Evapotranspiración Potencial (ETP) Thornthwaite, año 1987 Samacá

Mes del año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

Días Teóricos 31 28 31 30 31 30 31 31 30 31 30 31

Temperatura Media

Mensual 14.3 13.8 14.4 14.3 14.3 13.7 13.2 13.8 13.8 14.2 13.6 13.9

1) Índice de calor mensual (i)

𝑖 = (𝑡

5)

1,514

𝑖 = (14.3

5)

1,514

𝑖 = 4.91

2) Índice de calor anual (I) 3) Coeficiente (a)

𝐼 = ∑ 𝑖

.→ 𝐼 = 56.69 𝑎 = (675 ∗ 10−9) ∗ 𝐼3 − (771 ∗ 10−7) ∗ 𝐼2 + (179 ∗ 10−4) ∗ 𝐼 + 0,4924

.→ 𝑎 = 1.3824

4) Evapotranspiración Potencial diaria sin corregir (ETPd sc)

𝐸𝑇𝑃𝑠𝑐 = 0.53 (10 ∗ 𝑡

𝐼)

𝑎

𝐸𝑇𝑃𝑠𝑐 = 0.53 (10 ∗ 14.3

56.69)

1.3824

𝐸𝑇𝑃𝑠𝑐 = 1.90426


Días Teóricos 30 30 30 30 30 30 30 30 30 30 30 30

ETPd sc 1.90426 1.81283 1.92269 1.90426 1.90426 1.79470 1.70479 1.81283 1.81283 1.88587 1.77662 1.83102

ETP mensual

sc 57.128 54.385 57.681 57.128 57.128 53.841 51.144 54.385 54.385 56.576 53.298 54.931

5) Evapotranspiración Potencial mensual ajustada (ETPa)

Latitud de la estación Samacá 5° 30’ 33.48” N

Latitudes a utilizar 5° y 6°

Thornthwaite y Mather (1957) al igual que (Allen et al., 1998) establecieron mediante cálculos computacionales los

posibles valores de luz solar para diferentes latitudes del Hemisferio Norte y Sur, estos valores fueron comparados

con valores teóricos o parámetros (meses de 30 días y luz solar de 12 horas). (Anexo 1)

Coeficientes de ajuste

DURACIÓN MENSUAL POSIBLE MEDIA DE LA LUZ SOLAR EN EL HEMISFERIO NORTE EXPRESADO EN UNIDADES DE 12 HORAS


5 30.6 27.9 30.9 30.6 31.8 30.9 31.8 31.5 30.3 30.9 29.7 30.6

6 30.6 27.9 30.9 30.6 31.8 31.2 31.8 31.5 30.3 30.9 29.7 30.3

DURACIÓN MEDIA POSIBLE DE LA LUZ SOLAR EN EL HEMISFERIO NORTE EXPRESADO EN UNIDADES DE 30 DÍAS DE 12 HORAS CADA UNO


5 1.02 0.93 1.03 1.02 1.06 1.03 1.06 1.05 1.01 1.03 0.99 1.02

6 1.02 0.93 1.03 1.02 1.06 1.04 1.06 1.05 1.01 1.03 0.99 1.01

Mes E F M A M J J A S O N D

1987 4.91 4.65 4.96 4.91 4.91 4.60 4.35 4.65 4.65 4.86 4.55 4.70

114

DURACIÓN POSIBLE DE LA LUZ SOLAR HORAS TOTALES EN EL HEMISFERIO NORTE PARA UN DIA


5 12.24 11.16 12.36 12.24 12.72 12.36 12.72 12.60 12.12 12.36 11.88 12.24

6 12.24 11.16 12.36 12.24 12.72 12.48 12.72 12.60 12.12 12.36 11.88 12.12

Nótese que los valores de Luz Solar en unidades de 12 horas para el mes de enero (30.6) con respecto a las latitudes

5° N y 6° N equivalen a los valores de luz solar en unidades de 30 días de 12 horas. De igual modo, tienen la misma

equivalencia con respecto a los valores de horas totales de luz mediante las siguientes ecuaciones:

Luz solar en unidades de 12 horas = 30.6

Luz solar en unidades de 30 días de 12 horas = 30.6/30 = 1.02 (valor d)

Luz solar en unidades de horas totales = 1.02*12 = 12.24 (valor N)

Es posible la utilización de cualquiera de las tablas mencionadas anteriormente para la corrección de la

Evapotranspiración Potencial del método propuesto por Thornthwaite:

𝐸𝑇𝑃 = 𝐸𝑇𝑃𝑠𝑐 ∗ (𝑁

12∗

𝑑

30)

La latitud de la estación Samacá se encuentra localizada entre las latitudes 5° y 6°. Por lo cual, se opta por tomar como

valores de ajuste el promedio de estas dos latitudes, quedando finalmente los siguientes valores de evapotranspiración

potencial mensual ajustada:


Coeficiente 30.6 27.9 30.9 30.6 31.8 31.05 31.8 31.5 30.3 30.9 29.7 30.45

ETPd sc 1.90426 1.81283 1.92269 1.90426 1.90426 1.79470 1.70479 1.81283 1.81283 1.88587 1.77662 1.83102

ETP mensual

ajustada 58.27033 50.57808 59.41120 58.27033 60.55544 55.72542 54.21227 57.10428 54.92888 58.27353 52.76547 55.75455


Coeficiente 1.02 0.93 1.03 1.02 1.06 1.04 1.06 1.05 1.01 1.03 0.99 1.02

ETP mensual

sc 57.128 54.385 57.681 57.128 57.128 53.841 51.144 54.385 54.385 56.576 53.298 54.931

ETP mensual

ajustada 58.27033 50.57808 59.41120 58.27033 60.55544 55.72542 54.21227 57.10428 54.92888 58.27353 52.76547 55.75455

Nótese que en este caso los valores de ETP mensual ajustada son los mismos utilizando la luz solar en unidades de 12

horas y la luz solar en unidades de 30 días de 12 horas.

Ejemplo 2: Calculo manual de los valores AWC para la estación Samacá

El cálculo del valor de AWC está fundamentado en la ecuación 𝐴𝑊𝐶 = 1000(𝐶𝐶 − 𝑃𝑀𝑃) ∗ (𝑍𝑟) en donde CC es la

Capacidad de Campo, PMP es el Punto de Marchitez Permanente y Zr es la Profundidad Efectiva del suelo también

denominado en algunas ocasiones como la profundidad efectiva de las raíces de las plantas o la profundidad radicular

de los cultivos. Sin embargo, se debe de guardar precaución con el término profundidad radicular de los cultivos, ya

que la profundidad radicular de los cultivos puede variar dependiendo de la etapa del cultivo.

Los suelos pueden encontrarse a nivel general en diferentes estados tales como lo menciona (Baillie, 2001).

Asociación: Se habla de asociación cuando dos o más taxones claramente diferenciables cumplen la condición de

compartir un único patrón regular de distribución que los hace separables entre sí.

Complejo: El término complejo hace referencia a dos o más taxones no diferenciables entre sí, imposibilitando la

identificación de un patrón regular o estándar que permita su separación y diferenciación.

Consociación: La consociación es la identificación clara de un taxón o suelo patrón en un área definida, incluyendo

los suelos erosionados (misceláneo erosionado).

115

Los términos asociación, complejo y consociación permiten establecer si el valor a calcular AWC debe ser ponderado

de acuerdo a sus horizontes y las áreas de las diferentes UCS. Por ejemplo, un suelo con la categoría consociación

podría requerir de un solo perfil y una única clase textural. Por lo cual, es posible aplicar la fórmula de AWC de

manera directa sin necesidad de realizar ponderaciones o ajustes.

En el caso de las asociaciones y complejos, se recomienda trabajar con Unidades Cartográficas del Suelo (UCS), las

cuales agrupen una serie de características edafológicas tales como: textura, porosidad, drenaje, densidad aparente,

densidad real, estructura, permeabilidad, entre otras. Sumado a esto, en caso de tratarse de suelos con alta extensión

territorial (hectáreas o millas cuadradas) lo recomendable es utilizar ponderaciones o pesos de aquellos suelos de

mayor relevancia o representatividad.

A continuación, se realiza la explicación paso a paso del cálculo de la variable AWC perteneciente a la UCS tipo

complejo AHE del municipio de Samacá teniendo en cuenta el anexo 2.

𝐴𝑊𝐶 = 1000(𝐶𝐶 − 𝑃𝑀𝑃) ∗ (𝑍𝑟)

UCS Componente

Taxonómico Perfil

Profundidad Efectiva

Espesor

Horizonte (metros)

Textura

del suelo

Capacidad de

Campo (CC)

Punto de marchitez

permanente (PMP)

(AWC)

(mm)

AWC

Total mm

AHE

Andic

Dystrudepts

(40%)

B-150

Profunda

0.3 FA 0.215 0.095 36

183.9 0.2 FA 0.215 0.095 24

0.18 FA 0.215 0.095 21.6

0.62 FArA 0.36 0.195 102.3

Explicación: la cuarta columna llamada profundidad efectiva establece que la profundidad efectiva del perfil B -150

perteneciente al componente taxonómico “Andic Dystrudepts” es tipo “profunda” por lo cual. Las raíces de las plantas

podrán acceder con facilidad al agua hasta una profundidad que este situada entre los 100 a 150 centímetros. Esta

información permite deducir que todos los horizontes que estén dentro de este intervalo serán incluidos en el cálculo

del AWC, quedando la siguiente explicación:

La Profundidad Efectiva del suelo (Zr) está definida en el intervalo (100 cm ≥ Zr ≤ 150 cm) la cual a su vez incluye

la sumatoria (∑) del espesor de los horizontes del perfil (30 cm + 20 cm + 18 cm + 62 cm = 130 cm). Por lo cual, una

vez establecidos los valores de Zr estos se convierten a metros para poder ser operados posteriormente en las mismas

unidades de las variables CC y PMP (𝒎𝟑

𝒎−𝟑), quedando así el cálculo del AWC en milímetros para cada uno de los

horizontes que luego al sumarse se obtiene el valor final del AWC perteneciente al perfil B - 150.

Otro de los aspectos a tomar en cuenta es que si bien la Capacidad de Campo (CC) y el Punto de Marchitez Permanente

(PMP) están definidos en un intervalo, es necesario tomar un solo valor de CC y PMP para aplicarlo a la formula final

de AWC, en este caso se toma el valor medio de los intervalos de CC y PMP. (Anexo 2)

Una vez obtenido el valor de AWC del perfil B – 150 se procede a calcular el valor de AWC perteneciente al perfil

B -149, obteniendo finalmente los valores de AWC correspondientes a la UCS (AHE).

UCS Componente Taxonómico

Perfil

Profundidad

Efectiva

Espesor

Horizonte

(metros)

Textura del suelo

Capacidad de Campo (CC)

Punto de marchitez permanente (PMP)

(AWC) (mm)

AWC por

perfil

(mm)

AHE

Andic

Dystrudepts

(40%)

B-150

Profunda

0.3 FA 0.215 0.095 36

183.9 0.2 FA 0.215 0.095 24

0.18 FA 0.215 0.095 21.6

0.62 FArA 0.36 0.195 102.3

Humic Dystrudepts

(40%)

B-149

Profunda

0.35 FArA 0.36 0.195 57.75

239.25 0.25 FArA 0.36 0.195 41.25

0.25 FArA 0.36 0.195 41.25

0.6 FArA 0.36 0.195 99

116

Los resultados de todas las UCS pertenecientes a la estación Samacá son las siguientes:

UCS Componente Taxonómico Perfil Área (ha)

(%) UCS del total

(%) de cada perfil (Total de UCS)

(AWC) por perfil (mm)

AWC ponderado (mm)

AHE Andic Dystrudepts (40%) B-150

753.29 7.96 % 3.1872 % 183.9 5.8613

Humic Dystrudepts (40%) B-149 3.1872 % 239.25 7.6255

AHV

Pachic Melanudands (30%) R-01

2975.46 31.47 %

9.4421 % 202.8 19.1486

Humic Dystrudepts (30%) PB-28 9.4421 % 67.2 6.3450

Typic Hapludands (30%) B-16 9.4421 % 209 19.7340

MHE Lithic Udorthents (45%) PB-13 A

3183.09 33.67 % 15.1514 % 27.2 4.1212

Oxic Dystrudepts (35%) 503 11.7844 % 57.75 6.8055

MHV

Typic Hapludands (50%) 174 A

2541.95 26.88 %

13.4440 % 49 6.5875

Humic Pachic Dystrudepts (20%) P-503 A 5.3776 % 71.15 3.8261

Typic Dystrudepts (20%) PB-15 A 5.3776 % 83.3 4.4795

Totales 9453.79 100% -- -- 84.5347

Explicación: los perfiles descritos en la tabla anterior (color azul) representan a su vez un componente taxonómico

(color verde), los cuales ya cuentan con su respectivo valor de AWC por perfil (color morado). Ahora bien, la

información de las áreas en unidades de hectáreas (color gris) está referidas a las diferentes UCS no a sus respectivos

perfiles. Por lo cual, es necesario expresar en porcentajes la ponderación o el peso que realiza cada perfil con respecto

a la totalidad del área o a la totalidad de las UCS. A continuación, se realiza la ponderación de manera detallada de la

UCS (AHE).

UCS: AHE

Componentes taxonómicos: Andic Dystrudepts (40%) y Humic Dystrudepts (40%)

Perfiles: B-150 y B-149

Área (ha): 753.29

(%) UCS (AHE) del total: 7.96 %

AWC perfil B -150 (mm) = 183.9

AWC perfil B -149 (mm) = 239.25

(%) de cada perfil (Total de UCS) = (%) Componente taxonómico * (%) UCS del total

(%) perfil B-150 (Total de UCS) = 0.4 * 7.96 % = 3.1872 %

(%) perfil B-149 (Total de UCS) = 0.4 * 7.96 % = 3.1872 %

AWC ponderado por perfil = (%) de cada perfil (Total de UCS) * AWC por perfil

AWC ponderado perfil B -150 (mm) = 3.1872 * 183.9 mm = 5.8613 mm

AWC ponderado perfil B -149 (mm) = 3.1872 * 239.25 mm = 7.6255 mm

El valor final del AWC en la estación Samacá será la sumatoria (∑) de cada uno de los AWC ponderados obtenidos

anteriormente en cada perfil, este valor de AWC (85 milímetros) representa a nivel general un estimado ponderado de

la capacidad de almacenamiento de agua (AWC) de todas las UCS presentes en el Municipio de Samacá, nótese que

las UCS con mayor área (AHV y MHV) son las de mayor ponderación o peso en el cálculo final de AWC. Por lo cual,

en el momento de realizar el cálculo del PDSI este valor podrá ser tomado en cuenta en los balances hídricos

climáticos, el índice Z de Palmer y la retención de humedad.

Por último, es importante recalcar que debido a que en este estudio se utilizaron estaciones hidrometeorológicas, las

mediciones de precipitación y temperatura a su vez están fijadas en un solo punto geográfico a lo largo del tiempo.

Por ende, si se desea utilizar diferentes valores de AWC para diferentes puntos en una zona geográfica, lo ideal sería

contar con mediciones de precipitación y temperatura en esos puntos localizados. Constituyéndose así en un estudio

de mayor profundidad con múltiples valores y series de tiempo de PDSI.

117

Ejemplo 3: Calculo y análisis del Balance Hídrico Climático Villa Carmen (Samacá)

Los ejemplos 1 y 2 proporcionan los valores de Evapotranspiración potencial y AWC, valores necesarios para el

cálculo del Balance Hídrico Climático (BHC) de la estación Samacá. Ahora bien, es importante tener en cuenta que

las variables Precipitación (P), Temperatura del Aire (TA) y Evapotranspiración Potencial (ETP) están registradas en

series de tiempo (mediciones continuas mes a mes para el periodo 1987 - 2016). Por ende, es necesario estimar un

BHC que describa como es el comportamiento promedio histórico de estas variables para cada mes del año. A

continuación, se exponen las series de tiempo de las variables (P), (TA) y (ETP).

Precipitación (mm) estación Villa Carmen (Samacá)

Mes / Año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

1987 4.7 12.6 47.1 76 73.9 24.7 50.6 33.7 36.9 159.8 48.1 46.7

1988 17.4 85 29 81.3 29.2 85.5 33.2 21.1 106.8 122.9 194.9 84

1989 9.5 61.3 173.2 34.7 67.1 29 55.9 22.1 39.7 37.9 53.7 26

1990 28.1 42.3 80.8 132.5 99.2 28.1 22.7 21.8 21.3 95.9 55.7 62.6

1991 0.2 11.3 108.4 70.3 54.2 27.3 36.4 32.6 30.1 43.5 128.1 10.5

1992 60.9 59.6 35.1 67.1 41 17.4 16.6 23.8 105.1 4.7 190.4 25.9

1993 31.2 45.5 47.6 53.7 112.5 27.3 36.9 19.4 26.8 30.5 108.7 33.5

1994 35.2 63.3 74.1 84 84.7 41.4 39.5 22.9 49.2 144 163.5 2.4

1995 1.3 65.1 142.8 37.6 64.1 51.5 26.5 52.8 27.8 60.3 86.5 82.9

1996 70.2 30.2 129.7 42.5 74.5 57.5 41.1 29.3 22.7 171.3 58 28.2

1997 109.7 12.1 40.3 51 22 30 23.1 14.3 32.2 94.3 47.5 12.6

1998 11.2 28.8 60.2 29.6 172.2 32.6 65.2 41.8 36.1 112.2 66.2 0

1999 39.3 104.9 61 73.8 25.7 43.4 18.9 22.6 96.2 51.3 79.8 62.1

2000 45.9 86.2 129.5 52.3 44.5 89.2 35.1 34.1 67.6 94.7 83.3 23.3

2001 3.2 38 93.3 6 35.6 24.6 40.8 19.2 73.5 19.8 53.2 44.3

2002 3.5 30.8 76.7 106.4 79.8 57.2 31.4 57.3 43.7 41.8 47.8 46.8

2003 2.8 58.8 95.4 55.5 30.2 27.5 20.6 9.8 48.3 122.6 159.3 20.4

2004 16.1 52.7 34.4 125.1 111.6 31.2 39.8 19.2 79.9 113.3 58.8 29.5

2005 10.9 41.9 22.1 61.4 108.5 21.1 39.9 36.5 50.6 168.5 79.3 72.6

2006 65.9 28.8 143.6 172.8 42.8 86.8 25.9 17 35.2 158.2 74 53

2007 5.1 15 39 122.5 56.2 15.4 54.6 75 9.7 157.5 41.6 88

2008 58.5 22.8 80.9 47.6 151.9 35.1 57.6 77.2 30.4 86.8 147.8 96.1

2009 46.1 81.9 69.2 34.4 93.6 28.6 25.5 24.5 18.3 111 23.2 14.8

2010 5.5 23.1 17.1 116 156 36.7 115.1 14 56.4 112.7 155.4 97.1

2011 70.1 89.5 149.2 335.4 139.4 34.1 55.8 31 48.9 142.1 161.9 115.4

2012 38 42.3 144.2 206.4 9.9 19.2 37.6 23.1 19 103.5 38 43.8

2013 14.8 101.2 30.8 63.6 75.9 35.4 27.4 30.4 7.7 83.5 182.6 36.4

2014 11 27.6 74.6 45.3 68.3 20.7 26.9 13.3 14.1 59.5 138.4 63

2015 50.4 75.5 91.9 27.8 17.7 33.9 26.2 18.6 24.9 40.3 24.1 2.1

2016 9.8 9.8 95.1 134.2 96.8 12.6 45.3 18.7 55.5 78 110.6 59.7

Promedio (P) 29.217 48.263 80.543 84.893 74.633 36.833 39.070 29.237 43.820 94.080 95.347 46.123

Temperatura media mensual del Aire (C°) Estación Villa Carmen (Samacá)

Mes / Año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

1987 14.3 13.8 14.4 14.3 14.3 13.7 13.2 13.8 13.8 14.2 13.6 13.9

1988 14.3 14.4 14.2 14.8 14.8 13.9 13.2 13.9 13.7 13.5 13.9 13.1

1989 14.3 13.4 13 14.2 13.7 13.3 12.7 13.3 13.9 13.9 14.1 12.6

1990 14.3 14.2 14.4 14.9 14.1 13.3 13.2 13.1 13.9 13.3 14.5 14.4

1991 14.3 14.5 14.7 14.3 15.4 14.8 13.9 12.9 14 14 14.2 14.8

1992 14.3 15 15.2 15.3 15.3 14.4 13.4 13.6 13.8 14.3 14 14.4

1993 14.3 14.5 14.5 15.1 14.6 14 13.6 13.7 13.9 14.5 14.6 14.6

1994 14.3 14.6 14.7 14.3 14.6 13.7 13.3 13.2 14.1 13.9 14 14.3

1995 14.3 14.5 14.8 15.2 14.7 14.6 14.2 14.2 14.1 14 14 13.6

1996 14.3 14 13.8 14.2 14.2 14 13 13.2 13.5 13.8 13.7 13.5

1997 14.3 13.6 14 14.4 14.3 14.2 12.9 13.1 13.8 14.1 14.3 14.2

1998 14.3 15.5 15.7 15.9 14.9 13.7 13.5 13.5 13.8 14.3 14.2 13.8

1999 14.3 13.7 13.9 14 14 13.8 13 13.2 13.2 13.7 14.1 13.9

2000 14.3 13.4 13.7 14 14 13.9 12.9 12.7 13.2 13.6 13.9 13.3

2001 14.3 13.2 13.8 14.2 14.6 13.3 13.1 13 13.5 14.2 14.4 14.8

2002 14.3 14.3 14.4 14.2 14.3 13.5 13.4 12.9 13.5 14 13.7 14.3

2003 14.3 14.4 14.1 14.3 14.5 13.8 13.1 13.3 13.4 14.2 14.1 13.9

2004 14.3 13.9 14.5 14.3 14.3 13.4 13.2 13.1 13.4 13.8 13.9 14.2

2005 14.3 14.3 14.7 14.8 14.4 13.6 13 13 13.3 13.9 14.1 14.1

2006 14.3 14.1 14.4 14.5 14.4 13.8 13.3 13.3 13.6 14 14.1 14

2007 14.3 14.2 14.4 14.4 14.4 13.9 13.9 13.5 13.6 13.9 14 13.9

2008 14.3 13.9 14.3 14.2 14.1 14 14 13.9 13.9 14 14.5 14.1

2009 14.3 14.1 14.3 14.4 14.4 14.1 14.1 14.3 14.3 14.2 14.6 14.5

2010 14.3 15 14.9 14.8 14.8 14.3 14.1 14 14.2 14.2 14 14

2011 14.3 14 14 14.3 14.3 14.4 13.6 13.8 13.9 13.8 14.1 14.3

2012 14.3 14.1 14.3 14.2 14.5 14.3 13.8 14 14 14.4 14.8 14.1

2013 14.3 14.5 15 15.1 14.7 14.6 13.9 14.4 14.5 14.7 14.7 14.2

2014 14.3 14.7 15.1 14.9 15 14.6 14.2 14 14.5 14.6 14.4 14.4

2015 14.3 14.4 14.9 14.9 15 14.4 14.09 14.2 14.4 14.7 14.09 14.09

2016 14.3 15.2 15.8 15.3 15.1 14.4 14.2 14.4 14.4 14.8 14.9 14.4

Promedio (TA) 14.300 14.247 14.463 14.590 14.523 13.990 13.500 13.550 13.837 14.083 14.183 14.056

118

Evapotranspiración Potencial Mensual (mm) estación Villa Carmen (Samacá)


1987 58.27 50.58 59.41 58.27 60.56 55.73 54.21 57.10 54.93 58.27 52.77 55.75

1988 57.15 53.64 58.27 61.11 63.50 56.85 54.21 57.68 54.38 54.34 54.38 51.37

1989 53.81 48.56 51.58 57.71 57.07 53.49 51.39 54.26 55.48 56.58 55.47 48.68

1990 60.54 52.62 59.41 61.68 59.39 53.49 54.21 53.14 55.48 53.23 57.65 58.55

1991 59.40 54.16 61.13 58.27 67.09 62.00 58.23 52.02 56.03 57.14 56.01 60.81

1992 58.27 56.76 64.02 63.98 66.49 59.70 55.35 55.96 54.93 58.84 54.92 58.55

1993 58.27 54.16 59.98 62.82 62.32 57.42 56.50 56.53 55.48 59.98 58.20 59.67

1994 58.27 54.68 61.13 58.27 62.32 55.73 54.78 53.70 56.59 56.58 54.92 57.98

1995 57.15 54.16 61.70 63.40 62.91 60.85 59.97 59.41 56.59 57.14 54.92 54.10

1996 54.36 51.59 56.02 57.71 59.97 57.42 53.08 53.70 53.29 56.02 53.30 53.55

1997 55.47 49.57 57.14 58.83 60.56 58.56 52.52 53.14 54.93 57.71 56.56 57.42

1998 61.11 59.39 66.95 67.47 64.10 55.73 55.92 55.40 54.93 58.84 56.01 55.20

1999 56.03 50.07 56.58 56.59 58.81 56.29 53.08 53.70 51.66 55.46 55.47 55.75

2000 52.71 48.56 55.46 56.59 58.81 56.85 52.52 50.91 51.66 54.90 54.38 52.46

2001 49.99 47.56 56.02 57.71 62.32 53.49 53.65 52.58 53.29 58.27 57.10 60.81

2002 56.03 53.13 59.41 57.71 60.56 54.60 55.35 52.02 53.29 57.14 53.30 57.98

2003 56.03 53.64 57.71 58.27 61.73 56.29 53.65 54.26 52.74 58.27 55.47 55.75

2004 56.03 51.09 59.98 58.27 60.56 54.05 54.21 53.14 52.74 56.02 54.38 57.42

2005 56.03 53.13 61.13 61.11 61.14 55.16 53.08 52.58 52.20 56.58 55.47 56.87

2006 56.03 52.10 59.41 59.40 61.14 56.29 54.78 54.26 53.83 57.14 55.47 56.31

2007 56.03 52.62 59.41 58.83 61.14 56.85 58.23 55.40 53.83 56.58 54.92 55.75

2008 55.47 51.09 58.84 57.71 59.39 57.42 58.81 57.68 55.48 57.14 57.65 56.87

2009 57.15 52.10 58.84 58.83 61.14 57.99 59.39 59.98 57.70 58.27 58.20 59.11

2010 58.83 56.76 62.28 61.11 63.50 59.13 59.39 58.25 57.14 58.27 54.92 56.31

2011 54.92 51.59 57.14 58.27 60.56 59.70 56.50 57.10 55.48 56.02 55.47 57.98

2012 57.71 52.10 58.84 57.71 61.73 59.13 57.65 58.25 56.03 59.41 59.31 56.87

2013 58.83 54.16 62.86 62.82 62.91 60.85 58.23 60.56 58.82 61.13 58.76 57.42

2014 59.40 55.19 63.44 61.68 64.69 60.85 59.97 58.25 58.82 60.55 57.10 58.55

2015 56.59 53.64 62.28 61.68 64.69 59.70 59.33 59.41 58.26 61.13 55.41 56.81

2016 62.25 57.81 67.54 63.98 65.29 59.70 59.97 60.56 58.26 61.70 59.86 58.55

Promedio ETP Mensual 56.94 52.87 59.80 59.93 61.88 57.38 55.94 55.70 55.14 57.62 55.93 56.64

Los BHC son estimados generalmente tomando referencia los 12 meses de un año específico por ejemplo el año 1987.

No obstante, al tratarse de 31 años continuos de medición los BHC bajo la lógica anterior daría como resultado el

cálculo de 31 BHC para cada año. De ahí que, se pretenda estimar un BHC estándar o patrón que describa el

comportamiento histórico de estas variables con el propósito de analizar los periodos de ausencia de lluvias y de

exceso de lluvias respectivamente. En la siguiente tabla se presenta el Balance Hídrico Climático (BHC) estación

Samacá

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Totales

Temperatura del Aire (°C) 14.300 14.247 14.463 14.590 14.523 13.990 13.500 13.550 13.837 14.083 14.183 14.056 169.322

Precipitación (mm) 29.217 48.263 80.543 84.893 74.633 36.833 39.070 29.237 43.820 94.080 95.347 46.123 702.060

Evapotranspiración Potencial (mm) 56.938 52.874 59.798 59.926 61.878 57.376 55.938 55.698 55.141 57.622 55.925 56.640 685.754

Evapotranspiración Real (mm) 41.85 44.33 54.76 57.62 58.69 50.06 46.44 39.03 42.68 53.92 54.48 50.57 594.426

Exceso (mm) 0.00 3.93 25.78 27.28 15.95 0.00 0.00 0.00 1.14 40.16 40.86 0.00 155.106

Deficiencia (mm) 12.63 0.00 0.00 0.00 0.00 13.23 7.37 9.79 0.00 0.00 0.00 4.45 47.471

AWC 85 (mm)

Explicación: los valores de (TA), (P) y (ETP) son tomados con base en los promedios históricos de sus respectivas

series de tiempo. Nótese que los valores de Exceso (E) y Deficiencia (D) se calculan tomando como referencia la

precipitación y evapotranspiración potencial, en donde (𝐸) = (𝑃) − (𝐸𝑇𝑃) y (𝐷) = (𝐸𝑇𝑃) − (𝑃). El uso de estas

formulas parten de la comparación entre (P) y (ETP), ya que si (P) > (ETP) existe un exceso de agua que en el PDSI

se denomina escorrentía y recarga potencial. Mientras que, si (P) < (ETP) existe una deficiencia de agua o de humedad

que en el PDSI se denomina pérdida real de agua.

La variable evapotranspiración real (ETR) es la única variable intrínseca dentro del PDSI en su sección de cálculo o

transformación de valores potenciales a reales, esta variable parte de la comparación de (P) y (ETP), en la primera

condición si (P) > (ETP) la ETR será igual a la ETP. Mientras que, si se cumple la segunda condición (P) < (ETP) es

necesario analizar si la deficiencia de humedad se localiza en la capa superficial o profunda, dichas capas se

parametriza con el cálculo del AWC.

119

Apéndice B

Fundamentación teórica regresión lineal simple y estadístico de prueba T – Students

En concordancia con Alfaro y Pacheco (2000) la regresión lineal para 2 estaciones cualesquiera establece que “dado

dos registros (𝑥𝑖, 𝑦𝑖) de manera que (𝑥) contenga más valores que (𝑦), si se desea calcular los valores faltantes de

(𝑦) a partir de los valores de (𝑥). Suponiendo que se tienen (𝑘) parejas de valores (𝑥𝑖, 𝑦𝑖) y además (𝑛 − 𝑘) valores

de (𝑦𝑖), primero se calcula el coeficiente de correlación (𝑟) de las parejas (𝑘). Además, el coeficiente de correlación

está definido en el intervalo (−1 ≤ 𝑟 ≤ 1), que denota una correlación total, cuando adopta el valor de cero se

considera que la correlación es nula”. Las ecuaciones de una regresión lineal recopiladas de Alfaro y Pacheco (2000)

son las siguientes:

Estimación de los parámetros de la ecuación o función de regresión para la ecuación de regresión lineal:

Los parámetros: b y m utilizando mínimos cuadrados son:

x = variable independiente, variable conocida

y = variable dependiente, variable que se trata de predecir

b = intercepto, punto donde la línea de regresión cruza el eje y , es decir valor de y cuando 0x =

m = pendiente de la línea o coeficiente de regresión

Se plantea la hipótesis:

Ho: 0 = ( es el coeficiente de correlación poblacional y su valor varía entre -1 y 1)

Ha: 0

Cálculo de la t calculado ( )ct

Dónde: r = coeficiente de correlación

2 2

Sxyr

S x S y=

+

1( )( )xy i iS x y x y

N= −

2

2 2( )i

x

xS x

N= −

2

2 2( )y

yS y

N= −

ixx

N=

iyy

N=

y b mx= +

2

xy

x

Sm

S=

b y mx= −

2

2

1c

r nt

r

−=

−

120

n = número de pares de valores

Cálculo del, tabular (𝑡𝑡)

Él ( )tt se obtiene de las tablas preparadas para este efecto, con un nivel de significación o una probabilidad

(1 )− , y con grado de libertad ( 2)v n= − , donde n es el número de pares de valores.

Criterios de decisión:

• Si c tt t , se acepta la hipótesis nula, por lo que 0 = y por lo tanto no hay correlación significativa.

• Si c tt t , se rechaza la hipótesis nula, por lo que 0 indicándose que es significativo y por lo tanto

existe correlación entre las variables.

metodologÍa de evaluaciÓn y pronÓstico del …

Documents