modelaciÓn del impacto por cambio de uso del …
TRANSCRIPT
MODELACIÓN DEL IMPACTO POR CAMBIO DE USO DEL SUELO SOBRE EL
COMPORTAMIENTO HIDROLÓGICO DE LA SUBCUENCA DEL RÍO QUINDÍO
BAJO LOS ESCENARIOS 2000, 2020 Y 2040
MARTÍN JARAMILLO SALAZAR
UNIVERSIDAD SANTO TOMAS
FACULTAD DE CIENCIAS Y TECNOLOGÍAS
ESPECIALIZACIÓN EN ORDENAMIENTO Y GESTIÓN INTEGRAL DE CUENCAS
HIDROGRÁFICAS
2021
2
MODELACIÓN DEL IMPACTO POR CAMBIO DE USO DEL SUELO SOBRE EL
COMPORTAMIENTO HIDROLÓGICO DE LA SUBCUENCA DEL RÍO QUINDÍO
BAJO LOS ESCENARIOS 2000, 2020 Y 2040
MARTÍN JARAMILLO SALAZAR
Proyecto de investigación presentado como requisito parcial para optar al título de especialista en
ordenamiento y gestión integral de cuencas hidrográficas
DIRECTOR
ING. DIEGO ALEXANDER PRADA BUITRAGO
UNIVERSIDAD SANTO TOMAS
FACULTAD DE CIENCIAS Y TECNOLOGÍAS
ESPECIALIZACIÓN EN ORDENAMIENTO Y GESTIÓN INTEGRAL DE CUENCAS
HIDROGRÁFICAS
2021
3
Tabla de contenido
Resumen ....................................................................................................................................... 11
introducción ................................................................................................................................. 12
1. Planteamiento del problema ........................................................................................ 13
2. Justificación .................................................................................................................. 15
3. Objetivos ....................................................................................................................... 17
3.1. Objetivo general .................................................................................................... 17
3.2. Objetivos específicos ............................................................................................ 17
4. Antecedentes ................................................................................................................. 18
5. Marco referencial ......................................................................................................... 21
5.1. Marco conceptual .................................................................................................. 21
5.1.1. Uso del suelo y cobertura del suelo ...................................................................... 21
5.1.1.1. Modelación del cambio de uso del suelo .............................................................. 22
5.1.1.2. Metodología corine land cover ............................................................................. 22
5.1.2. Cuencas hidrográficas ........................................................................................... 23
5.1.2.1. Ciclo hidrológico .................................................................................................. 24
5.1.2.2. Balance hídrico ..................................................................................................... 26
4
5.1.2.3. Modelación hidrológica ........................................................................................ 26
5.1.3. Teledetección ........................................................................................................ 27
5.1.4. Descripción de los modelos seleccionados ........................................................... 29
5.1.4.1. Modelos: markov, ca y ca-markov........................................................................ 29
5.1.4.2. Modelo hidrológico swat ...................................................................................... 30
5.2. Marco legal ........................................................................................................... 33
6. Metodología................................................................................................................... 35
6.1. Descripción del área de estudio ............................................................................ 35
6.2. Clasificación de las coberturas y usos del suelo ................................................... 40
6.2.1. Escenarios y escala ............................................................................................... 40
6.2.2. Procesamiento de imágenes .................................................................................. 41
6.2.3. Trabajo de campo .................................................................................................. 42
6.3. Generación de un modelo de predicción para cambios de uso del suelo .............. 44
6.3.1. Definición del modelo........................................................................................... 44
6.3.2. Validación y calibración ....................................................................................... 46
6.4. Modelación hidrológica ........................................................................................ 46
6.4.1. Insumos ................................................................................................................. 47
6.4.2. Validación y calibración ....................................................................................... 52
5
6.4.3. Análisis de la información .................................................................................... 55
7. Análisis de resultados ................................................................................................... 56
7.1. Clasificación de las coberturas y usos del suelo ................................................... 56
7.1.1. Tendencias de cambio de coberturas .................................................................... 56
7.1.2. Transición entre coberturas ................................................................................... 60
7.2. Generación de un modelo de predicción para cambios de uso del suelo .............. 62
7.2.1. Validación del modelo .......................................................................................... 62
7.2.2. Tendencia futura del cambio de coberturas .......................................................... 64
7.2.3. Transición entre coberturas a futuro ..................................................................... 68
7.3. Modelación hidrológica ........................................................................................ 70
7.3.1. Delimitación de las microcuencas ........................................................................ 70
7.3.2. Definición de las unidades de respuesta hidrológica (hru) ................................... 71
7.3.3. Parámetros meteorológicos ................................................................................... 72
7.3.4. Calibración y validación ....................................................................................... 73
7.3.5. Impactos del ccus sobre el comportamiento hidrológico de la subcuenca ........... 75
8. Discusión de resultados ................................................................................................ 78
9. Conclusiones ................................................................................................................. 82
10. Recomendaciones ......................................................................................................... 84
6
11. Referencias .................................................................................................................... 86
anexos ........................................................................................................................................... 94
7
Listado de tablas
Pág.
Tabla 1. características principales de algunos satélites usados para teledetección ..................... 28
Tabla 2. Información climática de la Subcuenca río Quindío ...................................................... 37
Tabla 3. Características morfométricas de las corrientes identificadas en la microcuenca río
Quindío ......................................................................................................................................... 37
Tabla 4. Relación entre la resolución espacial y la escala de trabajo ........................................... 41
Tabla 5. Factores y limitantes categorizados para la Subcuenca del Río Quindío, periodo de
predicción 2020 - 2040 ................................................................................................................. 45
Tabla 6. conversión de coberturas CLC a código SWAT ............................................................. 48
Tabla 7. parámetros del suelo para SWAT ................................................................................... 49
Tabla 8. parámetros meteorológicos incorporados al modelo ...................................................... 51
Tabla 9. parámetros de flujo considerados en la validación y calibración ................................... 53
Tabla 10. distribución de áreas por cobertura para la subcuenca del Río Quindío, años 2000 y 2020
....................................................................................................................................................... 58
Tabla 11. matriz de transición de área (ha) periodo 2000 – 2020* ............................................... 60
Tabla 12. Población de la Subcuenca del Río Quindío ................................................................. 62
Tabla 13. Comparación de coberturas simuladas y clasificadas de la Subcuenca del Río Quindío
para el año 2020 ............................................................................................................................ 64
8
Tabla 14. distribución de áreas por cobertura para la subcuenca del Río Quindío, años 2020 y 2040
....................................................................................................................................................... 66
Tabla 15. matriz de transición de área (ha) periodo 2020 – 2040* ............................................... 68
Tabla 16. valores de sensibilidad de parámetros de flujo ............................................................. 73
Tabla 17. Estadísticas de rendimiento del modelo........................................................................ 75
Tabla 18. Variación de caudales medios mensuales 2020 – 2040 ................................................ 76
Tabla 19. Datos climáticos mensuales con sus respectivos parámetros para las estaciones utilizadas
....................................................................................................................................................... 94
9
LISTADO DE FIGURAS
Pág.
Figura 1. Delimitación de una cuenca hidrográfica ...................................................................... 24
Figura 2: Ciclo hidrológico ........................................................................................................... 25
Figura 3. mapa de localización del área de estudio ...................................................................... 36
Figura 4. esquema metodológico .................................................................................................. 39
Figura 5. Validación de coberturas en campo (a) pastos, (b) bosque de galería y ripario (c) áreas
agrícolas heterogéneas (d) cultivos transitorios ............................................................................ 43
Figura 6. esquema metodológico de la modelación hidrológica ................................................... 47
Figura 7.Estaciones meteorológicas para la Subcuenca del Río Quindío ..................................... 50
Figura 8. Mapa de clasificación de las coberturas de la Subcuenca del Río Quindío, año 2000 56
Figura 9. Mapa de clasificación de las coberturas de la Subcuenca del Río Quindío, año 2020 57
Figura 10. cambio neto (ha) por cobertura para los años 2000 y 2020 ......................................... 58
Figura 11. contribución porcentual de pastos, vegetación herbácea/arbustiva y plantación forestal
sobre el cambio neto de las demás coberturas .............................................................................. 61
Figura 12. mapas de coberturas del suelo de la Subcuenca del Río Quindío para el año 2020, (a)
primera simulación (b) simulación final e (c) imagen clasificada ................................................ 63
Figura 13. Mapa de clasificación de las coberturas de la Subcuenca del Río Quindío, año 2040 65
Figura 14. cambio neto (ha) por cobertura para los años 2020 y 2040 ......................................... 66
10
Figura 15. Contribución porcentual de pastos, vegetación herbácea/arbustiva y plantación forestal
sobre el cambio neto de las demás coberturas .............................................................................. 70
Figura 16. mapa de microcuencas y puntos de control de la subcuenca del Río Quindío ............ 71
Figura 17. Unidades de Respuesta Hidrológica (HRU) para la subcuenca del Río Quindío en los
años (a) 2000, (b) 2020 y (c) 2040 ................................................................................................ 72
Figura 18. Hidrograma de caudales mensuales para las fases de (a) calibración y (b) simulación
del modelo SWAT ........................................................................................................................ 74
Figura 19. Gráfico de dispersión de los datos observados y simulados para el caudal medio mensual
(m3/s), durante las fases de (a) calibración y (b) validación del modelo SWAT ......................... 75
Figura 20. Hidrograma de caudales medios mensuales de los escenarios: actual (2020) y
prospectivo (2040) para la Subcuenca del Río Quindío ............................................................... 76
Figura 21. Caudal medio anual por sectores de la Subcuenca del Río Quindío para los años 2020
y 2040............................................................................................................................................ 77
11
Resumen
Los cambios de coberturas y usos del suelo son uno de los conductores de la disminución
de la oferta hídrica en las cuencas hidrográficas; por ello, es importante entender cómo ocurren
estos cambios y realizar análisis prospectivos para determinar la influencia de dichas variaciones
a futuro. Lo anterior puede ser llevado a cabo mediante modelos y simulaciones que usan como
base información geográfica y pueden ser herramientas claves para la toma de decisiones desde el
ordenamiento territorial.
En este documento se presentan los resultados obtenidos de la modelación del impacto por
cambio de uso del suelo sobre el comportamiento hidrológico de la subcuenca del Río Quindío.
Para comenzar, se realizó la clasificación de coberturas de la zona de estudio para los años 2000 y
2020, mediante herramientas de teledetección; posteriormente, se utilizó el modelo CA-Márkov
para generar un mapa de predicción de coberturas del año 2040, a partir de las dos imágenes
clasificadas y de parámetros complementarios definidos en compañía de actores institucionales. A
partir de esto, se identificaron las tendencias en los cambios de coberturas en la subcuenca, y se
prosiguió a realizar una modelación hidrológica para los distintos escenarios de uso del suelo,
mediante la herramienta SWAT. La simulación indicó que para el año 2040, la subcuenca del Río
Quindío presentará una mayor variabilidad en sus caudales mínimos y máximos a lo largo del año;
indicando una mayor susceptibilidad ante fenómenos climáticos extremos.
12
Introducción
La Subcuenca del Río Quindío se ubica en el extremo nororiental de la cuenca del Río de
La Vieja y es su mayor afluente, por lo que suministra agua a alrededor del 55% de la población
del departamento (CRQ, 2011). Por sus características geográficas el Quindío tiene una gran
riqueza hídrica; no obstante, fenómenos como el cambio del uso del suelo tienden a disminuir esta
oferta, en tanto aumentan las áreas urbanas, agrícolas y ganaderas, y disminuyen las coberturas
nativas. Es aquí donde entra la modelación del territorio como base para la prospectiva territorial,
dado que permite la simulación de diferentes condiciones para proyectar y explorar escenarios a
futuro, que permitan dimensionar los posibles impactos ambientales y socioeconómicos causados
por las variaciones de las coberturas del suelo (Koomen, Hilferink, & Borsboom-van Beurden,
2011).
Mediante el presente trabajo se buscó modelar el impacto del cambio coberturas y uso del suelo
sobre el comportamiento hidrológico de la Subcuenca del Río Quindío, como aporte al
ordenamiento territorial de la región. Para esto, se plantearon tres escenarios de análisis que fueron
los años 2000, 2020 y 2040; sobre los cuales se identificaron y clasificaron las coberturas y usos
del suelo de la subcuenca, con base en la metodología Corine Land Cover a partir del proceso de
fotointerpretación. Luego, se generó un modelo de predicción para los cambios de uso del suelo
en la zona de estudio; y finalmente, se modeló el comportamiento hidrológico de la subcuenca del
Río Quindío, en los diferentes escenarios de uso del suelo, con el fin de identificar las posibles
variaciones que experimentará la oferta hídrica de la subcuenca en el año 2040.
13
1. Planteamiento del problema
A pesar de que el cambio de la cobertura del suelo es un proceso natural, que ocurre usualmente
de forma gradual con puntos de inflexión marcados por fenómenos extremos como erupciones
volcánicas, inundaciones, entre otros; en el pasado reciente la mayor parte de estas variaciones han
ocurrido a una velocidad sin precedentes en la historia geológica del planeta y son producto directo
de las actividades humanas (Mackenzie, 1998). Aunque la humanidad se adapta con rapidez a estos
cambios acelerados, la mayoría de ecosistemas no pueden hacerlo a este mismo ritmo, lo que
genera no solamente un riesgo para estos hábitats, sino también una disminución en los servicios
ambientales que estos le prestan a las comunidades humanas (Mannion, 2002).
El Quindío es un departamento especialmente dotado de tierras fértiles, recursos hídricos y
biodiversidad; no obstante, ha venido cambiando su vocación agrícola en donde el café jugó un
papel importante al inicio de esta transformación, de forma que para el 2016 la población urbana
ascendía al 87,7% de los habitantes del departamento (Gobernación del Quindío, 2016). Esta
transición hacia un modelo urbano, ha generado impactos sobre el componente biofísico, haciendo
que aumenten los fenómenos de sellamiento del suelo, erosión, desertificación, alteraciones en el
ciclo hidrológico, pérdida de la biodiversidad, entre otros. Por si misma, la urbanización no
representa un impacto significativo en el cambio de uso del suelo; dado que para el año 2000,
menos del 2% de la superficie del planeta se encontraba urbanizada (Lambin, Rounsevell, & Geist,
2000); en este caso, el conflicto nace de la elevada necesidad de dichos centros poblados de
abastecerse de toda clase de productos e insumos que generan la conversión de tierras a sistemas
productivos o que intensifican su uso actual (Guhl, 2004).
El Quindío cuenta con una elevada oferta hídrica producto de sus condiciones geográficas que
le permiten abastecer al departamento de una manera eficiente, siendo la Subcuenca del Río
Quindío la que mayor caudal entrega en al departamento; sin embargo, la red hídrica recibe cada
vez más presiones, bien sea por el creciente aumento de la demanda de agua como por la pérdida
de coberturas indispensables para el adecuado funcionamiento de las cuencas. Cabe señalar que
14
las propiedades biogeofísicas del territorio tales como cobertura de suelo, rugosidad, relieve y tipos
de suelo son determinantes en la producción de agua; de manera que un cambio en la cobertura
vegetal puede alterar notablemente el balance de agua superficial y la partición de las
precipitaciones dentro de los procesos de infiltración, escorrentía y evaporación (Foley, y otros,
2005). La respuesta hidrológica de una cuenca generada por cambios en el uso del suelo, está
fuertemente ligada con la distribución, cuantía y oportunidades de aprovechamiento de los mismos
recursos hídricos; puesto que estos han sido históricamente condicionantes para el establecimiento
de asentamientos humanos, actividades agrícolas, y demás conductores de la antropización del
medio (Echeverria, Huber, & Taberlet, 2008).
Según el Estudio Nacional de Agua – ENA, la situación de escasez y vulnerabilidad para el
periodo 2015 - 2025 podría ser crítica para algunas regiones del país en donde se presentarían
dificultades para abastecer de agua a la población y para otras actividades. De acuerdo a este
informe, se deben tomar medidas importantes de conservación, ordenamiento y manejo de los
recursos naturales, para evitar que se presenten este tipo de situaciones (IDEAM, 2014). Por lo
tanto, análisis exhaustivos que identifiquen las tendencias actuales y planteen escenarios futuros
para comprender los impactos de los cambios de uso del suelo sobre la hidrología, son
fundamentales para apoyar la toma de decisiones en la planificación y gestión de los recursos
hídricos; especialmente en una región tan rica en este tipo de recursos como lo es el Quindío. Y
como puede ser el caso de la Subcuenca del Río Quindío, la cual hace parte de la cuenca del Río
La Vieja y es asiento principal de poblaciones en el departamento, además de suministrar agua a
cuatro municipios del departamento que constituyen una población de alrededor de 360.000
habitantes y representan el 55% de la población quindiana (Observatorio Departamental del
Quindío, 2020).
De acuerdo a lo ya mencionado, este ejercicio investigativo se pregunta: ¿Cuál es el impacto
por cambio de uso del suelo sobre el comportamiento hidrológico de la subcuenca del río Quindío
para los escenarios 2000, 2020 y 2040?
15
2. Justificación
A nivel global, más de la mitad del agua generada a través del proceso de escorrentía dentro
de las cuencas hidrográficas, es usada por el hombre (Postel, Daily, & Ehrlich, 1996) y los efectos
de las actividades humanas sobre estas zonas pueden llegar a ser críticos para la oferta hídrica de
las cuencas. Por ello es fundamental ordenar estas áreas adecuadamente, con miras a la
conservación de este recurso a lo largo del tiempo.
Los modelos son representaciones matemáticas de la realidad que simplifican sistemas
complejos para generar análisis y simulaciones (IDEAM, 2016) y el uso de estas herramientas
aplicadas al cambio de uso del suelo permiten proyectar y explorar escenarios prospectivos, para
dimensionar los posibles impactos ambientales y socioeconómicos causados por las variaciones
de las coberturas del suelo (Henríquez L. , 2012); lo que a su vez es fundamental al evaluar la
influencia de alternativas políticas y regímenes de manejo sobre los patrones de desarrollo. Así
pues, el uso de estas herramientas en conjunto con modelos hidrológicos, se constituye en un medio
para simular la respuesta de una cuenca ante cambios en el uso de la tierra, cambio climático y
prácticas de conservación de suelos; lo cual, es de gran relevancia para el ordenamiento del
territorio que se enfoca cada vez más en una visión prospectiva (Rojas, 2009).
Los resultados de este tipo de investigaciones deben ser una herramienta para la construcción
de una prospectiva territorial; de la cual se pueden observar múltiples casos por todo el mundo.
Tal fue el caso de Polonia, cuando en 1969 fundó un comité denominado “Polonia 2000” con el
objeto de orientar y coordinar estudios dirigidos a esbozar las directrices del país para el nuevo
milenio; partiendo del análisis a futuro de los recursos y las necesidades, y cuyos frutos son una
muestra de lo que una adecuada planificación puede lograr (Espinosa, 2008). En efecto, el conflicto
por pérdida de cobertura natural está estrechamente relacionado con los conflictos por uso del
suelo; de los cuales, los principales en la Subcuenca del Río Quindío son la subutilización y la
sobreutilización. En este sentido, una mirada a futuro podría definir como estos conflictos
16
impactan la oferta hídrica de la subcuenca, para proponer alternativas de desarrollo que no generen
estos inconvenientes de índole social, ambiental, cultural y económica.
A pequeña escala, estos impactos sobre la respuesta hidrológica de las cuencas han sido
estudiados ampliamente; no obstante, la escala ejerce un papel fundamental en este tipo de
estudios, por lo que en áreas de mayor tamaño (>10 km2), estas variaciones no han sido bien
establecidas y requieren de estudios particulares (Lara, y otros, 2009). La respuesta hidrológica de
grandes cuencas ante cambios en el uso del suelo está determinada por la reacción individual de
sus subcuencas; asimismo, esta se encuentra condicionada por la magnitud y localización de los
cambios, los cuales parecen ser más relevantes a nivel de subcuencas al manejarse un nivel de
escala y análisis intermedio; por lo cual, estas áreas son idóneas para llevar a cabo modelaciones
hidrológicas de este tipo (Klocking & Haberlandt, 2002).
Es importante destacar que la conservación de los recursos naturales no es obligación exclusiva
del Estado, sino también de la sociedad civil y de la academia; por lo cual, la generación de
conocimiento en torno a estas temáticas es importante para sentar antecedentes que puedan servir
como base a futuras investigaciones de carácter oficial. Asimismo, estos proyectos deben
desarrollarse teniendo en cuenta a los actores institucionales o comunitarios relativos al objeto de
estudio; por tanto, para la presente investigación plantea la construcción de ciertos parámetros a
través de mesas de trabajo con funcionarios de las Empresas Públicas del Quindío, la Secretaría
de Planeación, la Secretaría de Agricultura, desarrollo Rural y Medio Ambiente, y demás actores
relevantes; de forma que se obtengan resultados acertados y que integren los distintos puntos de
vista.
Es por todo lo ya mencionado, que se tiene la necesidad de generar conocimiento e información
que apoyen la toma de decisiones, la planificación, la gestión y el uso sostenible de los recursos
esenciales para la calidad del agua y el ordenamiento de los recursos hídricos.
17
3. Objetivos
3.1. Objetivo general
Modelar el impacto por cambio de uso del suelo sobre el comportamiento hidrológico de la
Subcuenca del Río Quindío para los escenarios 2000, 2020 y 2040
3.2. Objetivos específicos
• Identificar y clasificar las coberturas y usos del suelo de la Subcuenca del Río Quindío, con
base en la metodología Corine Land Cover a partir del proceso de fotointerpretación, para los
años 2000 y 2020.
• Generar un modelo de predicción para los cambios de uso del suelo en la zona de estudio para
el año 2040.
• Modelar el comportamiento hidrológico de la subcuenca del Río Quindío, en los diferentes
escenarios de uso del suelo.
18
4. Antecedentes
Las iniciativas e investigaciones en torno a la modelación hidrológica como parte fundamental
de la gestión de este recurso son contemporáneas. La primera aproximación a la modelización
hidrológica se remonta a la década de 1850, cuando Mulvany (1850) desarrolló un método para
calcular el tiempo de concentración en una cuenca, conocido como el método racional para calcular
la descarga máxima; el cual, todavía se utiliza para el diseño de drenaje urbano (Eterovic, 2008).
Durante ese mismo periodo, Darcy (1856), llevó a cabo experimentos en arenas de flujo continuo
y desarrolló lo que ahora se conoce como la ley de Darcy, sentando las bases de la hidrología
cuantitativa del agua subterránea, y la primera ley de Fick, que establece que: “en condiciones de
estado estacionario, el flujo difusivo es proporcional al gradiente de concentración espacial” lo
que a su vez, fue fundamental para hablar calidad del agua en hidrología (Eterovic, 2008). Estos
dos referentes del siglo XIX fueron indispensables para que muchos otros generaran
conocimientos en torno a esta temática en décadas posteriores; pero fue a partir de la introducción
de los computadores y la informática a mediados del siglo XX que se logró la construcción de
múltiples modelos precisos y altamente eficientes como el HEC-HSM del cuerpo de ingenieros de
la Armada de Estados Unidos, el TETIS de la Universidad Politécnica de Valencia y el SWAT del
Servicio de Investigación de Agricultura de los Estados Unidos, entre otros. Este salto tecnológico
ha permitido la evaluación del recurso hídrico desde diferentes perspectivas y realizando análisis
de tipo causa y efecto.
Proaño, Gavilanes, Valenzuela, & Cisneros (2006), emplearon el modelo de simulación hídrica
SWAT en la Subcuenca del Río Ambato, para analizar las repercusiones de varias prácticas de uso
de suelo sobre la generación de caudales y producción de sedimentos. Dicho estudio se basó en el
balance hídrico para determinar la entrada, salida y almacenamiento de agua en la cuenca
hidrográfica bajo condiciones actuales; a partir de las cuales realizaron simulaciones bajo
escenarios de cambio de manejo en el uso del suelo. Similar a esta investigación, fue la planteada
por Fonseca en el año 2010, sobre el análisis de la dinámica de la escorrentía superficial bajo
diferentes escenarios de uso y ocupación del suelo y sus demandas de recursos hídricos, mediante
19
el uso del mismo modelo de simulación hidrológica distribuida, en este caso el SWAT. Ahora bien,
los documentos ya mencionados parten de plantear escenarios de cambio de uso del suelo y se
centran en la respuesta hidrológica de las cuencas en cuestión; no obstante, la simulación de los
cambios de usos y coberturas del suelo es de gran relevancia si se quiere valorar adecuadamente
el comportamiento hidrológico de un área en un periodo de tiempo determinado. En este sentido,
se debe destacar el trabajo realizado por Veloza-Torres (2017) en donde se plantea un análisis
multitemporal de los cambios de las coberturas y usos del suelo de una de las áreas protegidas de
la cuenca Alta del Río Bogotá, denominada como la reserva forestal protectora-productora (RFPP)
“Casablanca”, ubicada al sur del municipio de Madrid Cundinamarca; como medio para elaborar
una serie de recomendaciones para la toma de decisiones sobre medidas de manejo ambiental en
el área. Esta investigación encontró que la principal actividad que ha influenciado la degradación
y desaparición de coberturas nativas, fue la extracción de material de construcción;
adicionalmente, la introducción de especies invasoras como el pino y el eucalipto para su
explotación forestal disminuyen drásticamente la biodiversidad presente en la reserva.
En otra lógica diferente a la que se ha expuesto, se suscribe Lusiana, que en 2015 desarrolló
un estudio sobre la validación de modelos de simulación para la gestión de recursos naturales, en
la que se enfocó en la capacidad de los mismos de contribuir a la gestión y manejo de los recursos.
Para ello, incluyó estudios de las perspectivas de los usuarios sobre la validez de los modelos de
simulación, la aplicación del modelo para evaluar las compensaciones y la valoración de la
incertidumbre. Asimismo, concluyó que un modelo debe poder prospectar escenarios plausibles y
proporcionar una gama de opciones para cuestiones de política, con el fin de que pueda convertirse
en un marco para la toma de decisiones; Incrementando la prominencia, credibilidad y legitimidad
de una simulación, a través de la mejora del modelo técnico y de la comunicación de los resultados
del mismo para generar confianza en los usuarios. De acuerdo a este estudio: “el modelo también
debe tener la capacidad de permitir que los usuarios directos del modelo, primero, se sientan
seguros de la prominencia del modelo, luego aprendan gradualmente las compensaciones y las
20
consecuencias de un escenario de modelo particular y, en última instancia, exploren las posibles
opciones”. (Lusiana, 2015)
21
5. Marco referencial
5.1. Marco conceptual
Ludwig Von Bertalanffy (1968) define un sistema como un complejo de elementos que
interactúan; en este sentido, fomenta el pensamiento sistémico en todas las disciplinas para
encontrar principios generales válidos para todos los sistemas, e introduce dicha unidad de análisis
como un nuevo paradigma científico que contrasta el paradigma analítico y mecánico,
caracterizando la ciencia clásica. De esta forma, la perspectiva teórica en la cual se circunscribe el
proyecto es la Teoría General de Sistemas, puesto que se interpreta la cuenca como un sistema
abierto, en donde el comportamiento de un solo elemento autónomo es diferente de su
comportamiento cuando este interactúa con otros elementos. Esto se puede verse reflejado en los
componentes del objeto de estudio planteado para la presente investigación; debido a que el
comportamiento hidrológico de la cuenca está sujeto a otros parámetros como son el cambio de
coberturas y usos del suelo; los cuales, a su vez, se encuentran condicionados por aspectos
socioeconómicos que pueden tener lugar dentro o fuera de la misma área de la cuenca.
A partir de lo anterior, los principales conceptos a trabajar son los siguientes:
5.1.1. Uso del suelo y cobertura del suelo
Las nociones de uso y cobertura del suelo son conceptos distintos pero que se encuentran
estrechamente relacionados. La cobertura del suelo se refiere al estado biofísico de la superficie
del planeta; mientras que el uso del suelo es cómo y para qué se utilizan estas coberturas, por lo
que el uso depende en primera instancia, de las coberturas con las que se cuente (Turner, y otros,
1995); más específicamente, se entiende por uso del suelo a la ocupación de este por cualquier
actividad. Los usos del suelo son el resultado de la interacción humana con el medio y se puede
decir que estos permiten identificar como son las dinámicas dentro del mismo territorio (Sancho
Comins, Bosque Sendra, & Moreno Sanz, 1993).
22
El ser humano es el principal precursor de los cambios de uso del suelo, y por ende, de los
cambios de coberturas. Así pues, las actividades que generan un mayor impacto en el paisaje son
la agricultura, la ganadería, la explotación forestal la minería (particularmente la minería a cielo
abierto), la urbanización, e incluso los efectos de la guerra (Mannion, 2002). El Cambio en la
Cobertura y los Usos del Suelo (CCUS) trae diversos impactos en el medio biofísico como los son:
la pérdida de la biodiversidad, la degradación del suelo, la disminución de la provisión hídrica de
las cuencas, afectaciones en el ciclo de nutrientes y en el clima local y regional, entre otros
(Henríquez L. , 2012).
5.1.1.1. Modelación del cambio de uso del suelo
Los modelos de cambio de uso del suelo una herramienta de simulación matemática para el
análisis espacial, que permite explorar los diferentes mecanismos que conducen a los cambios de
uso del suelo; además de proyectar los posibles impactos ambientales y socioeconómicos causados
por dicho cambio durante un periódo determinado, e incluso pueden ayudar a evaluar la influencia
de alternativas políticas y regímenes de manejo sobre los patrones de desarrollo y uso del suelo
(Henríquez, Azócar, & Aguayo, 2006).
Estos modelos utilizan parámetros sencillos, como la extensión de las áreas urbanas, red vial,
los centros de mercado y trabajo, las condiciones topográficas y la existencia áreas de manejo
especial. Actualmente, existen varios modelos de cambio de uso de suelo que s epueden ejecutar
a través de softwares para sistemas de información geográfica (SIG), y son usados por las
empresas, entidades gubernamentales y la academia; entre estos se puede encontrar: LAND
CHANGE MODELER, GEOMOD, CLUE, IMAGE, LANDSHIFT, PLM, SITE, SYPRIA, CA-
MARKOV, ACCUS, RUSLE, entre otros (Mas & Sandoval, 2011).
5.1.1.2. Metodología Corine Land Cover
El programa de la Unión Europea CORINE (Coordination of Information on the Environment)
es un proyecto que trata de cartografiar a escala 1:100.000 la cobertura del suelo de toda la Unión
23
Europea, utilizando como base imágenes LANDSAT (Thematic Mapper). El esquema
metodológico Corine Land Cover contempla las etapas de adquisición de la información,
preparación, análisis e interpretación de las coberturas, verificación en campo, control de calidad
y generación de información temática (Melo & Camacho, 2005). Esta metodología fue adaptada
para Colombia en el año 2010 por el IDEAM y es conocida como la metodología CLC-Colombia,
lo que supuso un avance en la unificación de técnicas para definir las categorías y coberturas del
suelo.
5.1.2. Cuencas hidrográficas
De acuerdo al decreto 1729 de 2002, “Una cuenca u hoya hidrográfica es el área de aguas
superficiales o subterráneas, que vierten a una red natural con uno o varios cauces naturales, de
caudal continuo o intermitente, que confluyen en un curso mayor que, a su vez, puede desembocar
en un río principal, en un depósito natural de aguas, en un pantano o directamente en el mar”.
Las cuencas hidrográficas se delimitan por las líneas de divisorias de aguas, las cuales son las cotas
máximas que dividen dos cuencas contiguas; en medio de las cuales se forman los afluentes y el
cauce principal, como se puede observar en la figura 1:
24
Figura 1. Delimitación de una cuenca hidrográfica, www.mundogeografía.com
Las unidades hidrográficas pueden dividirse en subsistemas según su tamaño de la siguiente
forma (Aguirre, 2007):
• Cuencas: Sistema integrado por varias cuencas y microcuencas, y con un área de entre
60.000 a 300.000 ha.
• Subcuencas: conjunto de microcuencas que drenan a un solo cauce, con caudal fluctuante
pero permanente. Tienen un área de entre 10.000 a 60.000 ha.
• Microcuencas: unidad de drenaje que tiene su punto de desfogue sobre el cauce de una
subcuenca. Tienen un área máxima de 10.000 ha.
5.1.2.1. Ciclo hidrológico
Los procesos hidrológicos que tienen lugar en una cuenca corresponden a los cambios que
experimenta el agua, tanto en su estado (sólido, líquido, gaseoso), como en su forma (agua
superficial, agua subterránea, etc.) (Chow, Maidment, & Mays, 1998).
25
La evaporación y la transpiración (ET) de los cuerpos de agua, se encuentran entre los procesos
hidrológicos clave que están teniendo lugar en una cuenca; el aire evaporado se eleva, se condensa
para formar nubes y llega a la superficie terrestre en forma de precipitación. Las precipitaciones
adoptan diversas formas, como lluvia, nieve, granizo y rocío; sin embargo, la mayor parte de las
precipitaciones se producen en forma de lluvia. Cuando la precipitación alcanza la superficie
terrestre, parte de ella se infiltra en el suelo y subsuelo llegando a recargar acuíferos subterráneos,
mientras que otra parte se mueve a través de la tierra como escorrentía, en donde puede ser
interceptada por la vegetación (Chow, Maidment, & Mays, 1998). Por tanto, el proceso es continuo
pues ocurre por encima y debajo de la superficie de la tierra (Han, 2010) y no tiene ningún punto
de inicio y fin (Chow, Maidment, & Mays, 1998). Los procesos ya mencionados se pueden ver
gráficamente en la figura 2:
Figura 2: Ciclo hidrológico, VICH-Alberto (1996).
26
5.1.2.2. Balance hídrico
El balance hídrico es la representación teórica de los intercambios de agua entre las plantas, el
suelo y la atmosfera que permite establecer la relación entre las ganancias (+) y las pérdidas (-) de
agua que se registran en un área determinada, mediante la cuantificación de los componentes del
ciclo hidrológico en las cuencas hidrográficas o de cuerpos de agua subterráneos (Jimenez, 1994).
La ecuación de balance hídrico permite relacionar las cantidades de agua que circulan por el ciclo,
agrupando los procesos que agregan agua a la cuenca como precipitaciones, en entradas; y las que
disminuyen el agua como escorrentía, infiltración, percolación, etc., en salidas (Ordoñez, 2011):
𝑃 = 𝐸𝑇𝑅 + 𝐸𝑆 + 𝐼
Donde: P es precipitación, ETR es evapotranspiración real, ES escorrentía superficial, I es
Infiltración.
5.1.2.3. Modelación hidrológica
Los modelos son representaciones matemáticas de la realidad que simplifican sistemas
complejos para permitir generar análisis y simulaciones (IDEAM, 2016). En hidrología, los
modelos se utilizan para predecir el comportamiento del sistema y comprender los procesos
hidrológicos que ocurren en un área determinada; por lo que actualmente son una herramienta de
gran importancia para la gestión de los recursos hídricos y ambientales.
En general, los modelos de lluvia-escorrentía son las herramientas estándar que se utilizan para
investigar los procesos hidrológicos, y existen una gran cantidad de estos modelos con diferentes
aplicaciones que van desde pequeñas cuencas hasta modelos globales. Cada modelo tiene sus
propias características únicas y sus respectivas aplicaciones, pueden contribuir en el pronóstico de
inundaciones, la gestión adecuada de los recursos hídricos, la evaluación de la calidad del agua, la
erosión y sedimentación, la circulación de nutrientes y pesticidas, el uso de la tierra y el cambio
climático, etc. (Devia, Ganasri, & Dwarakish, 2015).
27
Los mejores modelos son aquellos cuyos resultados se acercan más a la realidad usando el
mínimo de parámetros posibles, de forma que se facilite la captura de datos inicial. Para una
predicción precisa, se requieren diferentes medios de evaluación del modelo, y se deben considerar
los factores meteorológicos y datos del suelo para que haya una adecuada calibración del modelo
(Devia, Ganasri, & Dwarakish, 2015).
5.1.3. Teledetección
La teledetección se ha definido como la ciencia y el arte de obtener información sobre un
objeto, área o fenómeno a través del análisis de datos adquiridos por un sensor que no está en
contacto directo con el objetivo de la investigación (Kim, Choi, Kim, & Kim, 2019). Los estudios
de teledetección incluyen datos recopilados con instrumentos en tierra desde plataformas elevadas,
y en una variedad de plataformas aéreas y espaciales. El aumento en la disponibilidad de imágenes
y el desarrollo de nuevas tecnologías, han hecho que cada vez más más empresas y organismos
públicos incorporen técnicas de teledetección en sus funciones; puesto que pueden resultar muy
ventajosas para un gran número de aplicaciones como extracción de información, detección de
cambios de coberturas, rendimiento de cultivos, vulcanología, monitorización de desastres
naturales, entre otros (Engman & Gurney, 1991).
Existen 4 definiciones fundamentales para entender la teledetección (Lund University, 2011):
• Resolución espacial: Se refiere al tamaño del objeto más pequeño que se puede distinguir
en la imagen, y está determinada por el tamaño del píxel, medido en metros sobre el terreno.
Es primordial para definir la escala de detalle con la que se trabajará.
• Resolución temporal: Es la frecuencia de paso del satélite por un mismo punto de la
superficie terrestre; es decir, cada cuanto tiempo pasa el satélite por la misma zona de la
Tierra.
• Resolución espectral: Consiste en el número de canales espectrales que es capaz de captar
un sensor. Cada banda captura información de diferentes partes del espectro
28
electromagnético; así pues, a mayor cantidad de bandas se conocerá más de la información
espectral de elemento que se está analizando.
• Resolución radiométrica: Se refiere a la cantidad de niveles de gris en que se divide la
radiación recibida para ser almacenada y procesada posteriormente. Esto depende del
conversor analógico digital usado.
En la tabla 1, se muestran las resoluciones de los principales satélites usados para la teledetección:
Tabla 1. características principales de algunos satélites usados para teledetección, elaboración propia a
partir de Lund University (2011).
Satélite Sensor Resolución
espacial
Resolución
espectral
Resolución
temporal
LANDSAT 7 ETM+ (multiespectral) 30 m 7 bandas 16 días
ETM+ (Pancromática) 15 m 1 banda 16 días
LANDSAT 8 OLI (multiespectral y
pancromática)
30 / 15 m 9 bandas 16 días
TIRS (Termal e infrarrojo) 100 m 2 bandas 16 días
SPOT Multiespectral 20 m 4 bandas 26 días
Pancromática 10 m 1 banda 26 días
Ikonos Multiespectral 4 m 4 bandas 2 días
Pancromática 1 m 1 banda 2 días
QuickBird Multiespectral 2,5 m 4 bandas 1-4 días
Pancromática 0,61 m 1 banda 1-4 días
Los sensores utilizados para la teledetección para aplicaciones hidrológicas cubren una
amplia gama del espectro electromagnético. Se utilizan tanto sensores activos que envían un pulso
y miden el valor de retorno como en el caso de los sensores de radar; o también sensores pasivos
que miden las emisiones o reflectancia de fuentes naturales como LANDSAT, SENTINEL,
IKONOS, etc. De acuerdo a McCabe, y otros (2017), “las técnicas de teledetección miden
indirectamente las variables hidrológicas, por lo que las variables electromagnéticas medidas por
29
las técnicas de teledetección deben estar relacionadas con las variables hidrológicas de forma
empírica o con funciones de transferencia”. Por tanto, la teledetección en sí misma no constituye
una herramienta hidrológica, por lo que debe usarse a la par con modelos y simuladores propios
de esta área. (McCabe, y otros, 2017)
5.1.4. Descripción de los modelos seleccionados
5.1.4.1. Modelos: Markov, CA y CA-Markov
El modelo Markov fue presentado por el matemático ruso Andrei A. Markov en 1970, y
consiste en un modelo estocástico que requiere pares de imágenes de CCUS para describir la
probabilidad de que un área cambie su estado o categoría a lo largo de un periodo determinado
(Clark Labs, 2012).
Matemáticamente, el modelo Markov se expresa de la siguiente manera (Al-sharif & Pradhan,
2013):
𝑆 (𝑡 + 1) = 𝑃𝑖𝑗 𝑥 𝑆(𝑡)
𝑃𝑖𝑗 = [
𝑃11 𝑃12 … 𝑃1𝑛
𝑃21 𝑃22 … 𝑃2𝑛
⋮𝑃𝑛1
⋮𝑃𝑛2
…⋮𝑃𝑛3
]
(0 ≤ 𝑃𝑖𝑗 < 1) ∧ ∑ 𝑃𝑖𝑗 = 1, (𝑖, 𝑗 = 1,2, … 𝑛𝑛
𝑗=1)
Donde, S (t) es el estado del sistema en el momento 1, S (t + 1) es el estado del sistema en
el momento 2; Pij es la matriz de probabilidad de transición en un estado, Pn es el número de
categorías CCUS.
Por otra parte, el modelo Cellular Automata (CA) es un modelo dinámico espacial que
predice transiciones entre cualquier número de categorías CCUS, en donde la transición de una
30
celda en una categoría a otra diferente, depende del estado de las celdas vecinas (Adhikari &
Southworth, 2012). Este modelo parte del axioma de que a mayor proximidad, una celda tendrá
una mayor probabilidad de cambiar en el futuro; sin embargo, presta atención solamente a las
interacciones locales de las células.
Matemáticamente, el modelo CA se expresa de la siguiente manera (Al-sharif & Pradhan,
2013):
𝑆 (𝑡, 𝑡 + 1) = 𝑓(𝑆(𝑡), 𝑁)
Donde, S son los estados de la celda discreta, t es el instante de tiempo, t + 1 es el instante
de tiempo futuro venidero, N es el campo celular y f es la regla de transición de los estados de las
celdas en el espacio local.
Finalmente, a partir de los modelos mencionados anteriormente, nace el modelo llamado
Cellular Automata Markov (CA-Markov); el cual es un modelo robusto que integra la capacidad
de los modelos de Markov y CA, prediciendo no solo la tendencia sino también la estructura
espacial de diferentes categorías CCUS (Wang, Zheng, & Zang, 2012).
5.1.4.2. Modelo hidrológico SWAT
La herramienta de evaluación de suelos y aguas (SWAT) es un modelo físico desarrollado en
la década de 2000. Fue diseñado para predecir el impacto de las prácticas de gestión de la tierra
sobre el agua, los sedimentos y los rendimientos de productos químicos agrícolas en grandes
cuencas hidrográficas complejas con condiciones variables durante largos períodos de tiempo
(Neitsch, Arnold, Williams, & Kiniry, 2011).
Este modelo predice los impactos sobre las Unidades de Respuesta Hidrológica (HRU), las
cuales son áreas dentro de la subcuenca que se componen de una combinación única de cobertura
terrestre, suelo y pendiente (Arnold, y otros, 2011). El modelo SWAT requiere información diversa
para configurarse y ejecutarse, incluyendo: datos de clima, hidrología, suelo, topografía y uso de
31
la tierra; con lo que puede modelar el proceso físico asociado con el movimiento del agua, el
movimiento de los sedimentos, el crecimiento de los cultivos, el ciclo de los nutrientes, etc.
(Neitsch, Arnold, Kiniry, Williams, & King, 2002) Basándose en la ecuación de balance hídrico
que se muestra a continuación (Arnold, Srinivason, Muttiah, & Williams, 1998):
𝑆𝑊𝑡 = 𝑆𝑊0 + ∑ (𝑅𝑑𝑎𝑦 − 𝑄𝑠𝑢𝑟 − 𝐸𝑎 − 𝑊𝑠𝑒𝑒𝑝 − 𝑄𝑔𝑤)𝑡
𝑖=1
Donde: SWt es el contenido final de agua del suelo (mm); yt es el tiempo (días); SWo, es
el contenido inicial de agua del suelo, Rday, es la cantidad de precipitación, Qsur es la cantidad de
escorrentía superficial, Ea es la cantidad de evapotranspiración, Wseep es la cantidad de agua que
ingresa a la zona vadosa desde el perfil del suelo, y Qgw es la cantidad de flujo de retorno el día i
(mm).
La escorrentía en SWAT se puede estimar mediante el método del número de curva (CN)
del Servicio de Conservación de Suelos (SCS), el cual predice la escorrentía con un evento de
lluvia determinado, basándose principalmente en el uso de la tierra, las propiedades del suelo y las
condiciones hidrológicas. La ecuación que define este método es la siguiente (Ghoraba, 2015):
𝑄𝑠𝑢𝑟 =(𝑅𝑑𝑎𝑦 − 0,2 𝑆)2
(𝑅𝑑𝑎𝑦 + 0,8 𝑆)
Donde, Qsurf es la escorrentía superficial diaria (mm), Rday es la profundidad de lluvia
del día (mm) y S es el parámetro de retención (mm); el cual, según Ghoraba (2015), está
determinado por la ecuación:
𝑆 = 25,4 (1000
𝐶𝑁− 10)
Donde, S es el volumen de agua que se puede drenar del suelo por unidad de área de espesor
saturado (mm / día) y CN es el número de curva de nivel.
32
SWAT es compatible con diferentes softwares para SIG como ArcGIS (ArcSWAT) o Quantum
GIS (QSWAT); además de contar son un manual de uso en varios idiomas, lo que hace que facilita
su manejo. Este modelo se descarga de manera independiente, y se añade como complemento a
cualquiera de los entornos ya mencionados.
33
5.2. Marco legal
En cuanto al panorama internacional, Colombia reafirmó la Conferencia de las Naciones
Unidas sobre el Medio Humano, aprobada en Estocolmo el 16 de junio de 1972, y ratificó la
Declaración de Río sobre el Medio Ambiente y Desarrollo (1992), que tiene como objeto alcanzar
acuerdos internacionales en los que se respeten los intereses de todos y se proteja la integridad del
sistema ambiental y de desarrollo mundial.
A nivel nacional, La Constitución Política de 1991 adopta un modelo de desarrollo sostenible
al establecer que el Estado planificará el manejo y aprovechamiento de los recursos naturales, para
garantizar su desarrollo sostenible, su conservación, restauración y sustitución, orientando el
desarrollo económico y social del país a este principio; haciendo compatible la elevación de la
calidad de vida y el bienestar social, con la preservación del medio ambiente, en condiciones que
aseguren a las generaciones futuras vivir en forma digna y promover su propio desarrollo.
Igualmente, los artículos 8, 27 y 69 de la Constitución Política señalan que es obligación del Estado
y de las personas proteger las riquezas culturales y naturales de la Nación y garantizar las libertades
de enseñanza, aprendizaje, investigación y cátedra, además de fortalecer la investigación científica
en las universidades oficiales y privadas y ofrecer las condiciones especiales para su desarrollo.
Por otro lado, con la promulgación del Código Nacional de Recursos Naturales, Decreto Ley
2811 de 1974, se sientan las bases de la política ambiental en Colombia y el interés del Estado por
la preservación de los recursos naturales renovables y el medio ambiente.
La Ley 99 de 1993, por la cual se crea el Ministerio de Ambiente, Vivienda y Desarrollo
Territorial, reordena el sector público encargado de la gestión y conservación del medio ambiente
y los recursos naturales renovables y se organiza el Sistema Nacional Ambiental -SINA-,
ratificando el compromiso de un modelo de desarrollo sostenible.
Por otra parte, la Ley 388 de 1997 de Desarrollo Territorial, considera el ordenamiento y
manejo ambiental como un componente estructural del ordenamiento territorial, lo que implica
34
una armonía entre los procesos de planeación y la conservación y el mejoramiento de los bienes y
servicios ambientales de la nación; lo cual incluye todos los procesos relacionados con los cambios
de coberturas y usos del suelo.
La reglamentación relativa a las cuencas hidrográficas es dada por el decreto 1729 de 2002; el
cual adopta una definición de cuenca hidrográfica para el país, y define su delimitación y usos.
Este decreto plantea una hoja de ruta para el ordenamiento de cuencas, anterior al decreto 1640 de
2012 “Por medio del cual se reglamentan los instrumentos para la planificación, ordenación y
manejo de las cuencas hidrográficas y acuíferos, y se dictan otras disposiciones”, es la línea base
para la planificación y el aprovechamiento de los recursos que ofrecen las cuencas hidrográficas;
entendiendo estás áreas como unidades de planificación que trascienden los límites políticos, y
cuyo uso debe planificarse con una visión global que permita integrar los escenarios locales,
regionales y nacionales y para ello se requieren mecanismos jurídicos que garanticen una adecuada
articulación.
La parte alta de la subcuenca se enmarca dentro de las zonas de reserva forestal central
definidas por la Ley 2 de 1959; las cuales propenden por el desarrollo de la economía forestal y
protección de los suelos, las aguas y la vida silvestre; y se encuentran por fuera de los límites de
la frontera agrícola nacional.
Por otro lado, en lo referente a los instrumentos de planeación territorial que regulan la zona
de estudio; los más relevantes son: POMCH del río La Vieja (2018) y del Plan de Ordenación para
la Unidad de Manejo de Cuenca (UMC) Río Quindío (2011); así como también: Plan de Gestión
Ambiental Regional (PGAR) Departamento del Quindío, el Esquema de Ordenamiento Territorial
(EOT) del municipio de Salento, el Plan Básico de Ordenamiento Territorial (PBOT) de Calarcá
y el Plan de Ordenamiento Territorial (POT) de Armenia. Los documentos mencionados
constituyen una base fundamental para la planificación y los procesos de ordenación y
visualización del territorio regional y nacional, marcando pautas importantes y definiendo líneas
generales de orientación.
35
6. Metodología
6.1. Descripción del área de estudio
La descripción del área de estudio se realizó a partir de fuentes de información secundaria
oficiales, tales como instrumentos de ordenamiento territorial de la subcuenca y estudios realizados
por la autoridad ambiental del departamento. La Subcuenca río Quindío hace parte de la Cuenca
del río La Vieja y se encuentra localizada en el extremo nororiental de la misma, además de hacer
parte de la Unidad de Manejo de Cuenca (UMC) río Quindío. Nace en el extremo nororiental del
municipio de Salento en el páramo del Quindío a 3780 msnm, y cuenta con un flujo que va en
dirección norte a sur. Desemboca en el Río La Vieja con 65.35 Km de recorrido, Según la
Corporación Autónoma Regional del Quindío (CRQ), (2011), esta constituye la mayor Subcuenca
dentro de este territorio, y la que mayor cantidad de agua suministra a cuatro municipios del
Departamento como son: Armenia, Circasia, La Tebaida y Salento a una población de 300.000
habitantes quienes representan el 55% de la población quindiana. Está ubicada en el lado oriental
del Departamento del Quindío, integrado por los municipios de Armenia, Calarcá y Salento. De
acuerdo al Plan de Manejo de la Subcuenca del Río Quindío (2011); está cuenta con un área total
de 26890.69 ha; de las cuales el 81.4 % se localizan en el municipio de Salento, el 12.7 %
corresponden al municipio de Calarcá y el 5.8 % al municipio de Armenia.
La figura 4 muestra el mapa de ubicación de la subcuenca del Río Quindío:
36
Figura 3. mapa de localización del área de estudio, elaboración propia (2021)
De acuerdo a la CRQ (2020), en la Subcuenca río Quindío se puede encontrar variedad de
pisos térmicos, los cuales van desde el Sub-nival al cálido. De acuerdo a la clasificación climática
del IGAC, la cual se basa en pisos térmicos y condiciones de humedad; el esta subcuenca se pueden
encontrar las siguientes unidades climáticas:
37
Tabla 2. Información climática de la Subcuenca río Quindío, Adaptado del POMCA río La Vieja (2020)
Elementos del clima S-P
(Sub-nival y pluvial)
EF-P
(Parte alta)
F-MH/M-MH
(Parte media)
Ubicación Cono y laderas del
volcán del Quindío
Oriente de la
subcuenca
Centro-oriente de la
subcuenca
Altura m.s.n.m. 4.800 – 4.000 4.000 – 3.000 3.000 – 1.300
Pluviosidad (mm) 2200 2400 2600
Temperatura (°C) 1,5 – 6,0 6 – 12 12 – 18
Evapotranspiración
(mm/año)
550 730 1.095
Humedad relativa (%) 93 91 86
Brillo solar (H/año) 390 730 1.280
De acuerdo al Plan de Manejo de la Subcuenca del Río Quindío, esta unidad hidrográfica
es alargada, se ensancha en la parte alta donde aparecen gran cantidad de fuentes hídricas, en la
zona media es delgada y con muchos tributarios y al final de la misma se reduce su tamaño. Al ser
cuenca alargada tiene un cauce principal con poca tendencia a concentrar el escurrimiento
superficial. A continuación, se muestran las principales características morfométricas de la
Subcuenca del Río Quindío.
Tabla 3. Características morfométricas de las corrientes identificadas en la microcuenca río Quindío, CRQ
(2020)
Características morfométricas R. Quindío
Área (Km2) 276,6
Perímetro (km) 168,18
Longitud del cauce (km) 58,56
Ancho máximo de la cuenca (km) 13,8
Cota de nacimiento (msnm) 4150
Cota de llegada (msnm) 1050
Diferencia de nivel (m) 3100
Factor de forma 0,08
38
Coeficiente de compacidad 2,83
Descripción de la estrategia metodológica
Se planteó una metodología de tipo mixta puesto que toma elementos cualitativos y
cuantitativos en su análisis. Está se desarrolló para diferentes periodos de tiempo, incluyendo una
proyección a futuro; por lo cual, es longitudinal-prospectiva. La presente metodología se organiza
por fases, cada una de las cuales corresponde al desarrollo de cada objetivo específico; teniendo
como antesala la descripción del área de estudio. La figura 3 muestra el esquema metodológico
que se siguió para el desarrollo del proyecto:
39
Figura 4. esquema metodológico, elaboración propia (2020)
40
6.2. Clasificación de las coberturas y usos del suelo
6.2.1. Escenarios y escala
Se tuvieron en cuenta tres escenarios de análisis para definir la variación de coberturas y
usos del suelo a lo largo de diferentes periodos de tiempo; lo que a su vez se usó para modelar
como estos cambios influyen en las condiciones hidrológicas del área de estudio. Estos escenarios
fueron: pasado (2000), presente (2020) y futuro (2040).
En este sentido, se realizó una búsqueda de imágenes satelitales de la zona de estudio en el
Banco Nacional de Imágenes (BNI), USGS Earth Explorer, Copernicus Open Data Hub, y USGS
Global Visualization Viewer (GloVis). En estas se identificaron las imágenes que cumplieran con
las características de calidad necesarias de forma que estas garantizaran:
• Resolución espacial mínima de 30 metros.
• Cobertura de nubes de máximo 20%.
• Fecha de toma de la imagen correspondiente con el escenario definido.
• Valor del Indicador de la calidad técnica de los datos asignado por USGS mayor o igual a
7 (para imágenes de dicha plataforma).
Para el escenario del año 2000 se eligió una imagen Landsat 7 con fecha del 21 de agosto del
mismo año. Cuenta con resolución de 30 m en sus bandas multiespectrales y 15 m en la
pancromática. Se eligió este sensor debido a que es el que más se ajusta para la fecha requerida.
Por otra parte, para el escenario del año 2020, se eligió una imagen Landsat 8 con fecha del 08 de
abril del mismo año y resolución de 30 m en sus bandas multiespectrales y 15 m en la
pancromática. De acuerdo a la resolución espacial de dichas imágenes se definió la escala de
trabajo, teniendo en cuenta la siguiente fórmula (ESRI, 2020):
𝐸𝑠𝑐𝑎𝑙𝑎 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑐𝑒𝑙𝑑𝑎 𝑥 96
0,0254
41
La relación entre la resolución espacial y la escala de trabajo se muestra en la tabla 3:
Tabla 4. Relación entre la resolución espacial y la escala de trabajo, elaboración propia a partir de ESRI
(2020).
Resolución espacial Escala de trabajo
10 m 1:25.000
15 m 1: 50.000
30 m 1: 100.000
80 m 1: 250.000
150 m 1: 500.000
De acuerdo a lo anterior se manejó una escala 1: 50.000, dado que se utilizaron imágenes
Landsat con una resolución espacial de 15 m en la banda pancromática, y 30 m en las bandas
multiespectrales; sobre las cuales se realizó un mejoramiento de la resolución (pansharpening),
dando como resultado imágenes con un tamaño de celda de 15 m.
6.2.2. Procesamiento de imágenes
Las imágenes pasaron por un proceso de corrección atmosférica, radiométrica y
geométrica, con el fin de garantizar la calidad de los resultados.
El proceso de identificación y clasificación de las coberturas se realizó a partir de una
fotointerpretación visual usando criterios como la forma, el tamaño, el tono, la textura y las firmas
espectrales, mediante el uso de los softwares ArcGIS 10.5 y ENVI 5.3. Esto se realizó usando
como base la metodología Corine Land Cover adaptada a Colombia por el IDEAM en el 2010, con
la cual se definieron las unidades de cobertura hasta distintos niveles, dependiendo de la relevancia
de cada unidad para el estudio; en este sentido, se priorizaron las coberturas de bosque, las cuales
se definieron hasta un nivel 3, debido a su relevancia dentro del ciclo hidrológico de la cuenca. El
resto de coberturas se clasificaron hasta un nivel 2, a excepción de los territorios artificializados;
los cuales se dejaron en nivel 1, puesto que, al ser un área mayoritariamente rural, no tienen un
impacto tan marcado como el resto de las coberturas.
42
Finalmente, se realizaron los análisis de cambios entre los distintos periodos, para descubrir
las ganancias y pérdidas de cada categoría CCUS. Para esto, se utilizó la herramienta Land Change
Modeler (LCM) del entorno Terrset antes llamado IDRISI. El porcentaje de cambio y la tasa de
cambio también se calcularon usando las siguientes ecuaciones:
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑐𝑎𝑚𝑏𝑖𝑜 (%) = (𝑋 − 𝑌
𝑌) ∗ 100
𝑇𝑎𝑠𝑎 𝑑𝑒 𝑐𝑎𝑚𝑏𝑖𝑜 (ℎ𝑎/𝑎ñ𝑜) = (𝑋 − 𝑌
𝑍)
Donde, Y es un área de CCUS en hectáreas en un tiempo t1, X es un área de CCUS en
hectáreas en un tiempo t2, y Z es el intervalo de tiempo entre X y Y en años
6.2.3. Trabajo de campo
El control de calidad para la clasificación de la imagen del año 2020 se realizó mediante
trabajo de campo durante los meses de marzo y abril del 2021, siguiendo la metodología de
observación de recorridos libres “ad libitum” según la disponibilidad de acceso a los predios, dado
que estos corresponden a áreas privadas que pueden ser restringidas.
Para este proceso se requirió GPS y cámara fotográfica, con el fin de verificar que la
clasificación estuviera correcta; a partir de lo cual se realizaron las modificaciones necesarias para
generar el mapa de coberturas de cada uno de los escenarios. Se usaron un total de 40 puntos de
control distribuidos por toda el área de la subcuenca, los cuales fueron tomados en cercanías a las
vías de comunicación que atraviesan la zona de estudio. A continuación, se muestran algunas de
las imágenes tomadas en campo:
43
Figura 5. Validación de coberturas en campo (a) pastos, (b) bosque de galería y ripario (c) áreas agrícolas
heterogéneas (d) cultivos transitorios, elaboración propia (2021).
Debido a la imposibilidad de realizar trabajo de campo para el control de calidad de la
fotointerpretación de la imagen del año 2000; se utilizaron como soporte adicional distintas
aerofotografías de uso libre, tomadas del Banco Nacional de Imágenes (BNI) del Instituto
Geográfico Agustín Codazzi.
(a) (b)
(c) (d)
44
6.3. Generación de un modelo de predicción para cambios de uso del suelo
6.3.1. Definición del modelo
La predicción de los cambios de uso del suelo se llevó a cabo usando el modelo CA-Márkov
disponible para el entorno Terrset. Este modelo predice tanto la tendencia como la estructura
espacial de diferentes categorías CCUS basándose en las imágenes históricas de las coberturas, la
matriz de probabilidad de transición e imágenes de idoneidad como un archivo de grupo (Clark
Labs, 2012). Este estudio utilizó la clasificación del 2000 como archivo histórico, y su
comparación con 2020 para la matriz de probabilidad de transición de ensamblaje. CA-Márkov
tiene en cuenta factores y restricciones como criterios que indican la idoneidad relativa de las áreas
bajo consideración y criterios que limitan las alternativas. Estos se mapearon como imagen
booleana y correspondieron a parámetros de altitud y de pendiente. No se tuvieron en cuenta
parámetros como la frontera agrícola o la reserva forestal central; debido a que actualmente existen
grandes fragmentos de la subcuenca que presentan actividades agropecuarias, a pesar de
encontrarse dentro de las zonas de exclusión legal dictaminadas por la resolución 261 del 2018.
En la tabla 5 se muestran los factores y limitantes categorizados para la Subcuenca del Río
Quindío:
45
Tabla 5. Factores y limitantes categorizados para la Subcuenca del Río Quindío, periodo de predicción
2020 - 2040, elaboración propia (2021)
Cobertura Factores
Probabilidad de conversión a:
Peso Limitantes
Pendiente Altitud
Cultivos permanentes Pastos 0,2550 Ninguna > 4.500
Áreas agrícolas
heterogéneas
Pastos 0,4643 Ninguna > 4.500
Áreas con vegetación herbácea
y/o arbustiva
0,0949 Ninguna > 4.500
Bosque denso Pastos 0,0692 Ninguna > 4.500
Bosque fragmentado 0,1428 Ninguna > 4.500
Plantación forestal 0,0701 > 125% > 3.000
Áreas con vegetación herbácea
y/o arbustiva
0,2503 Ninguna > 4.500
Bosque fragmentado Pastos 0,2989 Ninguna > 4.500
Plantación forestal 0,2865 > 125% > 3.000
Áreas con vegetación herbácea
y/o arbustiva
0,1360 Ninguna > 4.500
Bosque de galería y
ripario
Pastos 0,0968 Ninguna > 4.500
Plantación forestal 0,0430 > 125% > 3.000
Áreas con vegetación herbácea
y/o arbustiva
0,0533 Ninguna > 4.500
Áreas con vegetación
herbácea y/o arbustiva
Pastos 0,1569 Ninguna > 4.500
Plantación forestal 0,0249 > 125% > 3.000
Pastos Plantación forestal 0,0436 > 125% > 3.000
Territorios artificializados 0,0119 > 50% > 3.000
Como se puede observar, las áreas adecuadas para la conversión a cada clase se asignaron
dando valores de 0 (sin probabilidad de conversión) a 1 (alta probabilidad de conversión). Dichos
valores se obtuvieron de lo planteado por los instrumentos de ordenamiento territorial de la zona
como el Plan de Ordenamiento Productivo y Social del Quindío; además de discusiones con
funcionarios de la Secretaría de Agricultura, Desarrollo Rural y Medio Ambiente del
departamento. El factor de altitud como limitante, fue incluido como resultado del proceso de
calibración.
46
6.3.2. Validación y calibración
La validación del modelo es un componente fundamental en cualquier actividad de
modelado. Para comprobar la capacidad del modelo CA-Márkov para predecir estados CCUS
futuros, se utilizó la información del cambio de coberturas de uso de suelo entre los años 2000 y
2020 para realizar las comparaciones de las clases simuladas y clasificadas con el fin de establecer
una matriz de probabilidad de cambio, a partir de lo cual se pudo calibrar el modelo generado.
Posteriormente, las imágenes simuladas y clasificadas del 2020 fueron comparadas utilizando el
software Terrset, con el fin de comprobar las capacidades predictivas del modelo. Cabe aclarar
que a pesar de que el software permite realizar una predicción de coberturas a partir de una sola
imagen y un grupo de archivos de probabilidad de cambio, un acercamiento más preciso requiere
la incorporación de dos imágenes al modelo; por este motivo, se utilizaron las imágenes de los
años 2000 y 2020 para la predicción de coberturas del 2040.
Una vez validado el modelo, se utilizó nuevamente el módulo Land Change Modeler
disponible para Terrset; y se realizaron los análisis correspondientes para la variación de coberturas
del periodo 2020 – 2040.
6.4. Modelación hidrológica
Para esta fase, se utilizó el modelo hidrológico Soil and Water Assessment Tool (SWAT), la
cual fue desarrollada por el servicio agrícola de investigación de los Estados Unidos. El modelo se
ejecutó en su versión SWAT 2012, utilizada como complemento dentro del entorno ArcMap 10.5,
siguiendo el esquema que se muestra a continuación:
47
Figura 6. esquema metodológico de la modelación hidrológica, elaboración propia (2021)
6.4.1. Insumos
La aplicación de este modelo requiere diversa información del área de estudio, la cual fue
obtenida como se muestra a continuación:
48
• Modelo de Elevación Digital (DEM)
Se utilizó una imagen satelital ASTER GDEM, para generar la información relativa a la red de
drenaje, los parámetros topográficos y para delimitar la subcuenca hidrográfica, junto con sus
microcuencas.
• Uso y coberturas del suelo
Los mapas producto de las fases anteriores se usaron independientemente para predecir el
comportamiento hidrológico de la cuenca. El modelo SWAT requiere una conversión de las
categorías CCUS en código SWAT de cuatro dígitos de acuerdo a sus características de respuesta
hidrológica; lo cual fue realizado a juicio del analista, dando como resultado una nueva
clasificación que se observa a continuación:
Tabla 6. conversión de coberturas CLC a código SWAT, elaboración propia (2021)
Cobertura CLC Código SWAT
Territorios artificializados URBN
Cultivos transitorios AGRR
Cultivos permanentes PNCR
Pastos PAST
Áreas agrícolas heterogéneas AGRL
Bosque denso FRSD
Bosque fragmentado FRST
Bosque de galería y ripario WETF
Plantación forestal EUCA
Áreas con vegetación herbácea y/o arbustiva RNGE
Áreas abiertas, sin o con poca vegetación RNGE
Ríos (50 m) WATR
49
• Suelos
Se requiere conocer las propiedades físicas y químicas de los suelos de la cuenca, tales como
textura, contenido de agua disponible, conductividad hidráulica, densidad aparente y contenido de
carbono orgánico; dado que estos son factores que determinan la escorrentía. Se utilizó
información proveniente del IGAC y el Estudio semidetallado de suelos del Quindío. Para los
datos no referidos en los estudios mencionados, se consultó documentación del Centro
Internacional de Agricultura Tropical; a partir de lo cual, se identificaron los parámetros que se
muestran a continuación para cada uno de los 12 tipos de suelos encontrados en la subcuenca, y se
añadieron los valores a la base de datos del software.
Tabla 7. parámetros del suelo para SWAT, elaboración propia (2021)
Parámetro Código SWAT
Clasificación del suelo SNAM
Número de horizontes NLAYERS
Grupo hidrológico del suelo (A, B, C o D) HYDGRP
Profundidad máxima de enraizamiento (mm) SOL_ZMX
Fracción de porosidad del suelo ANION_EXCL
Profundidad de cada horizonte (mm) SOL_Z
Densidad del suelo (g/cm3) SOL_BD
Cantidad de agua disponible (mm/mm) SOL_AWC
Conductividad hidráulica saturada (mm/h) SOL_K
Contenido de carbono orgánico en el suelo (%) SOL_CBN
Porcentaje de arcilla en el suelo (%) CLAY
Porcentaje de limo en el suelo (%) SILT
Porcentaje de arena en el suelo (%) SAND
Porcentaje de fragmentos de roca en el suelo (%) ROCK
Factor de erodabilidad USLE_K
50
• Meteorología
Se requieren datos de precipitación diaria, temperatura máxima y mínima del aire, radiación
solar, velocidad del viento y humedad relativa. Estos datos se obtuvieron del Instituto de
Hidrología, Meteorología y Estudios Ambientales (IDEAM) de Colombia y de los reportes de las
estaciones de acuerdo a la disponibilidad de los datos. En el siguiente mapa se muestra la ubicación
de las estaciones utilizadas para el estudio:
Figura 7.Estaciones meteorológicas para la Subcuenca del Río Quindío, elaboración propia (2021)
51
El modelo SWAT cuenta con un generador climático, denominado WXGEN, que permite
recrear datos diarios a partir de valores medios. Para ello, se definieron una serie de parámetros a
partir de las ecuaciones que se muestran a continuación:
Tabla 8. parámetros meteorológicos incorporados al modelo, elaboración propia a partir de Arnold, y
otros (2011).
Parámetro Ecuación Variables
TEMP_MX
Temperatura media
máxima para el mes 𝜇𝑚𝑥 =
∑ 𝑇𝑚𝑥𝑁𝑑=1
𝑁
N = número de total de registros
Tmx= temperatura media máxima
mensual por año
Tmn= temperatura media mínima
mensual por año
μmx = Temperatura media máxima
para el mes (todos los años)
μmn = Temperatura media mínima
para el mes (todos los años)
σmx = desviación estándar
temperatura máx. media mensual.
σmn = desviación estándar
temperatura mín. media mensual.
TEMP_MN
Temperatura media
mínima para el mes 𝜇𝑚𝑛 =
∑ 𝑇𝑚𝑛𝑁𝑑=1
𝑁
TMPSTDMX
Desviación estándar de la
temperatura media
máxima por mes.
𝜎𝑚𝑥 = √∑ (𝑇𝑚𝑥 − 𝜇𝑚𝑥)2𝑁
𝑑=1
𝑁 − 1
TMPSTDMN
Desviación estándar de la
temperatura media
mínima por mes.
𝜎𝑚𝑛 = √∑ (𝑇𝑚𝑛 − 𝜇𝑚𝑛)2𝑁
𝑑=1
𝑁 − 1
PCPMM
Precipitación total media
mensual 𝑃𝑥 =
∑ 𝑃𝑑𝑎𝑦𝑁𝑑=1
𝑌𝑟𝑠
Px = precipitación media mensual
Pday = cantidad de precipitación
diaria en el mes
N = número total de registros
Yrs = años estudiados.
σP = desviación estándar de la
precipitación diaria en el mes.
PCPSTD
Desviación estándar para
la precipitación diaria en
el mes.
𝜎𝑃 = √∑ (𝑃𝑑𝑎𝑦 − 𝑃𝑥)2𝑁
𝑑=1
𝑁 − 1
PCPSKW
Coeficiente de Skew para
la precipitación diaria en
el mes (simetría)
𝑃𝑥 =𝑁 ∗ ∑ (𝑃𝑑𝑎𝑦 − 𝑃𝑥)3𝑁
𝑑=1
(𝑁 − 1) ∗ (𝑁 − 2) ∗ 𝜎𝑃3
PR_W1 𝑃𝑖 (𝑊
𝐷) =
𝑑í𝑎𝑠 (𝑤/𝑑)
𝑑í𝑎𝑠 (𝑑)
días (w/d) = total de días húmedos en
el mes seguidos de un día seco
52
Probabilidad de un día
húmedo seguido de un día
seco en el mes.
días (d) = total de días secos al mes
días (w/w) = total de días húmedos
en el mes seguidos de otro día
húmedo
días (w) = total de días húmedos al
mes
d(wx) = Número medio de días de
precipitación en el mes
N = número total de registros
PR_W2
Probabilidad de un día
húmedo seguido de un día
húmedo en el mes.
𝑃𝑖 (𝑊
𝑊) =
𝑑í𝑎𝑠 (𝑤/𝑤)
𝑑í𝑎𝑠 (𝑤)
PCPD
Número medio de días de
precipitación en el mes 𝑑(𝑤𝑥) =
𝑑í𝑎𝑠 (𝑤)
𝑁
SOLARRAV
Radiación solar media
para el mes 𝜇𝑅𝑆 =
∑ 𝑅𝑆𝑁𝑑=1
𝑁
μRS = Radiación solar media para el
mes
RS = Radiación solar diaria
N = número total de registros
DEWPT
Temperatura de punto de
rocío diaria media para el
mes
𝜇𝐷𝑒𝑤𝑝 =∑ 𝐷𝑒𝑤𝑝𝑁
𝑑=1
𝑁
μDewp = punto de rocío medio para
el mes.
Dewp = punto de rocío diario.
N = número total de registros
WNDAV
Velocidad media diaria
del viento en el mes. 𝜇𝑤𝑛𝑑 =
∑ 𝑤𝑛𝑑𝑁𝑑=1
𝑁
Μwnd = velocidad media del viento
en el mes.
wnd = velocidad diaria del viento
N = número total de registros
• Oferta hídrica
Se obtuvo la información de caudales medios mensuales de los reportes anuales de la
Corporación Autónoma Regional del Quindío (CRQ). Estos valores se usaron para la fase de
calibración y validación del modelo hidrológico.
6.4.2. Validación y calibración
La calibración del modelo es un procedimiento de alteración o ajuste de los parámetros del
modelo, dentro de los rangos recomendados, basados en datos observados para asegurar la misma
respuesta a lo largo del tiempo; mientras que por otro lado, la validación es el proceso de
comprobar la representación de los parámetros mediante la simulación de los datos observados
53
con un conjunto de datos independiente, con el fin de demostrar su eficiencia (Refsgaard &
Knudsen, 1996). En este sentido, la calibración y validación se llevó a cabo utilizando el periodo
de datos de flujo diario observado de 10 años (2011-2021). No se tuvieron en cuenta valores a
partir del año 2000, debido a la falta de disponibilidad de datos; pues para tales fechas no fue
posible encontrar información consistente para todas las estaciones del área de estudio. Por lo
tanto, los datos se dividieron en períodos de calentamiento (2011-2012), calibración (2013-2019)
y validación (2020). Además, para una mejor parametrización del modelo SWAT y para reducir
la incertidumbre de salida del modelo, el estudio utilizó un período de calibración más largo.
Para comenzar, se realizó un análisis de sensibilidad sobre 12 parámetros de flujo,
empleando el software SWAT-CUP 2012 versión 5.1.4. Este tipo de análisis es un medio para
identificar los parámetros más importantes para la calibración y validación del modelo SWAT
(Moriasi, y otros, 2007).
Tabla 9. parámetros de flujo considerados en la validación y calibración, elaboración propia a partir de
Arnold, y otros (2011).
Parámetro Código
Número de curva de escorrentía CN2.mgt
Tiempo de retraso de la escorrentía superficial SURLAG.bsn
Valor “n” de Manning para flujo superficial OV_N.hru
Factor Alfa de flujo base (días) ALPHA_BF.gw
Factor de compensación por evaporación en el suelo ESCO.hru
Almacenamiento máximo del dosel CANMX.hru
Longitud media de la pendiente SLSUBBSN.hru
Pendiente media HRU_SLP.hru
Valor “n” de Manning para el canal principal CH_N2.rte
Conductividad eléctrica efectiva en el canal principal CH_K2.rte
Capacidad disponible de agua de la capa de agua SOL_AWC.sol
Conductividad hidráulica saturada SOL_K.sol
54
Cabe resaltar, que el criterio del ajuste de calibración se basa en una función objetivo y una
comparación visual de hidrogramas simulados y observados (Proaño, Gavilanes, Valenzuela, &
Cisneros, 2006); los cuales se aplicaron mensualmente con el fin de garantizar la variabilidad anual
y estacional de los flujos. Por su parte, el rendimiento del modelo fue comprobado con varios
índices disponibles para SWAT, como el coeficiente de eficiencia de Nash-Sutcliffe (NSE), el
sesgo porcentual (PBIAS) y el error cuadrático medio (RMSE). Además de estos índices, también
se consideraron el coeficiente de determinación (R2) como una medida de consistencia de los datos
simulados y observados. El NSE es una estadística normalizada que determina la magnitud relativa
de la varianza residual en comparación con la varianza de los datos medidos. El cálculo y análisis
de los índices mencionados se realizó a partir de Moriasi, y otros, (2007):
• Los valores de NSE varían de -∞ a 1; en el que un valor más alto indica un mejor
desempeño del modelo.
𝑁𝑆𝐸 = 1 −∑ (𝑌𝑖 𝑜𝑏𝑠 − 𝑌𝑖 𝑠𝑖𝑚)2𝑛
𝑖=1
∑ (𝑌𝑖 𝑜𝑏𝑠 − 𝑌 𝑚𝑒𝑎𝑛)2𝑛𝑖=1
• PBIAS mide el sesgo de estimación del modelo; es positivo y negativo de acuerdo al sesgo
de subestimación o sobreestimación del modelo respectivamente, mientras que los valores
de baja magnitud indican mejores simulaciones del modelo siendo 0 el valor óptimo de
PBIAS.
𝑃𝐵𝐴𝐼𝑆 =∑ (𝑌𝑖 𝑜𝑏𝑠 − 𝑌𝑖 𝑠𝑖𝑚) ∗ 100𝑛
𝑖=1
∑ (𝑌𝑖 𝑜𝑏𝑠)𝑛𝑖=1
• RSR es la otra estadística de índice de error de uso común, la cual estandariza el RMSE
utilizando las desviaciones estándar de observación. El valor de RSR varía entre 0 y un
número positivo grande. Cuanto menor sea el valor de RSR, mejor será el rendimiento de
la simulación del modelo.
𝑅𝑆𝑅 = 𝑅𝑀𝑆𝐸
𝑆𝑇𝐷 𝑜𝑏𝑠=
√∑ (𝑌𝑖 𝑜𝑏𝑠 − 𝑌𝑖 𝑠𝑖𝑚)2𝑛𝑖=1
√∑ (𝑌𝑖 𝑜𝑏𝑠 − 𝑌 𝑚𝑒𝑎𝑛)2𝑛𝑖=1
55
Donde n es el número total de observaciones, Yi obs y Yi sim son los valores observados y
simulados respectivamente. Y mean, es la media de los datos observados y STD obs es la desviación
estándar de los datos observados.
6.4.3. Análisis de la información
Con el fin de analizar los impactos hidrológicos por CCUS, los distintos mapas de
coberturas se usaron por separado mientras que todas las demás entradas del modelo SWAT
permanecieron similares; para luego, comparar los hidrogramas obtenidos sobre una base
promedio.
Se calcularon los valores de caudal medio anual de forma sectorizada, con el fin de identificar
las relaciones entre los cambios de cobertura y las variaciones de caudal en los distintos escenarios.
Para ello, se utilizó la delimitación de las microcuencas realizada anteriormente, a partir de la cual
el modelo SWAT reporta resultados individuales de la simulación. La agrupación de las
microcuencas en sectores se realizó con respecto a las coberturas predominantes y a sus rangos
altitudinales; de manera que los sectores analizados fueron:
• Sector Alto: microcuencas 1 a 27
• Sector Medio: microcuencas 28 a 33
• Sector Bajo: microcuencas 34 a 35
56
7. Análisis de resultados
7.1. Clasificación de las coberturas y usos del suelo
7.1.1. Tendencias de cambio de coberturas
Para la Subcuenca del río Quindío se identificaron un total de 12 clases de coberturas de
distintos niveles según la metodología CLC-Colombia. A continuación, se muestran los mapas de
coberturas de la zona de estudio para los años 2000 y 2020:
Figura 8. Mapa de clasificación de las coberturas de la Subcuenca del Río Quindío, año 2000, elaboración
propia (2021)
57
Figura 9. Mapa de clasificación de las coberturas de la Subcuenca del Río Quindío, año 2020, elaboración
propia (2021)
Como se puede observar en las figuras 8 y 9, la zona de estudio presentó un cambio notorio
en cuanto a sus coberturas durante el periodo de 20 años, caracterizado por la pérdida de coberturas
naturales y la fragmentación de los ecosistemas. La tabla 10 muestra las variaciones en el área de
cada clase ordenadas de manera descendente por magnitud de cambio.
58
Tabla 10. distribución de áreas por cobertura para la subcuenca del Río Quindío, años 2000 y 2020,
elaboración propia (2021)
Cobertura Área (ha) Área (%)
Tasa de
cambio
(ha/año)
Valor de
cambio
(%)
2000 2020 2000 2020 2000-2020 2000-2020
Bosque denso 7835.19 3952.93 25.68 12.96 -39.53 -49.55
Bosque de galería y ripario 4962.24 3911.03 16.27 12.82 19.56 -21.18
Cultivos permanentes 4812.9 3536.68 15.78 11.59 -35.37 -26.52
Pastos 4005.27 7283.3 13.13 23.87 36.42 81.84
Áreas con vegetación herbácea
y/o arbustiva 3086.07 5403.44 10.12 17.71 34.85 75.09
Áreas agrícolas heterogéneas 2228.15 1041.09 7.30 3.41 3.64 -53.28
Bosque fragmentado 1957.41 1553.18 6.42 5.09 -15.53 -20.65
Territorios artificializados 762.65 1170.88 2.50 3.84 6.44 53.53
Plantación forestal 405.48 2128.9 1.33 6.98 -10.64 425.03
Áreas abiertas, sin o con poca
vegetación 288.77 304.41 0.95 1.00 0.82 5.42
Cultivos transitorios 136.8 196.72 0.45 0.64 -0.98 43.80
Ríos (50 m) 27.51 26.24 0.09 0.09 -0.06 -4.62
Figura 10. cambio neto (ha) por cobertura para los años 2000 y 2020, elaboración propia (2021)
59
Para el año 2000, la cobertura predominante era bosques densos (25,68%) con una alta
presencia en la cuenca alta del río; seguida por cultivos permanentes (15,78%), asociados
principalmente a café y cuya presencia era más notoria en la parte media y baja de la cuenca. No
obstante, para el 2020 el bosque denso se redujo en un 49,55% dando paso a otras coberturas como
bosque fragmentado, vegetación herbácea y/o arbustiva y pastos. Por su parte, los territorios
agrícolas mantuvieron un área total relativamente estable, con una variación de solo el 7,82%; sin
embargo, si se encontró un cambio importante la distribución de dichas áreas dentro de la
categoría. La cobertura de pastos fue la que contó con un mayor incremento (81,84%), el cual está
asociado con un aumento del sector ganadero en el departamento. Por lo contrario, los cultivos
permanentes disminuyeron en un 26,52%, mientras que los cultivos transitorios aumentaron en un
43,80%.
En general, se puede observar un reemplazo de las coberturas naturales y sistemas
productivos tradicionales, por modelos de producción de alto impacto como pueden ser la
ganadería extensiva y las plantaciones forestales de especies invasoras como el pino y el eucalipto
cuyo valor de cambio fue el más alto registrado (425%), y que además, disminuye la calidad del
suelo y demanda gran cantidad de recurso hídrico. Lo anterior también puede evidenciarse en el
caso del bosque de galería y ripario, el cual está fuertemente ligado al sostenimiento de la red
hídrica y que para el periodo estudiado experimentó una disminución en su área de 21,18 ha por
año.
Los territorios artificializados que incluyen zonas urbanizadas, zonas industriales o
comerciales, zonas de extracción minera y escombrera, y zonas verdes no agrícolas; pasaron de
ocupar el 2,50% del total de la subcuenca en el año 2000, al 3,84% en el 2020; de manera que,
aunque su valor de cambio fue del 53,53%, el área de estudio continúa siendo mayormente rural.
Finalmente, hubo algunas coberturas que se mantuvieron estables para los dos escenarios de
análisis; estas fueron las áreas abiertas, sin o con poca vegetación, y los ríos (de ancho mayor a 50
m).
60
7.1.2. Transición entre coberturas
Se identificaron las relaciones presentes entre las distintas categorías, con respecto a la
influencia de cada una para ejercer un cambio sobre las demás. Las conversiones que tuvieron
lugar de una categoría a otra son presentadas en la tabla 11, de forma que las diagonales de la
matriz reflejan la persistencia de cada clase:
Tabla 11. matriz de transición de área (ha) periodo 2000 – 2020*, elaboración propia (2021)
Cu
ltiv
os
tra
nsi
tori
os
Cu
ltiv
os
per
ma
nen
tes
Pa
sto
s
Áre
as
ag
ríco
las
het
ero
gén
eas
Bo
squ
e d
enso
Bo
squ
e
fra
gm
enta
do
Bo
squ
e d
e g
ale
ría
y
rip
ari
o
Pla
nta
ció
n f
ore
sta
l
Veg
eta
ció
n
her
bá
cea
/
arb
ust
iva
Cultivos transitorios 0 0 -31 -15 0 0 -2 0 -11
Cultivos permanentes 0 0 1.017 15 -1 -42 -84 54 50
Pastos 31 -1.017 0 -853 -442 -568 -413 167 -214
Áreas agrícolas
heterogéneas 15 -15 853 0 1 -5 -46 120 197
Bosque denso 0 1 442 -1 0 918 51 548 1.908
Bosque fragmentado 0 42 568 5 -918 0 -96 557 244
Bosque de galería y
ripario 2 84 413 46 -51 96 0 214 211
Plantación forestal 0 -54 -167 -120 -548 -557 -214 0 -62
Áreas con vegetación
herbácea y/o arbustiva 11 -50 214 -197 -1.908 -244 -211 62 0
*No se muestran las coberturas menos representativas como: territorios artificializados, áreas abiertas, sin o con
poca vegetación y ríos (50m).
De acuerdo a la información anterior, las categorías que causaron la mayor diminución del
área de bosque denso, fueron: áreas con vegetación herbácea y/o arbustiva (-1908 ha), bosque
fragmentado (-918 ha), plantación forestal (-548 ha) y pastos (-442 ha). El reemplazo del bosque
denso por estas otras categorías se encuentra estrechamente relacionado con los usos productivos
de la cuenca alta del Río Quindío, denotando la adopción de distintas prácticas que se contraponen
con la vocación de conservación y protección del suelo establecida por la Ley 2 de 1959. A su vez,
61
el bosque fragmentado fue reemplazado en gran medida por la cobertura de pastos (-568 ha) y
plantación forestal (-557 ha); situación similar a la del bosque de galería y ripario, cuyos
principales reemplazos fueron pastos (-413 ha) y plantación forestal (-214 ha). Otras áreas
agrícolas como cultivos permanentes y áreas agrícolas heterogéneas, también se vieron sustituidas
por la cobertura de pastos, con valores de -1017 ha y -853 ha.
Debido a lo ya mencionado, es posible afirmar que la cobertura de pastos es la principal
promotora del CCUS dentro de la subcuenca del Río Quindío para el periodo 2000 – 2020; en
tanto esta representa el 38,17% del total de hectáreas que fueron reemplazadas durante dicho
tiempo. A esta le siguen las áreas con vegetación herbácea y/o arbustiva y plantaciones forestales,
cada una respectivamente con un impacto el 28,40% y 18,74% sobre el total de áreas
transformadas. Lo anterior puede verse de manera más detallada en la figura 11, la cual muestra
la contribución porcentual de estas coberturas sobre el cambio neto de las demás.
Figura 11. contribución porcentual de pastos, vegetación herbácea/arbustiva y plantación forestal sobre
el cambio neto de las demás coberturas, elaboración propia (2021)
Sin importar su velocidad o magnitud, la mayoría de los cambios de cobertura y uso del
suelo han sido causados por la intervención antrópica. A pesar de esto, al analizar el crecimiento
poblacional de la región se evidencia que este tiene una relevancia relativamente baja en este
aspecto. En la Subcuenca río Quindío se pueden identificar dos tipos de actores, los directos e
62
indirectos. Los actores directos son aquellos que se localizan sobre el territorio de la Subcuenca o
se abastecen del recurso hídrico de la misma y pertenecen a los municipios de Salento, Calarcá y
Armenia. Los actores indirectos hacen parte de los municipios de Circasia, la Tebaida, Córdoba y
Buenavista ya que algunos de estos también reciben aguas de la subcuenca o hacen parte de la
Unidad de Manejo de Cuenca río Quindío como estrategia de regionalización de la CRQ en la
ejecución de proyectos ambientales (CRQ, 2011). No obstante, la tabla 12 muestra que el
crecimiento poblacional de la zona de estudio en los últimos 15 años ha sido inferior al 1%, lo cual
indica que la modificación en las coberturas debe estar más relacionada con otros factores como
pueden ser la transformación de los sistemas económicos y productivos.
Tabla 12. Población de la Subcuenca del Río Quindío, elaboración propia a partir de Observatorio
Departamental del Quindío, (2020).
Población
2005
Población
2020
Urbana 332.911 331.393
Rural 29.007 29.499
Total 361918 360892
7.2. Generación de un modelo de predicción para cambios de uso del suelo
7.2.1. Validación del modelo
La comparación visual de los mapas “clasificado” y “simulado” del año 2020 es
razonablemente similar, obteniendo variaciones por cobertura de entre 0,5 y 2,5% después de la
calibración. La figura 12 muestra los distintos resultados obtenidos para la subcuenca; en esta, se
puede observar que el primer modelo contaba con problemas a la hora de clasificar nuevas áreas
de territorios artificializados y zonas agrícolas, debido a que la zona de estudio cuenta con un
gradiente altitudinal que va desde los 1.036 msnm en el sur de la cuenca, hasta los 4.742 msnm en
su parte nororiental; debido a esto, un nuevo factor limitante fue añadido al modelo, con el fin de
63
generar una distribución más lógica de las coberturas estudiadas, de acuerdo a los conocimientos
que se tienen del área. Asimismo, la imagen simulada presenta menor fragmentación de las
coberturas que la imagen clasificada; lo cual es particularmente notorio en la parte media de la
cuenca. Se realizaron 4 simulaciones en total, hasta obtener los resultados deseados; sin embargo,
a continuación, se presenta la comparación entre la primera y la definitiva, por causas
demostrativas:
Figura 12. mapas de coberturas del suelo de la Subcuenca del Río Quindío para el año 2020, (a) primera
simulación (b) simulación final e (c) imagen clasificada, elaboración propia (2021)
A pesar de las diferencias en cuanto a la fragmentación del paisaje, los resultados en las
áreas totales de cada cobertura fueron bastante similares de acuerdo a lo expresado en la tabla 13.
Las clases de mayor relevancia como el bosque denso presentaron una cobertura de 15,5% en la
imagen simulada y 12,9% en la clasificada, indicando una sobreestimación del 2,6%. Caso similar
64
al del bosque fragmentado, el cual fue mayor en la imagen simulada. Por el contrario, la cobertura
de pastos que arrojó la simulación estuvo 2,4% por debajo de la imagen clasificada.
Tabla 13. Comparación de coberturas simuladas y clasificadas de la Subcuenca del Río Quindío para el
año 2020, elaboración propia (2021)
Área (ha) Área (%)
Cobertura Simulación
final Clasificación
Simulación
final Clasificación
Territorios artificializados 1042.08 1170.88 3.42 3.84
Cultivos transitorios 216.39 196.72 0.71 0.64
Cultivos permanentes 4244.01 3536.68 13.91 11.59
Pastos 6554.97 7283.3 21.49 23.87
Áreas agrícolas heterogéneas 968.21 1041.09 3.17 3.41
Bosque denso 4743.57 3952.93 15.55 12.96
Bosque fragmentado 1863.81 1553.18 6.11 5.09
Bosque de galería y ripario 3519.92 3911.03 11.54 12.82
Plantación forestal 2341.79 2128.9 7.68 6.98
Áreas con vegetación herbácea o arbustiva 4706.39 5403.44 15.43 17.71
7.2.2. Tendencia futura del cambio de coberturas
A partir del modelo de predicción se generó el mapa de coberturas para la subcuenca del
Río Quindío, proyectado al año 2040. La figura 13 muestra la distribución de las 12 coberturas
previamente identificadas para la zona:
65
Figura 13. Mapa de clasificación de las coberturas de la Subcuenca del Río Quindío, año 2040,
elaboración propia (2021)
Como se puede observar en la figura 13, la información proyectada al año 2040 muestra
una tendencia a la disminución de las coberturas naturales y a la fragmentación del paisaje; esto
puede verse a mayor detalle en la tabla 14 y la figura 14, las cuales muestran la variación de
coberturas esperada para el periodo 2020 – 2040.
66
Tabla 14. distribución de áreas por cobertura para la subcuenca del Río Quindío, años 2020 y 2040,
elaboración propia (2021)
Área (ha) Área (%)
Tasa de
cambio
(ha/año)
Valor de
cambio
(%)
Cobertura 2020 2040 2020 2040 2020-2040 2020-2040
Pastos 7283.3 8690.96 23.87 28.50 70.38 19.33
Áreas con vegetación herbácea
y/o arbustiva 5403.44 6198.16 17.71 20.33 39.74 14.71
Bosque denso 3952.93 2255.37 12.96 7.40 -84.88 -42.94
Bosque de galería y ripario 3911.03 3215.58 12.82 10.55 -34.77 -17.78
Cultivos permanentes 3536.68 2843.91 11.59 9.33 -34.64 -19.59
Plantación forestal 2128.9 3415.97 6.98 11.20 64.35 60.46
Bosque fragmentado 1553.18 946.07 5.09 3.10 -30.36 -39.09
Territorios artificializados 1170.88 1473.63 3.84 4.83 15.14 25.86
Áreas agrícolas heterogéneas 1041.09 937.64 3.41 3.08 -5.17 -9.94
Áreas abiertas, sin o con poca
vegetación 304.41 304.67 1.00 1.00 0.01 0.09
Cultivos transitorios 196.72 189.55 0.64 0.62 -0.36 -3.64
Ríos (50 m) 26.24 18.75 0.09 0.06 -0.37 -28.54
Figura 14. cambio neto (ha) por cobertura para los años 2020 y 2040, elaboración propia (2021)
67
Para el año 2040, se espera que la cobertura predominante sea pastos (28,50%), los cuales
se expandirán por la cuenca media y alta del Río Quindío a una tasa de 70,38 ha/año; seguidos por
áreas con vegetación herbácea y/o arbustiva (20,33%), consolidando su presencia en la cuenca
alta. Por su parte, se espera que los territorios agrícolas ocupen el 41,53% del área, lo cual indica
un pequeño crecimiento con respecto a años anteriores. Esto es congruente con la visión territorial
planeada por el Plan de Ordenamiento Productivo y Social de la Propiedad Rural del Quindío
(2019), el cual plantea una visión prospectiva para el departamento a 20 años y prioriza las
alternativas productivas más relevantes para la región; al igual que aquellas para las que se espera
un mayor crecimiento durante dicho periodo. Entre estas, se encuentran café, banano, plátano,
aguacate Hass y ganadería de leche; las dos últimas con una elevada presencia en el municipio de
Salento y fuertemente relacionadas con un impacto sobre la cuenca alta del Río Quindío y un
reemplazo de las coberturas boscosas. El crecimiento de dichas apuestas productivas puede llegar
a ser un aliciente para que las coberturas con mayor variación en su área para el periodo 2020 –
2040 sean el bosque denso (-42,94%) y el bosque fragmentado (-39,09%); los cuales se espera que
presenten una tasa de cambio anual de -84,88 ha/año y -30,36 ha/año respectivamente. Asimismo,
el bosque de galería y ripario podría disminuir a razón de -34,77 ha/año en toda la subcuenca,
producto de las intervenciones antrópicas.
En cuanto a las coberturas que presentarán mayor crecimiento, se tiene que las plantaciones
forestales podrían crecer en un 60,46%, a un ritmo alarmante de 64,35 ha/año. Dicha modificación
del uso del suelo podría representar una grave amenaza a los servicios de provisión y regulación
hídrica que brinda la subcuenca, debido a las especies utilizadas para el desarrollo de tales
proyectos.
Los territorios artificializados mantendrán una ocupación de menos del 5% del área de la
subcuenca, a pesar de que podrían experimentar un aumento del 25,86%; por lo cual, imperará el
panorama rural en la zona de estudio. Finalmente, algunas coberturas que se mantuvieron
relativamente estables para los dos escenarios de análisis fueron las áreas abiertas, sin o con poca
vegetación, y cultivos transitorios.
68
La tendencia identificada del reemplazo de las coberturas naturales es una muestra de la
necesidad de actualización de los planes y esquemas de ordenamiento territorial para las entidades
dentro de la subcuenca del Río Quindío; debido a que a la fecha, tales documentos se encuentran
desactualizados; lo que ocasiona un entendimiento erróneo de la realidad del territorio a la hora de
proyectar desarrollos futuros.
7.2.3. Transición entre coberturas a futuro
Se identificaron las relaciones presentes entre las distintas categorías, con respecto a la
influencia de cada una para ejercer un cambio sobre las demás. Las conversiones que tuvieron
lugar de una categoría a otra son presentadas en la tabla 15, de forma que las diagonales de la
matriz reflejan la persistencia de cada clase:
Tabla 15. matriz de transición de área (ha) periodo 2020 – 2040*, elaboración propia (2021)
Ter
rito
rio
s
art
ific
iali
zad
os
Cu
ltiv
os
per
ma
nen
tes
Pa
sto
s
Áre
as
ag
ríco
las
het
ero
gén
eas
Bo
squ
e d
enso
Bo
squ
e
fra
gm
enta
do
Bo
squ
e d
e g
ale
ría
y
rip
ari
o
Pla
nta
ció
n f
ore
sta
l
Veg
eta
ció
n
her
bá
cea
/
arb
ust
iva
Territorios
artificializados 0 -245 -27 -33 0 0 0 0 0
Cultivos permanentes 245 0 479 95 0 -2 -81 3 -2
Pastos 27 -479 0 -164 -102 -231 -249 80 -348
Áreas agrícolas
heterogéneas 33 -95 164 0 0 0 -53 64 14
Bosque denso 0 0 102 0 0 291 -5 351 957
Bosque fragmentado 0 2 231 0 -291 0 -60 649 75
Bosque de galería y
ripario 0 81 249 53 5 60 0 142 108
Plantación forestal 0 -3 -80 -64 -351 -649 -142 0 0
Vegetación herbácea y/o
arbustiva 0 2 348 -14 -957 -75 -108 0 0
*No se muestran las coberturas menos representativas como: áreas abiertas, sin o con poca vegetación,
ríos (50m) y cultivos transitorios.
69
De acuerdo a la información anterior, las categorías que causarán la mayor diminución del
área de bosque denso, serán: áreas con vegetación herbácea y/o arbustiva (-957 ha), plantación
forestal (-351 ha) y bosque fragmentado (-291 ha). Como se mencionó anteriormente, el reemplazo
del bosque denso por estas otras categorías se encuentra estrechamente relacionado con los usos
productivos de la cuenca alta del Río Quindío, denotando un crecimiento agropecuario que
traspasa la frontera agrícola definida por la resolución 261 del 2018. Cabe agregar que a pesar de
las implicaciones ambientales que tiene el establecimiento de plantaciones forestales de especies
invasoras como el pino y el eucalipto; el Ministerio de Agricultura establece como procedente el
desarrollo de tales actividades dentro de zonas de Reserva Forestal Central y otras áreas protegidas
(UPRA, 2021), por lo cual, el crecimiento de esta cobertura dentro de dichas áreas, presenta
menores limitantes que las demás actividades productivas. A su vez, se espera que la cobertura de
plantación forestal reemplace cerca de 649 ha de bosque fragmentado, el cual también perderá
unas 241 ha a causa del crecimiento de pastos. Por su parte, el bosque de galería y ripario será
reemplazado principalmente por: pastos (-249 ha), plantación forestal (-142 ha) y áreas con
vegetación herbácea y/o arbustiva (-108 ha). Dichas pérdidas en conjunto, constituirán una
transformación preocupante de las coberturas naturales de la subcuenca; dado que son estas las
que se encuentran más ligadas a la regulación hídrica del territorio, además del mantenimiento de
la calidad del suelo y la conservación de la biodiversidad.
Otras áreas agrícolas como cultivos permanentes y áreas agrícolas heterogéneas, también
se vieron sustituidas por la cobertura de pastos, con valores de -479 ha y -164 ha respectivamente.
Adicional a esto, cerca de 245 ha de cultivos permanentes podrían ser reemplazadas por territorios
artificializados; especialmente en la cuenca media y baja.
Al igual que en el periodo 2000 – 2020, para el año 2040 el principal promotor de CCUS
dentro de la Subcuenca del Río Quindío, será la cobertura de pastos, la cual representa el 31,19%
del total de hectáreas que fueron reemplazadas durante dicho tiempo. A esta le siguen las
plantaciones forestales y las áreas con vegetación herbácea y/o arbustiva, cada una con un impacto
del 25,56% y 22,88% sobre el total de áreas transformadas. Lo anterior puede verse de manera
70
más detallada en la figura 15, la cual muestra la contribución porcentual de estas coberturas sobre
el cambio neto de las demás.
Figura 15. Contribución porcentual de pastos, vegetación herbácea/arbustiva y plantación forestal sobre
el cambio neto de las demás coberturas, elaboración propia (2021)
7.3. Modelación hidrológica
7.3.1. Delimitación de las microcuencas
Se identificaron un total de 35 microcuencas dentro del territorio de la subcuenca del Río
Quindío; estas se pueden observar en la figura 16. Asimismo, se trazó la red de drenaje del área,
la cual cuenta con un total de 325 km y finalmente se indicaron los puntos de confluencia o
desfogue que serán tenidos en cuenta en fases posteriores de la modelación, los cuales
corresponden a cada una de las microcuencas delimitadas.
71
Figura 16. mapa de microcuencas y puntos de control de la subcuenca del Río Quindío, elaboración propia
(2021)
7.3.2. Definición de las Unidades de Respuesta Hidrológica (HRU)
Las HRH son las unidades más pequeñas de análisis que maneja el modelo SWAT,
agrupando los diferentes usos de la tierra, los suelos y las pendientes que se sobreponen en el área
de la cuenca (Arnold, y otros, 2011). De acuerdo a lo anterior, se incorporó el mapa de suelos con
todos los parámetros ya definidos en la base de datos, y se reclasificaron las pendientes en 4 rangos:
0–25%, 26–75%, 75-125% y >125%. El análisis se realizó para cada uno de los mapas de cobertura
del suelo generados anteriormente, y los resultados pueden observarse en la siguiente figura:
72
Figura 17. Unidades de Respuesta Hidrológica (HRU) para la subcuenca del Río Quindío en los años (a)
2000, (b) 2020 y (c) 2040, elaboración propia (2021)
Se identificaron 444, 547 y 605 HRU’s para los años 2000, 2020 y 2040 respectivamente;
de forma que la fragmentación de los ecosistemas a lo largo del tiempo, incidió directamente en la
formación de un mayor número de unidades de análisis. Lo anterior también significa que con el
tiempo el territorio se vuelve cada vez más complejo, incrementando la incertidumbre de los
procesamientos que sobre él se realicen.
7.3.3. Parámetros meteorológicos
Al momento de consolidar la información meteorológica de la zona de estudio, se evidenció
un gran porcentaje de datos cuyo nivel de aprobación según los estándares del IDEAM se
encontraba en “preliminar”, por lo que no se consideran como datos definitivos para la entidad.
Asimismo, se encontraron periodos de información faltante para los distintos parámetros
analizados; debido a esto, se realizó una interpolación de los datos en Excel, con el fin de completar
los valores inexistentes y depurar la información menos fiable.
En los anexos se pueden encontrar las tablas de datos climáticos mensuales y sus
respectivos parámetros para las diferentes estaciones utilizadas.
73
7.3.4. Calibración y validación
De acuerdo al análisis de sensibilidad que se realizó sobre 12 parámetros de flujo, el modelo
cuenta con 5 parámetros principales que son los más influyentes en el resultado final de su
ejecución. Tres de ellos, como son ALPHA_BF.gw, CN2.mgt and CH_K2.rte. se encuentran
altamente relacionados con la escorrentía superficial. En la tabla 16 se muestran los valores
obtenidos durante el proceso; siendo el valor ajustado, el dato usado para la simulación final.
Tabla 16. valores de sensibilidad de parámetros de flujo, elaboración propia (2021)
Parámetro Valor ajustado Valor mínimo Valor máximo
ALPHA_BF.gw 0,429 0,212 0,812
CN2.mgt -0,123 -0,200 0,080
ESCO 0,899 0,757 0,950
CH_K2.rte 105,6 57,921 128,762
SOL_AWC 7,217 -4,261 9,366
Una vez se ajustaron los parámetros anteriores, se procedió a calcular nuevamente los
valores de caudal medio mensual para los periodos estipulados; a partir de lo cual, se analizaron
los datos con el fin de evaluar el desempeño del modelo SWAT.
La comparación gráfica del caudal observado y simulado para la calibración y la
validación, se muestra en las figuras 18 y 19; en donde se presentan datos a partir del año 2013
debido a que el periodo anterior corresponde a la fase de calentamiento del software. El modelo
logró emular de manera razonable los datos observados; esto puede ser corroborado a partir de los
índices estadísticos calculados para cada fase, los cuales se encuentran en la tabla 17. El factor de
R2 muestra valores muy consistentes tanto para la simulación (0,965), como para la validación
(0,899); lo cual indica un menor error de variación entre ambos datos (Moriasi, y otros, 2007), y
puede evidenciarse más claramente en los gráficos de dispersión que muestran la correlación de
ambos valores con una marcada línea de tendencia. El coeficiente de eficiencia de Nash-Sutcliffe
(NSE) arrojó valores cercanos a 1, lo que indica un buen desempeño del modelo; con datos de 0,74
74
y 0,54 para la calibración y la validación respectivamente. Por otra parte, se logró un sesgo
porcentual (PBIAS) de menos del 10% para ambas fases, y un RSR cercano a 0; lo cual denota un
buen rendimiento en la simulación (Moriasi, y otros, 2007). Para ambas fases, el índice PBIAS
genera valores negativos, lo que indica una subestimación en los datos; en este sentido, si se
analizan los hidrogramas se puede evidenciar que durante los periodos con mayor caudal (2013-
2014) el modelo tiende a sobreestimar los datos; mientras que durante los periodos más secos
(2015-2018), la tendencia es a la subestimación. En general, de acuerdo a los índices estadísticos,
el desempeño del modelo es bueno; siendo ligeramente superior para la fase de validación, lo que
indica una mejoría en la calidad resultante.
Figura 18. Hidrograma de caudales mensuales para las fases de (a) calibración y (b) simulación del
modelo SWAT, elaboración propia (2021)
75
Figura 19. Gráfico de dispersión de los datos observados y simulados para el caudal medio mensual (m3/s),
durante las fases de (a) calibración y (b) validación del modelo SWAT, elaboración propia (2021)
Tabla 17. Estadísticas de rendimiento del modelo, elaboración propia (2021)
Fase Estadísticas
R2 NSE PBIAS RSR
Calibración 0,9677 0,747 -6,057 0,502
Simulación 0,8998 0,542 -9,831 0,677
7.3.5. Impactos del CCUS sobre el comportamiento hidrológico de la subcuenca
La simulación de caudales para el área de estudio en el escenario prospectivo muestra un
incremento en el caudal medio para los meses húmedos, y una disminución para los meses secos,
tal como se observa en la figura 20. Los meses que presentaron una mayor disminución de caudal
fueron agosto y septiembre, con valores de -24,3% y -21,1% respectivamente. Por otra parte, los
meses con mayor aumento fueron abril (+16,2%) y mayo (+21,2%); mientras que aquellos con
valores medios arrojaron mayores similitudes, mostrando una tendencia a la potenciación de los
fenómenos extremos. Los datos contaron con una desviación estándar media de 1,08 m3/s; por lo
76
cual, no se evidencia una variación excesiva en la información simulada para el año 2040, con
respecto a los valores actuales de caudal.
Figura 20. Hidrograma de caudales medios mensuales de los escenarios: actual (2020) y prospectivo
(2040) para la Subcuenca del Río Quindío, elaboración propia (2021)
Tabla 18. Variación de caudales medios mensuales 2020 – 2040, elaboración propia (2021)
Caudal 2020
(m3/s)
Caudal 2040
(m3/s)
Variación
%
Desviación
estándar (m3/s)
Enero 17.86 18.55 3.89 0.49
Febrero 14.06 14.94 6.25 0.62
Marzo 14.37 15.71 9.32 0.95
Abril 17.83 20.73 16.21 2.04
Mayo 17.05 20.63 21.02 2.53
Junio 11.32 12.56 11.01 0.88
Julio 5.79 4.99 -13.90 0.57
Agosto 5.50 4.16 -24.30 0.95
Septiembre 8.85 6.98 -21.10 1.32
Octubre 17.45 16.25 -6.91 0.85
Noviembre 21.57 22.80 5.70 0.87
Diciembre 18.62 19.91 6.91 0.91
77
El análisis de la subcuenca por sectores se detalla en la figura 21, dónde se muestra una
disminución del 30,9% en el caudal medio anual de la parte alta; mientras que, a su vez, presenta
un aumento del 8,1% y 6,0% en el caudal en las partes media y baja respectivamente. Un análisis
de las coberturas predominantes en el área, indica que las variaciones de caudal en la parte alta
podrían ser producto de la pérdida del bosque denso, bosque fragmentado y bosque de galería y
ripario; los cuales cumplen un papel importante en los procesos de captación y almacenamiento
del agua. Asimismo, su reemplazo por otras coberturas como las plantaciones forestales, puede
generar una afectación en los servicios de regulación hídrica. Por su parte, los sectores medio y
bajo de la subcuenca se caracterizaron por un aumento en las coberturas de pastos y territorios
artificializados para el periodo 2020-2040, los cuales según Ramirez (1984), presentan coeficientes
de escorrentía muy superiores a los de otras coberturas como pueden ser los bosques de galería y
ripario, y cultivos permanentes; que contaron con pérdidas sustanciales en dichas áreas para la
predicción del 2040. En este sentido, la modificación en las coberturas de los sectores medio y
bajo, puede estar relacionada directamente con un aumento en la escorrentía superficial de la zona;
lo que a su vez se relacionaría con el aumento de los caudales en los periodos más húmedos y su
disminución en los periodos secos.
Figura 21. Caudal medio anual por sectores de la Subcuenca del Río Quindío para los años 2020 y 2040,
elaboración propia (2021)
78
8. Discusión de resultados
Los resultados obtenidos de este proyecto muestran que, bajo la tendencia del cambio de uso
del suelo en la Subcuenca del Río Quindío, podrían presentarse alteraciones en el comportamiento
hidrológico de la misma a futuro, potenciándose los picos máximos y mínimos de caudal. Tales
resultados son similares a los obtenidos por otros autores en distintas partes del mundo; un estudio
en la cuenca del Río Angereb en Etiopía, indicó que a lo largo el periodo estudiado hubo un
incremento del 39% en el caudal medio mensual durante la temporada húmeda, pero una
disminución del 46% durante la temporada seca; debido a la conversión de bosques a áreas
agrícolas entre los años 1985 y 2011 (Getachew Haile & Melesse Assefa, 2012). Por su parte, una
investigación acerca del impacto del uso de la tierra sobre la generación de caudales y sedimentos
en varias cuencas del Valle del Cauca, mostró el mismo tipo de comportamiento; a lo cual, los
autores afirman que “[…] la pérdida del bosque cambiaría los flujos de agua en la cuenca,
aumentando el de escorrentía, disminuyendo la recarga de acuíferos y por lo tanto reduciendo los
flujos de retorno en época de estiaje” (Uribe, Estrada, & Jarvis, 2009). En relación a la pregunta
de investigación “¿Cuál es el impacto por cambio de uso del suelo sobre el comportamiento
hidrológico de la subcuenca del río Quindío para los escenarios 2000, 2020 y 2040?” el desarrollo
del proyecto junto con los hallazgos anteriormente mencionados, indican que si bien no se espera
una reducción neta en el caudal anual de las cuencas a causa del cambio del uso del suelo; si se
prevé un aumento en la vulnerabilidad de las unidades hidrográficas ante eventos climáticos
extremos como pueden ser los fenómenos de El Niño y La Niña, lo cual atrae la atención sobre la
creciente necesidad de un mejoramiento de los procesos de gestión del riesgo de desastres; en
especial, desde la prevención de los mismos.
Lo anterior es una respuesta a la disminución del servicio ambiental de regulación hídrica; el
cual, según Van Wilgen, Cowling, & Burgers (1996) se relaciona particularmente con el
ecosistema de bosque, debido a que este tipo de cobertura es una de las más eficientes al momento
de retener y regular el recurso hídrico en las cuencas. En concordancia con lo mencionado, este
estudio encontró que de acuerdo a la tendencia de CCUS, para el año 2040 las coberturas con
79
mayor disminución en su área serán los distintos tipos de bosque; los cuales actualmente se
concentran en su mayoría en la parte alta de la cuenca, incluyendo bosques altoandinos con
abundancia de especies epífitas y variedad de estratos arbóreos, reconocidos por su capacidad para
captar grandes cantidades de precipitación en forma de lluvia y neblina, y posteriormente liberarla
de manera gradual al ambiente (IAvH, 2006). Lo anterior, indicaría una disminución del caudal de
la zona para el periodo proyectado, debido a la pérdida de este tipo de vegetación; pero a su vez,
se relaciona con el aumento de plantaciones forestales de especies invasoras. La opinión de la
comunidad académica en cuanto al impacto de especies como el eucalipto es bastante divergente;
por un lado, se tienen estudios promovidos por entidades de renombre como la Organización de
las Naciones Unidas, que indican que este tipo de plantaciones no representan una amenaza para
el régimen hídrico de las cuencas, pero si son una oportunidad de desarrollo económico para los
países (FAO, 1987). Mientras que, por otra parte, diversos investigadores y entidades protectoras
del ambiente como la WRM1, advierten de los peligros que conlleva introducir grandes
plantaciones de eucalipto, que consideran como una especie con alta tasa de consumo de agua,
relacionada con la erosión del suelo y la disminución del recurso hídrico a mediano y largo plazo
(Taylor & Francis, 2002). Esta falta de consenso supone una disyuntiva a la hora de interpretar el
impacto que podría tener el reemplazo de las coberturas nativas por plantaciones de pino y
eucalipto en la parte alta de cuenca; puesto que, según los resultados sectoriales de la modelación
hidrológica, esta zona presentará una disminución en el caudal medio anual, lo cual de acuerdo a
la segunda postura presentada, podría conectarse con un aumento en el grado de captación, debido
al crecimiento de la cobertura de plantaciones forestales y sus requerimientos particulares de agua.
En cuanto a los factores que influyen en el aumento de los caudales durante la temporada
húmeda, se puede inferir que el crecimiento de la cobertura de pastos y territorios artificializados,
en reemplazo de cultivos permanentes, bosques y arbustales; se relaciona directamente con un
incremento en la escorrentía superficial, producto de una menor capacidad de captación y
1 Movimiento Mundial por los Bosques Tropicales (WRM)
80
almacenamiento por parte de las coberturas. Al respecto, Gebremicael, Mohamed, Betrie, van der
Zaag, & Teferi (2012) condujeron una investigación acerca de la relación del uso del suelo y la
escorrentía superficial en la cuenca alta del Río Nilo Azul; encontrando como resultado que en el
periodo de 1970 a 2010 hubo un incremento sustancial en la escorrentía superficial de la zona
asociado estrechamente a la conversión de coberturas naturales en pastos y otras áreas agrícolas.
Dicho lo anterior, es importante destacar algunos factores de la metodología como
condicionantes indispensables de los resultados. El presente estudio se desarrolló bajo un escenario
climatológico estable; es decir que el modelo hidrológico se ejecutó de igual manera para los
escenarios del 2020 y el 2040, siendo la única variación entre los insumos el mapa de coberturas
del suelo. Lo anterior se realizó con el objetivo de identificar de manera consisa los impactos de
este factor sobre la oferta hídrica a futuro; sin embargo, para obtener predicciones que se acerquen
más a los fenómenos de la realidad; es indispensable realizar un análisis incluyendo todas las
variables con el potencial de alterar el comportamiento hidrológico de la zona de estudio, tal como
hicieron Peraza, Ruiz, Meaurio, Sauvage, & Sánchez en 2018; quienes realizaron un modelo
combinado de cambio de uso del suelo y cambio climático, para medir su impacto sobre la
hidrología de una cuenca en España, obteniendo como resultado una disminución general de los
caudales a futuro, debido a la presencia de menores precipitaciones y temperaturas más altas; pero
a su vez, con un incremento en la variabilidad de los caudales a lo largo del año, presentando picos
máximos y mínimos muy marcados, por causa de la pérdida de ciertas coberturas importantes en
el proceso de regulación hídrica.
En lo que se refiere a la predicción de cambio de coberturas, debe mencionarse que hay gran
cantidad de factores que pueden repercutir en las dinámicas que modifican los usos de la tierra; en
este sentido, una tendencia marcada a lo largo de 20 años puede verse alterada por la inclusión de
nuevas políticas públicas, el mejoramiento de las condiciones productivas, el surgimiento de
nuevas oportunidades económicas, el cambio climático, entre otros. Para el caso de la Subcuenca
del Río Quindío, han sido factores principalmente económicos los que han gestionado los cambios
de uso del suelo, con la marginalidad del café como propulsor de la búsqueda de nuevas
81
alternativas tales como la inclusión de cultivos de alto rendimiento como el aguacate Hass, y la
expansión de las zonas ganaderas. En este sentido, se pueden promover acciones que busquen
romper con las tendencias existentes, para generar un prospecto de uso del suelo mucho más
sostenible, a partir de la implementación de sistemas tecnificados, los cuales permitan incrementar
la producción neta, sin necesidad de una expansión notable en el área utilizada; así como también,
la inclusión de otras especies en el panorama forestal. Para este último, el Quindío podría
experimentar un crecimiento en las áreas de guadua para extracción comercial durante las
próximas décadas, debido a que esta cadena productiva fue recientemente priorizada por el Plan
de Ordenamiento Productivo y Social del departamento; por lo que en el futuro podrían
desarrollarse proyectos que no solo beneficiarían a las áreas existentes de bosque de galería y
ripario, sino que, además, podrían promover su expansión.
Esta naturaleza mutable de las coberturas, su relación con el cambio climático y el
comportamiento hidrológico de las cuencas; hace necesario un análisis continuo del territorio, en
miras de definir las mejores estrategias de desarrollo, a partir de decisiones sustentadas en el
conocimiento científico del mismo, que permitan identificar las oportunidades de crecimiento
económico, reducir las vulnerabilidades ante fenómenos amenazantes, y garantizar el acceso al
recurso hídrico de manera sostenible en el tiempo.
82
9. Conclusiones
La clasificación de coberturas de los años 2000 y 2020 fue un proceso fundamental para
entender las dinámicas del territorio durante dicho periodo, y dilucidar los posibles cambios que
la subcuenca experimentará en los próximos 20 años. De las 12 coberturas identificadas, se
encontró que las que experimentaron un mayor crecimiento durante el periodo de análisis fueron
las plantaciones forestales (425%), los pastos (81,8%) y las áreas con vegetación herbácea y/o
arbustiva (75,0%). Por el contrario, las coberturas que perdieron un mayor porcentaje de área
fueron: áreas agrícolas heterogéneas (-53,2%), bosque denso (-49,5%) y cultivos permanentes (-
26,5%). Debido a esto, se priorizó el análisis de dichas coberturas para el desarrollo de las
siguientes fases del proyecto y la interpretación de los resultados.
El modelo de predicción de cambio de uso del suelo indicó que para el periodo 2020 – 2040,
las coberturas con mayor área en la subcuenca del Río Quindío serán los pastos y las áreas con
vegetación herbácea y/o arbustiva. Por su parte, las coberturas que experimentarán un mayor
crecimiento con respecto al año 2020 serán: plantación forestal (60,4%), territorios artificializados
(25,8%) y pastos (19,3%). Mientras que aquellas que perderán una mayor área serán: bosque denso
(-42,9%) y el bosque fragmentado (-39,0%).
El proceso de calibración y validación del modelo hidrológico SWAT, mostró que este es
adecuado para la simulación de caudales de los años 2020 y 2040, de acuerdo al análisis de algunos
índices estadísticos como el NSE, el PBIAS, el RSR y el R2. De acuerdo a los resultados obtenidos
bajo el escenario de cambio de coberturas y uso del suelo propuesto, se espera que para el año
2040 aumente la variabilidad hídrica en la subcuenca del Río Quindío; de manera que se verán
más marcados los picos máximos y mínimos de caudal a lo largo del año. A pesar de que esto no
se traduce en una disminución neta de la oferta hídrica anual; si se encuentra estrechamente
relacionado con un aumento en la vulnerabilidad del área de estudio con respecto a fenómenos de
variabilidad climática como El Niño y La Niña, lo cual puede devenir en situaciones como la
ocurrencia de inundaciones y desabastecimiento hídrico durante las temporadas secas.
83
Se corroboró que los sistemas de información geográfica y la modelación hidrológica son
herramientas fundamentales para la ordenación integral de cuencas hidrográficas; puesto que estas
permiten considerar un gran número de parámetros para observar y analizar la cuenca bajo distintas
condiciones; permitiendo a los tomadores de decisiones realizar un análisis holístico sobre las
mejores estrategias de manejo a implementar, con el fin de garantizar la calidad y acceso a los
recursos que ofrece el área.
84
10. Recomendaciones
Se debe propender por la conservación de los bosques naturales, debido a su rol en los procesos
de regulación hídrica de las cuencas, además de los otros servicios ecosistémicos que estos prestan.
Igualmente, es necesario promover acciones que frenen el crecimiento de la frontera agrícola
dentro de estas zonas, así como también la sustracción de áreas de la Reserva Forestal Central de
ley 2; las cuales afectan muy especialmente la parte alta de las cuencas y los nacimientos de agua.
Para consolidar un territorio más resiliente a futuro y con menor vulnerabilidad ante eventos
extremos, se recomienda apoyar alternativas de desarrollo económico que busquen aumentar la
producción, reduciendo la tasa de reemplazo de coberturas naturales, a partir de la tecnificación
de cultivos, el mejoramiento de praderas y el desarrollo de la agroindustria; esto, como eje para
disminuir los impactos negativos del CCUS sobre la hidrología de la subcuenca del Río Quindío.
Es importante realizar modelaciones a futuro que consideren todos los factores que influyen
en el comportamiento hidrológico de la cuenca tal como la incidencia del cambio climático; lo
anterior, con miras a recrear con mayor precisión los escenarios tendenciales, de forma que los
procesos de toma de decisiones que se desprendan de tales documentos, cuenten con una mayor
solidez y confiabilidad en sus resultados. Asimismo, se recomienda tener especial cuidado al
momento de la selección de la información base, puesto que el rendimiento de un modelo nunca
será superior a la calidad de los insumos que este utiliza; esto es de especial importancia en el caso
de los datos meteorológicos, dado que el Colombia hay un gran volumen de información
disponible para consulta que no ha pasado por el proceso de validación correspondiente; por lo
cual, se puede llegar a generar un alto grado de incertidumbre en el resultado final de la simulación.
Finalmente, se recomienda incentivar estudios relacionados a la oferta hídrica y al
aprovechamiento sostenible de los recursos naturales; así como también su difusión con las
entidades relacionadas con dichas temáticas; entendiendo la gestión del conocimiento como una
herramienta indispensable en la conservación de los distintos ecosistemas del país, con aportes que
85
van desde la sensibilización a las comunidades e instituciones, hasta la gestión e implementación
de proyectos.
86
11. Referencias
Adhikari, S., & Southworth, J. (2012). Simulating forest cover changes of Bannerghatta National.
Remote Sensing.
Aguirre, N. (2007). Manual para el manejo sustentable de cuencas hidrográficas. Universidad
Nacional de Loja, Área agropecuaria y recursos naturales renovables.
Al-sharif, A., & Pradhan, B. (2013). Monitoring and predicting land use change in Tripoli
Metropolitan City using an integrated Markov chain and cellular automata models in GIS.
Libia: Arab J Geosci.
Arnold, J., Kiniry, J., Srinivasan, R., Williams, J., Haney, E., & Neitsch, S. (2011). Soil and water
Assessment Tool. Input/ Output File Documentation version 2009. Texas, Estados Unidos:
Texas water Resources Institute Technical Report No.365.
Arnold, J., Srinivason, R., Muttiah, R., & Williams, J. (1998). Large area hydrologic modeling
and assessment. Part I: Model development.
Brown, L. (2001). Eco-economy: building an economy for the earth. Earth Policy Institute.
Chow, V., Maidment, D., & Mays, L. (1998). Applied hydrology. McGraw-Hill, Inc.
Clark Labs. (2012). Idrisi Selva help system. USA: Clark University.
Consorcio Pomca Quindío. (2018). Plan de Ordenación y Manejo de la cuenca del Río la Vieja.
Bogotá D.C.
CRQ & Universidad del Tolima. (2017). Evaluación regional del agua del departamento del
Quindío. Armenia-Ibagué: Convenio Interadministrativo 038-2016 entre la Corporación
Autónoma Regional Del Quindío y la Universidad Del Tolima, proyecto 550116.
87
CRQ. (2011). Formulación del Plan de Manejo de la Subcuenca del Río Quindío. Armenia,
Quindío: Corporación Autónoma Regional del Quindío.
CRQ. (2020). Plan de Gestión Ambiental Regional PGAR 2020-2039 departamento del Quindío,
Cuenca hidrográfica del Río la Vieja. Armenia, Quindío.
Devia, G., Ganasri, B., & Dwarakish, G. (2015). A Review on Hydrological Models. Aquatic
Procedia.
Echeverria, C., Huber, A., & Taberlet, F. (2008). Estudio comparativo de los componentes del
balance hídrico en un bosque nativo y una pradera en el sur de Chile. Bosque, Vol. 28, Nº
3, p. 271-280.
Engman, E., & Gurney, R. (1991). Remote Sensing in Hydrology. London, New York, Tokyo,
Melbourne, Madras: Remote Sensing Applications Series.
Espinosa, J. O. (2008). La prospectiva territorial: un camino para la construcción social de
territorios a futuro. Bogotá: Universidad Externado de Colombia.
ESRI. (12 de Octubre de 2020). Cell size ranges in a mosaic dataset. Obtenido de
http://resources.arcgis.com/en/help/main/10.1/index.html#//009t00000042000000
Eterovic, J. (2008). Aplicacion de Modelos hidrológicos con fines de prevención de desastres en
cuencas de Venezuela. Mérida, Venezuela: Centro interamericano de desarrollo e
investigacion ambiental y territorial, Universidad de los Andes.
FAO. (1987). Efectos ecológicos de los eucaliptos.
Foley, J., Defries, A., Asner, G., Bardfor, C., Bonan, G., Carpenter, S., . . . Snyder, P. (2005).
Global consequences of land use. Science, Vol. 309, Nº 5734, p. 570-574.
88
Gashaw, T. (2018). Modeling the Impacts of Land Use Land Cover Changes on Hydrology,
Ecosystem Functions and Services in the Upper Blue Nile Basin of Ethiopia. Addis Ababa,
Ethiopia: Addis Ababa University.
Gebremicael, T., Mohamed, Y., Betrie, G., van der Zaag, P., & Teferi, E. (2012). Trend analysis
of runoff and sediment fluxes in the Upper Blue Nile basin: A combined analysis of
statistical tests, physically-based models and landuse maps. Journal of Hydrology.
Getachew Haile, E., & Melesse Assefa, M. (2012). The Impact of Land Use Change on the
Hydrology of the Angereb Watershed, Ethiopia. International Journal of Water Sciences.
Ghoraba, S. (2015). Hydrological modeling of the Simly Dam watershed (Pakistan) using GIS and
SWAT model.
Gobernación del Quindío. (2009). Evaluaciones Agropecuarias del Departamento del Quindío .
EVAS.
Gobernación del Quindío. (2016). Plan de Desarrollo 2016 - 2019 “En defensa del bien común”.
Armenia, Quindío.
Guhl, A. (2004). Café y cambio de paisaje en la zona cafetera colombiana entre 1970 y 1997.
Cenicafé.
Han, D. (2010). Concise Hydrology. Ventus Publishing.
Henríquez, C., Azócar, G., & Aguayo, M. (2006). Cambio de uso del suelo y escorrentía
superficial: aplicación de un modelo de simulación espacial en Los Ángeles, VIII Región
del Biobío, Chile. Revista de Geografia Norte Grande.
Henríquez, L. (2012). Escenarios futuros de uso de suelo para el analisis del efecto del cambio
global en los recursos hidricos aplicado al acuifero de la Mancha Oriental. Valencia,
España: Universidad Politecnica de Valencia.
89
IAvH. (2006). Ecosistemas de los Andes Colombianos. Bogotá.
IDEAM. (2014). Estudio Nacional del Agua. Instituto de Hidrología, Meteorología y Estudios
Ambientales, Ministerio de Ambiente y Desarrollo Sostenible.
IDEAM. (2016). Agua: Modelos Hidrologicos. Obtenido de
http://www.ideam.gov.co/web/agua/modelacion-hidrologica
IGAC. (2013). Estudio semidetallado de suelos del quindío. Instituto Geográfico Agustín Codazzi.
Jimenez, F. (1994). Planificacion y manejo de los recursos hidricos en la agricultura mediante el
balance hidrico. Turrialba, Costa Rica: Centro Agronomico Tropical de Investigacion y
Enseñanza (CATIE).
Kim, D., Choi, M., Kim, J., & Kim, U. (2019). Advances in Remote Sensing to Understand Extreme
hydrological events. Hindawi: Advances in Meteorology.
Klocking, B., & Haberlandt, U. (2002). Impact of land use changes on water dynamics-a case
study in temperate meso and macroscale river basins. Physics and Chemistry of the Earth.
Koomen, E., Hilferink, M., & Borsboom-van Beurden, J. (2011). Land-Use Modelling in Planning
Practice. GeoJournal Library.
Lambin, B., & Geist, H. (2000). Global land use and land cover change, what have we learned so
far? Agriculture, ecosystems and environment.
Lambin, E., Rounsevell, M., & Geist, H. (2000). Are agricultural land-use models able to predict
changes in land-use intensity? Department of Geography, University of Louvain.
Lara, A., Little, C., Urrutia, M., McPhee, J., Álvarez-Garretón, C., Oyarzún, C., . . . Arismendi, I.
(2009). Assessment of ecosystem services as an opportunity for the conservation and
management of native forests in Chile. Forest Ecology and Management.
90
Lund University. (2011). Introduction to Remote Sensing and Geographical Information Systems.
Lund, Suecia: Department of Physical Geography and Ecosystems Sciences.
Lusiana, B. (2015). Salience, credibility and legitimacy in land use change modeling: model
validation as product or process? Bogor, Indonesia: World Agroforestry Centre (ICRAF).
Mackenzie, F. (1998). Our Changing Planet: An Introduction to Earth System Science and Global
Environmental Change. Upper Saddle River, Prentice Hall.
Mannion, A. (2002). Dynamic world: land-cover and land.use change. New York: Arnold Press.
Mas, J., & Sandoval, A. (2011). Modelación de los cambios de coberturas/uso del suelo en una
region tropical de Mexico. Geotrópico.
McCabe, M., Rodell, M., Alsdorf, D., Miralles, D., Uijlenhoet, R., Wagner, W., . . . Wood, E.
(2017). The future of Earth observation in hydrology. Hydrology and Earth Systems.
Melo, H., & Camacho, M. (2005). Interpretación visual de imágenes de sensores remotos y su
aplicación en levantamientos de cobertura y uso de la tierra. Instituto Geográfico Agustín
Codazzi.
Ministerio de Ambiente y Desarrollo Sostenible. (2013). Guía técnica para la formulación y
manejo de cuencas hidrográficas POMCAS. Bogotá D.C.
Moriasi, D., Arnold, J., Van Liew, M., Binger, R., Harmel, R., & Veith, T. (2007). Model
evaluation guidelines for systematic quantification of accuracy in watershed simulations.
Neitsch, S., Arnold, J., Kiniry, J., Williams, J., & King, K. (2002). Soil and Water Assessment Tool
Theoretical Documentation version 2000. Texas, Estados Unidos: Texas Water Resources
Institute, College Station, Texas TWRI Report.
91
Neitsch, S., Arnold, J., Williams, J., & Kiniry, J. (2011). Soil and Water Assessment Tool
Theoretical Documentation version 2009. Texas Water Resources Institute Technical
report.
Observatorio Departamental del Quindío. (10 de Octubre de 2020). Población por municipio y
según zona. Obtenido de https://observatorio.quindio.gov.co/
Ordoñez, J. (2011). Cartilla técnica: balance hídrico superficial. Lima Perú: Sociedad Geográfica
de Lima, Foro Peruano para el Agua.
Peraza, M., Ruiz, E., Meaurio, M., Sauvage, S., & Sánchez, J. (2018). Modelling the impact of
climate and land cover change on hydrology and water quality in a forest watershed in the
Basque Country. Ecological Engineering.
Postel, S., Daily, G., & Ehrlich, P. (1996). Human appropriation of renewable fresh water.
Science, Vol. 271, Nº 5250, p. 785-788.
Proaño, M., Gavilanes, C., Valenzuela, P., & Cisneros, C. (2006). Aplicacion del modelo SWAT
en la subcuenca del rio Ambato. Ecuador: Corporacion grupo Randi Randi.
Ramirez, R. (1984). Estructura de conservación de suelos y aguas. Madrid: Ministerio de Obras
públicas.
Refsgaard, J., & Knudsen, J. (1996). Operational validation and intercomparison of different types
of hydrological models. Water Resources Research.
Rojas, R. (2009). Hidrologia aplicada al manejo de cuencas. Venezuela: Universidad de los andes,
Facultad de ciencias forestales y ambientales.
Sancho Comins, J., Bosque Sendra, J., & Moreno Sanz, F. (1993). La dinámica del paisaje:
aplicaciones de un SIG ráster al ejemplo de Arganda del Rey en las Vegas de Madrid.
Madrid, España.
92
Sauquet, E., Gottschalk, L., & Krasovskaia, I. (2008). Estimating mean monthly runoff at
ungauged locations:. Hydrology Research.
Schmugge, T., Kustas, W., Ritchie, J., Jackson, T., & Rango, A. (2002). Remote sensing in
hydrology. Advances in Water Resources.
Taylor, & Francis. (2002). Eucalyptus: the genus eucalyptus.
Turner, B., Skole, D., Sanderson, G., Fisher, G., Fresco, L., & Leemans, R. (1995). Land-use and
land-cover change: science / reasearch plan. Estocolmo: International congress of
scientific unions and international science council.
UPRA. (04 de Abril de 2021). Zonificación de aptitud para plantaciones forestales en Colombia
a escala 1:100.000. Obtenido de https://sipra.upra.gov.co/
Uribe, N., Estrada, R. D., & Jarvis, A. (2009). Impacto del uso de la tierra en la generación de
caudales y sedimentos: el caso de las cuencas Tualua-Morales, Guabas, Sabaletas,
Amaime, Nima, Bolo, Fraile, Desbaratado y Palo. The Nature Conservacy e instituto
CIAT.
Van Wilgen, B., Cowling, R., & Burgers, C. (1996). Valuation of ecosystem services: A case study
from South African fynbos ecosystems.
Veloza Torres, J. P. (2017). Análisis multitemporal de las coberturas y usos del suelo de la reserva
forestal protectora-productora "Casablanca" en Madrid Cundinamarca entre los años
1961 y 2015, aportes para el ordenamiento territorial municipal. Bogotá: Instituto
Geográfico Agustín Codazzi.
VICH-Alberto, I. (1996). Aguas Continentales: Formas y procesos. Centro de Economía,
Legislación y Administración del Agua (CELA).
93
Von Bertalanffy, L. (1968). General Systems Theory: Foundations Development Applications.
New York: Brasillien.
Wang, S., Zheng, X., & Zang, X. (2012). Accuracy assessments of land use change simulation
based on Markov-Cellular Automata model. Procedia Environment.
94
Anexos
Tabla 19. Datos climáticos mensuales con sus respectivos parámetros para las estaciones utilizadas,
elaboración propia (2021)
Estación: Salento
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 19.9 20.2 20.2 20.1 20 20.2 20.2 20.6 20.4 19.6 19.2 19.6
TEMP_MN 12.2 12.4 12.5 13 13.1 13 12.8 12.6 12.4 12.5 12.5 12.3
TMPSTDMX 1.15 1.72 2.01 1.39 1.2 1.73 1.64 1.1 2.4 0.98 1.81 1.75
TMPSTDMN 1.15 1.72 2.01 1.39 1.2 1.73 1.64 1.1 2.4 0.98 1.81 1.75
PCPMM 4.05 2.58 3.42 6.04 2.97 0.82 0.63 1.16 5.82 3.36 1.42 5.84
PCPSTD 4.9 3.96 4.69 5.53 3.86 0.97 1.6 3.19 5.15 4.7 1.69 5.52
PCPSKW 0.02 0.03 0.02 0.01 0.04 0.53 0.18 0.05 0.01 0.02 0.35 0.01
PR_W1 0.36 0.5 0.44 1 0.36 0.13 0.17 0.14 0.67 0.42 0.29 1
PR_W2 0.75 0.76 0.77 0.74 0.59 0.57 0.5 0.6 0.89 0.79 0.69 0.93
PCPD 20 21 22 27 17 7 8 10 27 19 16 30
RAINHHM 14.93 8.36 13.36 12.64 8.36 2.5 4.43 8.36 12 12.64 3 15.07
SOLARRAV 13.32 12.65 12.65 11.14 11.14 12.65 13.32 12.65 12.65 11.14 11.14 13.32
DEWPT 13.2 12.54 13.2 13.8 13.2 13.2 13.1 12.45 13.2 13.8 13.5 13.2
WNDAV 0.98 1.03 1.12 1.25 1.34 1.56 1.65 1.61 1.34 1.21 1.03 0.98
Estación: Aeropuerto El Edén
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 28.9 28.7 27.7 27.9 27.2 28 28.4 30.7 27.6 27.9 27.4 28.4
TEMP_MN 17.2 18.6 18 18.2 18.3 17.9 17.6 16.3 -99 13.7 17.8 17.9
TMPSTDMX 2.25 1.72 2.39 1.39 1.8 1.73 1.64 1.86 2.4 1.4 1.81 1.73
TMPSTDMN 1.37 0.74 0.92 0.62 0.91 1.08 1 1.26 0.9 1.06 2.76 0.8
PCPMM 1.8 2.3 0.92 4.94 5.29 4.03 2.6 4.42 2.31 1.93 5.96 3.35
PCPSTD 8.28 5.63 0.75 8.41 5.21 19.05 9.08 15.96 9.72 6.43 14.61 10.16
PCPSKW 0 0.01 0.75 0 0.02 0.01 0 0.01 0 0.01 0.01 0
PR_W1 0.07 0.17 0.12 0.1 0.41 0.89 0.5 0.5 0.46 0.6 0.44 0.75
PR_W2 0.88 0.73 0.33 0.9 0.43 0.62 0.93 0.78 0.59 0.62 0.81 0.7
PCPD 16 11 6 20 14 21 29 23 17 21 21 23
RAINHHM 22.59 12.38 2.14 24.56 13.08 50.62 35.05 40.55 26.74 16.86 37.01 28.56
SOLARRAV 15.84 15.05 15.05 13.24 13.24 15.05 15.84 15.05 15.05 13.24 13.24 15.84
DEWPT 14.3 13.59 12.91 11.36 13 14.1 13.9 13.21 12.9 11.36 12.9 13.6
WNDAV 1.16 1.16 1.21 1.3 1.43 1.65 1.83 1.7 1.48 1.3 1.25 1.12
95
Estación: PNN Quimbaya
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 21 21.7 21.9 20.8 20.2 21.6 21.1 21.9 21.7 20.5 20.5 20.7
TEMP_MN 13.3 13.4 13.6 14 14.1 13.6 13.3 13.1 13.2 13.7 13.8 13.5
TMPSTDMX 0.52 0.75 0.79 1.24 1.39 1.04 1.25 0.9 0.93 0.81 0.84 0.83
TMPSTDMN 1.1 0.09 0.95 0.1 1.2 1.08 1 1.25 1.29 1.2 0.89 0.91
PCPMM 3.7 5.11 6.24 6.03 3.82 1.17 0.67 1.25 4.92 8.18 8.6 7.71
PCPSTD 8 6.82 8.83 9.3 1.79 0.17 0.42 0.25 3.87 9.29 4.6 10.89
PCPSKW 0 0.01 0 0.01 0.1 20.63 2.04 10.3 0.04 0.01 0.02 0.01
PR_W1 0.36 0.5 0.44 1 0.29 0.21 0.33 0.2 0.17 1 0.29 1
PR_W2 0.75 0.71 0.77 0.85 0.57 0.64 0.54 0.64 0.83 0.79 0.69 0.93
PCPD 20 21 22 27 14 11 13 11 18 28 16 30
RAINHHM 26.36 16.93 24.07 22.71 7.14 0.43 1.64 0.57 13.5 22.71 15.5 37.21
SOLARRAV 15.48 14.71 14.71 12.94 12.94 14.71 15.48 14.71 14.71 12.94 12.94 15.48
DEWPT 14.01 13.31 12.65 11.13 12.74 13.82 13.62 12.94 12.64 11.13 12.64 13.33
WNDAV 0.94 0.89 0.89 0.98 1.03 1.16 1.34 1.3 1.12 1.07 0.94 0.89
Estación: La laguna del otún
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 10.2 9.4 9.3 9.4 9.4 9.3 9.5 9.3 9.3 8.1 9.5 8.9
TEMP_MN 0.5 0.5 1.4 2.2 1.1 1 2.1 1.5 1.3 1.1 1.2 1.2
TMPSTDMX 1.34 0.9 0.83 0.72 0.88 0.9 0.77 0.87 0.88 0.87 0.78 0.79
TMPSTDMN 1.45 0.09 1.02 0.1 1.52 1.3 0.62 1.32 0.89 1.2 0.89 0.91
PCPMM 0.85 1.7 2.22 2.38 2.56 1.7 1.04 0.85 1.11 2.3 2.42 1.72
PCPSTD 2.74 2.86 1.76 2.84 2.78 0.78 0.33 0.75 0.74 2.81 1.13 3.38
PCPSKW 0.05 0.05 0.18 0.07 0.05 1.27 4.58 1.79 1.71 0.07 0.51 0.05
PR_W1 0.15 0.12 0.57 0.5 0.09 0.19 0.08 0.36 0.21 0.53 0.31 0.43
PR_W2 0.73 0.75 0.47 0.5 0.67 0.79 0.5 0.59 0.75 0.44 0.57 0.59
PCPD 11 12 17 16 9 14 6 17 16 16 14 17
RAINHHM 8.5 7.79 4.86 8 8.5 2 0.86 1.64 1.79 8 2.71 10
SOLARRAV 12.6 11.97 11.97 10.53 10.53 11.97 12.6 11.97 11.97 10.53 10.53 12.6
DEWPT 9.24 8.78 9.24 9.66 9.24 9.24 9.17 8.71 9.24 9.66 9.45 9.24
WNDAV 3.1 2.95 2.95 3.25 3.39 3.84 4.43 4.28 3.69 3.54 3.1 2.95
Estación: Calarcá
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 17.54 18.28 18.1 18.25 18.22 17.89 18.13 18.27 18.13 17.1 17.1 17.57
96
TEMP_MN 12 12.04 11.98 12.5 12.58 12.5 12.32 12.06 11.89 12.14 12.23 12.06
TMPSTDMX 2.25 1.72 2.39 1.39 1.8 1.73 1.64 1.86 2.4 1.4 1.81 1.73
TMPSTDMN 1.37 0.74 0.92 0.62 0.91 1.08 1 1.26 0.9 1.06 2.76 0.8
PCPMM 3.32 1.69 3.06 0.92 2.42 0.96 0.38 0.83 2.16 2.26 5.69 4.59
PCPSTD 18.24 6.86 8.17 0.58 0.06 0.12 0.04 0.03 0.06 1.78 0.26 16.49
PCPSKW 0.01 0.01 0.01 1.95 174.22 20.7 171.85 393.79 67.98 0.12 7.23 0.01
PR_W1 0.18 0.11 0.5 2 0.36 0.04 0.03 0.07 0.04 0.09 0.12 0.45
PR_W2 0.71 0.8 0.47 0.04 0.22 0.33 0.5 0.33 0.5 0.78 0.4 0.7
PCPD 14 10 17 26 9 3 2 3 2 9 5 20
RAINHHM 49.86 19.5 23.43 2.21 0.14 0.43 0.14 0.07 0.21 5.79 0.57 45.57
SOLARRAV 14.04 13.34 13.34 11.74 11.74 13.34 14.04 13.34 13.34 11.74 11.74 14.04
DEWPT 13.16 12.5 11.87 10.45 11.96 12.97 12.79 12.15 11.87 10.45 11.87 12.51
WNDAV 1.22 1.22 1.27 1.36 1.5 1.74 1.92 1.78 1.55 1.36 1.31 1.17
Estación: CRQ Armenia
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 19.93 20.77 20.56 20.73 20.69 20.32 20.6 20.76 20.6 19.43 19.43 19.96
TEMP_MN 13.64 13.68 13.61 14.2 14.3 14.2 14 13.7 13.51 13.8 13.9 13.7
TMPSTDMX 0.52 0.81 0.86 0.83 0.73 0.86 0.79 0.92 0.9 0.98 0.89 0.52
TMPSTDMN 1.37 0.08 0.92 0.07 0.91 1.08 1 1.26 1.15 1.2 2.33 0.91
PCPMM 1.8 2.3 0.92 4.94 5.29 4.03 2.6 4.42 2.31 1.93 5.96 3.35
PCPSTD 8 6.82 8.83 9.3 1.79 0.17 0.42 0.25 3.87 9.29 4.6 10.89
PCPSKW 0 0.01 0 0.01 0.1 20.63 2.04 10.3 0.04 0.01 0.02 0.01
PR_W1 0.36 0.5 0.44 1 0.29 0.21 0.33 0.2 0.17 1 0.29 1
PR_W2 0.75 0.71 0.77 0.85 0.57 0.64 0.54 0.64 0.83 0.79 0.69 0.93
PCPD 20 21 22 27 14 11 13 11 18 28 16 30
RAINHHM 19.03 12.38 2.14 21.2 13.08 35.5 28.7 31.3 26.74 13.05 29.7 18.22
SOLARRAV 15.48 14.71 14.71 12.94 12.94 14.71 15.48 14.71 14.71 12.94 12.94 15.48
DEWPT 14.01 13.31 12.65 11.13 12.74 13.82 13.62 12.94 12.64 11.13 12.64 13.33
WNDAV 1.1 1.1 1.15 1.23 1.36 1.57 1.74 1.61 1.4 1.23 1.19 1.06
Estación: La Camelia
ene feb mar abr may jun jul ago. sep oct nov dic
TEMP_MX 29.77 29.56 28.53 28.74 28.02 28.84 29.25 31.62 28.43 28.74 28.22 29.25
TEMP_MN 17.72 19.16 18.54 18.75 18.85 18.44 18.13 16.79 -102 14.11 18.33 18.44
TMPSTDMX 2.32 1.77 2.46 1.43 1.85 1.78 1.69 1.92 2.47 1.44 1.86 1.78
TMPSTDMN 1.41 0.76 0.95 0.64 0.94 1.11 1.03 1.3 0.93 1.09 2.84 0.82
PCPMM 1.85 2.37 0.95 5.09 5.45 4.15 2.68 4.55 2.38 1.99 6.14 3.45
97
PCPSTD 8.53 5.8 0.77 8.66 5.37 19.62 9.35 16.44 10.01 6.62 15.05 10.46
PCPSKW 0 0.01 0.77 0 0.02 0.01 0.02 0.01 0.01 0.01 0.01 0
PR_W1 0.07 0.18 0.12 0.1 0.42 0.92 0.52 0.52 0.47 0.62 0.45 0.77
PR_W2 0.91 0.75 0.34 0.93 0.44 0.64 0.96 0.8 0.61 0.64 0.83 0.72
PCPD 16.48 11.33 6.18 20.6 14.42 21.63 29.87 23.69 17.51 21.63 21.63 23.69
RAINHHM 23.27 12.75 2.2 25.3 13.47 52.14 36.1 41.77 27.54 17.37 38.12 29.42
SOLARRAV 16.32 15.5 15.5 13.64 13.64 15.5 16.32 15.5 15.5 13.64 13.64 16.32
DEWPT 14.73 14 13.3 11.7 13.39 14.52 14.32 13.61 13.29 11.7 13.29 14.01
WNDAV 1.19 1.19 1.25 1.34 1.47 1.7 1.88 1.75 1.52 1.34 1.29 1.15
Estación: El Silencio
ene feb mar abr may jun jul ago sep oct nov dic
TEMP_MX 17.01 17.73 17.56 17.7 17.67 17.35 17.59 17.72 17.59 16.59 16.59 17.04
TEMP_MN 11.64 11.68 11.62 12.13 12.2 12.13 11.95 11.7 11.53 11.78 11.86 11.7
TMPSTDMX 2.18 1.67 2.32 1.35 1.75 1.68 1.59 1.8 2.33 1.36 1.76 1.68
TMPSTDMN 1.33 0.72 0.89 0.6 0.88 1.05 0.97 1.22 0.87 1.03 2.68 0.78
PCPMM 3.22 1.64 2.97 0.89 2.35 0.93 0.37 0.81 2.1 2.19 5.52 4.45
PCPSTD 17.69 6.65 7.92 0.56 0.06 0.12 0.04 0.03 0.06 1.73 0.25 16
PCPSKW 0.01 0.01 0.01 1.89 2.25 15.27 12.32 11.81 5.05 0.12 7.01 0.01
PR_W1 0.17 0.11 0.49 1.94 0.35 0.04 0.03 0.07 0.04 0.09 0.12 0.44
PR_W2 0.69 0.78 0.46 0.04 0.21 0.32 0.49 0.32 0.49 0.76 0.39 0.68
PCPD 13.58 9.7 16.49 25.22 8.73 2.91 1.94 2.91 1.94 8.73 4.85 19.4
RAINHHM 48.36 18.92 22.73 2.14 0.14 0.42 0.14 0.07 0.2 5.62 0.55 44.2
SOLARRAV 13.62 12.94 12.94 11.39 11.39 12.94 13.62 12.94 12.94 11.39 11.39 13.62
DEWPT 12.77 12.13 11.51 10.14 11.6 12.58 12.41 11.79 11.51 10.14 11.51 12.13
WNDAV 1.28 1.28 1.33 1.43 1.58 1.83 2.02 1.87 1.63 1.43 1.38 1.23