METODOLOGÍA DE EVALUACIÓN Y PRONÓSTICO DEL …
Transcript of METODOLOGÍA DE EVALUACIÓN Y PRONÓSTICO DEL …
METODOLOGÍA DE EVALUACIÓN Y PRONÓSTICO DEL FENÓMENO DE SEQUÍA EN
EL MUNICIPIO DE MOTAVITA, DEPARTAMENTO DE BOYACÁ
CARLOS ANDRÉS MÉNDEZ VALLEJO
WILSON LEONARDO CHAVES TENORIO
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C
2021
METODOLOGÍA DE EVALUACIÓN Y PRONÓSTICO DEL FENÓMENO DE SEQUÍA EN
EL MUNICIPIO DE MOTAVITA, DEPARTAMENTO DE BOYACÁ
AUTOR: CARLOS ANDRÉS MÉNDEZ VALLEJO
AUTOR: WILSON LEONARDO CHAVES TENORIO
DOCENTE DIRECTOR: ANDRÉS CÁRDENAS CONTRERAS
MONOGRAFÍA PARA OPTAR POR EL TÍTULO DE INGENIERO CATASTRAL Y
GEODESTA
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C
2021
AGRADECIMIENTOS
El presente trabajo se lo queremos dedicar en primera instancia a Dios, por habernos dado la
posibilidad de culminar de manera exitosa nuestra formación como profesionales y como
ingenieros Catastrales y Geodestas con un sentido ético, crítico, humano e integral.
Agradecemos a nuestros padres y a nuestras familias por el apoyo brindado y el esfuerzo realizado
a lo largo de nuestra formación profesional. Dándonos todo su amor y cariño de manera
incondicional para poder contribuir a la sociedad y a nuestro país Colombia desde el campo de
las geociencias, la meteorología y la gestión del riesgo de desastres.
Agradecer a nuestros amigos, profesores, compañeros que nos brindaron su ayuda y
asesoramiento en nuestro proyecto de grado en cada una de sus diferentes fases, agradecer de
manera especial al profesor Andrés Cárdenas por habernos dado todo su acompañamiento,
enseñanza y orientación en nuestro proyecto de grado.
Finalmente, agradecer a nuestra querida Alma Mater por habernos enseñado y forjado como
ingenieros Catastrales y Geodestas, contribuyendo conocimiento útil para la sociedad colombiana
en la gestión del riesgo de desastres y el cambio climático.
¡El cambio climático y los fenómenos de variabilidad climática extrema son nuestro mayor
desafío, aún estamos a tiempo. Sólo si trabajamos juntos lograremos comprender y convivir en
armonía con nuestro planeta!
TABLA DE CONTENIDO
INTRODUCCIÓN ........................................................................................................................ 1 1. IDENTIFICACIÓN DEL PROBLEMA ................................................................................. 2
1.1 Descripción del problema ..................................................................................................... 2 1.2 Hipótesis ............................................................................................................................... 3
1.3 Objetivo general .................................................................................................................... 3 1.4 Objetivos específicos ............................................................................................................ 3 1.5 Justificación y pertinencia..................................................................................................... 4
2. DELIMITACIÓN ESPACIO-TEMPORAL .......................................................................... 5 2.1 Localización del departamento de Boyacá ........................................................................... 5
2.2 Localización del municipio de Motavita ............................................................................... 5
2.3 Cabecera municipal ............................................................................................................... 6
2.4 Zona rural .............................................................................................................................. 6 2.5 Límites y división política .................................................................................................... 6 2.6 Altitud ................................................................................................................................... 7 2.7 Hidrografía ............................................................................................................................ 7
2.8 Uso del suelo ......................................................................................................................... 8 2.9 Clima ..................................................................................................................................... 8
2.10 Clasificación climática Caldas Lang ................................................................................... 8 2.11 Adquisición y selección de la información ....................................................................... 10
3. MARCO DE REFERENCIA ................................................................................................. 12
3.1 Estado del arte ..................................................................................................................... 12 3.1.1 Fenómeno de sequía en el ámbito internacional .......................................................... 12
3.1.2 Fenómenos de sequía en el ámbito Colombiano.......................................................... 15 3.1.3 Fenómenos de sequía en el municipio de Motavita ..................................................... 18
3.2 Marco normativo ................................................................................................................. 18 3.3 Marco teórico ...................................................................................................................... 20
3.3.1 Sequía ........................................................................................................................... 20
3.3.2 Caracterización de las sequías ..................................................................................... 22 3.3.3 Tipos de sequía ............................................................................................................ 22
3.3.4 Índices de sequía .......................................................................................................... 23 3.3.5 Índice de Severidad de Sequía de Palmer (PDSI) ........................................................ 25 3.3.5.2 Profundidad efectiva del suelo (Zr ............................................................................ 27 3.3.6 Índice Estandarizado de Precipitación (SPI) ................................................................ 28 3.3.7 Planeta Tierra y movimientos planetarios .................................................................... 30
3.3.8 Atmosfera terrestre....................................................................................................... 31 3.3.9 Circulación atmosférica y vientos planetarios ............................................................. 32
3.3.10 Vientos planetarios..................................................................................................... 33 3.3.11 Clima y tiempo atmosférico ....................................................................................... 34 3.3.12 Precipitación y ciclo hidrológico ............................................................................... 35 3.3.13 Cambio climático global ............................................................................................ 37 3.3.14 Temperatura media global en superficie y calentamiento global .............................. 37
3.3.15 Variabilidad climática ................................................................................................ 38
4. ASPECTOS METODOLÓGICOS ....................................................................................... 42
4.1 Proceso y flujo metodológico ............................................................................................. 42 4.1.1 Tratamiento preliminar ................................................................................................ 42 4.1.2 Fundamentación teórica y clasificación del SPI .......................................................... 45 4.1.3 Fundamentación teórica y clasificación del PDSI ....................................................... 48 4.1.4 Redes Neuronales Artificiales (RNA) ......................................................................... 57
4.1.5 Gestión del riesgo por sequía. ...................................................................................... 63 5. RESULTADOS ....................................................................................................................... 68
5.1 Índice Estandarizado de Precipitación (SPI) ....................................................................... 68 5.1.1 SPI trimestral y la variabilidad climática estacional .................................................... 68 5.1.2 SPI semestral y la variabilidad climática intraestacional ............................................. 70
5.1.3 SPI anual y la variabilidad climática interanual .......................................................... 71
5.1.4 Selección de periodos SPI categorizados con sequías. ................................................ 73
5.2 Índice de Severidad de Sequía de Palmer (PDSI) ............................................................... 76 5.2.1 Balances hídricos climáticos ........................................................................................ 76 5.2.2 PDSI y el ciclo hidrológico .......................................................................................... 80 5.2.3 PDSI desde la degradación de los suelos y la infiltración ........................................... 81
5.2.4 PDSI y el ENOS........................................................................................................... 83 5.2.5 Resultados finales índices de sequía y ENOS.............................................................. 84
5.3 Redes Neuronales Artificiales (RNA) ................................................................................ 85
5.3.1 Entrenamiento (RNA) .................................................................................................. 85 5.3.2 Validación de la RNA .................................................................................................. 86
5.3.3 Verificación de la RNA ............................................................................................... 87 5.4 Evaluación de la amenaza, vulnerabilidad y riesgo por sequía .......................................... 88
5.4.1 Evaluación de la amenaza por sequía .......................................................................... 89 5.4.2 Evaluación de la vulnerabilidad por sequía ................................................................. 90
5.4.3 Evaluación del riesgo por sequía ................................................................................. 92 5.4.4 Caracterización de escenarios de riesgo por sequía ..................................................... 93 5.4.5 Escenario de riesgo desde la amenaza por sequía ........................................................ 94
5.4.6 Escenario de riesgo desde la vulnerabilidad ................................................................ 95 6. CONCLUSIONES Y RECOMENDACIONES.................................................................... 97
6.1 Conclusiones ....................................................................................................................... 97 6.2 Recomendaciones ............................................................................................................... 99
BIBLIOGRAFÍA ...................................................................................................................... 101 ANEXO ...................................................................................................................................... 110
Anexo 1 ................................................................................................................................... 110
Anexo 2 ................................................................................................................................... 112
APÉNDICE ................................................................................................................................ 113 Apéndice A ............................................................................................................................. 113 Apéndice B.............................................................................................................................. 119
LISTA DE ILUSTRACIONES
Ilustración 1. Mapa de localización del departamento de Boyacá ................................................................ 5 Ilustración 2. Mapa de localización del municipio de Motavita ................................................................... 6 Ilustración 3. Mapa de las veredas del municipio de Motavita ..................................................................... 7 Ilustración 4. Clasificación climática Caldas – Lang .................................................................................... 9 Ilustración 5. Mapa de estaciones hidrometeorológicas del área de estudio ............................................... 11 Ilustración 6. Procesos de la gestión del riesgo de desastres ...................................................................... 19 Ilustración 7. Conocimiento del riesgo por fenómenos meteorológicos ..................................................... 20 Ilustración 8. Balance de agua en el suelo .................................................................................................. 26 Ilustración 9. Vientos planetarios y masas de aire ...................................................................................... 32 Ilustración 10. Fuerza de Coriolis ............................................................................................................... 33 Ilustración 11. Células de circulación atmosférica ..................................................................................... 34 Ilustración 12. Clima y tiempo atmosférico ................................................................................................ 35 Ilustración 13. Ciclo natural del agua ......................................................................................................... 36 Ilustración 14. Temperatura media global en superficie ............................................................................. 38 Ilustración 15. Zona de convergencia intertropical ..................................................................................... 39 Ilustración 16. Oscilación de Madden-Julián .............................................................................................. 40 Ilustración 17. Fase el niño – Oscilación del sur ........................................................................................ 41 Ilustración 18. Fase la niña – Oscilación del sur ......................................................................................... 41 Ilustración 19. Proceso y flujo metodológico ............................................................................................. 42 Ilustración 20. Clasificación del PDSI ........................................................................................................ 52 Ilustración 21. Mapa de UCS ...................................................................................................................... 54 Ilustración 22. Estructura jerárquica de una RNA ...................................................................................... 58 Ilustración 23. Composición de una RNA .................................................................................................. 59 Ilustración 24. Fases de creación y pronóstico de una RNA ....................................................................... 61 Ilustración 25. Metodología de evaluación del riesgo ................................................................................ 64 Ilustración 26. Flujo de toma de decisiones con multicriterio .................................................................... 65 Ilustración 27. Valores de SPI estación Chíquiza ....................................................................................... 68 Ilustración 28. Valores de SPI estación Cómbita ........................................................................................ 69 Ilustración 29. Valores de SPI estación Motavita ....................................................................................... 70 Ilustración 30. Valores de SPI estación Samacá ......................................................................................... 71 Ilustración 31. Valores de SPI estación Villa de Leyva .............................................................................. 72 Ilustración 32. Valores de SPI estación Tunja ............................................................................................ 73 Ilustración 33. Años representativos SPI-12 ............................................................................................... 75 Ilustración 34. Balance hídrico climático Samacá ...................................................................................... 77 Ilustración 35. Balance hídrico climático Tunja ......................................................................................... 78 Ilustración 36. Balance hídrico climático Villa de Leyva ........................................................................... 79 Ilustración 37. Valores de PDSI estación Samacá ...................................................................................... 80 Ilustración 38. Valores de PDSI estación Villa de Leyva ........................................................................... 82 Ilustración 39. Valores de PDSI Tunja ....................................................................................................... 84 Ilustración 40. Comportamiento del SPI 3 y sus valores de entrenamiento estación Panelas .................... 86 Ilustración 41. Mapa de amenaza por sequía .............................................................................................. 90 Ilustración 42. Mapa de vulnerabilidad por sequía ..................................................................................... 91 Ilustración 43. Mapa de riesgo por sequía .................................................................................................. 93
LISTA DE TABLAS
Tabla 1. Distribución de las veredas de Motavita ........................................................................... 7 Tabla 2. Uso del suelo Municipio de Motavita ............................................................................... 8 Tabla 3. Clasificación climática Caldas Lang ................................................................................. 9 Tabla 4. Historial de periodos de sequía en el planeta tierra ........................................................ 14
Tabla 5. Historial de fenómenos de sequía en Colombia según UNGRD .................................... 16 Tabla 6. Historial de fenómenos de sequía en Colombia según IDEAM ..................................... 17 Tabla 7. Parámetros en la caracterización de sequías ................................................................... 22 Tabla 8. Índices de sequía y parámetros de entrada ...................................................................... 24 Tabla 9. Características del PDSI ................................................................................................. 25
Tabla 10. Profundidad efectiva del suelo ...................................................................................... 28
Tabla 11. Características del SPI .................................................................................................. 29
Tabla 12. Escalas de tiempo del SPI ............................................................................................. 30 Tabla 13. Información preliminar estaciones hidrometeorológicas .............................................. 43 Tabla 14. Coeficientes de correlación de la precipitación ............................................................ 43 Tabla 15. Ajuste de los coeficientes de correlación ...................................................................... 44
Tabla 16. Prueba estadística T – Students .................................................................................... 44 Tabla 17. Temperatura de las estaciones climatológicas principales ........................................... 45 Tabla 18. Coeficientes de correlación temperatura ....................................................................... 45
Tabla 19. Clasificación del SPI ..................................................................................................... 47 Tabla 20. Probabilidad de recurrencia sequía meteorológica ....................................................... 47
Tabla 21. Clasificación de los valores de PDSI ............................................................................ 52 Tabla 22. Orden, suborden y gran grupo de UCS ......................................................................... 53
Tabla 23. Geomorfología, material parental y UCS ..................................................................... 55 Tabla 24. Valores de AWC .......................................................................................................... 56
Tabla 25. Parámetros y descriptores de amenaza ......................................................................... 66 Tabla 26. Parámetros y descriptores de vulnerabilidad ................................................................ 67 Tabla 27. Comportamiento SPI trimestral, semestral y anual ...................................................... 74
Tabla 28. Comportamiento SPI -12, PDSI y ENOS ..................................................................... 85 Tabla 29. Pronóstico RNA estación Panelas (Motavita) .............................................................. 85
Tabla 30. Diferencia entre valor real y estimado para la estación Panelas ................................... 86 Tabla 31. Comportamiento EMC y DAM trimestral estación Panelas ......................................... 87 Tabla 32. Comportamiento EMC y DAM semestral estación Panelas ......................................... 87 Tabla 33. Comportamiento EMC y DAM trimestral estaciones Tunja y Villa de Leyva ............ 88
Tabla 34. Comportamiento EMC y DAM semestral estaciones Tunja y Villa de Leyva ............. 88
Tabla 35. Escenario de amenaza por sequía año 2017.................................................................. 95
Tabla 36. Escenario de vulnerabilidad por sequía año 2017 ........................................................ 96
LISTA DE ABREVITATURAS
AMA Asociación Mundial para el Agua
CENEPRED Centro Nacional de Estimación, Prevención y Reducción del Riesgo de Desastres
CMNUCC Convenciones del Marco de las Naciones Unidas sobre el Cambio Climático
CNULD Convención de las Naciones Unidas Contra la Desertificación y la Sequía
CRDN Conocimiento del Riesgo de Desastres Naturales
EOT Esquema de Ordenamiento Territorial
ENA Estudio Nacional del Agua
ENOS Fenómeno del Niño – Oscilación del sur
FAO La Organización de las Naciones Unidas para la Alimentación y la Agricultura
GRD Gestión del Riesgo de Desastres
IGAC Instituto Geográfico Agustín Codazzi
IPPC Intergubernamental de Expertos sobre el Cambio Climático
ISO Organización Internacional de Normalización
IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales
NDMC Centro Nacional de Mitigación de la Sequía
ODS Objetivos del Desarrollo Sostenible
OMJ Oscilación Madden-Julián
OMM Organización Meteorológica Mundial
ONU Organización de las Naciones Unidas
PDD Plan de Desarrollo Departamental
PDM Plan de Desarrollo Municipal
PLEC’s Plan Local de Emergencia y Contingencias
PMGRD Plan Municipal de Gestión del Riesgo de Desastres
PNC Plan Nacional de Contingencia
PNPAD Plan Nacional para la Prevención y Atención de Desastres
PNUMA Programa de las Naciones Unidas para el Medio Ambiente
PRAFMA Proceso Regional de las Américas Foro Mundial del Agua
SNGRD Sistema Nacional de Gestión del Riesgo de Desastres
SNPAD Sistema Nacional de Prevención y Atención de Desastres
UNGRD Unidad Nacional para la Gestión del Riesgo de Desastres
UNISDR La Oficina de las Naciones Unidas para Reducción de Riesgo de Desastres
UDCA Universidad de Ciencias Aplicadas y Ambientales
UNAL Universidad Nacional de Colombia
USDA Departamento de Agricultura de los Estados Unidos
USGS Servicio Geológico de los Estados Unidos
ZCIT Zona de Confluencia Intertropical
GLOSARIO
Amenaza: Peligro latente de que un evento físico de origen natural, o causado, o inducido por la acción humana de
manera accidental, se presente con una severidad suficiente para causar pérdida de vidas, lesiones u otros impactos en
la salud, así como también daños y pérdidas en los bienes, la infraestructura, los medios de sustento, la prestación de
servicios y los recursos ambientales (Ley 1523, 2012).
Análisis y evaluación del riesgo: Implica la consideración de las causas y fuentes del riesgo, sus consecuencias y la
probabilidad de que dichas consecuencias puedan ocurrir. Es el modelo mediante el cual se relaciona la amenaza y la
vulnerabilidad de los elementos expuestos, con el fin de determinar los posibles efectos sociales, económicos y
ambientales y sus probabilidades (Ley 1523, 2012).
Anomalía climática: Diferencia entre el valor de un elemento climático de un lugar determinado y el valor medio de
este elemento sobre el paralelo de este lugar, desviación con relación al valor normal (Torregrosa, 2014, p.104).
Anomalía de temperatura: Desviación de la temperatura con respecto a su valor normal, diferencia entre la
temperatura en un lugar determinado y el valor medio de la temperatura en la latitud de ese lugar (IDEAM, 2019,
p.21).
Aridez: Característica de un clima referente a la insuficiencia de las precipitaciones para mantener la vegetación,
condición en la que la precipitación es siempre inferior a la evaporación (Torregrosa, 2014, p.132).
Balance Hídrico: Balance de agua basado en el principio de que durante un cierto intervalo de tiempo el aporte total
a una cuenca o masa de agua debe ser igual a la salida total de agua más la variación neta en el almacenamiento de la
cuenca o masa de agua (IDEAM, 2019, p.33).
Cambio climático: Cambio del clima atribuido directa o indirectamente a la actividad humana que altera la
composición de la atmósfera mundial y que se suma a la variabilidad natural del clima observada durante períodos de
tiempo comparables (Naciones Unidas, 1992).
Capacidad de Retención de Agua Disponible: Cantidad de agua disponible para el crecimiento de las plantas y se
encuentra entre la capacidad de campo y el punto de marchitez permanente (Shaxson et al., 2005).
Capacidad de Campo: Cantidad de agua retenida en el suelo cuando ha drenado el agua por acción de la gravedad
(IDEAM, 2019, p.47).
Clima: Las condiciones atmosféricas predominantes durante un periodo determinado sobre un lugar o una región
(IDEAM y UNAL, 2018).
Cinturón de vientos polares (célula polar): Vientos localizados a más de 60° de latitud norte y sur con movimientos
hacia centros de bajas presiones subpolares (Andrades y Muñez, 2012).
Cinturón de vientos del oeste: Vientos localizados entre 40° y 60° de latitud norte y sur, caracterizados por el
movimiento desde los cinturones de alta presión en la zona polar hacia los centros de bajas presiones (Andrades y
Muñez, 2012).
Cinturón subtropical de vientos variables: Vientos localizados entre los 30° y 35° de latitud norte y sur, donde
divergen los vientos alisios y los vientos del oeste. Esta zona se caracteriza por un estado del tiempo con una tendencia
a la sequía provocando así la localización de la mayor parte de desiertos del mundo (Andrades y Muñez, 2012).
Cinturón de vientos alisios: Vientos localizados entre los 5° y 30° de latitud norte y sur como resultado del gradiente
de presión alto desde el cinturón subtropical hacia la zona ecuatorial de bajas presiones, los vientos alisios del
hemisferio norte se mueven en dirección suroeste. Mientras que, los vientos del hemisferio sur se mueven en dirección
noroeste (Andrades y Muñez, 2012).
Conocimiento del riesgo: Proceso de la gestión del riesgo compuesto por la identificación de escenarios de riesgo, el
análisis y evaluación del riesgo, el monitoreo y seguimiento del riesgo con sus componentes, la comunicación para
promover una mayor conciencia del mismo que alimenta los procesos de reducción del riesgo y de manejo de desastre
(Ley 1523, 2012).
Cuerpos de agua: Cualquier extensión que se encuentran en la superficie terrestre (ríos y lagos) o en el subsuelo
(acuíferos, ríos subterráneos) tanto en estado líquido, como sólido (glaciares, casquetes polares) tanto naturales como
artificiales (embalses) que pueden ser de agua salada o dulce (Aguas de Bogotá SA ESP, 2021).
Degradación de los suelos: Reducción o pérdida de la productividad y diversidad biológica o económica de las tierras
de cultivo, las praderas, los pastizales y los bosques, con disminución de su capacidad para mantener ya sea la
vegetación natural, como así también los cultivos hechos por el hombre (Gómez et al., 2010).
Déficit de agua: Diferencia acumulada entre la evapotranspiración potencial y la precipitación durante un cierto
período en el cual la precipitación es menor que la evapotranspiración potencial (Torregrosa, 2014, p.444)
Desabastecimiento de agua: Falta de agua de calidad aceptable, bajos niveles de suministro de agua, en un momento
y en un lugar determinados respecto a los niveles de suministro diseñados (FAO, 2013).
Desertificación: Degradación de las tierras de zonas áridas, semiáridas y subhúmedas secas resultante de diversos
factores, tales como las variaciones climáticas y las actividades humanas (CNLUDS, 1994).
Erosión: Pérdida de la capa superficial de la corteza terrestre por acción del agua y/o del viento, que es mediada por
el hombre, y trae consecuencias ambientales, sociales, económicas y culturales (IDEAM y UDCA, 2015).
Escasez de agua: Desequilibrio entre el suministro y la demanda de agua dulce en un área determinada (país, región,
área de captación, cuenca fluvial, etc.) como resultado de una demanda demasiado elevada para el suministro
disponible (FAO, 2013).
Escenario de riesgo: Fragmentos o campos delimitados de las condiciones de riesgo del territorio presentes o futuras,
que facilitan tanto la comprensión y priorización de los problemas como la formulación y ejecución de las acciones
de intervención requeridas (Ley 1523, 2012).
Estiaje: Nivel más bajo o caudal mínimo que en ciertas épocas del año tienen las aguas de un río, estero, laguna, etc.,
por causa de la sequía (Torregrosa, 2014, p.597).
Estratósfera: La estratosfera es la capa superior a la troposfera con una altitud inicial sobre los 9 o 18 km hasta
completar 50 km, recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).
Estrés hídrico: Síntomas de la escasez o desabastecimiento de agua, serias restricciones frecuentes y generalizadas
en el uso, aumento de la competencia y de los conflictos entre usuarios, empeoramiento de la calidad y fiabilidad del
servicio, pérdida de cosechas e inseguridad alimentaria (FAO, 2013, p.71)
Evapotranspiración potencial: Cantidad máxima de agua que puede evaporarse en un clima dado por una cubierta
vegetal continúa bien dotada de agua. Incluye la evaporación del suelo y la transpiración por la vegetación en un
intervalo de tiempo dado y en una región determinada. Se expresa en altura de agua (IDEAM, 2019).
Evapotranspiración real: Evapotranspiración efectiva, Cantidad de vapor de agua evaporada del suelo y de las
plantas (IDEAM, 2019).
Exosfera: La exosfera es la última capa de la atmosfera situada en la parte superior de la termosfera con
aproximadamente 500 a 1000 km de altura, recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).
Exposición: Se refiere a la presencia de personas, medios de subsistencia, servicios ambientales y recursos
económicos y sociales, bienes culturales e infraestructura que por su localización pueden ser afectados por la
manifestación de una amenaza (Ley 1523, 2012).
Manejo de desastres: Proceso de la gestión del riesgo compuesto por la preparación para la respuesta a emergencias,
la preparación para la recuperación posdesastre, la ejecución de dicha respuesta y la ejecución de la respectiva
recuperación, entiéndase: rehabilitación y recuperación (Ley 1523, 2012).
Mesósfera: La mesosfera es la tercera capa de la atmosfera terrestre con una altura aproximada de 50 a 100 kilómetros,
recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).
Nivel del riesgo: Magnitud de uno o varios riesgos expresada mediante la combinación de las consecuencias y la
probabilidad de ocurrencia (ISO/IEC, 2009). En Colombia, el nivel de riesgo se expresa comúnmente en tres
categorías: alto, medio y bajo mediante tres colores rojo, amarillo y verde respectivamente (Ley 1523, 2012).
Nutación: Oscilación periódica del eje de la Tierra, causada principalmente por la atracción Lunar, y en menor
proporción por la del Sol, sobre el abultamiento ecuatorial de la Tierra. (Torregrosa, 2014, p.1091).
Precesión: Movimiento del eje del mundo alrededor del eje de la Eclíptica, en virtud del cual describe una superficie
cónica en unos 25.800 años. Se debe a la atracción del Sol y la Luna sobre el abultamiento ecuatorial de la Tierra
(Torregrosa, 2014, p.1219).
Precipitación: Caída de partículas de agua líquida o sólida que se originan en una nube, atraviesan la atmósfera y
llegan al suelo. La cantidad de precipitación es el volumen de agua lluvia que pasa a través de una superficie en un
tiempo determinado (IDEAM, 2019).
Profundidad efectiva del suelo: Espesor del suelo de la superficie hasta donde se desarrolla el sistema radicular de
los cultivos (Rodríguez, 2001).
Pronóstico: Declaración certera o un cálculo estadístico de la posible ocurrencia de un evento o condiciones futuras
en una zona específica (UNISDR, 2009).
Punto de Marchitez Permanente: Contenido de humedad del suelo, expresado como porcentaje de la masa de suelo
seca, por debajo del cual una planta muere por marchitez (IDEAM, 2019, p.238).
Reducción del riesgo: Proceso de la gestión del riesgo, está compuesto por la intervención dirigida a modificar o
disminuir las condiciones de riesgo existentes, entiéndase: mitigación del riesgo y a evitar nuevo riesgo en el territorio.
(Ley 1523, 2012).
Riesgo de desastres: Corresponde a los daños o pérdidas potenciales que pueden presentarse debido a los eventos
físicos peligrosos de origen natural, socio-natural tecnológico, biosanitario o humano no intencional, en un período de
tiempo específico y que son determinados por la vulnerabilidad de los elementos expuestos (Ley 1523, 2012).
Rotación terrestre: Describe los movimientos de esta a lo largo de un eje imaginario denominado eje terrestre o polar
en dirección oeste-este, el cual provoca la alternancia del día y la noche en un intervalo de tiempo aproximadamente
de 24 horas tomando como referencia el Sol (día solar) (Leyva, 1998).
Salinización: Proceso de aumento, ganancia o acumulación de sales en el suelo, en donde un aumento de sales en el
suelo y en concentraciones elevadas afecta las características fisicoquímicas y biológicas de los suelos y sus servicios
ecosistémicos, entre ellos el desarrollo de las plantas (IDEAM y UDCA, 2016).
Traslación terrestre: Explica el movimiento que realiza la tierra a lo largo de 356 días, 5 horas, 46 minutos y 46
segundos tomando como referencia al Sol, este movimiento es debido a fuerza de atracción gravitacional existente
entre el Sol y la Tierra, su descripción es a través de una órbita eclíptica en donde el Sol está localizado en uno de los
focos de la elipse (Leyva, 1998).
Temperatura del aire: Temperatura señalada por un termómetro expuesto al aire protegido de la radiación solar
directa (IDEAM, 2019, p.274).
Temperatura Superficial del Mar: Temperatura del agua de la capa superficial del mar (Torregrosa, 2014, p. 1418).
Temperatura Superficial Terrestre: Temperatura del aire en la superficie terrestre por la incidencia directa de la
radiación solar (Torregrosa, 2014, p. 1418).
Termósfera: La termosfera es la penúltima capa de la atmosfera terrestre con una altura que varía desde los 100 hasta
los 500 km, recopilado de (Sarochar, 2013) y (Andrades y Muñez, 2012).
Tropósfera: La troposfera es la capa más adyacente o próxima a la superficie terrestre con un espesor de 9 o 10 km
de altura sobre los polos, mientras que en el ecuador este valor puede llegar a los 18 km, recopilado de (Sarochar,
2013) y (Andrades y Muñez, 2012).
Variabilidad climática estacional: Describe las diferentes variaciones u fluctuaciones del clima a escala mensual,
resaltándose las estaciones de latitudes medias (invierno, primavera, verano y otoño) y las de zona tropical (temporada
de lluvias o temporada de ausencia de lluvias) (Montealegre, 2009).
Variabilidad climática interanual: Corresponde a las variaciones u fluctuaciones del clima de año en año, en donde
las fluctuaciones que se sitúan por encima o por debajo del promedio de las variables climatológicas constituyen
fenómenos como por ejemplo “El Niño – La Niña – Oscilación del sur” también conocido como ENOS y la
“Oscilación Cuasibienal” (Montealegre, 2009).
Variabilidad climática interdecadal: Describe las fluctuaciones del clima en intervalos de tiempo decadal. Estas
fluctuaciones u oscilaciones pueden tener relación con fenómenos como por ejemplo manchas solares, la Oscilación
Decadal del Pacifico (PDO en inglés) y el ciclo lunar de 18.6 años (Montealegre, 2009).
Variabilidad climática intraestacional: Describe las perturbaciones u oscilaciones del tiempo durante decenas de
días. Dentro de las oscilaciones intraestacionales se resaltan las señas de tipo ondulatorio y su periodo varía entre 30
a 60 días (Montealegre, 2009).
Vulnerabilidad: Susceptibilidad o fragilidad física, económica, social, ambiental o institucional que tiene una
comunidad de ser afectada o de sufrir efectos adversos en caso de que un evento físico peligroso se presente (Ley
1523, 2012).
1
INTRODUCCIÓN
Los fenómenos naturales constituyen los principales cambios, movimientos y transformaciones en
la naturaleza terrestre, esto debido a su alto dinamismo e interacción constante con las capas
concéntricas y atmosféricas de la misma. Por su parte, los fenómenos hidrometeorológicos o
atmosféricos como las sequías, inundaciones, tornados, huracanes, ciclones, entre otros. Han
constituido durante mucho tiempo las principales amenazas en aspectos fundamentales como el
desarrollo territorial, económico, social y ambiental de una región o zona determinada. Esto debido
a su alta recurrencia, frecuencia y periodicidad en la aparición de los mismos. Ahora bien,
características propias de la sequía como su desarrollo silencioso y paulatino, sumado de un
carácter impredecible para un espacio-tiempo. Pueden establecer en caso de ocurrencia mayores
impactos tanto para una población como para un territorio.
Las sequías constituyen uno de los fenómenos naturales con mayor capacidad de generar impactos
en una población y un territorio para un determinado lapso de tiempo (Ortega, 2012). Sumado a
esto, los aspectos fundamentales de una sequía como lo son su Intensidad (I), Duración (D),
Magnitud (M) y Extensión (E) requieren ser identificados con alta confiabilidad y exactitud. Por
consiguiente, es fundamental hacer énfasis en las diferentes etapas y procesos de la sequía, así
como, una debida clasificación tal como lo estableció (Wilhite y Glantz, 1985) clasificando este
fenómeno natural en 4 grandes grupos (sequía meteorológica, sequía agrícola, sequía hidrológica
y sequía socioeconómica). Puesto que, la aparición de una sequía guarda a su vez una estrecha
relación con el ciclo hidrológico y la climatología propia de un lugar o de una área geográfica. Por
esta razón, los fenómenos de sequía en algunas ocasiones bajo términos probabilísticos tienen una
recurrencia y una periodicidad determinada.
En contraste a los fenómenos de sequía, las variables del sistema climático de mayor relevancia
utilizada en el presente estudio son la precipitación, temperatura, brillo solar, evapotranspiración,
humedad relativa, entre otras. De ahí que, en escalas de tiempo mayores estas variables
cuantitativas representan el tipo de clima de un lugar determinado y su área de influencia. Además,
dichas variables permiten la evaluación de sequía mediante el uso de índices de sequía de carácter
meteorológica y agrícola tales como el SPI y PDSI.
En Colombia, de acuerdo al régimen unimodal de precipitación característico en la mayor parte
del territorio colombiano (temporada de lluvias y temporada de ausencia de lluvias). Conforman
junto con la climatología del territorio nacional según la clasificación climática de Köppen: climas
tropicales, secos, templado mesotermal y templado microtermal (Peel et al., 2007). Por ende, es
posible que bajo estas condiciones climatológicas se propicien la aparición de sequías en zonas
susceptibles a este fenómeno, en especial durante los últimos y primeros meses de cada respectivo
año. De ahí que, el municipio de Motavita (Boyacá) de acuerdo con sus características
edafológicas, meteorológicas, geográficas y socioeconómicas. Constituya un espacio propicio para
la generación de fenómenos de sequía, los cuales en el presente trabajo se evalúan desde el
conocimiento del riesgo mediante los parámetros de Vulnerabilidad (V), Amenaza (A), Exposición
(E) y Riesgo (R) dificultando y limitando a su vez procesos posteriores como la reducción y el
manejo del riesgo por sequía.
2
1. IDENTIFICACIÓN DEL PROBLEMA
1.1 Descripción del problema
Históricamente los fenómenos de origen natural han sido fuente de estudio de la humanidad, esto
se debe en gran medida a la interrelación e impactos que estos fenómenos naturales pueden llegar
a representar para una población en un espacio-tiempo. Por su parte, uno de los fenómenos
naturales que tiene mayor capacidad de generar impactos tanto socioeconómicos, ambientales y
de salud pública es el fenómeno de la sequía, entendiendo la misma según el vocabulario
meteorológico internacional (OMM, 1992) como la “ausencia prolongada o déficit notable de
precipitación”.
Recientemente en las últimas décadas, la superficie terrestre ha sufrido una serie de cambios
trascendentales como el aumento de la población global, aumento en la emisión gases de efecto
invernadero principalmente por el dióxido de carbono (CO2), gas metano (CH4) y el ozono
troposférico debido a actividades como el transporte, la calefacción, la ganadería y la agricultura.
En consecuencia, se han creado organizaciones con el fin de afrontar esta serie de problemáticas
como lo son las Convenciones del Marco de las Naciones Unidas sobre el Cambio Climático
(CMNUCC), de las cuales podemos resaltar el protocolo de Kioto (1995), Cumbre Mundial de
Desarrollo sostenible Johannesburgo (2002 ) y Acuerdo de Paris (2015).
En la actualidad, diversas organizaciones pertenecientes a la Organización de las Naciones Unidas
(ONU) tales como la Organización Meteorológica Mundial (OMM), el Grupo Intergubernamental
de Expertos sobre el Cambio Climático (IPPC en inglés) y la Oficina de las Naciones Unidas para
la Reducción del Riesgo de Desastres (UNISDR), han estudiado en conjunto con diversas
universidades y centros de investigación del mundo este fenómeno natural. Creando así diversos
índices o indicadores de sequía que sirven como mecanismos de vigilancia, control, manejo y
reducción de la misma en un espacio-tiempo.
La aparición de fenómenos globales de índole antrópico-natural como lo es el cambio climático y
la variabilidad climática, ha proporcionado cambios en la precipitación y la evaporación en el
planeta tierra, así como en el ciclo natural del agua (Wilhite y Glantz, 1985). Por consiguiente,
fenómenos naturales como las sequías, los incendios forestales y las olas de calor pueden llegar a
incrementarse a futuro con mayor intensidad, duración y periodicidad.
La población del municipio de Motavita (Boyacá), ha sufrido a lo largo del tiempo problemáticas
de desabastecimiento de agua, lo cual se ha visto reflejado en la disminución de las fuentes hídricas
tal como se establece en su Plan de Desarrollo Municipal (PDM) 2016-2019 (p.158) manifestando
que el agua está en estado crítico y las fuentes hídricas están agotadas. Por lo cual, se puede inferir
que una posible causa del desabastecimiento del agua en el municipio son las sequías. No obstante,
estas problemáticas pueden provenir de origen antrópico, en acciones como la deforestación, la
degradación del suelo, emisiones de gases de efecto invernadero y una explotación intensiva no
controlada del agua subterránea (Kharraz et al., 2012).
3
Este tipo de amenaza o problemática tanto natural como antrópica puede provocar impactos
económicos en las principales actividades productivas del municipio (cultivos de papa, uso
pecuario de ganado vacuno y minería de carbón) debido a la excesiva dependencia de las
condiciones naturales y climatológicas para su adecuada producción, tanto en temporadas aptas y
no aptas para cultivar (Miyamoto, 2017). Así pues, es probable la existencia de una amenaza por
sequía que provoque impactos sobre la población rural y urbana, impactos medio ambientales e
hidrológicos, reduciendo los niveles en las fuentes hídricas superficiales que afectan la
biodiversidad, los biomas y los ecosistemas. Además, la ausencia de fuentes hídricas, disminuye
la calidad de vida de la población y se encuentra expuesta a diferentes enfermedades por esta causa.
Uno de los instrumentos con los que cuentan las entidades territoriales tanto a nivel nacional,
departamental y municipal es la Gestión del Riesgo de Desastres (GRD), en donde uno de sus
procesos principales es el conocimiento del riesgo. No obstante, en la actualidad a pesar de existir
un Plan Municipal de Gestión del Riesgo de Desastres (PMGRD) en el municipio de Motavita,
realizado en el año 2012 y actualizado para el año 2016 con información de caracterización del
fenómeno y de escenarios de riesgo, no existe un estudio detallado acerca del fenómeno de sequía
con información cartográfica y espacial de la amenaza, vulnerabilidad, extensión y riesgo por
sequía en el municipio de Motavita (Boyacá).
Esta problemática actual que tiene el municipio de Motavita es el propósito del presente estudio,
en el cual se busca realizar una identificación y evaluación del fenómeno de sequía en el municipio
de Motavita (Boyacá) como insumo para el conocimiento del riesgo de desastres.
1.2 Hipótesis
• En el municipio de Motavita (Boyacá) han existido fenómenos de sequía meteorológica y
agrícola en los últimos 30 años.
• La variabilidad climática interanual proporciona condiciones favorables para la existencia
de fenómenos de sequía Meteorológica y Agrícola en Motavita (Boyacá).
1.3 Objetivo general
Identificar y evaluar el fenómeno de sequía en el municipio de Motavita (Boyacá) como insumo
para el conocimiento del riesgo de desastres.
1.4 Objetivos específicos
• Analizar el comportamiento histórico de la sequía en el municipio de Motavita (Boyacá)
en diferentes escalas de tiempo para identificar los años más representativos.
• Aplicar los indicadores de precipitación, temperatura, retención de humedad del suelo y
evapotranspiración en los años previamente identificados con sequías más significativas
para examinar en detalle su intensidad y magnitud.
• Modelar el comportamiento de la amenaza, vulnerabilidad y riesgo por sequía para
determinar posibles escenarios de riesgo.
4
1.5 Justificación y pertinencia
Históricamente el municipio de Motavita (Boyacá) ha enfrentado problemas de estiaje
relacionados con una disminución y baja disponibilidad en sus cuerpos de agua durante los
primeros meses del año. Por otra parte, se ha analizado que esta problemática guarda una estrecha
relación con el fenómeno de sequía de acuerdo con (Velasco et al., 2005).
En concordancia con los 17 objetivos y 169 metas del Desarrollo Sostenible (ODS) y
específicamente con los numerales sexto (6) “Garantizar la disponibilidad de agua y su gestión
sostenible y el saneamiento para todos”, decimotercero (13) “Adoptar medidas urgentes para
combatir el cambio climático y sus efectos” y decimoquinto (15) “Proteger, restablecer y promover
el uso sostenible de los ecosistemas terrestres, gestionar los bosques de forma sostenible, luchar
contra la desertificación, detener e invertir la degradación de las tierras y poner freno a la pérdida
de la diversidad biológica”. Las sequías y la desertificación ya sea en zonas áridas, semiáridas y
subhúmedas secas, constituyen a nivel mundial uno de los mayores desafíos en contra del cambio
climático y el calentamiento global. Sumado a esto, en el año 2018 el Proceso Regional de las
Américas Foro Mundial del Agua (PRAFMA). En su informe subregional de Centroamérica,
establece en términos de viabilidad y sostenibilidad la importancia de preservar el recurso hídrico
haciendo un uso eficiente del mismo, en especial en lugares en donde se presente estrés hídrico o
desabastecimiento de agua.
En correlación a lo anterior, el IDEAM realizó en el año 2012 una investigación a nivel nacional
del fenómeno de sequía, en donde se evidenció que para el municipio de Motavita (Boyacá) y sus
alrededores tenían un periodo de retorno de 20 a 40 años por sequía agrícola (IDEAM, 2012). Sin
embargo, actualmente no existe un estudio en detalle por sequía en esta zona del departamento de
Boyacá. Al igual que, una caracterización en términos de conocimiento del riesgo (amenaza,
vulnerabilidad y riesgo), los cuales permitan identificar y evaluar este fenómeno teniendo en
cuenta que en los últimos años se han presentado diferentes problemas por la falta de fuentes de
abastecimiento de agua tanto superficiales como subterráneas (PMGRD Motavita, 2016).
Uno de los instrumentos complementarios a la gestión del riesgo de desastres es el Plan Local de
Emergencia y Contingencias (PLEC’s) que es de carácter obligatorio para todos los municipios
según el artículo 13 del decreto 919 de 1989 el cual tiene como propósito “Superar de forma
eficiente y rápida una situación de emergencia o desastre con el mínimo impacto posible para la
población e infraestructura afectada”. Por ende, es importante la implementación de PLEC’s que
posibiliten la identificación de aquellas amenazas potenciales en este caso por sequía para el
municipio de Motavita (Boyacá).
5
2. DELIMITACIÓN ESPACIO-TEMPORAL
2.1 Localización del departamento de Boyacá
El departamento de Boyacá está localizado en el centro oriente del país, con una superficie de
23.189 km2 y una limitación por el Norte (N) con los departamentos de Santander, Norte de
Santander y parte de la República de Venezuela (ilustración 1). Por el Sur (S), con el departamento
de Cundinamarca y una pequeña parte del departamento del Meta. Por el Este (E), con los
departamentos de Arauca y Casanare y por el Oeste (O), con los departamentos de Antioquia y
Caldas (PDD, 2020-2023).
Ilustración 1. Mapa de localización del departamento de Boyacá
Fuente: Elaboración propia
2.2 Localización del municipio de Motavita
El municipio de Motavita está situado en el centro del departamento de Boyacá en sentido sur-este
de la ciudad de Tunja a una distancia aproximada de 8.5 km (ilustración 2). Limita al norte con los
municipios de Arcabuco y Cómbita, por el oeste con los municipios de Chíquiza y Sora (ESE
Centro de Salud de Motavita, 2020).
6
Ilustración 2. Mapa de localización del municipio de Motavita
Fuente: Elaboración propia
2.3 Cabecera municipal
El área urbana del municipio de Motavita está ubicada astronómicamente a los cinco 5 grados, 37
minutos de latitud norte; a los 73 grados 22 minutos de longitud al Oeste del meridiano de
Greenwich; a los cero (0) grados, 41 minutos, 40 segundos de longitud Este con relación al
meridiano de Bogotá (PDM, 2016-2019).
2.4 Zona rural
El municipio de Motavita se encuentra en el centro del departamento de Boyacá y según el
Esquema de Ordenamiento Territorial (EOT) 2010-2011 tiene una extensión total de 60.1529 km2,
con una extensión de 0.02254 km2 en el área urbana y 59.9275 km2 en el área rural.
2.5 Límites y división política
El municipio de Motavita está estructurado por cinco veredas como se evidencia en la ilustración
(3). En la tabla (1) se menciona el nombre de cada vereda con su respectiva área. Además, la última
vereda se subdivide en cuatro sectores: Frutilla, Versalles, Barro Hondo y Quebrada Honda. A
pesar de que, existen nuevas veredas la información no se ha actualizado y en muchos documentos
de carácter oficial solo son reconocidas cinco veredas (ESE Centro de Salud de Motavita, 2020).
7
Ilustración 3. Mapa de las veredas del municipio de Motavita
Fuente: Elaboración propia
Tabla 1. Distribución de las veredas de Motavita
Vereda Área (Ha) Porcentaje (%)
Centro 450.6 7.3
Carbonera 1164.4 19.09
Sote 2805.5 46
Rista 700.3 11.48
Salvial 977.9 16
Fuente: PDM Unidos por Motavita 2016-2019
2.6 Altitud
En el municipio de Motavita su altitud puede variar entre 2690 y 3240 metros sobre el nivel del
mar (m. s. n. m), en donde la cabecera municipal está ubicada en una meseta y la parte rural está
en parte inclinada y montañosa.
2.7 Hidrografía
El municipio de Motavita no dispone de grandes fuentes hídricas, dado que posee quebradas de
bajo caudal de las que se destacan: Quebrada Fusachá, Quebrada el Infierno, Quebrada Piedra
8
Colgante, Quebrada Honda, Quebrada Puertas, Quebrada la Chorrera, Quebrada Corralejas, Río
Pómeca y Rio La Vega (PDM, 2016-2019).
2.8 Uso del suelo
De acuerdo al EOT 2010 - 2011 el principal uso del suelo es la producción agrícola y está formada
por condiciones geográficas distintas. Los cultivos en el municipio de Motavita ocupan el 50.94%
del área municipal y el 42.93% representan pastos, en donde estas dos actividades juntas
corresponden al 93.87% de desarrollo agropecuario (tabla 2). Es decir, solo un 2.5% hace
referencia a zonas con vegetación nativa y un 3.24% a otros usos (ESE Centro de Salud de
Motavita, 2020).
Tabla 2. Uso del suelo Municipio de Motavita
Vereda Cultivos % Pastos % Vegetación nativa % Otra actividad %
Carbonera 19.5 20.1 17.8 21.6
Centro 9.9 11.1 6.6 7.8
Ristá 15.6 11.9 7.9 21.6
Salvial 11.4 13 11.8 25.8
Sote 43.6 43 55.9 23.2
Fuente: Municipio de Motavita E.O.T. 2000-2011
2.9 Clima
En la actualidad, el municipio de Motavita no cuenta con una estación climatológica de registro
permanente. Por tal razón, la información del clima está basada en los registros de la estación de
Tunja – UPTC, los cuales fluctúan con valores de temperatura mínima mensual de 11.4°C. Así
como, una temperatura máxima mensual de 14.7°C.
Los meses que presentan los valores más altos de temperatura son Mayo, Junio, Julio, Agosto y
Septiembre. Por otro lado, la precipitación media mensual es de 35.7 (mm), la precipitación
máxima mensual registrada es de 141.0 (mm) perteneciente al mes de Marzo y la precipitación
mínima mensual registrada es en el mes de Enero con 0.5 (mm). El clima se destaca a su vez por
ser frío semiárido, frío semihúmedo y de páramos (ESE Centro de Salud de Motavita, 2020).
2.10 Clasificación climática Caldas Lang
El municipio de Motavita según la clasificación climática Caldas Lang cuenta con las zonas
climáticas de Frio Semiárido (Fsa), Frio Semihúmedo (Fsh), Muy frio Semiárido o Páramo bajo
Semiárido (Pbsa) y Muy frio Semihúmedo o Páramo Bajo Semihúmedo (PBsh) (ilustración 4).
9
Ilustración 4. Clasificación climática Caldas – Lang
Fuente: Elaboración propia
La clasificación climática Caldas Lang está fundamentada en la clasificación Caldas, la cual utiliza
un factor térmico que puede variar dependiendo del tipo de piso térmico, la altitud y la temperatura.
Mientras que, la clasificación Lang utiliza un factor de humedad derivado del cociente existente
entre la precipitación media anual (P) y la temperatura media anual (T) (tabla 3).
Tabla 3. Clasificación climática Caldas Lang
Clasificación climática Caldas Clasificación climática Lang Caldas
Lang
Piso térmico Símbolo Altitud
(metros)
Temperatura
°C
Factor
P/T
Clase de
clima Símbolo Símbolo
Frío F 2.001 a 3.000 12 ≥ T< 17.5
40.1 a
60.1 Semiárido sa Fsa
60.1 a
100 Semihúmedo sh Fsh
Páramo bajo o Muy
frío Pb 3.001 a 3.700 7 ≥ T < 12
40.1 a
60.1 Semiárido sa Pbsa
60.1 a
100 Semihúmedo sh PBsh
Fuente: Minambiente y IDEAM (2005)
10
2.11 Adquisición y selección de la información
En Colombia la entidad encargada de manejar, recopilar y publicar la información en términos
científicos, hidrológicos y meteorológicos es el instituto de Hidrología, Meteorología y Estudios
Ambientales (IDEAM). De ahí que, sea posible conocer la información necesaria y oportuna en
términos meteorológicos para llevar a cabo un análisis de fenómenos de sequía teniendo en cuenta
que el área de estudio se localiza en el municipio de Motavita y sus zonas aledañas. Por tal motivo,
es posible seleccionar de un total de 520 estaciones pertenecientes al departamento de Boyacá
incluyendo (Agrometeorológicas, Climática Ordinaria, Climática Principal, Limnimétrica,
Limnigráfica, Meteorológica Especial, Pluviográfica, Pluviométrica) aquellas estaciones que
cumplan con los siguientes criterios:
1. Estaciones con registros continuos iguales o mayores a 30 años que no se encuentren
suspendidas o inactivas para ese periodo de tiempo.
2. Estaciones que sean colindantes al municipio de Motavita.
3. Estaciones que contengan variables de precipitación mensual total, diario y máximo total
24 horas (Pluviográficas o Pluviométricas).
4. Estaciones que contengas variables de precipitación y temperatura (Climatológicas
Principales)
5. Las estaciones pueden presentar un máximo de 5 % de datos faltantes originales.
Luego de seleccionar las estaciones a partir de los criterios anteriores se optó por dejar únicamente
las estaciones que cumplan principalmente los criterios 1, 5, 3 o 4. Encontrando finalmente las
siguientes estaciones:
• Estación Pluviométrica Panelas-24010840 del municipio de Motavita
• Estación Pluviométrica Cómbita-24030310 del municipio de Cómbita
• Estación Pluviográfica San Pedro Iguaque-24010830 del municipio de Chíquiza
• Estación Climática Principal UPTC-24035130 del municipio de Tunja
• Estación Climática Principal Villa Carmen-24015220 del municipio de Samacá
• Estación Climática Principal Villa de Leyva AUT-24015300 del municipio de Villa de
Leyva
De las 6 estaciones seleccionadas todas cuentan con información de precipitación, de las cuales
cada estación está compuesta por un total de 372 datos en un periodo de tiempo de 31 años entre
1986 a 2016. No obstante, solo 3 estaciones son climatológicas principales que presentan registros
de temperatura de 360 datos en cada estación en un rango de 30 años entre 1987 y 2016, en la
ilustración (5) se puede evidenciar la localización de cada una de las estaciones.
11
Ilustración 5. Mapa de estaciones hidrometeorológicas del área de estudio
Fuente: Elaboración propia
12
3. MARCO DE REFERENCIA
3.1 Estado del arte
El estado del arte del presente estudio requiere de la recopilación y búsqueda de diferentes
fenómenos de sequía ocurridos a lo largo de la historia del planeta tierra, en donde se haga énfasis
en la metodología empleada, los resultados y conclusiones obtenidos en cada una de estas
investigaciones. Además, permite obtener un panorama general del fenómeno de sequía a nivel
global, así como las principales técnicas y análisis que permitan abordar el fenómeno de sequía en
el municipio de Motavita (Boyacá) con base en estudios con características similares en
edafología, climatología y variabilidad climática.
3.1.1 Fenómeno de sequía en el ámbito internacional
En la actualidad según cálculos de la FAO y PNUMA (1999) alrededor de 6.100 millones de
hectáreas que equivalen aproximadamente a un 40% de la superficie terrestre, están constituidos
por ecosistemas secos, los cuales se encuentran expuestos a fenómenos de desertificación y sequías
como consecuencia de actividades de origen antrópico.
El estado actual de la sequía a nivel mundial, es producto de la existencia de grandes periodos de
sequía con duraciones que abarcaron años e incluso décadas. Estos periodos o épocas de sequía se
caracterizaron por tener altos impactos en la población y en el territorio, generando así
problemáticas como el desabastecimiento de agua o la falta de acceso a la misma. Adicional a esto,
las sequías históricamente han tenido implicaciones en la salud pública en diferentes ámbitos que
van desde enfermedades respiratorias hasta enfermedades relacionadas con la calidad del agua y
la deshidratación. Otras problemáticas que guardan relación con sequías son periodos de
hambrunas o escasez de alimentos debido a la falta de agua disponible para la producción
alimentaria. Por otra parte, fenómenos como el éxodo masivo de personas debido a la falta de
trabajo y medios de producción, marcaron los periodos más representativos de sequía en nuestro
planeta tierra.
A nivel general los periodos de sequía en el planeta tierra se han podido recopilar gracias a
metodologías que utilizan anillos de árboles, en donde cada árbol a medida que va creciendo se ve
en la obligación de usar isotopos de carbono 12 más estables para la realización de la fotosíntesis.
Además, durante su periodo de crecimiento cada árbol va agregando un anillo por año reflejando
dependiendo de la variación del tamaño del anillo, información de la temperatura y precipitación
en el momento de su crecimiento. La información recopilada de temperatura y precipitación en los
anillos de árboles permite el cálculo de uno de los índices de sequía más utilizados como lo es el
Índice de Severidad de Palmer (PDSI) o el Índice Autocalibrado de Palmer (sc-PDSI).
Los periodos históricos de sequía en el continente europeo están fundamentados por Cook et al.
(2015), siendo un conjunto de mapas con información anual de humedad y sequedad en periodos
de verano (meses de Junio, Julio y Agosto), los cuales son reconstruidos con anillos de árboles de
13
los siglos XIX y XX en Europa mediante el (scPDSI), obteniendo finalmente los periodos de sequía
más representativos para los años 1315, 1540, 1616, 1741, 1893 y 1921.
Los periodos de sequía más representativos en Norteamérica, están basados según Cook et al.
(2010) mediante el uso de anillos de los árboles del periodo medieval alrededor de 1.000 años
atrás, utilizando el (PDSI). Esta investigación utilizo de manera individual, 2 áreas geográficas
denominadas Región A (California – Nevada) y Región B (Valle del Rio Mississippi), esto con el
fin de obtener información sobre las propiedades temporales y espaciales de la sequía, así como el
valor de humedad sobre Norteamérica. Sin embargo, para el caso de la segunda área geográfica
esta es de connotación agrícola en el medio oeste de los Estados Unidos.
Los periodos históricos de sequía en Sudamérica a nivel general, a diferencia de otras partes del
mundo no estaban establecidos en un atlas con escala regional que abarcara los países del cono
sur. Aun así, los autores Morales et al. (2020) desarrollaron una investigación mediante un atlas
hidroclimático basado en la humedad del suelo que abarca el periodo 1400 hasta 2000 de la era
actual. Además, está fundamentado en 286 registros de anillos de árboles de verano austral
(diciembre, enero, febrero) junto con información de scPDSI que cubren el período de 1901 a
2015. Los resultados del atlas de sequía sudamericano, muestran periodos de sequías durante los
últimos seis siglos, teniendo además una alta variabilidad climática de periodos húmedos y secos.
De modo que, en términos de recurrencia y tiempo de retorno de fenómenos de sequías se puede
evidenciar un aumento constante desde el año 1930, con una frecuencia aproximada de un evento
por cada 10 años desde la década de 1960. Por su parte, el tiempo de retorno del fenómeno varía
entre 16 y 34 años respectivamente.
Las sequías en el continente africano han estado presentes desde hace aproximadamente 1.000
años, tal como lo establece Masih et al. (2014) creando una revisión y análisis de la literatura e
información disponible sobre la variación geoespacial y temporal de las sequías en África durante
el periodo 1900-2013. Esta investigación tiene adicionalmente otros periodos de sequía anteriores
al siglo XX, los cuales están basados en estudios de sedimentos, cronologías de anillos de árboles
y predicciones futuras del clima global. Por lo tanto, proporciona un amplio panorama de sequías
con sus principales características (Duración, Intensidad, Extensión y Magnitud).
Los resultados de esta investigación arrojaron varios periodos de sequías severas en el norte y sur
de África durante el siglo XX comparados con la región oriental y occidental. Además, los
resultados indican que las regiones áridas y subhúmedas de África son las más secas y propensas
a este fenómeno, el análisis de las sequías durante 1900-2013 indicó que las sequías se han
intensificado en términos de su frecuencia, y cobertura geoespacial durante las últimas décadas.
En definitiva, las sequías que ocurrieron en 1972-1973, 1983-1984 y 1991-1992 fueron las más
intensas y severas.
La información de periodos históricos de sequía en el continente asiático, en gran medida están
recopilados en un atlas de sequía a escala continental desarrollado por Cook et al. (2010), el cual
fue construido a través de una red cronológica de anillos de árboles de más de 300 sitios en las
áreas boscosas del Monzón de Asia, junto con (PDSI) para la temporada de verano (junio – julio -
14
agosto). Este atlas de sequía, proporcionó información útil para la identificación de las huellas
regionales de sequía, así como la gravedad de cuatro sequías históricas que acontecieron en el
pasado: sequía de la dinastía Ming (1638 a 1641), los extraños paralelos de sequía (1756 a 1768),
la sequía de la india en oriente (1790 a 1796) y el tardío de la gran sequía victoriana (1876 a 1878).
En la tabla (4) se recopilan los periodos de sequía más representativos en el planeta Tierra con
base en los atlas de sequía descritos previamente (Cook et al. 2010; 2015), (Morales et al. 2020) y
(Masih et al. 2014).
Tabla 4. Historial de periodos de sequía en el planeta tierra
Periodo de
Sequía en años Localización Descripción general
Clasificación de
sequía
1991 – 1992
África
Periodo corto de sequía en la región sur de África con alternancia de periodos de
humedad en África nororiental.
Sequía leve a
extrema
1983 – 1984 Periodo corto de sequía en la región central de África con baja alternancia y
extensión de periodos húmedos en algunas partes de la región sur.
Sequía leve a
extrema
1972 – 1973 Periodo corto de sequía de alta extensión en la mayor parte de África con baja
alternancia y extensión de periodos húmedos en la región sur
Sequía leve a
extrema
1964 – 1965 Periodo corto de sequía de poca extensión en la región suroriental con alta
alternancia y extensión de periodos de humedad en la mayoría de África
Sequía leve a
moderada
1948 – 1949 Periodo corto de sequía en la región sur con alternancia de periodos de humedad en
la parte noroccidental
Sequía leve a
extrema
1940 – 1941 Periodo corto de sequía con alta extensión en la mayor parte de África con poca
alternancia de periodos húmedos en la región central
Sequía leve a
extrema
1931 – 1932 Periodo corto de sequía en la región central y suroccidental con alta recurrencia de
periodos húmedos en la región noroccidental y suroccidental.
Sequía leve a
extrema
1921 Europa Deficiencia en la precipitación plurianual a nivel general en Europa, con deficiencia
en Inglaterra menor del 50%, mientras que en los otros países era del 40%. Sequía extrema
1910 – 1911 África Periodo corto de sequía con poca extensión en la región suroccidental con alta
alternancia y extensión de periodos húmedos en la mayor parte de África
Sequía leve a
extrema
1893 Europa Déficit de precipitaciones del 30% al 50% con respecto al régimen habitual de
precipitaciones. En escocia e Irlanda los valores oscilaron entre el 50% y el 90%.
Sequía severa a
extrema
1876 – 1878 Asia
Periodo corto de sequía denominado “La gran sequía victoriana” en la mayoría de
Asia con poca alternancia de periodos de humedad en la región noroccidental
provocando la muerte de más de 30 millones de personas
Sequía leve
1863 – 1866
América del sur
Periodo corto de sequía en la región sur de Chile, así como periodos húmedos en la zona sur de Brasil y Bolivia
Sequía leve
1800 – 1804
Periodo corto de sequía en la región sur de Argentina y Chile, así como en la región
fronteriza de argentina, Bolivia y Paraguay con alternancia de periodos húmedos en la región central de argentina y la frontera de Uruguay y Argentina
Sequía leve
1790 – 1796
Asia
Periodo corto de sequía denominado “ sequía india de oriente” en la región sur,
norte y central Sequía leve
1756 – 1768 Periodo prolongado de sequía denominado “Extraños paralelos de sequía “ en la región sur con alternancia de periodos húmedos en la región central y nororiental
Sequía leve
1740 – 1741 Europa Alternancia de periodos secos en Europa noroccidental y central con periodos de
humedad en Europa nororiental y del sur
Sequía severa a
extrema
1723 América del
sur
Periodo muy corto de sequía en la frontera Argentina, Paraguay y Bolivia con altos valores de humedad en la región central de argentina y Uruguay
Sequía leve a moderada
1651 Periodo muy corto de sequía con poca extensión en la región sur de Argentina y
chile con altos valores de humedad en la región central de Argentina
Sequía leve a
moderada
1638 – 1641 Asia Periodo corto de sequía denominado “Sequía de la dinastía Ming” en la región de Asia central y principalmente en China provocando una rebelión campesina
producto de la hambruna y escasez de alimentos.
Sequía leve
1616
Europa
Periodo muy corto de sequía con una disminución en la volumetría de los ríos y olas de calor con altos valores de temperatura en la mayor parte de Europa.
Sequía moderada a severa
1540 Periodo muy corto con desviaciones anuales acumuladas de precipitación (NPD)
aproximadamente de 90 a 95 días en la zona central de Europa
Sequía moderada
a severa
1340 – 1400 América del
Norte
Periodo muy prolongado de sequía en los Estados Unidos, México y Canadá con
alta alternancia de humedad en la región suroccidental de los Estados Unidos
Sequía leve a
moderada
15
Tabla 4. Historial de periodos de sequía en el planeta tierra (continuación)
Periodo de
Sequía en años Localización Descripción general
Clasificación de
sequía
1315 Europa Alternancia de periodos secos en Europa suroriental con periodos de humedad en
Europa noroccidental y central
Sequía moderada
a severa
1122 – 1299
América del Norte
Periodo muy prolongado y con gran extensión de sequía en los Estados Unidos con poca alternancia de humedad y precipitación
Sequía leve a moderada
1100 – 1247 Periodo muy prolongado de sequía en la región suroccidental y suroriental de los
estados unidos y Canadá
Sequía leve a
moderada
1075 – 1121 Periodo muy prolongado de sequía en la región central y suroriental de Estados Unidos con una alternancia de humedad en la zona central y norte.
Sequía leve a moderada
940 – 985 Periodo prolongado de sequía en la región central y suroccidental de los Estados
Unidos y parte de Canadá
Sequía leve a
moderada
832 – 1074 Periodo muy prolongado de sequía en la región suroccidental y suroriental de Estados Unidos con alternancia de periodos de humedad en la zona central.
Sequía leve a moderada
Fuente: Elaboración propia
3.1.2 Fenómenos de sequía en el ámbito Colombiano
El fenómeno de sequía en Colombia es un fenómeno natural abordado en primera instancia desde
la Gestión del Riesgo de Desastres (GRD), siendo encargados a su vez del control y vigilancia del
mismo. Por esta razón, las principales investigaciones del fenómeno de sequía a nivel nacional son
realizadas por la Unidad Nacional para la Gestión del Riesgo de Desastres (UNGRD) y por el
Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM).
En el caso del IDEAM, es la entidad encargada y autorizada de producir información básica sobre
hidrología, hidrogeología, meteorología y geografía básica sobre aspectos biofísicos,
geomorfológicos, suelos y cobertura vegetal para el manejo y aprovechamiento de los recursos
biofísicos de la Nación. A continuación, en las tablas (5) y (6) se realiza una breve recopilación de
las principales investigaciones de fenómenos de sequía en el territorio colombiano, junto con las
metodologías empleadas, los resultados obtenidos y las conclusiones de las mismas.
Metodologías de cálculo utilizadas: África: Índice estandarizado de precipitación y evapotranspiración (SPEI) y Índice de severidad de sequía de Palmer (PDSI)
América del norte: Anillos de árboles (286) y Índice de severidad de sequía de Palmer (PDSI)
América del sur: Anillos de árboles (286) y Índice de severidad de sequía de Palmer (PDSI) Asia: Anillos de árboles (300) y Índice Autocalibrado de severidad de sequía de Palmer (sc-PDSI)
Europa: Anillos de árboles (106) y Índice Autocalibrado de severidad de sequía de Palmer (sc-PDSI)
16
Tabla 5. Historial de fenómenos de sequía en Colombia según UNGRD
Plan Nacional de Contingencia ante el fenómeno del niño (2014 - 2015) (UNGRD, 2014)
Descripción general
Plan elaborado en 4 módulos: El primero es reconocer los fenómenos del pasado y sus principales enseñanzas. El segundo
aborda el pronóstico, escenarios y análisis de los riesgos previstos a nivel territorial y sectorial. El tercero propone las medidas
generales para implementar en los territorios y sectores y el cuarto está focalizado en las medidas organizativas, operativas y
logísticas frente al fenómeno del niño.
Plan Nacional de Contingencia para Temporada Seca (2016 - 2017) (UNGRD, 2016)
Descripción general
Plan comprendido en cuatro módulos: El primero relacionado con el contexto del riesgo asociado a temporada seca y a sus
posibles escenarios de riesgo. El segundo formula un marco operacional del Plan Nacional de Contingencia (PNC). El tercero
establece la organización, coordinación y respuesta frente al fenómeno. Finalmente, el ultimo comprende el seguimiento,
monitoreo e información del plan y su correspondiente cumplimiento.
Evaluación inicial sobre el statu quo de los sistemas de alerta temprana contra la sequía en Colombia (2017) (Pérez et
al., 2017)
Descripción general
Investigación con el propósito de “Fortalecer los sistemas de monitoreo y los modelos para la predicción estacional en
Colombia” perteneciente al sistema de alerta temprana por sequía, está conformado por siete módulos: El primero es un marco
conceptual de los términos inherentes de la sequía. El segundo es un marco jurídico y normativo de los sistemas de alerta
temprana y fenómenos de sequía. El tercero corresponde a los antecedentes de las sequías en Colombia. El cuarto muestra la
situación actual del monitoreo de la sequía en Colombia
El quinto es una caracterización por regiones vulnerables de sequía en Colombia. El sexto es la integración de la vigilancia y de
los servicios de alerta por sequía y finalmente. El séptimo nos habla de las conclusiones frente a este fenómeno resaltando el
fortalecimiento de los sistemas de alerta temprana por sequía en el país.
Estrategias de perspectivas estacionales de sequía para tomar decisiones apropiadas y oportunas en el campo de la
agricultura y los recursos hídricos (2017) (UNGRD, 2017)
Descripción general
Investigación centrada en la sequía y en la disminución de las lluvias asociadas al fenómeno del niño, afectando los diferentes
sectores productivos del país. Por consiguiente, se formulan estrategias que optimicen y fortalezcan la predicción climática
estacional, elaborado en dos grandes módulos.
El primero perteneciente a las perspectivas estacionales de sequía en los diferentes sectores (agricultura, agua, ganadero,
energético, ambiente y salud) y un segundo denominado estrategias propuestas para la toma de decisiones según las predicciones
climáticas que permitan reducir el riesgo ante una sequía.
Estrategia nacional para la gestión integral de la sequía en Colombia (2018) (UNGRD, 2018)
Descripción general
La estrategia integral de la sequía en Colombia, se desarrolla en 13 módulos o componentes: El primero y segundo abordan el
perfil ambiental de Colombia con respecto a la sequía. El tercero realiza una descripción de los antecedentes a nivel internacional
y nacional de los principales episodios de sequía. El cuarto define el alcance de la investigación, mientras que el quinto y sexto
establecen los objetivos y su relación con la normatividad jurídica con respecto a la sequía. El séptimo realiza una observación
detallada de la sequía en Colombia.
El octavo describe los posibles impactos de la sequía en los ecosistemas, biodiversidad y degradación de los suelos. El noveno
y décimo están enfocados a una propuesta sobre la gestión de la sequía y un sistema de información sobre alerta temprana de la
sequía. El décimo primero y décimo segundo se encargan de la comunicación nacional, regional y local de la investigación.
Finalmente, el décimo tercero aborda la sequía desde la gestión del riesgo en ámbitos de mitigación y adaptación de la sequía.
Fuente: Elaboración propia
17
Tabla 6. Historial de fenómenos de sequía en Colombia según IDEAM
Estadísticas de sequías y heladas meteorológicas en Colombia (1996) ) ( Hurtado, 1996)
Descripción general
Investigación enfocada en el análisis de sequía meteorológica a partir de un índice de lluvia con 3 rangos de intensidad durante
el periodo de tiempo 1961-1993. Además, califica a partir del índice de lluvia los periodos de estrés hídrico y de normalidad
con la finalidad de analizar la posible relación entre el fenómeno del niño y los fenómenos de sequía
Aplicación de índices de sequía en Colombia IDEAM (2002) ) (Hurtado y Cadena, 2002)
Descripción general
Artículo científico con énfasis en la aplicación de los principales índices de sequía en Colombia, clasificando dos grandes grupos
de índices según la lluvia y el concepto de balance hídrico. El primer grupo de índices pertenecientes a la lluvia incluye el índice
de los deciles y el índice estandarizado de precipitación (SPI).
Por su parte, los índices de balance hídrico incluyen el índice de Severidad de Sequía de palmer (PDSI), el índice de anomalía
de humedad (Z) y el índice de disponibilidad hídrica (IDH). El área de estudio de esta investigación fue focalizada en la región
caribe y concluyo que los índices de balance hídrico a nivel general reflejan mejor lo que sucede con el abastecimiento del agua,
mientras que los índices de lluvia guardan una estrecha correlación con el índice Z. por lo cual, su aplicabilidad y uso es más
sencillo.
La sequía en Colombia (2006) (Mayorga y Hurtado, 2006)
Descripción general
Investigación centrada en la evaluación de la sequía en las diferentes regiones del país mediante la aplicación del índice
estandarizado de precipitación (SPI). Por ende, en primer lugar, realiza una síntesis breve de los principales conceptos
relacionados con la sequía. En segundo lugar, desarrolla una descripción de las metodologías existentes sobre la evaluación de
la sequía. Finalmente, expone los resultados mediante una descripción de la intensidad de la sequía para cada una de las regiones
del territorio colombiano.
Sequía meteorológica y sequía agrícola en Colombia: incidencia y tendencias (2012) (IDEAM, 2012)
Descripción general
Documento de investigación focalizado en la determinación de la incidencia actual y las tendencias acerca de las sequías tanto
meteorológica como agrícola con respecto a las temporadas de mayor concentración de lluvias para el primer y semestre del
año. Por consiguiente, hace uso del índice estandarizado de precipitación (SPI) para la serie de tiempo 1971-2010 en una red
aproximada de 77 estaciones a nivel nacional, calculando la frecuencia y periodo de retorno de los principales eventos de sequía
meteorológica ocurridos durante ese lapso de tiempo, así como los balances hídricos secuenciales de sequía agrícola.
Actualización de las estadísticas de sequía en Colombia (2017) (Gómez y Cadena, 2017)
Descripción general
Investigación con hincapié en la actualización de las estadísticas de la sequía en Colombia con base en las investigaciones
denominadas “la sequía en Colombia” y “Sequía meteorológica y agrícola en Colombia: incidencias y tendencias” mencionadas
anteriormente. Por consiguiente, utiliza una metodología dividida en 4 secciones.
La primera hace referencia a un marco conceptual resumido acerca de los principales términos y conceptos relacionados con la
sequía, la segunda hace un inventario y caracterización de los eventos de sequía meteorológica, la tercera realiza la
caracterización de eventos de sequía agrícola. Finalmente, en la cuarta se realiza un análisis del comportamiento intraestacional
de las tendencias de periodos secos y lluviosos con respecto a sus valores históricos.
Estudio Nacional del Agua (ENA) periodos (2010) (2014) (2019) (IDEAM)
Descripción general
Los estudios nacionales del agua, tienen como propósito proporcionar información precisa y actualizada sobre la distribución
regional y local de la disponibilidad de agua y sus condiciones de sostenibilidad. Además, otorga elementos importantes para el
ordenamiento del uso del agua con énfasis en las zonas más vulnerables y con mayor peligro de desabastecimiento de agua.
Estas investigaciones parten de elementos conceptuales y metodológicos para la cuantificación del recurso, tales como balance
hídrico, condiciones del medio natural (suelo-cobertura vegetal), índice de escases de agua, modelos dinámicos para mejorar la
interpretación de los procesos que se dan en el ciclo hidrológico y su relación con las actividades socioeconómicas.
Fuente: Elaboración propia
18
3.1.3 Fenómenos de sequía en el municipio de Motavita
El fenómeno de sequía en el municipio de Motavita actualmente no ha sido estudiado ni analizado
a profundidad, esto debido en gran medida a que este fenómeno es de carácter sigiloso e
imperceptible al corto plazo. Por esta razón a diferencia de otros fenómenos naturales con alto
grado de impacto de manera inmediata como por ejemplo sismos, inundaciones, erupciones
volcánicas entre otros. Las sequías se desarrollan en términos de intensidad y magnitud a largo
plazo, generando mayores impactos en la población y en el territorio con respecto a otros
fenómenos naturales.
A pesar de no haber sido estudiado este fenómeno a profundidad, existen estudios relacionados
con el desabastecimiento de agua, disponibilidad de recursos hídricos y la calidad del agua para el
consumo humano. En ese orden de ideas, Fajardo (2019) abordó en detalle estudios de información
climática en condiciones de disponibilidad hídrica en los Valles de Ubaté, Chiquinquirá y Alto
Chicamocha con la implementación de un índice de susceptibilidad a excesos y deficiencias
hídricas afín con el índice de Palmer (PDSI). En la investigación se observó una elevada
deficiencia hídrica del 36 % de la superficie principalmente en Motavita, Cómbita, Oicata, Tuta,
Paipa, Sotaquirá, Tibasosa y hacia el norte, en los municipios Santa Rosa, Cerinza, Tutazá y Belén.
Por otro lado, Pardo (2018) evaluó la sostenibilidad en la cuenca alta del rio Chicamocha, la cual
comprende 22 cabeceras municipales incluyendo el municipio de Motavita, esta investigación está
basada en la metodología “Blue City Index” (BCI) y “Trends and Pressures Index” (TPI)
planteando estrategias de mitigación para aumentar la sostenibilidad de la cuenca y los afluentes
hídricos.
3.2 Marco normativo
La GRD en Colombia está comprendida según el artículo 1 de la ley 1523 de 2012, como “un
proceso social orientado a la formulación, ejecución, seguimiento y evaluación de políticas,
estrategias, planes, programas, regulaciones, instrumentos, medidas y acciones permanentes para
el conocimiento, la reducción del riesgo y para el manejo de desastres, con el propósito explícito
de contribuir a la seguridad, el bienestar, la calidad de vida de las personas y al desarrollo
sostenible”. Esta ley surge como respuesta a los principales desastres de carácter social ocurridos
con anterioridad en el territorio colombiano, los cuales se caracterizaron por haber generado altos
impactos en la población y en el territorio.
El suceso ocurrido en Armero durante el año 1985, creo la necesidad de implementar el Sistema
Nacional de Prevención y Atención de Desastres (SNPAD). Posteriormente, en el año 1998 se
adopta mediante decreto 93 de 1998 el primer Plan Nacional para la Prevención y Atención de
Desastres (PNPAD). Finalmente, a raíz del fenómeno de la niña ocurrido durante el periodo 2010-
2011. La cual provoco la aparición de inundaciones a lo largo del territorio nacional. Por tal razón,
se adopta en el año 2012 la ley 1523 como medida de respuesta principalmente a los efectos del
cambio climático y el Fenómeno del Niño – Oscilación del sur (ENOS).
19
La gestión del riesgo de desastres contiene de acuerdo con la presente ley, de manera intrínseca
una serie de conceptos, términos, procesos, programas, entidades de índole gubernamental y no
gubernamental, entre otros. Los cuales permiten a través del Sistema Nacional de Gestión del
Riesgo de Desastres (SNGRD) desarrollar, mantener y garantizar los procesos de conocimiento
del riesgo, reducción del riesgo y manejo del riesgo (ilustración 6).
Ilustración 6. Procesos de la gestión del riesgo de desastres
Fuente: Terminología sobre Gestión del Riesgo de Desastres y Fenómenos Amenazantes
(UNGRD, 2017)
Estos procesos se articulan entre sí inicialmente desde la fase del conocimiento del riesgo donde
se realiza el análisis y evaluación de los parámetros de amenaza, vulnerabilidad, exposición y
riesgo de aquellos fenómenos naturales que tienen la posibilidad de generar afectaciones en la
población y en el territorio. Además, este proceso involucra la identificación y caracterización de
escenarios de riesgo con base en pronósticos y niveles de riesgo identificados previamente en la
amenaza, vulnerabilidad y riesgo (ilustración 7).
El conocimiento del riesgo por sequía en el presente estudio de acuerdo con la presente ley. Utilizó
una serie de conceptos y términos estrechamente relacionados con los fenómenos naturales de tipo
meteorológicos como por ejemplo las sequías. Sin embargo, estos términos estuvieron
fundamentados desde una perspectiva exclusivamente técnica y científica acerca de este
fenómeno. Por lo cual, proporcionó un diagnóstico inicial acerca de la sequía en el área de estudio
y no pudo proveer la información necesaria para llevar a cabo un proceso de reducción del riesgo
o manejo de desastres.
Los términos anteriores con respecto a los fenómenos meteorológicos como la sequía, estuvieron
fundamentados según UNISDR (2009) mediante la siguiente ecuación:
𝑅𝑖𝑒𝑠𝑔𝑜 = 𝐴𝑚𝑒𝑛𝑎𝑧𝑎 ∗ 𝑉𝑢𝑙𝑛𝑒𝑟𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 ∗ 𝐸𝑥𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 (3.2.1)
20
Ilustración 7. Conocimiento del riesgo por fenómenos meteorológicos
Fuente: Gestión de los riesgos de fenómenos meteorológicos extremos y desastres para mejorar
la adaptación al cambio climático (IPCC, 2012)
3.3 Marco teórico
Los fenómenos naturales y específicamente los hidrometeorológicos como los fenómenos de
sequía, están fundamentados en una serie de teorías, hipótesis y técnicas. Las cuales permiten
comprender desde una óptica científica y académica como es el comportamiento y evolución de
los mismos a través del tiempo. No obstante, debido a la alta interrelación de estos fenómenos con
aspectos económicos, sociales, políticos y ambientales de un territorio y/o población, es necesario
proporcionar los principales términos y conceptos relacionados con las sequías, no solo desde su
concepción como fenómeno natural sino desde su rol fundamental en el desarrollo de una
población, en este caso la población del municipio de Motavita (Boyacá).
3.3.1 Sequía
En la actualidad, no existe una definición única o universal acerca del fenómeno de sequía. Esto
en parte debido a que las sequías pueden variar dependiendo de las condiciones geográficas,
climatológicas y edafológicas de una zona geográfica determinada. Además, este fenómeno en
algunas ocasiones puede llegar a ser imperceptible y silencioso. De tal forma, es posible afirmar
que no tiene un comienzo, una duración y un fin, dificultando la posibilidad de ser caracterizado
por las autoridades encargadas del monitoreo, control y vigilancia del mismo.
Sumado a lo anterior, existen fenómenos naturales y antrópicos que pueden estar estrechamente
relacionados con este fenómeno como el ENOS, la ZCIT, la OMJ, la degradación de los suelos
por procesos de erosión y salinización, olas de calor e incendios forestales (Wilhite et al., 2006).
Por consiguiente, es importante diferenciar los escenarios en donde se desarrolla una sequía y los
posibles impactos que podría originar para una población y un territorio.
21
Definiciones de sequía:
• La OMM (1992) define sequía como “período de tiempo con condiciones meteorológicas
anormalmente secas, suficientemente prolongado como para que la falta de precipitación
cause un grave desequilibrio hidrológico”.
• La CNULDS (1994, p.5) define la sequía como “fenómeno que se produce naturalmente
cuando las lluvias han sido considerablemente inferiores a los niveles normales registrados,
causando un agudo desequilibrio hídrico que perjudica los sistemas de producción de
recursos de tierras”.
• La OMM (2006) define la sequía como un “fenómeno natural insidioso caracterizado por
precipitaciones inferiores a lo esperado o inferiores a lo normal o aguas superficiales
limitadas que, cuando se extiende durante una temporada o período prolongado, son
insuficientes para satisfacer la demanda humana, actividades económicas y el medio
ambiente”.
Además de las definiciones mencionadas anteriormente, el NDMC (2003) establece dos tipos de
definiciones de sequía. La primera es una “definición conceptual” que permite entender el
concepto de sequía y sus características intrínsecas como un déficit de agua o escasez de agua en
un periodo determinado. Por otro lado, la segunda definición llamada “definición operacional”
permite comprender el principio, final y grado de severidad de la sequía. Además, con el uso de
índices o indicadores posibilita analizar la frecuencia y duración de una sequía en diferentes escalas
de tiempo y espacios geográficos.
Los fenómenos de sequía en diversas ocasiones están relacionados con diferentes términos o
procesos del ciclo hidrológico, estos términos se utilizan en algunas ocasiones para hacer
referencia a la aparición de sequías. Algunos de los términos más utilizados son “Anomalía de
precipitación”, “Aridez”, “Desabastecimiento de agua”, “Escasez de agua”, “Estrés Hídrico”,
“Estiaje”, entre otros. Estos términos se usan con respecto a la cantidad de agua disponible en un
lugar determinado. Ahora bien, estos términos a pesar de estar relacionados entre sí, es importante
su diferenciación con respecto a la sequía, esto con el propósito de identificar la principal
problemática con respecto a la cantidad de agua disponible. Un fenómeno de sequía categorizado
como leve podría no generar la escasez de agua en un espacio-tiempo. Asimismo, el
desabastecimiento de agua podría deberse a un aumento sostenido en la población y con ello el
aumento de la demanda de agua para consumo doméstico. Por estas razones, es fundamental
comprender la interacción de los términos mencionados anteriormente con respecto a las sequías.
Actualmente según el protocolo de degradación de suelos y tierras por desertificación Gómez et
al. (2010) en concordancia con (CNULD), existen diferentes fenómenos naturales estrechamente
relacionados con las sequías como lo es la degradación de los suelos, en donde se incluyen
procesos físicos, químicos y biológicos: por procesos físicos tenemos la erosión y la compactación,
por procesos químicos encontramos la salinización, acidificación/ alcalinización y contaminación.
Mientras que, en los procesos biológicos se evidencian la perdida de la materia orgánica, el
desequilibrio de la actividad biológica y los procesos de mineralización del suelo (IDEAM y
22
UDCA, 2015). Por consiguiente, es necesario su diferenciación con respecto a las sequías tal como
se pudo establecer anteriormente con respecto a los principales términos del ciclo hidrológico.
La principal diferencia entre la degradación de los suelos y las sequías, radica en su accionar.
Mientras que, la degradación de los suelos es un proceso de pérdida de la productividad y
diversidad biológica por diversos factores (erosión, desertificación, salinización). Las sequías
pueden ser vistas como una anomalía climatológica en la que la cantidad de agua disponible está
por debajo de los valores históricos medios. Por ello, es posible afirmar que los fenómenos de
sequía pueden acrecentar la degradación de los suelos, así como un desequilibrio en las diferentes
fases del ciclo hidrológico de un territorio.
3.3.2 Caracterización de las sequías
La caracterización de una sequía utiliza una serie de parámetros que proporciona información
acerca del comportamiento y evolución de este fenómeno, en conformidad con (Burton et al.,
1978) se definen siete parámetros que están agrupados de acuerdo a su magnitud, componente
temporal y componente espacial (tabla 7).
Tabla 7. Parámetros en la caracterización de sequías
Tipo de
parámetro
Nombre del
parámetro
Definición
Magnitud
Magnitud
Déficit medio de precipitación o caudal durante el periodo de duración del evento seco.
Puede medirse como la anomalía o la diferencia (en valor absoluto) de precipitación o
caudal para el período seleccionado.
Componente
Temporal
Duración
Tiempo (número total de días, meses o años consecutivos) durante el cual la
precipitación o el caudal totales registrados son inferiores a la precipitación o el caudal
medio de ese mismo período.
Frecuencia
Número de casos que se producen durante un período determinado. Puede medirse
también a través de la probabilidad empírica de que la precipitación o el caudal sean
inferiores a la media, o del período de retorno del evento seco.
Velocidad de
implantación
Tiempo transcurrido entre el momento de inicio del déficit de precipitación o caudal,
y el momento en que ese déficit alcanza su valor máximo.
Espaciamiento
temporal
Tiempo transcurrido entre diversos períodos secos, lo que nos proporciona una medida
de la regularidad o aleatoriedad del fenómeno.
Componente
espacial
Extensión espacial Superficie total en la que se registra déficit hídrico.
Dispersión
espacial
Medida del grado de difusión o concentración de la anomalía de caudal o de
precipitaciones.
Fuente: Burton et al., 1978
3.3.3 Tipos de sequía
Las diferentes definiciones de sequía expuestas anteriormente abordan estos fenómenos desde
diferentes ópticas o puntos de vista, esto se debe en gran parte a los diferentes impactos que las
sequías pueden generar en los diversos ámbitos tanto económicos, ambientales y sociales en un
área geográfica. Por consiguiente, es necesario categorizar las sequías según el ámbito donde se
considere pertinente analizar, tal como lo establece (Wilhite y Glantz, 1985) categorizando este
fenómeno en cuatro grupos (sequía meteorológica, sequía agrícola, sequía hidrológica y sequía
23
socioeconómica). Sumado a lo anterior, según Cadena (2005) existen otras clases de sequía como
la sequía estacional y contingente.
Sequía Meteorológica: La sequía meteorológica es definida usualmente comparando la
precipitación del momento (días, meses e incluso años) de una zona específica con el registro
histórico de la precipitación media para esa zona o región (Mayorga y Hurtado, 2006, p.5).
Sequía Agrícola: La sequía agrícola se presenta cuando el agua con la que se cuenta, ya sea por
precipitación o por almacenamiento en el suelo o en los diferentes cuerpos de agua, no es suficiente
para que los cultivos puedan crecer y desarrollarse de manera adecuada (Mayorga y Hurtado, 2006,
p.6)
Sequía Hidrológica: La sequía hidrológica está asociada con los efectos de los periodos de baja
precipitación sobre el abastecimiento de aguas superficiales o subterráneas. La frecuencia y
severidad de esta sequía es a menudo definida por el nivel de los ríos u otras escalas (Mayorga y
Hurtado, 2006, p.6).
Sequía Socioeconómica: Su ocurrencia depende de la oferta y demanda de agua. Es decir, cuando
la demanda es mayor a la oferta se dice que es un evento de sequía socioeconómica (Mayorga y
Hurtado, 2006, p.7)
Sequía estacional: Sequía con estaciones lluviosas o secas bien definidas y es típica de las
regiones tropicales. Cada año se espera sequía debido al comportamiento climático en los patrones
de circulación atmosférica (Mayorga y Hurtado, 2006, p.7).
Sequía contingente: Sequía provocada por una distribución muy irregular y variable de la lluvia,
sucede durante periodos más o menos prolongados en los cuales las lluvias son considerablemente
menores a lo normal (Mayorga y Hurtado, 2006, p.7)
Adicional a los tipos de sequía, existen indicadores de sequía los cuales son “variables o
parámetros utilizados para describir las condiciones de las sequías” (OMM) y Asociación Mundial
para el Agua (AMA) (2016, p.3) resaltando las variables de precipitación, temperatura, caudales
fluviales, niveles de los cuerpos de agua y la humedad del suelo. Por su parte, los índices son las
representaciones de tipo numérico de las variables mencionadas anteriormente, en donde se mide
la gravedad de las sequías y se categoriza las mismas con el propósito de planificar y diseñar
aplicaciones en Sistemas de Alerta Temprana (SAT) y la Gestión del Riesgo de Desastres (GRD).
3.3.4 Índices de sequía
Los fenómenos de sequía en la actualidad pueden ser evaluados bajo diferentes tipo de índices o
indicadores, los cuales dependiendo del componente o aspecto a evaluar (Meteorología, Humedad
del suelo, Hidrología y Teledetección) permiten conocer el comportamiento y evolución de las
sequías de acuerdo con los parámetros y datos de entrada utilizados para su estimación y
caracterización (tabla 8).
24
Tabla 8. Índices de sequía y parámetros de entrada
Meteorología Parámetros de entrada
Índice de anomalía de la aridez (AAI) P, T, ETP,ET
Índice de sequía de Keetch-Byram (KBDI) P, T
Índice normalizado o estandarizado de precipitación (SPI) P
Índice de aridez (AI) P,T
Índice Z de China (CZI) P
Índice de humedad de los cultivos (CMI) P,T
Índice de zonas de sequía (DAI) P
Índice de reconocimiento de sequías (DRI) P, T
Índice de sequía efectiva (EDI) P
Índice de sequía de la NOAA (NDI) P
Índice de severidad de sequía de Palmer (PDSI) P,T,CAD
Índice Z de Palmer P,T,CAD
Índice de anomalía pluviométrica (RAI) P
Índice autocalibrado de severidad de sequía de Palmer (sc-PDSI) P,T,CAD
Índice normalizado de anomalías (SAI) P
Índice estandarizado de precipitación y evapotranspiración (SPEI) P,T
Índice de sequía de referencia para la agricultura (ARID) P,T,Mod
Índice de sequía específico para cultivos (CSDI) P, T, TPR, V, Rad, CAD, Mod, CD
Índice para reclamaciones por sequía (RDI) P, T, MN, EM, CF
Humedad del suelo Variables de uso
Índice del déficit de evapotranspiración (ETDI) Mod
Índice del déficit de humedad del suelo (SMDI) Mod
Hidrología Variables de uso
Índice de sequía hidrológica de Palmer (PHDI) P,T,CAD
Índice normalizado del suministro de embalses (SRSI) RD
Índice normalizado de los caudales fluviales (SSFI) SF
Índice normalizado del nivel del agua (SWI) GW
Índice de sequía de los caudales fluviales (SDI) SF
Índice del abastecimiento de las aguas superficiales (SWSI) P,EM,CF,MN
Índice agregado de sequía (ADI) P, ET, CF, EM, CAD, MN
Índice normalizado de la fusión de la nieve y la lluvia (SMRI) P,T,CF,Mod
Teledetección Variables de uso
Índice mejorado de la vegetación (EVI) Sat
Índice de estrés por evaporación (ESI) Sat,ETP
Índice diferencial normalizado de vegetación (NDVI) Sat
Índice de las condiciones de temperatura (TCI) Sat
Índice de condiciones de la vegetación (VCI) Sat
Índice de respuesta a la sequía de la vegetación (VegDRI) Sat, P, T, CAD, LC, ER
Índice de salud de la vegetación (VHI) Sat
Índice de satisfacción de la demanda de agua (WRSI) y WRSI geoespacial Sat, Mod, CC
Índice diferencial de agua normalizado (NDWI) e Índice de agua en la superficie
terrestre (LSWI) Sat
Leyenda de las variables
AS = aguas subterráneas CAD = contenido de agua disponible CC = coeficiente de cultivo
CF = caudales fluviales CS = cobertura del suelo DC = datos de cultivos
DHS = déficit hídrico del suelo EM = embalse ER = ecorregión
ET = evapotranspiración ETP = evapotranspiración potencial MN = manto de nieve
Mod = modelado P = precipitación Rad = radiación solar
Sat = satélite TPR = temperatura del punto de rocío T = temperatura
TS = tipo de suelo V = datos sobre el viento Varios = varios indicadores
Fuente: Manual de indicadores e índices de sequía (OMM y AMA, 2016)
25
3.3.5 Índice de Severidad de Sequía de Palmer (PDSI)
El índice de Sequía de Palmer o índice de severidad de sequía de Palmer (PDSI) es un índice de
sequía de tipo meteorológico con un alto componente edafológico y agrícola, fue creado por el
meteorólogo Wayne Palmer en 1965 en su informe titulado “Meteorological Drought” a solicitud
de la oficina meteorológica de los Estados Unidos con el propósito de detectar sequías relacionadas
con la producción de cultivos en las regiones de lowa central y el Oeste de Kansas. Según Mayorga
y Hurtado (2006) este índice está ajustado a regiones tanto homogéneas, montañosas y
heterogéneas con presencia de microclimas. Además, (Ravelo, 1990) establece que el PDSI
responde de manera eficiente a condiciones climáticas que no han sido usualmente húmedas o
secas. Este indicador está basado en el balance de agua en el suelo utilizando el concepto de ingreso
(precipitación) y pérdida de agua (evapotranspiración) en los suelos y el ciclo hidrológico.
Este índice tiene como propósito según (Palmer, 1965) “Desarrollar una metodología general para
evaluar la anomalía meteorológica en términos de un índice que permita realizar comparaciones
temporales y espaciales de la severidad de la sequía.” en donde la diferencia entre la precipitación
real y la precipitación calculada representa una medida de la desviación de la humedad del clima
en un momento determinado con respecto a las condiciones normales de humedad. En la tabla (9),
se describen las principales características del PDSI, parámetros de entrada, aplicaciones, ventajas
y desventajas.
Tabla 9. Características del PDSI
Características
Índice de sequía tipo meteorológico que utiliza datos mensuales de la temperatura y de precipitación, junto
con información sobre la capacidad de retención del agua de los suelos.
Tiene en cuenta la humedad recibida (precipitación), así como la humedad almacenada en el suelo, de
manera que representa la posible pérdida de humedad a causa del influjo de la temperatura.
Parámetros de
entrada
Datos mensuales de temperatura y precipitación. Se puede utilizar información sobre la capacidad de
retención del agua de los suelos, pero también se puede recurrir a valores predeterminados, se precisa un
registro completo en serie de temperatura y precipitación.
Aplicaciones Creado principalmente para detectar las sequías que afectan a la agricultura; también se ha utilizado para
detectar y vigilar sequías asociadas con otros tipos de efectos.
Puntos fuertes Es bastante fiable para detectar sequías gracias a la utilización de datos del suelo y de una metodología
del balance hídrico climático
Puntos débiles
La necesidad de disponer de datos completos en serie puede causar problemas. El PDSI tiene una escala
temporal de nueve meses, aproximadamente, lo que deriva en un desfase al detectar condiciones de sequía
sobre la base del componente de humedad del suelo en los cálculos.
Este desfase puede ser de varios meses, y supone un inconveniente al intentar detectar una situación de
sequía que surge súbitamente. También, hay problemas en relación con las estaciones, dado que el PDSI
no gestiona adecuadamente la precipitación helada ni los suelos congelados.
Fuente: Manual de indicadores e índices de sequía (OMM, 2012)
Los métodos y variables utilizados para el cálculo del PDSI son la Precipitación (P), la
Temperatura media mensual del Aire (Ta), la evapotranspiración potencial (ETP) de Thornthwaite,
el balance hídrico climático y la Capacidad de Retención de Agua Disponible (CRAD) también
26
denominado (en inglés Available Water Capacity of the soil AWC). Ahora bien, existen otras
variables relacionadas con el cálculo del AWC y la evapotranspiración potencial de Thornthwaite.
Es posible encontrar diferentes denominaciones afines para el AWC propuesto por Palmer, algunas
son la Capacidad de Retención de Agua Disponible (CRAD), Capacidad de agua disponible del
suelo (AWC en inglés), Agua Disponible Total (ADT), Capacidad de Almacenamiento de Agua
(CAA). No obstante, en el presente estudio se utilizará el término CRAD como sinónimo de AWC
propuesto por Palmer en 1965 (ilustración 8).
Ilustración 8. Balance de agua en el suelo
Fuente: Allen et al., 2006
3.3.5.1 Capacidad de Retención de Agua Disponible (AWC)
El (AWC) en concordancia con Marlatt (1961) se determina dividiendo el suelo en dos capas
arbitrarias, la primera capa denominada “suelo superficial” que tiene una pulgada (25.4 mm) de
humedad disponible dentro de la capacidad de campo, en ella se realiza el almacenamiento de la
lluvia y el proceso de evapotranspiración de las plantas. Mientras que, la segunda capa denominada
“capa profunda” depende en gran medida de la profundidad efectiva de las plantas y de las
características propias del suelo. Palmer parametriza el AWC, en donde una saturación completa
de agua en la capa superior o superficial, permite la infiltración de agua en la capa profunda y
cuando ambas están saturadas o el AWC ya está almacenado en el suelo, se produce un fenómeno
del ciclo hidrológico denominado escorrentía.
Es importante hacer énfasis en el cálculo especifico del AWC tal como lo establece Allen et al.
(2006) mencionando que, el cálculo del AWC depende de variables intrínsecas de la edafología
propia del lugar o la región de estudio tales como: Punto de Marchitez Permanente (PMP),
27
Capacidad de Campo (CC) y Profundidad Efectiva del Suelo (Zr). Además, existen dos capas en
el suelo, en donde la primera describe la evaporación en la superficie del suelo y la segunda
describe la transpiración de la planta. Palmer considero fundamental el AWC debido a su estrecha
relación con periodos de lluvia o de riego, ya que después de periodos de lluvia el suelo empieza
a drenarse hasta completar la capacidad de campo y en caso dado de continuar podría darse una
sobrestimación del suministro de agua disponible. Por otra parte, en una ausencia o escasez de
precipitación para periodos relativamente largos, es posible una disminución de la zona radicular
del cultivo o de la vegetación producto del consumo de agua de la vegetación en sus diferentes
fases. De ahí que, en dado caso de continuar la extracción de agua por parte de la vegetación, la
cantidad de agua disponible para la vegetación será inexistente o nula alcanzando el punto de
marchitez permanente. La fórmula para calcular el AWC está fundamentada de la siguiente manera
de acuerdo con (Allen et al., 2006).
En donde (CC) representa la variable de Capacidad de Campo, (PMP) el Punto de Marchitamiento
Permanente del suelo y (Zr) la Profundidad Efectiva del Suelo. Sin embargo, debido a los
diferentes tipos de textura del suelo, el PMP y el CC se pueden clasificar tomando como referencia
las diferentes texturas del suelo para múltiples horizontes tales como: horizontes maestros o
principales, horizontes combinados o transicionales y horizontes subordinados. (Anexo 2)
3.3.5.2 Profundidad efectiva del suelo (Zr)
El cálculo de la profundidad efectiva de las raíces o del suelo, está estrechamente relacionada con
el patrón de extracción de agua y el drenaje del suelo. Suelos escasamente drenados o muy poco
drenados posibilitan la rápida retención del agua en la capa superficial imposibilitando a su vez la
infiltración del agua en las capas más profundas del suelo. Por otro lado, suelos excesivamente
drenados imposibilitan la retención del agua necesaria para el crecimiento de la vegetación o de
los cultivos. En consecuencia, de acuerdo con (IGAC, 2016) existen diferentes valores de
profundidad efectiva (tabla 10), las cuales pueden variar dependiendo de la presencia de las
siguientes limitantes:
• Horizontes o capas endurecidas por: capa cálcica, coraza de hierro, carbonatos alcalinos
térreos, yeso, sílice, y sales más solubles que el yeso.
• Horizontes con acumulación de arcilla compactada
• Nivel freático fluctuante
• Cambios abruptos de textura entre dos horizontes.
• Contacto lítico y paralítico.
• Horizontes dénsicos.
( ) ( )( ) 1 000 – ) (3.3.5.1.1AWC mm CC PMP Zr=
28
Tabla 10. Profundidad efectiva del suelo
Clase Profundidad en cm Promedio (centímetros)
Muy superficial < 25 12.5
Superficial (25 - 50) 37.5
Moderadamente Superficial (50 - 75) 62.5
Moderadamente profunda (75 - 100) 87.5
Profunda (100 - 150) 125
Muy profunda > 150 150
Fuente: IGAC, 2016
Los valores expuestos anteriormente son una generalización de los posibles rangos de valores que
puede tomar la profundidad efectiva para diferentes suelos. No obstante, es importante resaltar
que, para un determinado suelo es posible encontrar diferentes perfiles con múltiples horizontes
(A, B, C, R, E). Por lo cual, en el presente trabajo se hace uso de horizontes que se encuentren
dentro del rango de la profundidad efectiva de los diferentes suelos o UCS del área de estudio.
3.3.5.3 Evapotranspiración Potencial (ETP)
El termino evapotranspiración lleva inmerso dos conceptos totalmente enlazados entre sí, el primer
término es una de las fases principales del ciclo hidrológico conocido como “evaporación”
caracterizado por el cambio de líquido a gaseoso del estado del agua, mientras que el segundo
término es un fenómeno biológico conocido como “transpiración” por el cual las plantas pierden
agua en forma de vapor hacia la atmosfera terrestre.
Cuantificar el valor de la evapotranspiración desde el punto de vista de la “evaporación” es posible
mediante instrumentos como los evaporímetros. Sin embargo, para el caso de la transpiración de
las plantas instrumentos como lisímetros representan mayor dificultad para su estimación debido
al uso de variables intrínsecas como la precipitación, infiltración y el (AWC). Por consiguiente, es
necesario cuantificar de manera global ambos procesos haciendo uso del término
evapotranspiración, el cual a su vez puede ser calculado de manera potencial o de manera real. De
ahí que, existen diferentes métodos que permiten calcular la evapotranspiración (método
Thornthwaite, método Jensen – Heise, método Hargreaves, método Blanney – Criddle, método
Turc, método Penman –Monteith, entre otros). (Apéndice A, Ej. 1)
3.3.6 Índice Estandarizado de Precipitación (SPI)
El índice normalizado o estandarizado de precipitación (SPI) es un índice de sequía tipo
hidrometeorológico elaborado por los científicos de la Universidad Estatal de Colorado McKee,
Doesken y Kleist en 1993 con el objetivo de cuantificar la relación existente de los déficits de
precipitación en las aguas subterráneas, el almacenamiento de agua en reservorios, la humedad del
suelo, entre otros (OMM, 2012).
29
El SPI está caracterizado por su sencillez y facilidad de uso, dado que solo requiere para su
estimación la variable precipitación. La cual permite calificar la severidad de una sequía en el
corto, mediano y largo plazo. Además, es muy efectivo para analizar periodos y ciclos tanto
húmedos como secos en un lugar determinado. Por otro lado, es posible calcular el SPI en cualquier
periodo de tiempo como contrapartida a lo establecido por (Guttman, 1999) mencionando que
entre 1 a 24 meses se puede encontrar un rango de mejor aceptación. De la misma manera,
(Guttman, 1998) establece que se debe disponer de un mínimo de entre 20 y 30 años de valores
mensuales de precipitación. Sin embargo, lo óptimo sería contar con entre 50 y 60 años de valores
mensuales de precipitación (OMM, 2012), en la tabla (11) se describen las principales
características del SPI.
Tabla 11. Características del SPI
Características
El SPI se basa en la probabilidad de precipitación para cualquier escala temporal. Teniendo en
cuenta la precipitación observada y la probabilidad de la misma para transformarse en un índice
de sequía
Parámetros de
entrada La precipitación es el único parámetro necesario para el cálculo.
Aplicaciones El SPI es usado en iniciativas de alerta temprana y vigilancia de la sequía.
Puntos fuertes
• El SPI puede calcularse para distintas escalas temporales
• Permite ofrecer una alerta temprana de la sequía y ayudar a evaluar su severidad
• Tiene coherencia espacial, permite realizar comparaciones entre distintas localidades
con climas distintos.
Puntos débiles
• Está basado únicamente en la precipitación
• No contiene ningún componente de equilibrio entre el suelo y el agua, por lo que no
se puede calcular ninguna relación de evapotranspiración / evapotranspiración
potencial (ET/ETP)
Fuente: OMM, 2012
En sus inicios el SPI se creó con la finalidad de cuantificar el déficit de precipitación para varias
escalas de tiempo, estas escalas de tiempo evidencian el impacto de la sequía en la disponibilidad
de recursos hídricos. Al igual que, anomalías en las condiciones de humedad del suelo para escalas
relativamente cortas. No obstante, en el caso de anomalías de precipitación a largo plazo estas se
ven reflejadas en las aguas subterráneas y en los caudales fluviales.
3.3.6.1 Escalas de tiempo del SPI para periodos cortos/largos
En la tabla (12) se presentan las diferentes escalas de tiempo, acompañadas de su descripción
general acerca de las principales características positivas y negativas.
30
Tabla 12. Escalas de tiempo del SPI
Escala de
tiempo Descripción general
SPI de 1
mes
El SPI de un mes es similar a la representación del régimen de precipitación mensual de un lugar determinado,
reflejando las condiciones a corto plazo de la humedad del suelo y el estrés de los cultivos. No obstante, el
cálculo de un SPI mensual puede implicar interpretaciones erróneas especialmente en regiones en donde la
precipitación es normalmente baja durante periodos de tiempo cercanos a un mes. Por lo cual, es posible
encontrar valores continuamente negativos o positivos inclusive cuando la desviación media es relativamente
baja.
SPI de 3
meses
El SPI de 3 meses refleja las condiciones de humedad a corto y medio plazo, proporcionando una estimación
estacional de la precipitación en las principales regiones agrícolas. Adicional a esto, podría ser más eficaz para
poner de relieve la existencia de condiciones de humedad que el índice de Palmer, de respuesta más lenta, u
otros índices hidrológicos actuales.
SPI de 6
meses
El SPI de 6 meses indica tendencias de precipitación entre estaciones a mediano plazo y se considera más
sensible a las condiciones de precipitación que el Índice de Palmer.
Un SPI de 6 meses puede ser muy eficaz para mostrar la precipitación en distintas estaciones y la información
derivada de un SPI de 6 meses también podría reflejar caudales fluviales y niveles de almacenamiento anómalos,
en función de la región y la época del año.
SPI de 9
meses
El SPI de 9 meses da una indicación de pautas de precipitación intraestacionales en escalas temporales medias.
Las sequías normalmente tardan una estación o más en desarrollarse. Los valores de SPI por debajo de -1,5 para
estas escalas temporales generalmente se consideran un buen indicativo de que la sequedad está teniendo un
impacto significativo en la agricultura y puede que también esté afectando a otros sectores.
En algunas regiones se puede observar que la pauta seguida en el mapa por el Índice de Palmer se vincula
estrechamente con los mapas de SPI de 9 y 12 meses. Este período de tiempo se introduce para pasar de la sequía
estacional a corto plazo a las sequías a más largo plazo que pueden por su carácter pueden ser hidrológicas o
plurianuales.
SPI de 12
meses
El SPI en estas escalas temporales refleja patrones de precipitación a largo plazo. Dado que estas escalas
temporales son el resultado acumulado de períodos más cortos que pueden estar por encima o por debajo de lo
normal, el SPI a más largo plazo tiende a situarse en torno a cero, a menos que se esté produciendo una tendencia
húmeda o seca característica.
Los SPI de estas escalas temporales generalmente se vinculan con cauces fluviales, niveles de los reservorios e
incluso niveles de las aguas subterráneas a escalas temporales más largas. En algunas localidades, el SPI de 12
meses es el que más se relaciona con el Índice de Palmer, y ambos índices pueden reflejar condiciones parecidas.
Fuente: OMM, 2012
3.3.7 Planeta Tierra y movimientos planetarios
La Tierra es un planeta terrestre perteneciente al sistema solar compuesto por capas externas e
internas en su estructura y composición. Las capas superficiales o externas están establecidas por
la Atmosfera, Hidrosfera, Criosfera, Litosfera y Biosfera. Mientras que, sus capas internas o
concéntricas están integradas por la Corteza, Manto y Núcleo. Los fenómenos de origen
hidrometeorológico relacionados con el movimiento de los cuerpos de agua y la atmosfera
requieren de la comprensión de los principales movimiento físicos que realiza la Tierra con
respecto al Sol tales como rotación, traslación, precesión y nutación en concordancia con (Leyva,
1998) y (Sanga, 2019).
31
En los procesos de traslación y rotación el eje terrestre o polar forma un ángulo aproximado de
23.27° respecto a la normal de la eclíptica, fenómeno conocido como oblicuidad de la eclíptica
generando la aparición de largos meses de luz y oscuridad en los polos geográficos y por
consiguiente la aparición de las estaciones del año a causa del ángulo de incidencia de la radiación
solar y de la traslación de la tierra alrededor del Sol.
Los términos equinoccios y solsticios describen la posición de la Tierra con respecto al Sol a lo
largo del año. El equinoccio de primavera es el momento del año (21 de marzo) en donde finaliza
el invierno y empieza la primavera. Por otro lado, el equinoccio de otoño es el momento (21 de
septiembre) en donde finaliza el verano y comienza el otoño. Ahora bien, el solsticio de verano o
vernal (21 de junio) es el instante marcado por la finalización de la primavera y el inicio del verano.
Por su parte, el solsticio de invierno (21 de diciembre) indica la finalización de otoño y el comienzo
del invierno.
3.3.8 Atmosfera terrestre
La atmosfera es la capa gaseosa más externa y menos densa del planeta tierra, está compuesta
principalmente por gases constantes tales como el nitrógeno y el oxígeno. Su composición y los
procesos que allí se realizan son de vital importancia para los seres humanos, el medio ambiente y
los ecosistemas (Leyva, 1998). La atmosfera puede ser dividida a través de diferentes capas en
función de la temperatura y la altitud, las cuales se pueden clasificar en (troposfera, estratosfera,
mesosfera, termosfera y exosfera). No obstante, existe otra clasificación en la cual la troposfera y
la estratosfera conforman la homosfera. Mientras que, la mesosfera junto con la termosfera
constituye generan la ionosfera. A continuación, se realiza una breve descripción de la capas
atmosféricas y su relación con los fenómenos hidrometeorológicos tal como lo establecen
(Sarochar, 2013) y (Andrades y Muñez, 2012).
La tropósfera es la capa de la atmosfera en donde se producen importantes movimientos tanto
verticales como horizontales de masas de aire (vientos o corrientes de aire) con abundantes
cantidades de agua. En consecuencia, es en esta capa es donde se producen la mayoría de los
fenómenos meteorológicos como por ejemplo lluvias, vientos, cambios de temperatura, tormentas
tropicales e incluso huracanes. La estratósfera se caracteriza por tener poca variación de
temperatura (isotérmica) en su parte inferior (primeros 20 km). Aun así, a medida que va
aumentando de altitud sobre esta capa se llega a su capa superior denominada estratopausa. La
mesósfera a diferencia de la estratopausa la temperatura disminuye a medida que aumenta de
altitud alcanzando valores máximos de hasta -95°C. Por tal razón, es considerada la capa más fría
de la atmosfera con presiones atmosféricas sumamente bajas. Su capa superior se denomina
mesopausa y es el límite con la termosfera. La termosfera está caracterizada por tener bajas
cantidades de partículas de aire y por el aumento progresivo de la temperatura con respecto a la
altitud. Este aumento de temperatura se debe principalmente a la radiación solar durante los días a
lo largo de cada año. Finalmente, la exosfera está compuesta principalmente por bajas densidades
hidrogeno, helio y otras moléculas de mayor peso. Su principal característica es ser la zona de
tránsito entre la atmosfera terrestre y el espacio interplanetario.
32
3.3.9 Circulación atmosférica y vientos planetarios
La atmosfera vista como un componente vivo del planeta Tierra posee diferencias en sus valores
de temperatura, radiación y presión. Estas diferencias provienen de la interrelación física –
matemática entre el Sol y la Tierra, específicamente en la forma como el sol irradia calor y energía
a través de la luz solar con respecto a la atmosfera, hidrosfera y litosfera. Ahora bien, el planeta
Tierra presenta una serie de cambios tales como los movimientos de rotación, traslación, precesión
y nutación. El equilibrio de estas diferencias se da a partir de vientos, corrientes ya sean oceánicas
como de chorro. Las cuales redistribuyen o equilibran la energía, el momento cinético y el vapor
de agua posibilitando así la aparición de los regímenes climatológicos estacionarios. Además,
imposibilita la acumulación total de la radiación del sol en las zonas intertropicales y la total
ausencia de la misma en sus zonas polares (Andrades y Muñez, 2012).
Este intercambio de energía vista desde el aire y el viento infiere un alto calentamiento en el
ecuador y un bajo calentamiento en los polos. De ahí que, si no existiera este intercambio de masas
de aire en el caso de la zona ecuatorial el aire se elevaría hacia las capas más altas de la atmosfera.
Mientras que, las capas más bajas de la atmosfera serían sustituidas por masas de aire frías
proveniente de los polos terrestres, creando así una circulación convectiva caracterizada por la
escasa producción de vapor de agua y de intercambio de energía (ilustración 9).
Ilustración 9. Vientos planetarios y masas de aire
Fuente: Los Alisios (Fondear, s.f)
El viento visto como el desplazamiento de aire provocado por la diferencia de presión existente de
un lugar a otro, es producto de la presión atmosférica ejercida sobre masas de aire cálidas o frías.
Una masa de aire caliente puede dilatarse y hacerse menos densa disminuyendo así su presión
atmosférica. Mientras tanto, una masa de aire fría puede tardar más tiempo en calentarse y dilatarse
aumentando su presión atmosférica. Estas diferencias según Ruiz et al. (2017) están relacionadas
con el movimiento y la trayectoria de los vientos mediante una serie de fuerzas denominadas:
Fuerzas del Gradiente de Presión (FGP), Fuerza de Coriolis (FCOR) y viento geostrófico. La FGP
33
es la fuerza resultante de la diferencia de presión entre dos puntos de la atmosfera terrestre, las
cuales tienden a moverse desde los centros de alta presión hacia los centros de baja presión con la
finalidad de alcanzar un equilibrio barométrico.
La FCOR es una fuerza perpendicular a la dirección del eje de rotación de la Tierra, la cual puede
generar una desviación en los vientos y las masas de aire, dicha fuerza en el hemisferio norte
produce la desviación de las masas de aire en dirección este (ilustración 10). Mientras que, en el
hemisferio sur la FCOR desvía el movimiento hacia el oeste. Además, la FCOR crea tres ciclos
cerrados de movimientos de aire, el primero en latitudes bajas o cercanas al ecuador, el segundo
en zonas de latitudes altas o polares y el tercero en zonas de latitudes medias o intermedias.
Ilustración 10. Fuerza de Coriolis
Fuente: Fundamentos de Climatología (Andrades y Múñez, 2012)
El viento geostrófico es la mayor aproximación al viento físico y real, derivado de un equilibrio
entre la FCOR y la FGP, en donde la dirección e intensidad del viento están en función de estas
dos fuerzas. Por ende, se puede inferir que al existir un equilibrio entre la FCOR y la FGP la
aceleración neta del viento geostrófico es cero (0) producto de una velocidad mantenida como
constante. Adicional a esto, este viento se localiza principalmente en la troposfera libre y tiene la
característica de soplar paralelo a las isobaras (puntos de igual presión atmosférica al nivel del
mar).
3.3.10 Vientos planetarios
Los vientos globales o planetarios son aquellos vientos que recorren el planeta a lo largo del tiempo
transportando grandes cantidades de energía térmica. A nivel general se resaltan según (Andrades
y Muñez, 2012) tres zonas de vientos persistentes y globales bajo los nombres de vientos polares
34
del este, vientos del oeste, vientos alisios del norte, vientos alisios del sur, vientos del oeste y
vientos polares del este (ilustración 11).
Ilustración 11. Células de circulación atmosférica
Fuente: CEUPE, 2021
Las sequías pertenecientes a la zona ecuatorial o zona de convergencia intertropical, son vientos
localizados entre los 5° norte y 5° sur, caracterizados por no poseer vientos dominantes en
superficie. Por lo cual, existe una alternancia de vientos débiles (clima despejado) con vientos
fuertes (tormentas). Esto debido a ser una de las zonas con mayor cantidad de insolación, en la
cual el aire húmedo se divide dando paso a corrientes de convección, ya sea subiendo el aire
caliente a la parte superior de la atmosfera o bajando el aire frio en las capas superficiales.
3.3.11 Clima y tiempo atmosférico
El clima constituye uno de los principales factores en términos ambientales que tiene la posibilidad
de incidir en diferentes aspectos del territorio y la población como por ejemplo la agricultura,
producción energética, transporte y la movilidad. A pesar de esto, el clima a través de la historia
ha tenido diversas fluctuaciones u oscilaciones en diferentes escalas de tiempo que pueden ir desde
años hasta milenios.
Es importante no confundir el clima con el tiempo atmosférico, ya que a pesar de estar relacionados
entre sí. El tiempo atmosférico de acuerdo con (IDEAM y UNAL, 2018) es el “estado de la
atmósfera en un momento dado” y este se expresa ya sea en fenómenos recurrentes (nublado,
soleado, lluvioso, calor, frío, viento o calma) o por el contrario en situaciones atmosféricas
extremas (helada, tormenta, vendaval, granizada) (ilustración 12). De ahí que, es importante definir
los componentes y variables principales del sistema climático y del tiempo atmosférico.
35
Ilustración 12. Clima y tiempo atmosférico
Fuente: IPCC, 1997
El sistema climático está conformado por los siguientes componentes principales: Atmosfera
(gases que rodean la tierra), Hidrosfera (océanos, mares, ríos, lagos, agua subterránea, etc.),
Criosfera (hielo de mar, glaciares, mantos de hielo) Litosfera (islas, continentes) y Biosfera (seres
humanos, plantas, animales, hongos, microorganismos). Por otro lado, las variables climatológicas
del sistema climático a nivel general son presión atmosférica, temperatura, humedad, velocidad y
dirección del viento, precipitación, brillo solar y nubosidad (IDEAM y UNAL, 2018).
La expresión más utilizada con respecto al clima son las estaciones del año que para el caso
colombiano debido al régimen de precipitación unimodal (temporada de lluvias y temporada de
ausencia de lluvias) regula en mayor medida las condiciones meteorológicas y atmosféricas del
territorio colombiano. Además, es importante tener en cuenta que dentro de la climatología
podemos encontrar el concepto de “patrón climatológico”, el cual representa las condiciones
predominantes del clima durante un periodo generalmente de 30 años o más, mientras que el
término de “diagnostico o pronóstico del clima” está relacionado con las condiciones atmosféricas
previstas para un momento determinado del clima en el futuro
3.3.12 Precipitación y ciclo hidrológico
Uno de los principales ciclos biogeoquímicos existentes en el clima es el ciclo hidrológico o
también denominado ciclo natural del agua. El ciclo hidrológico es un proceso natural de ciclo
continuo del agua a través de sus diferentes estados naturales (solido, líquido y gaseoso)
localizados en la atmosfera, litosfera y biosfera terrestre. Existen diferentes fases dentro del ciclo
hidrológico tal como se puede visualizar en la ilustración (13), la primera fase inicia cuando los
cuerpos de agua cambian de estado ya sea de líquido a gaseoso (evaporación) o de estado sólido a
gaseoso (sublimación) subiendo hacia la atmosfera en forma de vapor de agua de manera temporal,
36
para posteriormente a través de la condensación (proceso por el cual el agua cambia de estado
gaseoso a liquido) forman cristales de hielo o gotas de agua que al unirse crean las nubes que luego
por acción de la gravedad caen a la superficie terrestre en un proceso denominado precipitación.
Ilustración 13. Ciclo natural del agua
Fuente: El Ciclo del Agua USGS (Evans y Perlman, 2014)
El agua que cae en la superficie terrestre puede desarrollar dos diferentes procesos denominados
escorrentía superficial o infiltración, el termino escorrentía hace referencia al agua de lluvia que
corre sobre el terreno o sobre la superficie del suelo en dirección hacia la corriente de agua más
cercana como los ríos o afluentes de agua para posteriormente desembocar en cuerpos de agua de
mayor dimensión como los mares o los océanos. Mientras que, por infiltración el agua que cae
sobre la superficie terrestre se introduce en el suelo almacenándose allí de manera temporal
constituyendo lo que se denomina “agua subterránea o circulación de agua subterránea”.
Finalmente, cuando la cantidad y volumetría de los principales cuerpos de agua y de la vegetación
es lo suficientemente alta, permite iniciar de nuevo el ciclo hidrológico a través de la evaporación
y sublimación. Sin embargo, para el caso de la vegetación este proceso se denomina
evapotranspiración por el cual existen dos fenómenos relacionados entre sí, la evaporación desde
el suelo y de la superficie cubierta por plantas y la traspiración de las plantas por medio de sus
hojas.
El cambio climático proveniente de los gases de efecto invernadero y del calentamiento global,
posibilitan cambios en el ciclo hidrológico y en los regímenes de precipitación debido al aumento
continuo de la temperatura media global. Ahora bien, los cambios en las precipitaciones no serán
uniformes para todas las regiones del planeta tierra y dependerán en gran parte de su localización.
Es probable que en latitudes altas se experimente un aumento en la precipitación media anual,
37
mientras que en latitudes medias o subtropicales la precipitación media anual disminuya con
principal énfasis en lugares en donde ocurren fenómenos extremos como sequías e inundaciones.
(Pachauri et al., 2014).
3.3.13 Cambio climático global
El cambio climático global corresponde a las modificaciones de las condiciones establecidas en el
clima durante periodos de largo plazo (siglos, milenios, etc). Sin embargo, a diferencia de los
términos mencionados anteriormente. La noción de cambio climático ha venido tomando
relevancia tanto para entidades gubernamentales y no gubernamentales. De ahí que, es importante
comprender su significado y las principales casusas del mismo, esto con el propósito de entender
el dinamismo del clima a escala global en periodos de tiempo significativamente largos.
Las causas principales del cambio climático son el resultado de variabilidades internas del sistema
climático y de factores externos que pueden ser de índole natural o antrópico tal como lo estipula
(IDEAM y UNAL, 2018) resumiéndose de la siguiente manera:
Factores externos: Ciclos solares de largo plazo, cambios en la geometría de la órbita del planeta
tierra y cambios en la geometría de la incidencia de rayos solares con respecto a la superficie
terrestre.
Factores internos: Deriva continental, cambios en la composición atmosférica, interacción entre
componentes del sistema terrestre y procesos antrópicos.
Es indispensable diferenciar la variabilidad climática del cambio climático, ya que el cambio
climático puede modificar las condiciones climatológicas de un área o de una región de manera
reversible o irreversible dependiendo de la severidad con la que cambien las variables
climatológicas y el sistema climatológico durante un periodo de tiempo determinado. Mientras
que, la variabilidad climática está referida a las variaciones y/o oscilaciones cíclicas del clima cada
determinado tiempo (mensual, anual, interdecadal). Por tal razón, los fenómenos de variabilidad
climática tienen un periodo de retorno conocido, así como su tiempo de duración.
Una de las entidades gubernamentales especialistas sobre el cambio climático es el IPCC, el cual
resalta los cambios observados en el clima a escala global, en donde Pachauri et al., (2014, p.2)
resalta que “La influencia humana en el sistema climático es clara, y las emisiones antropogénicas
recientes de gases de efecto invernadero son las más altas de la historia “ y “La atmósfera y el
océano se han calentado, los volúmenes de nieve y hielo han disminuido y el nivel del mar se ha
elevado”.
3.3.14 Temperatura media global en superficie y calentamiento global
El efecto invernadero en conjunto con sus gases genera un aumento de la temperatura media global
en superficie también conocido como “calentamiento global”. No obstante, según (Barboza, 2013)
existe una dualidad referida al termino calentamiento global. En primera instancia el calentamiento
38
global puede ser visto como un fenómeno en donde se observa el aumento de la temperatura media
global en la atmosfera terrestre y en los océanos durante un tiempo determinado. En la ilustración
(14) se presenta la temperatura media global en superficie para los días más cálidos y las noches
más frías. Por otra parte, el termino calentamiento global puede ser visto como una teoría
relacionada con la predicción a futuro del valor de la temperatura media global por medio de
simulaciones computacionales.
Ilustración 14. Temperatura media global en superficie
Fuente: Calentamiento global de 1,5 °C (IPCC, 2019)
3.3.15 Variabilidad climática
La comprensión de la sequía vista desde la perspectiva de la variabilidad climática y el cambio
climático proporciona información útil en términos de la génesis, comportamiento y evolución de
la misma con respecto a los principales cambios y dinamismos ocurridos en el planeta tierra a lo
largo del tiempo. De otro modo, el clima como componente atmosférico ha presentado ciclos,
fluctuaciones u oscilaciones en diferentes escalas de tiempo, estas fluctuaciones se ven reflejadas
en las variables climatológicas mencionadas previamente (precipitación, temperatura del aire,
brillo solar, humedad, entre otras).
La medición de estas variables climatológicas se compara con los valores parámetro o estándar de
un periodo de tiempo de por lo menos de 30 años de observación, en donde los valores que fluctúan
o varían por encima o por debajo de los valores promedio constituyen lo que se conoce desde el
campo de la estadística como “variabilidad climática” y “anomalía climática”. El término anomalía
climática es utilizado para describir la desviación del clima en un momento determinado, mientras
que el término de variabilidad climática proporciona a nivel general las fluctuaciones o variaciones
del clima a escalas de tiempo mayor. De acuerdo con (Montealegre, 2009) estas se clasifican ya
sean escalas de tiempo mensuales “Variabilidad climática estacional”, en escalas de tiempo
39
estacionales “Variabilidad climática intraestacional”, en escalas de tiempo en años “Variabilidad
climática interanual”, escalas de tiempo en décadas “Variabilidad climática interdecadal” y escalas
de tiempo en milenios “Cambios climáticos globales”.
Zona de Confluencia Intertropical (ZCIT): La Zona de Confluencia Intertropical (ZCIT) (en
inglés ITCZ) es un fenómeno de variabilidad climática estacional caracterizada por ser una región
del planeta terrestre en donde convergen los vientos alisios del hemisferio norte (dirección NE)
con los vientos alisios del hemisferio sur (dirección SE). Esta región abarca la línea del ecuador y
las zonas tropicales de la tierra como lo es la región del Congo en África, la Amazonia y el Sudeste
Asiático (ilustración 15).
Ilustración 15. Zona de convergencia intertropical
Fuente: Weninger et al., 2014
La principal característica de (ZCIT) es la baja presión que se constituye por ser una franja o
cinturón en donde convergen grandes masas de aire cálido y húmedo, durante esta interacción las
masas de aire cálidas se dilatan y pierden densidad, provocando así la elevación de estas masas de
aire hasta la troposfera en un proceso denominado convección. De acuerdo con Quesada y Waylen
(2012) los recorridos de estos vientos alisios del norte y del sur varían dependiendo de la época
del año: en los meses de enero y febrero (estaciones de verano) estas corrientes de aire van de sur
a norte. Mientras que, durante los meses de julio y agosto lo hacen en sentido norte - sur. Por lo
cual, los efectos de estas corrientes de aire pueden comenzar a sentirse a partir de los 5° norte y 5°
sur respectivamente
Este calentamiento de las masas de aire provoca un aumento de temperaturas y con ello la aparición
de algunas fases del ciclo hidrológico como lo es la evaporación, condensación y precipitación.
Además, permite la creación de diversos fenómenos meteorológicos como las tormentas eléctricas
e incluso los huracanes. Adicional a lo anterior, según (Estupiñán y Carvajal, 2014) la ZCIT es
una zona en donde el ratio de evaporación es inferior a la precipitación. Constituyendo así una de
las zonas más lluviosas del planeta.
40
Oscilación Madden-Julián (OMJ): La Oscilación de Madden-Julián es un fenómeno de
variabilidad climática intraestacional, la cual según Torres (2012) es una perturbación tropical
(zonas de latitudes bajas) que se propaga sobre el este de las zonas tropicales del planeta tierra con
un ciclo que oscila entre los 30 a 60 días. Además, teniendo en cuenta lo dicho por (Hendon y
Salvy, 1994) la OMJ está caracterizada por anomalías en convección y vientos tropicales a escalas
de tiempo intraestacionales desarrolladas sobre el océano indico y con finalización sobre el océano
pacifico en dirección este. La OMJ puede ser vista como un acoplamiento a gran escala entra la
circulación atmosférica y la convección profunda tropical, con una velocidad de propagación
aproximada de 4 a 8 metros por segundo (m/s), ya que al tratarse de una anomalía de precipitación
producto de diferencias entre la tierra, los océanos y la hidrología superficial (Poveda et al, 2002).
Es posible la aparición de grandes regiones con lluvia tropical aumentada junto con una alternancia
de zonas de lluvia suprimida (ilustración 16).
Ilustración 16. Oscilación de Madden-Julián
.
Fuente: Servicio Meteorológico Nacional (SMN) (2020)
La variabilidad climática intraestacional de OMJ hace alusión a las dos fases de oscilación
conocidas de la OMJ denominadas fase este y oeste. En la fase este también denominada negativa
o suprimida se caracteriza por la convergencia de los vientos en la parte superior de la atmosfera,
forzando al aire a hundirse para después divergir en la superficie. Por tal razón, el aire se calienta
y se seca disminuyendo así las precipitaciones. Mientras que, en la fase oeste también conocida
como positiva o convectiva es posible el ascenso de las lluvias y con ello la aparición de huracanes
y tormentas tropicales en el océano pacifico.
El Niño – Oscilación del Sur (ENOS): El fenómeno del Niño-Oscilación del Sur (ENOS o ENSO
en inglés) es un fenómeno de variabilidad climática interanual de escalas globales, caracterizado
por su alta correlación entre la atmosfera y la hidrosfera. El componente de la atmosfera
denominada oscilación del sur está dada por la influencia de la presión atmosférica, la circulación
atmosférica y el cinturón de los vientos alisios. Por otro lado, el componente perteneciente a la
hidrosfera describe las variaciones de la Temperatura Superficial del Mar (TSM) y el
comportamiento de la termoclina oceánica. Este fenómeno como se puede ver en la ilustración
(17) está localizado aproximadamente entre los 80° oeste y 120° este en las zonas tropicales y
parte de las extratropicales de los hemisferios norte y sur. Sin embargo, sus implicaciones en el
41
clima y el tiempo son a escala global, según (Montealegre, 2009) el ENSO se caracteriza por poseer
tres diferentes estados de la TSM en la franja tropical del océano pacifico. El primero denominado
“El Niño” (calentamiento extremo de las aguas superficiales y una anomalía positiva de la TSM),
un segundo con condiciones normales y el tercero llamado “La Niña” (enfriamiento extremo de
las aguas superficiales y una anomalía negativa de la TSM). De ahí que, este fenómeno sea
conocido como Niño-Oscilación del Sur.
Condiciones normales: La fase de normalidad o de no ENOS hace referencia a los años con
condiciones climatológicas propias o estándares de una área geográfica, lo cual infiere la no
aparición de las fases del niño o de la niña.
Fase del niño: La fase del niño se manifiesta con un incremento de la TSM en la zona comprendida
entre Australia - Nueva Guinea y Colombia – Ecuador – Peru, en el caso de Sudamerica esta se
expresa con un aumento de la temperatura promedio del aire así como una disminuacion
significativa de la precipitación.
Ilustración 17. Fase el niño – Oscilación del sur
Fuente: Tercera Comunicación Nacional de Cambio Climático, 2016
Fase de la niña: la fase de la niña se manifiesta con una disminución de la TSM en la zona
comprendida entre Australia - Nueva Guinea y Colombia – Ecuador – Peru, en el caso del pacifico
oriental ocurre una disminución de la temperatura promedio del aire y un aumento considerable
en la precipitación en las zonas tropicales y parte de las extratropicales de los hemisferios norte y
sur (ilustración 18).
Ilustración 18. Fase la niña – Oscilación del sur
Fuente: Tercera Comunicación Nacional de Cambio Climático, 2016
42
4. ASPECTOS METODOLÓGICOS
4.1 Proceso y flujo metodológico
El proceso y flujo metodológico fue establecido con las orientaciones y pautas necesarias para la
implementación a nivel general del presente trabajo. Este flujo está basado en las características
edafológicas, climatológicas y físicas del área de estudio. Al igual que, los índices de sequía y el
conocimiento del riesgo de desastres (ilustración 19). La elaboración del proceso y flujo
metodológico a su vez está divido en 3 procesos, los cuales obedecen a cada uno de los objetivos
específicos propuestos en el capítulo 1. Estos procesos dan como resultado final la construcción
de escenarios de riesgo por sequía en el municipio de Motavita.
El proceso y flujo metodológico inicia a partir de unos insumos provenientes de los indicadores de
sequía y la implementación de inteligencia artificial para el pronóstico de valores futuros, cada
proceso describe a nivel general los pasos que se requieren para la elaboración de la presente
metodología de evaluación y pronóstico de sequía. No obstante, en los próximos ítems cada
proceso es descrito de manera detallada con sus respectivos métodos de cuantificación.
Ilustración 19. Proceso y flujo metodológico
Fuente: Elaboración propia
4.1.1 Tratamiento preliminar
Una vez obtenidas la información preliminar por parte del IDEAM sobre las 6 estaciones
hidrometeorológicas seleccionadas, se procedió a hacer un primer análisis de la información sobre
la variable precipitación a cada una de las mismas. En donde, se logró denotar información vacía
43
o datos faltantes inferiores al 5% de la totalidad de la información en cada estación para algunos
meses del año, con excepción a la estación UPTC que cuenta con la totalidad de la información
(tabla 13).
Tabla 13. Información preliminar estaciones hidrometeorológicas
Municipio Nombre Estación Total Datos Datos
Faltantes
Porcentaje (%)
Motavita Panelas 372 12 3.2
Cómbita Cómbita 372 18 4.8
Chíquiza San Pedro Iguaque 372 7 1.9
Tunja UPTC 372 0 0
Samacá Villa Carmen 372 5 1.3
Villa de Leyva Villa de Leyva AUT 372 5 1.3
Fuente: Elaboración propia
En una primera aproximación, la información recopilada de las estaciones de estudio en términos
climatológicos y meteorológicos presenta un comportamiento similar sobre la variable
precipitación, en donde la estación UPTC presentó una alta correlación con las otras estaciones.
Por tal motivo, fue posible emplear métodos estadísticos con el fin complementar la información
que se encuentra vacía (Alfaro y Pacheco 2000). Unos de estos métodos es la regresión lineal
simple, siendo un método adecuado para la naturaleza de la variable de interés. Además, como lo
menciona Allen et al. (2006) este tipo de método se recomienda utilizar cuando la serie de datos
presenta las mismas características del medio natural.
El uso de este método estadístico arrojó que la estación Villa Carmen presenta el mayor porcentaje
de correlación tomando como referencia la estación UPTC (tabla 14). Por tal razón, se pudo
implementar el método de regresión lineal para completar la información faltante y obtener los
mejores resultados.
Tabla 14. Coeficientes de correlación de la precipitación
Estación parámetro Estación incompleta Porcentaje de correlación (%)
UPTC San Pedro Iguaque 77.64
UPTC Cómbita 74.52
UPTC Panelas 76.21
UPTC Villa Carmen 79.02
UPTC Villa de Leyva AUT 67.48
Fuente: Elaboración propia
Una vez calculados los datos faltantes de la estación Villa Carmen se procedió a realizar las
combinaciones con las demás estaciones con respecto a UPTC o Villa Carmen, encontrando así,
mejores coeficientes de correlación (tabla 15).
44
Tabla 15. Ajuste de los coeficientes de correlación
Estación parámetro Estación incompleta Porcentaje de correlación (%)
UPTC San Pedro Iguaque 77.84
San Pedro Iguaque Villa de Leyva AUT 81.10
Panelas Cómbita 76.67
UPTC Panelas 78.31
UPTC Villa Carmen 79.19
Fuente: Elaboración propia
Un primer análisis de la información evidenció que, los nuevos porcentajes de correlación una vez
aplicado el método están cercanos al 80%. Esto con base en Pizarro et al. (1993) mencionando que
para que un coeficiente de correlación sea aceptable debe ser igual o superior a 80 %. Por lo cual,
se decidió aplicar una prueba estadística denominada T-Students con la finalidad de verificar si la
información de las estaciones está correlacionada entre sí, incluyendo los nuevos datos calculados
en la regresión lineal simple.
El cálculo de la prueba estadística T-Students tiene un total máximo de 100 grados de libertad,
esto es de suma importancia debido que cada estación tiene un total de 372 datos para 31 años. Por
tal razón, se procedió a dividir la información de cada estación en intervalos de 7 años y 8 años
que equivalen a 84 y 96 meses respectivamente, en donde su fundamentación matemática y
estadística está fundamentada en Villón (2006). (Apéndice B)
De esta manera al aplicar la prueba T-Students a diferentes muestras en distintos intervalos de
tiempo, se logró determinar los siguientes criterios de decisión para cada estación como se observa
en la tabla (16).
Tabla 16. Prueba estadística T – Students
Estación 𝐭𝐭 𝐭𝐜 Hipótesis
UPTC-San Pedro Iguaque 1.985 13.74 Se rechaza hipótesis nula
Panelas-Cómbita 1.985 10.82 Se rechaza hipótesis nula
UPTC-Panelas 1.985 10.48 Se rechaza hipótesis nula
UPTC-Villa Carmen 1.985 13.93 Se rechaza hipótesis nula
Villa de Leyva AUT 1.985 12.85 Se rechaza hipótesis nula
Fuente: Elaboración propia
Los resultados de la prueba T-Students lograron determinar que, todas las muestras seleccionadas
están correlacionadas entre sí en un 95% de probabilidad. Por otra parte, ya que las series están
relacionadas entre sí en términos meteorológicos. Se asume que, la información obtenida con la
regresión lineal simple es adecuada y válida para el propósito del presente estudio. Además, se
tuvo en cuenta la utilización de una de las variables del sistema climático complementaria a la
precipitación denominada Temperatura media del Aire (TA), cuyos datos son proporcionados por
el IDEAM. Ahora bien, solo 3 estaciones del presente estudio contaron con equipos o instrumentos
que registren datos de temperatura de las 6 que inicialmente se seleccionaron, en donde se extrajo
45
información vacía o datos faltantes inferiores al 5% del total de la información para cada estación
(tabla 17). Adicional a esto, ya que ninguna estación contaba con el 100 % de la información se
procedió a utilizar el método de la media aritmética para completar la información de aquella
estación más próxima a Motavita, en este caso la estación UPTC.
Tabla 17. Temperatura de las estaciones climatológicas principales
Municipio Nombre Estación Total de Datos Datos Faltantes Porcentaje (%)
Tunja UPTC 360 6 1.6
Samacá Villa Carmen 360 3 0.83
Villa de Leyva Villa de Leyva AUT 360 15 4.16
Fuente: Elaboración propia
Una vez completada la información vacía o faltante de la estación UPTC, se hizo uso nuevamente
del método de regresión lineal simple para estimar los valores de temperatura que carecen las otras
estaciones en algunos meses. Por lo cual, al momento de realizar el correspondiente coeficiente de
correlación, se estableció que la estación de UPTC y Villa de Leyva presentan la mejor correlación.
Sin embargo, las estaciones Villa Carmen y Villa de Leyva AUT presentaron un coeficiente muy
bajo inferior al 60 %. Esto debido a que, la temperatura media del aire registrada en cada lugar
puede variar no constituyendo un patrón o tendencia similar (tabla 18).
Tabla 18. Coeficientes de correlación temperatura
Estación parámetro Estación incompleta Porcentaje de correlación (%)
UPTC Villa Carmen 75.25%
Villa Carmen Villa de Leyva AUT 59.81%
Fuente: Elaboración propia
4.1.2 Fundamentación teórica y clasificación del SPI
El sistema de clasificación del SPI según (McKee et al., 1993) varía según la escala temporal y los
valores del SPI. En consecuencia, valores continuamente negativos con una intensidad de -1.0 o
inferior serán considerados como episodios de sequía. Por otro lado, valores continuos de 1.0 o
superior serán considerados como periodos de humedad.
Según lo establecido por Núñez et al. (2005) la distribución que mejor representa el
comportamiento de un fenómeno de sequía es la distribución Gamma, ya que se ajusta a una serie
de datos climatológicos de precipitación. A pesar de esto, la distribución de probabilidad Gamma
que es tipo continua no está definida en el valor cero (0). De ahí que, cuando la estación registra
datos de precipitación cercanos al valor de cero podría tener inconvenientes en el recorrido de la
función y por lo tanto en el valor del SPI. Por lo cual, posteriormente se puede transformar en una
distribución normal estandarizada según Abramowitz y Stegun (1965). Ya que el uso de una
distribución normal estandarizada con media igual a cero (0) y desviación estándar de uno (1),
46
permite según Thom (1958) la obtención de valores relativos entre (-3) y (+3), los cuales son
utilizados para clasificar la sequía.
A continuación, se describe la fundamentación matemática del SPI, en donde se describe la
distribución gama, la transformación a una distribución normal y la obtención de los valores de Z
tomados en cuenta en el SPI según (Kumar et al., 2009).
( )11
( ) 4.1.2.1( )
x
g x x e
−
−= para 0x
En donde:
0 , es un parámetro de escala
0 , α es un parámetro de forma
0x , x es la cantidad de precipitación (milímetros) para la escala elegida
( ) es la función de distribución gamma
Función de distribución Gamma
( )1
0
( ) 4.1.2.2yy e
− −=
En donde los parámetros α y β se estiman de la siguiente manera:
Siendo A una variable auxiliar
Donde, n = número de precipitaciones observadas
La función de probabilidad acumulada está definida como:
( ) ( )1
0 0
1( ) * 4.1.2.6
* ( )
xx x
G g x dx x e dxx
−
−= =
En donde, la función de probabilidad acumulada finalmente se convierte en:
( )( ) (1 ) ( ) 4.1.2.7H x q q G x= + −
( )1 4
* 1 1 4.1.2.34 3
A
A
= + +
( )4.1.2.4x
a =
( )ln( )
ln( ) 4.1.2.5x
A xn
= −
47
Transformación a la variable aleatoria normal estandarizada
En donde los coeficientes están definidos como:
𝐶0= 2.515517 𝑑1= 1.432788
𝐶1= 0.802853 𝑑2= 0.189269
𝐶2= 0.010328 𝑑3= 0.001308
Los valores de Z clasifican el SPI y la sequía tal como se observa en la tabla (19). Por otra parte,
en la tabla (20) se evidencia la probabilidad de recurrencia en años de la sequía meteorológica.
Tabla 19. Clasificación del SPI
SPI Descripción
≥ 2.0 Extremadamente húmedo
(1.5 , 1.99) Muy húmedo
(1.0 , 1.49) Moderadamente húmedo
(0.99 , -0.99) Normal o aproximadamente normal
(-1.0 , -1.49) Moderadamente seco
(-1.5 , -1.99) Severamente seco
≤ 2.0 Extremadamente seco
Fuente: Índice normalizado de precipitación Guía del usuario (OMM, 2012)
Tabla 20. Probabilidad de recurrencia sequía meteorológica
SPI Categoría Número de veces en 100 años Severidad del episodio
(0.0 , -0.99) Sequía leve 33 1 en 3 años
(-1.0 , -1.49) Sequía moderada 10 1 en 10 años
(-1.5 , -1.99) Sequía severa 5 1 en 20 años
≤ 2.0 Sequía extrema 2.5 1 en 50 años
Fuente: Índice normalizado de precipitación Guía del usuario (OMM, 2012)
( )2
0 1 2
2 3
1 2 3
4.1.2.81
c c t c tZ SPI t
d t d t d t
+ += = − −
+ + + 0 ( ) 0.5H x
( )2
0 1 2
2 3
1 2 3
4.1.2.91
c c t c tZ SPI t
d t d t d t
+ += = + −
+ + +
0.5 ( ) 1H x
0 ( ) 0.5H x
0.5 ( ) 1H x
( )2
1ln 4.1.2.10
( ( ))t
H x
=
( )2
1ln 4.1.2.11
(1 ( ))t
H x
=
−
48
4.1.2.1 Calculo automatizado del SPI
El índice normalizado o estandarizado de precipitación (SPI en inglés) de acuerdo con el área de
estudio y las estaciones hidrometeorológicas seleccionadas, requiere como único parámetro de
inserción la precipitación total mensual de un periodo de tiempo establecido. Además, debido a su
facilidad de uso y alto reconocimiento como uno de los principales índices de sequía, existen
diferentes herramientas de software disponibles para su estimación y análisis.
El software utilizado en el cálculo del SPI es el SPI Generator versión 1.7.5 del Centro de
Mitigación de Sequía Nacional de la Universidad de Nebraska1. El SPI Generator tiene la
capacidad de realizar el cálculo del SPI para diferentes escalas. De igual modo, dado su flexibilidad
y fácil uso, permite modelar el comportamiento y evolución de la precipitación en un lugar
estipulado. En este proyecto se determinó el SPI para una escala de 3 meses, 6 meses y 12 meses.
Dado que, estas escalas representan las condiciones sequía a corto, mediano y largo plazo. En
donde la primera escala brinda un diagnostico estacional de las condiciones de humedad, la
segunda una tendencia de precipitación entre estaciones y la última refleja a largo plazo valores de
cero o en algunos casos tendencias de periodos característicos secos o húmedos. Además, el
complemento de las tres escalas evita errores de interpretación relacionados a la sequía.
4.1.3 Fundamentación teórica y clasificación del PDSI
El cálculo del PDSI requiere como parámetros de inicio las variables definidas en la sección
anterior exceptuando el balance hídrico climático. Por consiguiente, el PDSI inicia calculando el
balance hídrico climático utilizando las series de tiempo de temperatura y precipitación en escalas
de tiempo usualmente de meses o años (Apéndice A, Ej. 3). En el caso de la precipitación esta
alimenta la evapotranspiración, la humedad del suelo y la escorrentía (Heim, 2002). Sin embargo,
existen términos adicionales necesarios para el cálculo del balance hídrico climático teniendo en
cuenta las investigaciones de Palmer (1965) y Cedex (2013). A continuación, se desarrolla la
fundamentación matemática del PDSI:
• Evapotranspiración potencial (𝐸𝑇𝑃𝑖) y real (𝐸𝑇𝑅𝑖)
• Recarga potencial (𝑅𝑃𝑖) y real (𝑅𝑅𝑖)
• Escorrentía potencial (𝐸𝑆𝑃𝑖) y real (𝐸𝑆𝑅𝑖)
• Pérdida total de agua potencial (𝐿𝑃𝑖) y real (𝐿𝑅𝑖)
• Perdida de agua en la superficie potencial (𝐿𝑃𝑠𝑖) y real (𝐿𝑅𝑠𝑖)
• Perdida de agua en el suelo potencial (𝐿𝑃𝑢𝑖) y real (𝐿𝑅𝑢𝑖)
Existen otros términos como el almacenamiento en superficie ( )siS y en el suelo ( )uiS al inicio
de cada mes de cálculo i, las pérdidas reales desde superficie 𝐿𝑅𝑠𝑖 y suelo 𝐿𝑅𝑢𝑖 son:
1 http://drought.unl.edu/MonitoringTools/DownloadableSPIProgram.aspx.
49
( )* 4.1.3.1i i siui ui
ETP P LRLR S
AWC
− − =
𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 siLR = 𝑚𝑖𝑛 ( siS , iETP – iP )
si uiLR S
La recarga potencial (𝑅𝑃𝑖): cantidad de humedad requerida para llevar el suelo a la capacidad de
campo.
La pérdida total de agua potencial (𝐿𝑃𝑖): cantidad de humedad que puede perderse del suelo por
evapotranspiración siempre que la precipitación durante ese periodo sea cero.
( )4.1.3.3i si uiLP LP LP= +
𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 siLP = 𝑚𝑖𝑛( iETP , siS )
( )* 4.1.3.4i siui ui
ETP LPLP S
AWC
− =
si uiLP S
La escorrentía potencial (𝐸𝑆𝑃𝑖,): precipitación potencial menos la recarga potencial
Estos cuatro valores potenciales (𝐸𝑆𝑃𝑖,𝑅𝑃𝑖,𝐿𝑃𝑖,𝐸𝑇𝑃𝑖) se utilizan para estimar los valores reales
mediante balance hídrico partiendo de la capa superficial y capa profunda del suelo, en donde la
capa superficial es la primera en recargarse y solo cuando se excede su capacidad la capa profunda
comienza su almacenamiento. A pesar de esto, existen varios tipos de almacenamiento del agua
en las capas del suelo. Por esta razón, según sea el caso de la precipitación comparada con la
evapotranspiración potencial, algunos valores de (𝐸𝑆𝑃𝑖,𝑅𝑃𝑖,𝐿𝑃𝑖,𝐸𝑇𝑃𝑖) podrían ser cero o no
podrían ser estimados para un intervalo de tiempo mensual:
Tipos de almacenamiento del agua en las capas del suelo:
𝐴) 𝑃𝑖 ≥ 𝐸𝑇𝑃𝑖
Si la precipitación mensual es mayor que la 𝐸𝑇𝑃𝑖 mensual, no hay pérdidas de agua en el suelo y
hay recarga y escorrentía.
( )( ) 4.1.3.2i si uiRP AWC S S= − +
( )4.1.3.5i i si uiESP AWC RP S S= − = +
0
i i
i i
si
ETR ETPP ETP
LR
=
=
50
Si el excedente de lluvia mensual respecto a la 𝐸𝑇𝑃𝑖 mensual es mayor que el déficit de
almacenamiento en superficie, hay suficiente agua para recargar el almacenamiento superficial y
el suelo.
Si el exceso de lluvia respecto a la 𝐸𝑇𝑃𝑖 mensual y recarga en superficie es menor que el déficit
existente en el suelo, el resto de agua que queda una vez sustraída la evapotranspiración potencial
y la recarga del almacenamiento superficial, es absorbido por el suelo. La escorrentía es nula
Si hay excedente, se rellenan los dos niveles y la escorrentía es:
Quedando la recarga total como la suma de las anteriormente calculadas:
Si el exceso de lluvia mensual respecto a la 𝐸𝑇𝑃𝑖 mensual es menor que el déficit de
almacenamiento en superficie, solo se recarga el almacenamiento superior y la escorrentía es nula.
𝐵) 𝑃𝑖 < 𝐸𝑇𝑃𝑖
Si la precipitación mensual es menor que la ETP mensual, parte de lo almacenado se consume en
evapotranspiración real, sin generar recarga y escorrentía.
0
0
i
i i
i
RRP ETP
ESR
=
=
Si el déficit de lluvia mensual respecto a la ETP mensual es menor que el volumen superficial
almacenado, la evapotranspiración consume este almacenamiento y la lluvia, quedando las
pérdidas como:
Si el déficit de lluvia mensual respecto a la ETP mensual es mayor que el volumen superficial
almacenado, se consume parte de lo almacenado en la capa inferior del suelo, después de secar el
almacenamiento superficial.
25.4 25.4i i si si siP ETP S R S= − = −
25.40
ui i i si
i i si ui
i
R P ETP RP ETP R AWC S
ESR
= − − − − − −
=
( )
25,4 25.4
ui ui
i i si ui
i i i si ui
R AWC SP ETP R AWC S
ESR P ETP R R
= − −− − − −
= − − +
25.40
si i i
i i si
i
R P ETPP ETP S
ESR
= −− −
=
0
si i i
i i si
ui
LR ETP PETP P S
LR
= −−
=
*
si si
i i si i i siui ui
LR S
ETP P S ETP P LRLR S
AWC
=
− − − =
( )4.1.3.1i ui si aRR R R= +
51
La pérdida total es suma de las correspondientes al almacenamiento superior y al inferior. Al igual
que, la evapotranspiración real es suma de las pérdidas y la precipitación.
Los valores reales requieren de coeficientes de paso de valores potenciales a reales, Siendo j el
índice indicativo del mes (1 a 12) y k el índice indicativo del año (1 a n, siendo el recorrido de i
entre 1 y 12 n) quedando lo siguiente:
La precipitación climatológicamente apropiada a las condiciones existentes en el mes i es:
La desviación 𝑑𝑖 de la precipitación registrada en el mes i respecto a su media en el mes j es:
El índice 𝑍𝑖 representa la anomalía de la humedad en el suelo durante el mes i. Es producto del
factor 𝑑𝑖 anterior por un factor 𝐾𝑗
Donde:
ñ ñ
ñ ñ
ñ ñ
ñ ñ
j jk a os k a osj j
k a os k a osj j
j jk a os k a osj j
k a os j k a osj
ETR RRETR R
ETP RPETP RP
ESR LRESR LR
ESP LP LPESP
= = = =
= = = =
( )i si ui LR LR LR 4.1.3.1b= +
( )i i iETR P LR 4.1.3.2b= +
( )4.1.3.6i i i i iP ETR R ESR LR= + + −
( )( )* * * * 4.1.3.7i i j i j i j i j id P ETP RP ESP LP = − + + −
( )1* 4. .3.8i i jZ d k=
10
2.81.5log 0.5ˆ
m J
j
k TD
= + +
12
1
17.67*
*j m
m m
m
K K
D K=
=
j j j
J
J j
ETP RR ESRT
LR P
+ += +
k
j
dD
n
=
52
El parámetro 𝑇𝐽 es una medida del ratio de la “demanda de humedad” respecto a “los aportes de
humedad” para un mes y una región, El factor de ponderación 𝑘𝑗 tiende a ser grande en regiones
áridas y pequeño en regiones húmedas. Finalmente, la ecuación propuesta por Palmer para
clasificar la severidad de la sequía es la siguiente:
Donde el 𝑥𝑖 es el valor del PDSI para el mes i y dependiendo de su valor se clasifican para periodos
húmedos (𝑥1), periodos secos (𝑥2) y periodos normales sin sequía ni humedad (𝑥3) (ilustración
20). Mientras que, en la tabla (21) se define la clasificación de los valores de PDSI y su clase de
sequía.
Ilustración 20. Clasificación del PDSI
Fuente: Palmer (1965)
Tabla 21. Clasificación de los valores de PDSI
Valor de PDSI Clase de sequía
≥ 4 Humedad extrema
(3.0 , 3.9) Humedad severa
(2.0 , 2.9) Humedad moderada
(1.0 , 1.9) Humedad ligera
(0.5 , 0.9) Humedad incipiente
(0.49 , -0.49) Normal
(-0.5 , -0.99 ) Sequía incipiente
(-1.0 , -1.99) Sequía leve
(-2.0 , -2.99) Sequía moderada
(-3.0 , -3.99) Sequía severa
≤ -4.0 Sequía extrema
Fuente: Palmer (1965)
A continuación, se describe el procedimiento propuesto por Palmer para el cálculo del PDSI:
( ) ( )0,897 1 4.1.3.93
ii
zx x i= − +
53
1) Realizar o calcular el Balance hídrico climático por meses para una larga serie de años.
2) Resumir los resultados anteriores para obtener determinadas constantes o coeficientes que
dependen del clima del área que se analiza.
3) Analizar nuevamente la serie utilizando los coeficientes derivados para determinar la
cantidad de humedad requerida para el clima "normal" durante cada mes.
4) Convertir las salidas a índices de anomalías de humedad.
5) Analizar la serie de índices para desarrollar:
a) Criterios que permitan determinar el comienzo y fin de los períodos de sequía.
b) Una fórmula para determinar la gravedad de la sequía.
4.1.3.1 Capacidad de campo y punto de marchitez permanente
La determinación de la variables (CC) y (PMP) guardan una estrecha relación con las
características edafológicas propias del suelo a determinar, esta información usualmente es
proporcionada por las entidades gubernamentales encargadas del manejo, control y regulación del
suelo a través de mapas de suelos o libros de taxonomía. En ese orden de ideas, para el caso
Colombiano una de las entidades encargadas de proporcionar la información edafológica a nivel
nacional es el Instituto Geográfico Agustín Codazzi (IGAC), el cual en su subdirección de
agrología contiene información de libre acceso sobre los diferentes tipos de suelo existentes por
departamento a escala 1:100.000, en este caso la información edafológica proveniente del área de
estudio (zona centro del departamento de Boyacá) es posible observarla en la tabla (22).
Tabla 22. Orden, suborden y gran grupo de UCS
Orden Suborden Gran grupo Subgrupo Unidades Cartográficas del suelo
Inceptisoles
Udepts
Dystrudepts
Typic Dystrudepts MHV, MLE, MKE
Humic Dystrudepts MKC, MLV,AHV, AHE
Humic Lithic Dystrudepts MGE
Humic Pachic Dystrudepts MHV
Andic Dystrudepts MLV,AHE
Oxic Dystrudepts MKH, MHE
Ustepts
Dystrustepts
Typic Dystrustepts VMA
Andic Dystrustepts AMV
Lithic Dystrustepts MMC, MMA
Humic Dystrustepts MMX, MME
Haplustepts
Typic Haplustepts MMC
Fluventic Haplustepts VMA, MMH
Aquic Haplustepts MMH
Udertic Haplustepts VMA
Aquepts Endoaquepts Fluvaquentic Endoaquepts AMH
Entisoles
Orthents
Ustorthents Lithic Ustorthents MMA, MME
Udorthents Typic Udorthents MKC
Lithic Udorthents MHE, MLE,MKE
Fluvents Ustifluvents Typic Ustifluvents MMH
Udifluvents Typic Udifluvents MKH
Molisoles
Ustolls
Haplustolls
Lithic Haplustolls MMC
Fluventic Haplustolls AMH
Entic Haplustolls MMC
54
Tabla 22. Orden, suborden y gran grupo de UCS (continuación)
Orden Suborden Gran grupo Subgrupo Unidades Cartográficas del suelo
Alfisoles
Ustalfs
Haplustalfs
Inceptic Haplustalfs MMA
Typic Haplustalfs MMX
Vertic Haplustalfs AMV
Andisoles
Ustands Haplustands Typic Haplustands MMX
Pachic Haplustands AMV
Udands
Hapludands Typic Hapludands AHV, MHV, MGE
Melanudands Pachic Melanudands AHV
Typic Melanudands MKC
Fulvudands Pachic Fulvudands MLV
Placudands Typic Placudands AHE
Fuente: Estudio General de Suelos y Zonificación de Tierras del Departamento de Boyacá
(IGAC, 2005)
En la ilustración (21) se puede evidenciar espacialmente la información de las diferentes UCS para
los municipios de Villa de Leyva, Samacá y Tunja. Cuyas características edafológicas se tienen en
cuenta para el cálculo del AWC y el PDSI.
Ilustración 21. Mapa de UCS
Fuente: Elaboración propia
Este conjunto de datos permite conocer información fundamental acerca de los tipos de suelo y
sus características propias como el orden, suborden, gran grupo, subgrupo del área de estudio.
Adicional a esto, con la información de las Unidades Cartográficas del Suelo (UCS) y el tipo de
suelo (Componente Taxonómico), es posible conocer otras características físicas de los suelos
55
como lo son la estructura del suelo, granulometría, porosidad, capacidad de drenaje,
permeabilidad, entre otros. Estas características edafológicas y geomorfológicas se describen en
la tabla (23) con su respectivo material parental y UCS.
Tabla 23. Geomorfología, material parental y UCS
Paisaje Clima Tipo de Relieve Material Parental Perfil UCS
MONTAÑAS
ESTRUCTURALES EROSIONALES
Muy Frío muy húmedo
Crestas
Homoclinales abruptas
Rocas sedimentarias clásticas arenosas con intercalaciones limoarcillosas
PB-2
B-106 MGE
Muy frío
húmedo
Crestas y
Crestones Homoclinales
PB-13A
503 MHE
Vigas, Lomas y Glacis
Depósitos superficiales de ceniza volcánica sobre rocas sedimentarias clásticas mixtas
174A
P-503A
PB-15A
MHV
Frío muy húmedo
Crestas
Homoclinales
Abruptas
Depósitos superficiales piroclásticos de ceniza volcánica sobre rocas sedimentarias clásticas limoarcillosas
PB - 3 B-104
MKE
Espinazos y
Cuestas
Rocas sedimentarias clásticas mixtas y depósitos
superficiales piroclásticos de ceniza volcánica
PB-71
PB-65 MKC
Vallecitos Depósitos superficiales clásticos hidrogravigénico 183A
R-03 MKH
Frío húmedo
Crestas
Homoclinales
Abruptas
Rocas sedimentarias clásticas arenosas con intercalaciones de limoarcillosas
B-55 B-14
MLE
Frio húmedo
Vigas, Lomas, Coluvios y
Glacis
Rocas sedimentarias clásticas mixtas
PJ-112 R-05
PJ-83
MLV
Frío seco
Crestas Homoclinales
Abruptas
Rocas sedimentarias clásticas arenosas con intercalaciones
de limoarcillosas
B-122
B-140 MME
Vigas y
Crestones Homoclinales
Rocas sedimentarias clásticas mixtas y localmente rocas
ígneas
531
PJ-45 PJ-68
MMA
Lomas y Glacis Rocas sedimentarias clásticas mixtas parcialmente
cubiertas de ceniza volcánica
PB-80
J-21 790A
MMC
Cuestas, Lomas, Glacis
Rocas sedimentarias clásticas arenosas con intercalaciones
de limoarcillosas con capas discontinuas de ceniza
volcánica
B-124
J-17A
B-138
MMX
Vallecitos Depósitos superficiales clásticos hidrogravigénico
PB-87
793
611
MMH
ALTIPLANICIE
ESTRUCTURAL
Muy frío húmedo
Crestas
Homoclinales
Abruptas
Rocas sedimentarias clásticas mixtas, parcialmente cubiertas con depósitos de ceniza volcánica
B-150
B-149
B-98
AHE
Muy frío
húmedo Lomas y Glacis
Depósitos superficiales piroclásticos de ceniza volcánica sobre rocas sedimentarias clásticas mixtas
R-01 PB-28
B-16
AHV
Frío seco PB-35A
R-02 AMV
Frío seco Vallecitos Depósitos superficiales clásticos mixtos 691 AMH
VALLE ALUVIAL
Frío seco
Terrazas
recientes
Depósitos superficiales clásticos hidrogénicos mixtos
PB-41
J-27 J-37A
VMA
Fuente: Estudio General de Suelos y Zonificación de Tierras del Departamento de Boyacá
(IGAC, 2005)
56
4.1.3.2 Cálculo de la Capacidad de Almacenamiento del Agua (AWC)
Los valores de AWC teóricamente son los mismos para las UCS con el mismo nombre o
denominación (tabla 24), esto significa que por ejemplo el AWC de la UCS AHE perteneciente a
las estaciones Samacá y Tunja tiene el mismo valor. Por consiguiente, existen UCS con la misma
denominación pero con mayor o menor área (hectáreas) que otras. Por tal motivo, fue necesario
calcular un AWC ponderado por cada una de las estaciones climatológicas, en donde las UCS de
mayor área tuvieron a su vez un mayor peso comparadas con las de menor peso, esto con la
finalidad de determinar el AWC final por cada estación. (Apéndice A, Ej.2)
Tabla 24. Valores de AWC 2
UCS Componente
Taxonómico Perfil
Profundidad
Efectiva
(Zr)
Símbolo
Horizonte
Espesor
Horizonte
(m)
Textura
del
suelo
(Media
CC)
𝒎𝟑/𝒎−𝟑
(Media
PMP)
𝒎𝟑
/𝒎−𝟑
Agua
disponible
total
(TAW)
(mm/m)
(AWC)
(mm)
AWC
Total
(mm)
AHE
Andic Dystrudepts
(40%) B-150
Profunda
Ap 0.3 FA 0.215 0.095 120 36
183.9 A 0.2 FA 0.215 0.095 120 24
Bw 0.18 FA 0.215 0.095 120 21.6
BC 0.62 FArA 0.36 0.195 165 102.3
Humic Dystrudepts
(40%) B-149
Profunda
Ap 0.35 FArA 0.36 0.195 165 57.75
239.25 A 0.25 FArA 0.36 0.195 165 41.25
Bw 0.25 FArA 0.36 0.195 165 41.25
C 0.6 FArA 0.36 0.195 165 99
AHV
Pachic Melanudands
(30%)
R-01
Muy
profunda
Ap 0.6 Far 0.33 0.19 140 84
202.8 Bw1 0.36 FArA 0.36 0.195 165 59.4
Bw2 0.54 Ar 0.47 0.36 110 59.4
Humic Dystrudepts
(30%) PB-28
Muy
Superficial
Ap 0.18 F 0.265 0.125 140 25.2 67.2
A 0.3 F 0.265 0.125 140 42
Typic Hapludands
(30%) B-16
Muy
profunda
Ap 0.2 FArA 0.36 0.195 165 33
209
A 0.45 FArA 0.36 0.195 165 74.25
AB 0.15 FArA 0.36 0.195 165 24.75
Bw 0.5 Ar 0.47 0.36 110 55
C 0.2 Ar 0.47 0.36 110 22
AMV
Vertic Haplustalfs
(45%) PB-35A
Superficial
Ap 0.2 Far 0.33 0.19 140 28 52.2
Bt1 0.22 Ar 0.47 0.36 110 24.2
Andy Dystrustepts
(35%) R-02
Profunda
Ap 0.23 Far 0.33 0.19 140 32.2
211 A 0.35 Far 0.33 0.19 140 49
Bw1 0.52 FArA 0.36 0.195 165 85.8
Bw2 0.4 Ar 0.47 0.36 110 44
MHE
Lithic Udorthents (45%)
PB-13A Muy
superficial A 0.16 FL 0.285 0.115 170 27.2 27.2
Oxic Dystrudepts (35%)
503 Muy
superficial Ap 0.35 FArA 0.36 0.195 165 57.75 57.75
Typic Hapludands
(50%) 174A
Muy
superficial
Ap 0.16 F 0.265 0.125 140 22.4 49
A 0.19 F 0.265 0.125 140 26.6
Humic Pachic Dystrudepts (20%)
P-503A Muy
superficial
Ap 0.19 Far 0.33 0.19 140 26.6 71.15
A 0.27 FArA 0.36 0.195 165 44.55
Typic Dystrudepts
(20%) PB-15A
Muy
superficial
Ap 0.14 FArA 0.36 0.195 165 23.1 83.3
Bw 0.43 Far 0.33 0.19 140 60.2
Fuente: Elaboración propia
2 Nótese que 𝐴𝑊𝐶 = 1000 (𝐶𝐶 − 𝑃𝑀𝑃) ∗ 𝑍𝑟, en donde Zr esta subdividida por cada respectivo horizonte
57
4.1.3.3 Calculo automatizado del PDSI
El (PDSI) está fundamentado en las estaciones climatológicas principales UPTC – 24035130, Villa
Carmen – 24015220 y Villa de Leyva AUT – 24015300. Estas estaciones categorizadas como
climatológicas tienen la capacidad de realizar mediciones de variables requeridas en el PDSI como
la precipitación y la temperatura media mensual del aire para un periodo de tiempo establecido.
Las estaciones Pluviométrica Panelas-24010840 y Cómbita-24030310. Así como, la estación
Pluviográfica San Pedro Iguaque-24010830 no cuentan con mediciones de la variable temperatura
media mensual. Por tal motivo, no fue posible realizar el cálculo del PDSI para estas estaciones.
El software utilizado para calcular el Índice de Severidad de Palmer (PDSI) fue el Índice de
severidad de sequía de Palmer autocalibrado (sc-PDSI) realizado por la Universidad de Nebraska-
Lincoln (Wells et al., 2000) en lenguaje C++ y Fortran. Puesto que, es de fácil manejo,
manipulación y modificación por parte del usuario.
Este programa implementado en lenguaje C++ y Fortran fue creado y adaptado a las condiciones
climatológicas propias de los Estados Unidos y de países con latitudes medias (estaciones de
invierno, primavera, verano y otoño). De ahí que, fue necesario la modificación y ajuste parcial
del código original con el propósito de implementarlo en zonas de latitudes bajas o tropicales con
regímenes de precipitación unimodal y bimodal (temporada(s) de lluvias o temporada(s) de
ausencia de lluvias).
4.1.4 Redes Neuronales Artificiales (RNA)
Las Redes Neuronales Artificiales (RNA) son una red de neuronas que intentan imitar el
comportamiento de una Red Neuronal Biológica (RNB), ya sea en su estructura o funcionalidad.
El propósito de una RNA es emular las acciones del cerebro humano en la toma de decisiones a
partir de la experiencia. Las RNA presentan una gran variedad de definiciones dentro de la cual se
destaca: “Redes neuronales artificiales son redes interconectadas masivamente en paralelo de
elementos simples y con organización jerárquica, las cuales intentan interactuar con los objetos
del mundo real del mismo modo que lo hace el sistema nervioso”(Kohonen, 1988, p.4). Una de las
ventajas de la RNB es su aprendizaje a partir de estímulos generados en el ambiente, muy
contrariamente a las redes artificiales que requieren un aprendizaje supervisado. Es decir, un
entrenamiento previo para reflejar resultados (Brío y Molina, 2001).
Uno de los principales elementos de la RNB son sus neuronas agrupadas entre sí, que forman
millones de conexiones. De igual modo, como aparece en la ilustración (22) una RNA también se
agrupa para formar conexiones. No obstante, estas se alinean en capas ya sean de entrada, ocultas
o de salida en donde se recibe, procesa y transmite la información. Las redes neuronales artificiales
según López et al., (2008) las describe como procesadoras artificiales que permiten controlar los
datos de entrada al ponderarlos, modificarlos y son pieza fundamental del aprendizaje de la red,
con esto la red neuronal aprende de sus errores y hace los ajustes respectivos con el fin de
mejorarlos.
58
Ilustración 22. Estructura jerárquica de una RNA
Fuente: Elaboración propia
4.1.4.1 Estructura de una RNA (Perceptrón Multicapa)
La RNA Perceptrón Multicapa está compuesta por una capa de entrada, una oculta alineada por
neuronas y una de salida. Así como lo define Izaurieta y Saavedra (2000) el símbolo 𝑌𝑗 hace
referencia a la neurona de estudio, los valores 𝑋𝑖 son los datos de entrada que envían señales a la
neurona. Los valores 𝑊𝑗𝑖 son los pesos sinápticos en las dendritas de la neurona, los cuales se
encargan de multiplicar los datos de entrada y definir el nivel de importancia de cada dato. Además,
la sinapsis tiene un efecto de excitación (positiva) o de inhibición (negativa). Por lo tanto, se
obtiene los datos de salida 𝑍𝑘 que son los datos de respuesta del modelo (ilustración 23).
( )ji (4.1.4. )
11.1
nin
j i
xY w x
i=
=
La variable (𝑖𝑛) hace referencia al valor de entrada, si la neurona llega a superar determinado
punto puede quedar activa o inactiva. Adicional a esto, en su activación se utilizan funciones de
activación sobre 𝑌𝑗(𝑖𝑛). Matich (2001) describe que las neuronas biológicas se encuentran en dos
momentos: activas o inactivas y a eso se le denomina “estado de activación” y es común que las
neuronas artificiales también se encuentren en diferentes estados de activación que varían en
rangos entre (0,-1) para las inactivas y valores de uno (1) para las activas.
59
Ilustración 23. Composición de una RNA
Fuente: Izaurieta y Saavedra, 2000
4.1.4.2 Funciones de activación de una RNA
En una red neuronal artificial las funciones de activación, permiten que las neuronas superen
umbrales de activación o inactivación, dentro de las funciones de activación las más destacadas
para las redes neuronales de Perceptrón Multicapa son las sigmoidales, cuyas ecuaciones están
recopiladas por (Torres, 1994).
Tal que
Las siguientes son funciones sigmoidales:
La función de Heaviside ( )1 0
f x0
si x
enotrocaso
=
La función sigmoide o logística ( ) x
1f x
1 e−=
+
La función “rampa unidad” ( )
1 1
f x 0 1
0 0
six
xsi x
si x
=
( ): 0,1R I I → =
lim ( ) 1 lim ( ) 0t t
t y t → →−
= =
60
La función coseno sigmoidal ( )
π0
2
3πcos x 1
π π2f x
2 2 2
π1
2
si x
si x
si x
− −
+ + = −
4.1.4.3 Reglas de aprendizaje de una RNA
Las redes neuronales son capaces de resolver problemas complejos, mediante su capacidad de
aprendizaje y experiencia al almacenar información en los pesos de las conexiones (Matich, 2001).
Uno de los algoritmos más utilizados se denomina BackPropagation o retropropagación del error.
Este método está basado en el descenso del gradiente en donde el método asume que se conocen
los datos de entrada y datos de salida cuyo fin es ajustar los pesos sinápticos. De tal manera que,
el error entre el dato de respuesta y el verdadero sea mínimo. Es decir, la capa de salida al obtener
un resultado se compara con el valor real, obteniendo así un error o varios según el número de
resultados que se espere. Luego, con la obtención del error este es transmitido hacia atrás a los
pesos sinápticos, con el fin de modificarlos y con esto determinar si el error se disminuye (Munt,
2018).
Según (Torres, 1994) los pesos de las conexiones cambian de la siguiente manera:
Donde ∆𝑤𝑖𝑗 = −𝜕𝐸
𝜕𝑤𝑖𝑗, n es una constante positiva de aprendizaje; E es la función de error dada en
términos de la suma de diferencia entre el valor real representado por 𝑑𝑗 y el dato de salida que
viene dado por 𝑦𝑗 :
4.1.4.4 Creación de una RNA (Perceptrón Multicapa)
En la creación de la RNA para este estudio, solo se tuvo en cuenta los valores del SPI en una escala
de 3 meses, esto teniendo en cuenta que los periodos de ausencia de lluvias y aumento de lluvias
fluctúan cada 3 meses en el municipio de Motavita, proporcionando así la posibilidad de
monitorear y vigilar el comportamiento de la precipitación a tiempos relativamente cortos.
Además, en la ilustración (24) se presentan los pasos que se tuvieron en cuenta para la creación de
una RNA y su pronóstico. Por otro lado, Sánchez y Velásquez (2010) consideran que existe falta
( )nuevo anterior
ij ij ij 4.1.4.3.1w w n w= +
( ) ( )2
j j
j
4.1.4.3.21
E d y2
= −
61
de investigaciones relacionadas con metodologías que combinen series de tiempo y RNA, las
cuales sean replicables en diferentes espacio-tiempo. Las RNA funcionan con datos
independientes y la posición de los datos no influye en los resultados siguientes. En cambio, las
series de tiempo son un conjunto de datos que siguen un patrón y sus valores están caracterizados
por valores específicos en determinados momentos del tiempo que dependen de datos anteriores.
Ilustración 24. Fases de creación y pronóstico de una RNA
Fuente: Elaboración propia
Para la creación de la Red Neuronal Artificial se tomaron en cuenta los siguientes aspectos:
1. La única información que se utilizó fue la de la estación Panelas (Motavita) y solo se tuvo
en cuenta la fecha y la variable de SPI de 3 meses.
2. El procesamiento de la información requirió de la utilización del software Weka versión
3.8.4 de la Universidad de Waikato Hamilton de Nueva Zelanda3.
3. La información de SPI de 3 meses estaba en forma de serie de tiempo y por tal motivo fue
necesario descargar una extensión del software Weka. La extensión se denomina
TimesSeriesForescasting que transforma la serie temporal en un algoritmo que puede ser
manipulado y utilizado con cualquier algoritmo de predicción del software.
4. Los datos que se desearon estimar fueron los del primer semestre del 2016 debido a que,
una estimación más amplia de la información podría generar mayor ruido
5. La Red Neuronal que se creó fue la de Perceptrón Multicapa y su estructura estuvo
conformada de la siguiente manera: la regla de aprendizaje que se utilizó fue
BackPropagation y se tuvo en cuenta la función de activación sigmoide o logística. Esta
información no se modificó porque el software ya está configurado de esa manera. Además,
el tiempo de entrenamiento de la red neuronal y la tasa de aprendizaje de los pesos no se
3 https://www.filehorse.com/es/descargar-weka-64/
62
alteraron, ya que al momento de su variación no presentó un cambio significativo y por tal
motivo se dejó con el valor por defecto del software.
6. La única variación que se realizó en el programa para la creación de la red neuronal
artificial, fue en la primera capa oculta en donde se modificó el número de neuronas hasta
encontrar la mejor combinación.
La creación de la red neuronal estuvo dividida en las siguientes fases:
• Entrenamiento de la red neuronal artificial:
Para el entrenamiento de la red neuronal artificial se tuvieron en cuenta los datos del SPI de 3
meses de 348 datos que estaban registrados en la estación Panelas de 1987 a 2015 y se implementó
TimesSeriesForescasting para recopilar la dependencia del tiempo en nuevos campos. Es decir, los
nuevos campos adicionados tenían en cuenta el gran valor que puede tener una determinada fecha
para una variable y automáticamente se crean nuevos atributos enfocados en tendencias y
estacionalidades.
Este proceso se realizó de manera interna en el software, y su información estuvo lista para ser
utilizada con cualquier modelo de predicción de Weka incluida RNA. En el entrenamiento se tuvo
en cuenta el 100 % de la información puesto que el comportamiento de la serie temporal de SPI
está afectada por diferentes agentes externos, como los fenómenos naturales de variabilidad
climática que a través de los años se han potencializado. La única variación que se realizó en el
entrenamiento fue específicamente en la capa oculta en donde se hicieron pruebas experimentales
con el fin de determinar qué conjunto de neuronas explicaba mejor el comportamiento del SPI de
3 meses y cual se acercaba a los valores reales. Cabe mencionar que al aumentar y disminuir las
neuronas esto permite modificar el peso sináptico de cada valor de entrada y con esto ajustarlo a
tal punto que los errores de salida y valor real sean mínimos.
Es importante tener en cuenta que, automáticamente el software escoge cual es la combinación de
neuronas que mejor se aproximan a los resultados. Sin embargo, se debe experimentar distintas
variaciones hasta validar el mejor modelo. Por ende, se optó por probar combinaciones de neuronas
del 1 al 100 en la primera capa oculta. Con el fin de escoger los valores que más se aproximen a
los valores verdaderos del SPI-3 para el primer semestre del 2016.
• Validación de la Red Neuronal Artificial:
En sus inicios el SPI estaba calculado para escalas de 3, 6 y 12 meses. Por ende, ya se disponía de
información correspondiente al 2016 en todas las estaciones incluida Motavita. Por tal motivo, la
información del SPI-3 de todo el año 2016 se pudo comparar con los datos pronosticados en ese
semestre. Cuyo fin fue obtener la mejor combinación de neuronas que represente la menor
diferencia entre valor real y el calculado. También fue necesario determinar en qué periodo de
tiempo se pudo estimar la mejor aproximación a los valores reales. En este caso se hicieron
estimaciones para 3 y 6 meses, dado que un intervalo de tiempo mayor puede distorsionar la
información.
63
• Verificación de la Red Neuronal Artificial:
Al obtener los mejores modelos neuronales para la detección de SPI-3 para la estación de Motavita.
Fue necesario validar nueva información desconocida para la red neuronal artificial, con el
objetivo de probar nuevos patrones y determinar si los modelos seleccionados eran capaces de
establecer valores de SPI-3 de otra estación, sin previamente utilizar datos conocidos en el
entrenamiento. Es decir, se utilizó información del SPI de 3 meses de 348 datos que se tenían
registrados en la estación UPTC de Tunja y Villa de Leyva AUT cada uno en un periodo de 1987
a 2015. Luego se implementó TimesSeriesForescasting para pronosticar datos futuros de SPI-3 en
el primer semestre del 2016 de cada estación y señalar si las predicciones lograban acercarse a los
valores reales de esas dos estaciones.
4.1.5 Gestión del riesgo por sequía.
La evaluación del riesgo es un proceso social de planeación, implementación, seguimiento a
aquellos fenómenos amenazantes que pueden tener impactos y perdidas a corto, mediano y largo
plazo en un lugar determinado, este proceso involucra la participación de todos los agentes de la
naturaleza tales como clima, hidrografía, suelo, vegetación, animales, entre otros. Los cuales
interactúan constantemente de manera conjunta con la población frente a la presencia de estos
fenómenos hidrometeorológicos amenazantes como las sequías. Por tal razón, es importante
conocer cuáles son los factores o agentes que podrían verse afectados frente a una sequía de
proporciones o características moderadas, severas o extremas.
La variabilidad climática, el cambio climático a escala global y los impactos de las sequías tienen
la capacidad de incidir de manera negativa en el desarrollo de una población y un territorio, un
fenómeno de sequía asociado a un cambio extremo en los patrones climáticos y en la interacción
hombre - medio natural por la demanda y uso del agua representan uno de los mayores desafíos o
retos a largo plazo para el desarrollo de la humanidad y de la naturaleza. En la ilustración (25) se
expone los criterios a considerar para abordar los fenómenos hidrometeorológicos y su respectiva
evaluación de riesgo.
El desarrollo de una metodología de identificación del riesgo por sequía en el presente trabajo
estuvo basado en términos técnico-científicos con un alto componente social y humano, esto
mediante el uso de variables cuantitativas y cualitativas del riesgo que permitieron conocer con
mayor certeza las zonas con mayor y menor grado de afectación ante la posible ocurrencia de una
sequía en cualquiera de sus categorías. El riesgo como factor principal dentro de la gestión del
riesgo de desastres está en función de la amenaza, vulnerabilidad y exposición para un espacio-
tiempo. La Amenaza requiere de la localización del fenómeno, frecuencia y magnitud, así como
de factores detonantes y condicionantes, mientras que la vulnerabilidad puede ser vista desde
dimensiones sociales, ambientales y económicas.
64
Ilustración 25. Metodología de evaluación del riesgo
Fuente: Lozano et al., 2019
En el presente estudio la variable de exposición incluyó los municipios de Motavita y Tunja, dada
su alta correlación en aspectos edafológicos (unidades cartográficas del suelo), geomorfológicos
(paisaje de montañas estructurales erosiónales y altiplanicies estructurales), climatológicos
(precipitación y temperatura), entre otros. Los cuales tienen la capacidad de verse afectados por la
manifestación de una amenaza por fenómeno de sequía.
Otro aspecto fundamental a considerar para la evaluación del riesgo por sequía en los municipios
de Motavita y Tunja es su alta proximidad en sus áreas rurales y urbanas. Por lo cual, fue posible
evaluar la amenaza en esta área geográfica teniendo en cuenta que la extensión territorial de los
fenómenos de sequía puede abarcar mayores espacios de terreno como departamentos e incluso
regiones.
Para la determinación del riesgo por sequía, se implementó una metodología probabilística y
jerárquica de valores múltiples, modificada de (Saaty, 1980). En la cual se requiere la definición
de pesos de acuerdo a su jerarquización y clasificación para cada uno de los parámetros
establecidos. En la ilustración (26) se expone un flujo de toma de decisiones, que permite
estructurar y analizar los fenómenos naturales.
A continuación, se exponen los diferentes parámetros utilizados a considerar para la evaluación de
la amenaza y vulnerabilidad por sequía en los municipios de Motavita y Tunja, en donde los pesos
asignados para cada uno de los parámetros están jerarquizados según (Saaty, 1980) de la siguiente
manera:
65
• Descriptor numero 1 (peso de 0.503): Al comparar un elemento con otro el primero se
considera absolutamente o muchísimo más importante que el segundo
• Descriptor numero 2 (peso de 0.260): Al comparar un elemento con otro el primero se
considera absolutamente o muchísimo más importante o preferido que el segundo
• Descriptor numero 3 (peso de 0.134): Al comparar un elemento con otro el primero se
considera más importante o preferido que el segundo.
• Descriptor numero 4 (peso de 0.068): Al comparar un elemento con otro, el primero es
ligeramente más importante o preferido que el segundo.
• Descriptor numero 5 (peso de 0.035): Al comparar un elemento con otro, hay indiferencia
entre ellos.
Ilustración 26. Flujo de toma de decisiones con multicriterio
Fuente: CENEPRED, 2014
La amenaza tal como aparece en la tabla (25) se obtuvo a partir de dos factores (susceptibilidad y
variabilidad climática), siendo la primera definida con el análisis de registro histórico de eventos
y factores condicionantes. Mientras que, la segunda se define a partir de sus factores detonantes
como por ejemplo la variabilidad climática interanual del fenómeno del niño - oscilación del sur
(ENOS). De una manera similar a la amenaza, para el caso de la vulnerabilidad se consideraron
las dimensiones económicas, sociales y ambientales; las cuales contemplan para cada una de sus
componentes la sensibilidad y capacidad adaptativa (tabla 26).
A medida que el cálculo de la amenaza y vulnerabilidad sea mayor comparado con los de menor
peso, en este caso los parámetros de mayor peso están relacionados con descriptores de mayor
magnitud e intensidad, así como una menor frecuencia en su aparición a través del tiempo con
respecto a las sequías. Ahora bien, estos descriptores y parámetros fueron tomados con base en las
características del área geográfica mencionadas anteriormente. Por consiguiente, es posible la
implementación de otros parámetros y descriptores de acuerdo con la problemática o fenómeno a
analizar.
Finalmente, en la presente metodología de evaluación del riesgo por fenómenos de sequía, los
factores condicionantes y detonantes estuvieron relacionados con los respectivos cálculos del SPI
y PDSI, así como las diferentes características edafológicas y climatológicas de la región. Seguido
de lo anterior, se muestran cada uno de los parámetros utilizados para la evaluación de la amenaza
y vulnerabilidad en la región de estudio (Motavita y Tunja).
66
Tabla 25. Parámetros y descriptores de amenaza
Amenaza
Análisis de susceptibilidad
Peso
Análisis de registro histórico de eventos
Peso Parámetro Peso Símbolo Clasificación/Descriptor Valor
70%
50%
Anomalía de precipitación
0.633
Anomalía de precipitación mayor a 300% con respecto al
promedio mensual multianual 0.503
Anomalía de precipitación de 100% a 300% con respecto
al promedio mensual multianual 0.26
Anomalía de precipitación de 50% a 100% con respecto
al promedio mensual multianual 0.134
Anomalía de precipitación de 10% a 50% con respecto al
promedio mensual multianual 0.068
Anomalía de precipitación menor al 10% con respecto al
promedio mensual multianual 0.035
Índice de severidad de sequía de palmer
(ISSP) 0.26
ISSP (-3.00 A -3.99). Sequía severa 0.503
ISSP (-2.00 A -2.99). Sequía moderada 0.26
ISSP (-1.00 A -1.99). Sequía ligera 0.134
ISSP (-0.5 A -0.99). Sequía incipiente 0.068
ISSP (0.49 A -0.49). Condición normal o cercano a lo
normal 0.035
Índice estandarizado de precipitación
0.106
(-2.00 o menor). Extremadamente seco (sequía extrema) 0.503
(-1.50 a -1.99). Muy seco (sequía severa) 0.26
(-1.00 a -1.49). Moderadamente seco(sequía moderada) 0.134
(-0.5 a -0.99).Ligeramente seco 0.068
(0.49 a -0.49). Normal 0.035
Factores condicionantes
50%
Profundidad efectiva 0.166666667
Muy superficial 0.503
Superficial 0.26
Moderadamente Superficial 0.134
Moderadamente Profunda 0.068
Profunda 0.035
Clasificación climática Lang
0.166666667
Desértico 0.503
Árido 0.26
Semiárido 0.134
Semihúmedo 0.068
Húmedo 0.035
Índice de aridez 0.166666667
Altamente deficitario de agua 0.503
Deficitario de agua 0.26
Moderado a deficitario de agua 0.134
Moderado 0.068
Moderado a excedentes de agua 0.035
Degradación de los suelos
0.166666667
Muy severa 0.503
Severa 0.26
Moderada 0.134
Ligera 0.068
Muy ligera 0.035
Retención de agua 0.166666667
Muy baja 0.503
Baja 0.26
Moderada 0.134
Alta 0.068
Muy Alta 0.035
Erosión del suelo 0.166666667
Erosión hídrica muy severa o Misceláneo erosionado 0.503
Erosión hídrica severa 0.26
Erosión hídrica moderada 0.134
Erosión hídrica ligera 0.068
Sin erosión hídrica 0.035
Variabilidad climática
30% Factores detonantes
50% Variabilidad
climática interanual (ENOS) precipitación
0.5
Déficit Severo 0.503
Déficit 0.26
Normal 0.134
Excedente 0.068
Excedente Severo 0.035
50% Variabilidad
climática interanual (ENOS) temperatura
0.5
Calentamiento Severo 0.503
Calentamiento 0.26
Normal 0.134
Enfriamiento 0.068
Enfriamiento Severo 0.035
Nota: 1) Las Anomalías de precipitación pueden ser utilizadas para escalas de tiempo mensual, anual, decadal en unidades de milímetros, metros cúbicos, entre otros. 2) En la clasificación climática es posible utilizar Köppen, Thornthwaite, Caldas, Lang, Martonne, Walter, entre otros. 3) La degradación de los suelos puede incluir procesos de desertificación, salinización, acidificación, erosión, entre otros. 4) La variabilidad climática como factor detonante puede incluir otros fenómenos naturales como la Zona de Convergencia Intertropical (ZCIT), la Oscilación de Madden-Julián
(OMJ), la Oscilación Cuasi-bienal (QBO), El Dipolo del Océano Índico (IOD), entre otros.
Fuente: Elaboración propia
67
Tabla 26. Parámetros y descriptores de vulnerabilidad
Vulnerabilidad
Vulnerabilidad
social
Peso
Sensibilidad
Peso Parámetro Peso Símbolo Clasificación/Descriptor Valor
50%
70%
Ocupación del
territorio urbano con
respecto al Umbral
Nacional de Densidad
Poblacional (UNDP)
0.4
Valores muy por encima del UNDP 0.503
Valores por encima del UNDP 0.26
Valores cercanos del UNDP 0.134
Valores por debajo del UNDP 0.068
Valores muy por debajo del UNDP 0.035
Ocupación del
territorio rural con
respecto al Umbral
Nacional de Densidad
Poblacional (UNDP)
0.3
Valores muy por encima del UNDP 0.503
Valores por encima del UNDP 0.26
Valores cercanos del UNDP 0.134
Valores por debajo del UNDP 0.068
Valores muy por debajo del UNDP 0.035
Demanda de agua uso
domestico 0.2
50 a 100 M3 por año 0.503
20 a 50 M3 por año 0.26
10 a 20 M3 por año 0.134
5 a 10 M3 por año 0.068
2 a 5 M3 por año 0.035
Desabastecimiento de
agua poblacional 0.1
Muy Alta 0.503
Alta 0.26
Media Alta 0.134
Moderada 0.068
Baja 0.035
Capacidad
Adaptativa 30%
Manejo Eficiente del
Agua (MEA) 0.4
No existen programas de MEA 0.503
Estudios de Implementación programas de MEA 0.26
Implementación Inicial de programas de MEA 0.134
Implementación y Utilización parcial de programas de MEA 0.068
Implementación y Utilización de programas de MEA 0.035
Preservación y
Conservación de los
Cuerpos de Agua
(PCCA)
0.3
No existen programas de PCCA 0.503
Estudios de Implementación de programas de PCCA 0.26
Implementación Inicial de programas de PCCA 0.134
Implementación y Utilización parcial de programas de PCCA 0.068
Implementación y Utilización de programas de PCCA 0.035
Exploración de Agua
Subterránea (EAS) 0.2
No existen programas de EAS 0.503
Estudios de Implementación de programas de EAS 0.26
Implementación Inicial de programas de EAS 0.134
Implementación y Utilización parcial de programas de EAS 0.068
Implementación y Utilización de programas de EAS 0.035
Racionamiento del
Agua (RA) 0.1
No existen programas de RA 0.503
Estudios de Implementación de programas de RA 0.26
Implementación Inicial de programas de RA 0.134
Implementación y Utilización parcial de programas de RA 0.068
Implementación y Utilización de programas de RA 0.035
Vulnerabilidad
económica 30%
Sensibilidad 70%
Demanda de agua
cultivos pos - cosecha 0.633
400 a 800 mM3 0.503
200 a 400 mM3 0.26
100 a 200 mM3 0.134
50 a 100 mM3 0.068
10 a 50 mM3 0.035
Demanda de agua
cultivos transitorios 0.26
50 a 75 Mm3 0.503
25 a 50 Mm3 0.26
10 a 25 Mm3 0.134
5 a 10 Mm3 0.068
2 a 5 Mm3 0.035
Demanda de agua
cultivos permanentes 0.106
50 a 100 Mm3 0.503
25 a 50 Mm3 0.26
15 a 25 Mm3 0.134
5 a 15 Mm3 0.068
2 a 5 Mm3 0.035
Capacidad
Adaptativa 30%
Sistemas de Riego por
Goteo - Micro y
Aspersión (SRG-MA)
1
No existe un (SRG-MA) 0.503
Estudios de Implementación de un (SRG-MA) 0.26
Implementación Inicial de un (SRG-MA) 0.134
Implementación y Utilización parcial de un (SRG-MA) 0.068
Implementación y Utilización de un (SRG-MA) 0.035
Vulnerabilidad
ambiental 20%
Sensibilidad 70%
Anomalía de caudal de
los ríos respecto al
valor medio
1
-95% a -75% 0.503
-74% a -65% 0.26
-64% a -55% 0.134
-54% a -45% 0.068
-44% a -30% 0.035
Capacidad
Adaptativa 30%
Protección y Control
de Cauces en los Ríos
(PCCR)
1
No existe un Sistema de (PCCR) 0.503
Estudios de Implementación de un Sistema (PCCR) 0.26
Implementación Inicial de un Sistema de (PCCR) 0.134
Implementación y Utilización parcial de un Sistema de
(PCCR) 0.068
Implementación y Utilización de un Sistema de (PCCR) 0.035 Nota:
1) La ocupación del territorio tanto urbano como rural pueden ser comparados con indicadores de ocupación del territorio nacional en unidades de metro cuadrado o kilómetro cuadrado por habitante.
2) Las demandas de agua para uso doméstico y agrícola (cultivos) pueden ser estimados en unidades de miles de Metros cúbicos (mM3), Millones de metros cúbicos (Mm3), Metros cúbicos (M3).
3) Las anomalías de caudal pueden estar expresadas en porcentaje o en valores reales de disminución del nivel del agua con respecto a sus niveles medios históricos.
Fuente: Elaboración propia
68
5. RESULTADOS
5.1 Índice Estandarizado de Precipitación (SPI)
Los resultados de las 6 estaciones hidrometeorológicas utilizadas en la zona de estudio a nivel
global mostraron patrones de comportamiento afines en la variable precipitación según la escala
de tiempo a analizar. No obstante, existieron periodos de anomalías de precipitación positivas y
negativas a lo largo de los 31 años de estudio.
Una posible razón de la ocurrencia de las anomalías de precipitación en la zona de estudio puede
guardar relación con fenómenos naturales característicos de la zona tropical de Suramérica y de
Colombia como lo es el ENOS, La ZCIT, La OMJ e incluso con la Oscilación Cuasi Bienal (en
inglés QBO). A continuación, se evidencian el modelamiento y los resultados de las diferentes
escalas de tiempo del SPI para las diferentes estaciones hidrometeorológicas y se realiza una
comparación con las diferentes escalas de variabilidad climática propias de zonas tropicales y
ecuatoriales.
5.1.1 SPI trimestral y la variabilidad climática estacional
El análisis de los diferentes valores del SPI-3 para cada una de las estaciones hidrometeorológicas
a nivel global, permitió hacer inferencias sobre el comportamiento de la precipitación bajo esta
escala de tiempo, en la cual se logró observar una alta variabilidad y fluctuación de periodos secos,
normales y húmedos para periodos de tiempo relativamente cortos, tal como se evidenció en la
(ilustración 27).
Ilustración 27. Valores de SPI estación Chíquiza4
Fuente: Elaboración propia
4 Los años más representativos en la estación San Pedro Iguaque (Chíquiza) identificados con sequías moderadas,
severas y extremas para las diferentes escalas de SPI son 1997, 1998, 2001, 2002, 2003, 2004 y 2015.
69
Esta escala de tiempo al ser comparada con las escalas semestrales y anuales. Posibilitó inferir
que, un cambio repentino en la precipitación arrojará con mayor rapidez periodos secos si se
compara ese mismo cambio con sus otras dos escalas (ilustración 28). Visto lo anterior de otra
manera, un SPI-3 podría estar más relacionado a procesos de escasez de agua o desbalances
iniciales en el ciclo hidrológico. Por consiguiente, se dedujo que esta escala de tiempo no es la más
adecuada para el análisis de periodos de sequía, ya que es probable que este fenómeno tenga mayor
duración e intensidad con respecto a los arrojados por esta escala de tiempo.
Otra posible razón del comportamiento de la precipitación bajo esta escala de tiempo, podría estar
relacionada con cambios de índole natural en el agua y en el clima como por ejemplo la
variabilidad climática intraestacional. Esto debido a que el área de estudio está localizada en el
territorio Colombiano, perteneciente a su vez a la denominada ZCIT, esta zona es de vital
importancia debido a su altísima correlación con el comportamiento del clima y del ciclo
hidrológico en el territorio nacional para escalas de tiempo cortas.
Ilustración 28. Valores de SPI estación Cómbita5
Fuente: Elaboración propia
La ZCIT es una franja situada sobre la línea del ecuador y la zona tropical de Suramérica, la cual
permite y regula el inicio de la temporada de lluvias altas conocidas como invierno y temporada
de ausencia de lluvias conocida como verano. Por lo cual, un cambio en el comportamiento en la
ZCIT y en los vientos alisios pertenecientes a la célula de Hadley (circulación cerrada del viento
que oscila entre los 0° y 30° en latitudes sur y norte) tiene la posibilidad de modificar el régimen
de precipitación unimodal característico del país y con ello la aparición de fenómenos
meteorológicos extremos como las tormentas eléctricas, huracanes, inundaciones y sequías a largo
plazo.
5 Los años más representativos en la estación Cómbita identificados con sequías moderadas, severas y extremas
para las diferentes escalas de SPI (trimestral, semestral y anual) son 1997, 2009, 2010, 2013, 2014, 2015 y 2016.
70
5.1.2 SPI semestral y la variabilidad climática intraestacional
El SPI semestral indicó un comportamiento semejante en la mayoría de las estaciones con la
excepción de algunos valores del SPI en la estación de Villa de Leyva. A pesar de esto, se espera
que en esta escala de tiempo los valores del SPI tengan una menor variabilidad con respecto al SPI
trimestral y los periodos de humedad o sequía ocurran en el mismo periodo de tiempo con mayor
duración y menor intensidad, una de las estaciones que mejor representó el comportamiento de
SPI – 6 fue la estación de Motavita (ilustración 29).
Ilustración 29. Valores de SPI estación Motavita6
Fuente: Elaboración propia
Esta escala de tiempo resultó ser muy útil para describir los cambios en el régimen de precipitación
bimodal del área de estudio, ya que permitió evidenciar dos grandes periodos de ausencia de lluvias
para los meses de enero, febrero y parte de marzo correspondientes al primer semestre del año,
siendo posible denotarlo también en el segundo semestre durante los meses de julio, agosto y parte
de septiembre. Un SPI semestral con base en los resultados de las estaciones hidrometeorológicas
permitió inferir que, esta escala de tiempo responderá con menor rapidez a un cambio sustancial
en la precipitación durante un tiempo prolongado. En otras palabras, en el caso de presentarse una
anomalía de precipitación con superávit (periodos húmedos) o déficit (periodos secos). El SPI
semestral podría marcar periodos de sequía incluso cuando estos valores se presenten en
temporadas de lluvias altas.
Realizando una analogía similar a la que se realizó entre el SPI trimestral y la variabilidad climática
estacional, el SPI semestral podríamos relacionarlo con la variabilidad climática intraestacional tal
como ocurre con el fenómeno de oscilación de Madden-Julián. La OMJ como fenómeno de
variabilidad climática tiene la capacidad de influir en los patrones de precipitación de zonas
tropicales y extratropicales. Al igual que la circulación atmosférica de esta célula zonal (vientos
opuestos en la baja y alta troposfera) la temperatura de superficie de este cinturón puede verse
afectada. Por ende, tal como lo establece (Torres, 2012) es posible que la disminución de la
6 Los años más significativos para la estación Panelas (Motavita) reconocidos como sequías moderadas, severas y
extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1992, 1997, 1998, 2001, 2013, 2014,
2015 y 2016.
71
precipitación se vea representada a través de anomalías negativas en las diferentes regiones del
territorio nacional incluyendo la región Andina y el departamento de Boyacá estén influenciadas
por este fenómeno. No obstante, en caso de prolongarse de manera continua estas anomalías o
valores extremos en la precipitación. Es muy probable el inicio de periodos de déficit severos en
la precipitación y con ello las primeras apariciones de fenómenos de sequía.
5.1.3 SPI anual y la variabilidad climática interanual
El SPI anual a diferencia de las otras escalas de tiempo, indicó una mayor cantidad de periodos
normales o cercanos a cero. Sin embargo, existieron periodos húmedos y secos en la mayoría de
estaciones para el mismo periodo de tiempo. Por ende, en esta escala de tiempo es probable que la
frecuencia de periodos húmedos o secos sea relativamente baja. Mientras tanto, su duración en
caso de presentarse podría ser con valores de SPI moderados a severos tal como se pudo observar
en la estación de Samacá (ilustración 30).
Ilustración 30. Valores de SPI estación Samacá7
Fuente: Elaboración propia
Esta escala de tiempo con base en los resultados de las estaciones hidrometeorológicas, responde
muy lentamente a la presencia de valores extremos o de anomalías en la precipitación. Esto tiene
una virtud en el momento de evaluar la posible aparición de fenómenos de sequía. Mientras que,
en las escalas trimestrales y semestrales las anomalías de precipitación podrían relacionarse a
cambios o fluctuaciones de índole natural proveniente del régimen de precipitación bimodal de la
zona de estudio, los valores de SPI-12 categorizados como secos o húmedos están relacionados a
fenómenos de índole externo ajenos a las características climatológicas propias de un espacio-
tiempo. Viéndolo de otra manera, los valores de SPI-12 no indican altos periodos de sequía o de
humedad a menos que exista un cambio radical en la precipitación manifestada a través de
anomalías o valores extremos por debajo de los valores históricos.
7 Los años de mayor interés para la estación Villa Carmen (Samacá) reconocidos como sequías moderadas, severas
y extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1992, 1997, 1998, 2001, 2003,
2010, 2015 y 2016
72
Estas anomalías o valores extremos se lograron observar en los últimos 3 años (2014, 2015 y 2016)
de cada una de las estaciones hidrometeorológicas utilizadas como por ejemplo la estación de Villa
de Leyva (ilustración 31), en donde se evidenció de manera continua durante alrededor de varios
meses la aparición de anomalías negativas en la precipitación. Por tal motivo y teniendo en cuenta
que no se presentaron temporadas de lluvias altas como se esperaba según su régimen bimodal.
Podemos establecer finalmente con alto nivel de confiabilidad la aparición de fenómenos de sequía
provenientes de alteraciones significativas en la precipitación y en el ciclo hidrológico del lugar
de estudio. A pesar de esto, la aparición de fenómenos de sequía puede estar ligadas a un fenómeno
que tiene la posibilidad de modificar a largo plazo las condiciones climatológicas de Colombia
como lo es el ENOS.
Ilustración 31. Valores de SPI estación Villa de Leyva8
Fuente: Elaboración propia
El ENOS es un fenómeno a escala global caracterizado por el estado de la atmosfera y el océano
en sus tres fases: normalidad, el Niño y la Niña. Estas variaciones u oscilaciones corresponden a
la variación interanual del campo de presión atmosférica cercana a la superficie terrestre en la
región del pacifico centro-oriental. Dicho de otra manera, estas oscilaciones pueden verse
reflejadas mediante anomalías de temperatura superficial y subsuperficial del océano. Así como
en la modificación del régimen de lluvias en este caso bimodal del área de estudio para un tiempo
prolongado.
Finalmente, con base en los resultados arrojados por SPI en las diferentes escalas y teniendo en
cuenta que el SPI 12 en este caso es la escala más adecuada para evaluar las sequías. En el análisis
del siguiente índice llamado (PDSI) se evaluó con mayor profundidad la sequía con respecto al
ENOS junto con las anomalías de temperatura del aire y precipitación arrojadas por este índice.
8 Los años de mayor importancia para la estación Villa de Leyva reconocidos como sequías moderadas, severas y
extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1987, 1989, 1992, 1997, 2012, 2013
y 2015
73
5.1.4 Selección de periodos SPI categorizados con sequías.
Antes de realizar la selección de los años más representativos o relevantes como periodos de
sequía, es importante recalar que debido a la fundamentación teórica del SPI para cualquiera de
las escalas utilizadas (SPI 3, SPI 6, SPI 12) su respectivo cálculo requirió de valores históricos
anteriores al valor que se desea calcular. En ese orden de ideas, el año 1986 no fue posible incluir
en los análisis del SPI debido a que no se contaba con información previa del año 1985. Sin
embargo, para los cálculos del SPI del año 1987 se contaban con valores de 1986 para cualquier
escala de tiempo. Por consiguiente, los resultados del SPI iniciaron desde el año 1987 tal como se
evidencian en los resultados individuales de las estaciones hidrometeorológicas utilizadas
anteriormente como por ejemplo la estación de Tunja (ilustración 32).
Ilustración 32. Valores de SPI estación Tunja9
Fuente: Elaboración propia
En la tabla (27) se muestran los resultados del SPI para escalas trimestrales, semestrales y anuales,
en donde los criterios de decisión tenidos en cuenta para otorgarle a un año la categoría de húmedo
o seco son los siguientes:
1) Al menos 3 estaciones hidrometeorológicas según la escala de tiempo, arrojen valores de
SPI secos para periodos de tiempo consecutivo y equiparable.
2) Las escalas de SPI (trimestral, semestral y anual) deben evidenciar la misma clasificación
de SPI en al menos 2 escalas de tiempo diferentes de manera continua para cada una de las
estaciones.
3) En caso dado de no cumplirse lo anterior, se le otorgará al año la categoría de normal o de
normalidad.
Es importante subrayar que los criterios anteriores no reflejan resultados húmedos o secos para la
totalidad de un año. Además, es probable que para un mismo año exista alternancia de periodos
húmedos, normales y secos producto de los fenómenos externos descritos anteriormente.
9 Los años de mayor importancia para la estación UPTC (Tunja) reconocidos como sequías moderadas, severas y
extremas para las diferentes escalas de SPI (trimestral, semestral y anual) son 1992, 1997, 1998, 2013, 2014, 2015
y 2016
74
Tabla 27. Comportamiento SPI trimestral, semestral y anual
Fecha SPI de 3 meses SPI de 6 meses SPI de 12 meses
1987 Moderadamente seco Moderadamente seco Normal
1992 Moderadamente seco Moderadamente y severamente
seco
Moderadamente y severamente
seco
1995 Moderadamente seco Moderadamente seco Normal
1997 Moderadamente y severamente
seco
Moderadamente y severamente
seco Moderadamente seco
1998 Moderadamente seco Moderadamente y severamente
seco
Moderadamente y severamente
seco
2001 Moderadamente y severamente
seco
Moderadamente y severamente
seco
Moderadamente y severamente
seco
2002 Normal Moderadamente seco Moderadamente y severamente
seco
2003 Moderadamente seco Normal Moderadamente y severamente
seco
2009 Moderadamente seco Moderadamente seco Moderadamente y severamente
húmedo
2012 Moderadamente y severamente
seco
Moderadamente y severamente
seco Extremadamente húmedo
2013 Moderadamente seco Moderadamente y severamente
seco
Moderadamente y severamente
seco
2014 Moderadamente y severamente
seco
Moderadamente y severamente
seco
Moderadamente y severamente
seco
2015 Moderadamente y severamente
seco
Moderadamente y severamente
seco
Moderadamente y severamente
seco
2016 Moderadamente seco y
severamente seco
Moderadamente y severamente
seco Extremadamente seco
Fuente: Elaboración Propia
En la ilustración (33) se realizó la representación espacial de los principales periodos secos para
la zona de estudio con base en los resultados obtenidos de SPI-12, ya que esta escala tiene la
capacidad de evaluar de mejor manera una posible aparición de fenómenos de sequía. Teniendo
en cuenta a su vez que, el método de interpolación de la Distancia Inversa Ponderada (IDW) es un
método altamente eficiente para estaciones que se localicen relativamente cerca del área de estudio.
De ahí que, se optó por implementar este método de interpolación basado en la aceptación de
puntos de influencia que disminuyen con la distancia (Arango et al., 2012). Es decir, los puntos
que se encuentran más cerca al área de estudio presentan una mayor ponderación o peso, a
diferencia de lo más alejados.
75
Ilustración 33. Años representativos SPI-12
Fuente: Elaboración Propia
La representación espacial de los valores del SPI-12 de la ilustración anterior, están simbolizados
mediante diferentes tonalidades de color. Estas tonalidades representan episodios de sequía o
humedad. Por lo cual, los valores con tonalidad roja, naranja y amarilla representan los valores
más bajos de SPI-12 relacionados exclusivamente con periodos (extremadamente secos,
severamente secos, moderadamente secos). Por su parte, los valores con tonalidad verde
representan los valores normales de SPI-12. De igual modo, los colores azules representan altos
niveles de SPI-12 relacionados con periodos húmedos. De ahí que, es necesario la interpretación
de cada una de las figuras según el valor del SPI-12. Asimismo, es posible afirmar que una escala
de 3 o de 6 meses puede registrar periodos secos. Sin embargo, al analizar los mapas en una escala
más amplia como por el ejemplo SPI-12, esto permitió descartar periodos que se consideraban
secos para escalas de 3 y 6 meses, pero que en realidad su comportamiento puede ser normal o
húmedo.
76
5.2 Índice de Severidad de Sequía de Palmer (PDSI)
Los resultados del (PDSI) fueron fundamentados en las diferentes contribuciones o aportes que
realizan los siguientes procesos: Balance Hídrico Climático (BHC), Desviación de la humedad del
clima (diferencia entre la precipitación que cayó y lo que se necesitaba para mantener las
condiciones normales de humedad del suelo), Recarga Real del suelo (R o RR), Pérdida Real de
Agua (L o LR), Escorrentía Real (RO o ESR) y Evapotranspiración Real (ETR).
En el caso del BHC, los valores históricos año tras año de cada uno de los meses de medición para
las variables de precipitación, evapotranspiración potencial y real. Permitieron la comparación y
análisis de los diferentes aportes de agua (precipitación), así como las diferentes salidas de agua
(evapotranspiración real) para los diferentes meses del año. Por tal razón, los resultados del (BHC)
y (PDSI) quedan expuestos para las estaciones climatológicas seleccionadas tal como se describen
a continuación.
5.2.1 Balances hídricos climáticos
El análisis del comportamiento del balance hídrico en las estaciones climatológicas, evidenciaron
a nivel general un comportamiento bimodal en cuanto a la variable precipitación y
evapotranspiración real de Thornthwaite, este comportamiento bimodal guarda una estrecha
relación con la variabilidad climática estacional característica de la región (dos temporadas de
lluvias altas conocido como invierno y dos temporada de lluvias bajas conocido como verano).
Los meses de marzo, abril y mayo correspondientes al primer semestre del año. Al igual que, en
los meses de octubre, noviembre y comienzos de diciembre correspondientes al segundo semestre
del año. Esperan de acuerdo con sus valores históricos, un aumento considerable en la precipitación
con respecto a la evapotranspiración real, proporcionando así la ocurrencia de otros procesos del
ciclo hidrológico como lo es la escorrentía y la recarga del suelo o del acuífero, los cuales pueden
variar dependiendo de las condiciones edafológicas y climatológicas existentes para ese periodo
de tiempo. Todo lo anterior queda representado en los diferentes BHC pertenecientes a los
municipios de Samacá, Tunja y Villa de Leyva.
Es importante mencionar que, un balance hídrico climático visto como la interacción entre la
precipitación, la capacidad de almacenamiento del agua (AWC) también denominado capacidad
de reserva de agua y la evapotranspiración potencial ya sea real o potencial, puede otorgar la
identificación de los primeros síntomas de una sequía o de aquellas problemáticas relacionadas
con el ciclo hidrológico (escasez de agua, desabastecimiento de agua, déficit hídrico, estiaje, entre
otros) (ilustración 34). De ahí que, sea necesario analizar cada balance hídrico climático de manera
individual con respecto a posibles anomalías climáticas y procesos de variabilidad climática.
(Apéndice A, Ej.3)
77
Ilustración 34. Balance hídrico climático Samacá
Fuente: Elaboración Propia
El comportamiento de la precipitación con respecto a la evapotranspiración real de Thornthwaite
(evapotranspiración real mayor que la precipitación), en los meses de enero y febrero
correspondientes al primer semestre del año, así como los meses de julio, agosto y septiembre
correspondientes al segundo semestre del año (ilustración 35). Permiten la ocurrencia de procesos
del ciclo hidrológico como lo la pérdida real de agua y la deficiencia de humedad del agua en el
suelo, en donde una marcada y prolongada deficiencia de humedad tiene la posibilidad de reducir
la transpiración de las plantas y su óptimo funcionamiento.
78
Ilustración 35. Balance hídrico climático Tunja
Fuente: Elaboración Propia
Los periodos de deficiencia de humedad pueden arrojar además posibles periodos de déficit hídrico
y de escasez hídrica. Ahora bien, es importante recalcar que mientras el déficit hídrico esta
correlacionado con un periodo en el cual la cantidad de recursos hídricos disponibles (cantidad de
agua) no alcanzan a satisfacer una demanda en una población y en un territorio (ilustración 36).
Por su parte, la escasez hídrica la podemos relacionar con aquel periodo de tiempo en donde el
caudal de un rio o de un cuerpo de agua es marcadamente inferior a su caudal promedio histórico.
79
La utilización de los balances hídricos climáticos en las estaciones climatológicas del área de
estudio, permitieron inferir los periodos en los cuales existió una desviación de humedad, la cual
está en función de la precipitación y los valores reales calculados a escala mensual. Sin embargo,
tal como se puede apreciar más adelante en los valores de PDSI. Los periodos clasificados como
secos o húmedos podrían estar correlacionados con otros fenómenos de variabilidad climática
como el fenómeno del niño-Oscilación del sur (ENOS).
El comportamiento de los valores de PDSI en las estaciones climatológicas de Tunja, Samacá y
Villa de Leyva pueden ser analizadas desde diferentes perspectivas o enfoques como lo es el ciclo
hidrológico, anomalías de precipitación y temperatura del aire, características edafológicas y
climatológicas del área de estudio (capacidad de almacenamiento del agua, textura del suelo,
granulometría, profundidad efectiva, capacidad de campo, punto de marchitez permanente e
incluso la geomorfología y el paisaje propio del lugar a evaluar). Sumado a lo anterior, el ENOS
podría ser un factor externo relacionado con la aparición de fenómenos de sequía identificados en
PDSI. Por lo cual, en los análisis de PDSI quedaron expuestos los diferentes enfoques descritos
anteriormente para las estaciones climatológicas principales.
Ilustración 36. Balance hídrico climático Villa de Leyva
Fuente: Elaboración Propia
80
5.2.2 PDSI y el ciclo hidrológico
El ciclo hidrológico expuesto en el capítulo 3 del presente trabajo incluye las fases de (evaporación,
condensación, precipitación, escorrentía, infiltración, circulación subterránea y sublimación).
Estas fases están interrelacionadas entre sí de manera continua a través del flujo del agua en la
atmosfera, en el medio natural y en el suelo. No obstante, teniendo en cuenta lo propuesto por
(Palmer, 1965) las etapas del PDSI relacionadas con el ciclo hidrológico son la evapotranspiración,
precipitación, escorrentía e infiltración. Ahora bien, las fases del ciclo hidrológico relacionadas
con el PDSI están cuantificadas a través de las variables ETR, P, ESR y AWC. En el caso de la
infiltración se evaluó el (AWC) como parámetro de infiltración o de permeabilidad del suelo a
través de la textura, granulometría, (CC) y (PMP).
El análisis de los valores de PDSI en las estaciones climatológicas posibilitó inferir que los valores
de PDSI categorizados como secos inciden en el comportamiento del ciclo hidrológico. Un periodo
categorizado como seco puede estar relacionado con un desbalance o desequilibrio del ciclo del
agua en una o varias fases del ciclo. Esto se puede ver reflejado en las condiciones establecidas
por Palmer para establecer el valor Z y los valores reales del periodo a evaluar.
Tomando como referencia los años 1997, 1998, 2014, 2015 y 2016 de la ilustración (37). Es posible
inferir que estos años categorizados con sequías moderadas, severas e incluso extremas pueden ser
vistas desde la fase de la evapotranspiración de las plantas, en donde posiblemente este valor fue
altamente superior a la precipitación para ese mismo periodo de tiempo. Por ende, en términos de
balance hídrico la demanda de agua que necesitaban las plantas y el medio natural para poder
realizar la fotosíntesis fue superior a la oferta de agua disponible para ese periodo de tiempo.
Ilustración 37. Valores de PDSI estación Samacá10
Fuente: Elaboración Propia
10 Los años de mayor importancia para la estación Samacá reconocidos como sequías moderadas, severas y
extremas en PDSI son 1987, 1989, 1992, 1993, 1995, 1997, 2001, 2002, 2003, 2012, 2013, 2014 y 2015.
81
Las sequías vistas desde la fase de precipitación nos conllevan a hablar de la fase de condensación,
en la cual el agua cambia de estado gaseoso a líquido de forma natural. A pesar de ello, existen
procesos externos como los gases de efecto invernadero los cuales producen la liberación de
energía en forma de calor de los diferentes gases almacenados allí y con ello el aumento de la
temperatura superficial terrestre. De ahí que, sea posible una pérdida o liberación de vapor de agua
en forma de calor disminuyendo así la precipitación y creando las sequías de tipo meteorológicas.
Es importante mencionar la posible incidencia de fenómenos de variabilidad climática como el
ENOS y la OMJ, los cuales tienen la capacidad de alterar el ciclo hidrológico y la circulación
atmosférica de un lugar determinado. Especialmente en la célula de Hadley para corrientes de aire
cálidos y fríos. Por tal razón, estos periodos de sequía podrían ser una consecuencia de una fase
convectiva negativa o suprimida de los vientos provocando una disminución de las precipitaciones.
La fase de escorrentía nos podría inducir a la evaluación de sequías de tipo hidrológica, en
parámetros como el nivel del caudal de un rio, el volumen o la cantidad de agua de embalses,
lagunas, lagos, manantiales, entre otros. Los cuales durante la ocurrencia de sequias pueden
disminuir su volumetría, cauce, caudal o tamaño según sea la intensidad de la misma. Adicional a
esto, la escorrentía podría estar relacionada con procesos de estiaje o niveles muy bajos en los
cuerpos de agua descritos anteriormente.
Finalmente, la fase de infiltración es probablemente la fase del ciclo hidrológico en donde por
factores tanto internos como externos el agua no logra superar totalmente o parcialmente la
permeabilidad de los suelos. Por tal razón, podríamos estar hablando de un desequilibrio en las
fases siguientes de circulación de agua subterránea y evapotranspiración. A continuación, se
abordara con mayor detalle la fase de infiltración vista desde la degradación de los suelos y las
sequías.
5.2.3 PDSI desde la degradación de los suelos y la infiltración
La comprensión de las sequías vista desde la degradación de los suelos y la infiltración requiere
inicialmente de la diferenciación entre los procesos de degradación de los suelos y las sequías,
dicha diferencia se puede observar en el capítulo 3 del presente estudio. El agua que se almacena
en los suelos (AWC) es vital para el óptimo desarrollo de los cultivos y de las plantas. Estos valores
de almacenamiento varían de acuerdo a las propiedades físicas del suelo como la textura,
granulometría, estructura, drenaje, (CC) y (PMP).
Podemos afirmar que suelos con alta capacidad de almacenamiento de agua (AWC) como por
ejemplo los suelos identificados en Tunja (154 mm), son suelos con texturas finas o muy finas tipo
Arcillosas, Arcillo limosas o Arcillo arenosas, con valores altos de granulometría de Arcilla y
Limo principalmente. Estos suelos se caracterizan además por tener estructuras en forma de bloque
o granular, los cuales permiten que el agua se infiltre en el suelo sin inconvenientes aparentes.
Es importante resaltar que un suelo con un alto valor de AWC permite tener un alto valor de (CC)
y un (PMP) relativamente alto. Por consiguiente, en temporadas de lluvias altas el suelo tiene la
82
capacidad de almacenar altos valores de agua que posteriormente en temporadas de ausencia de
lluvias utilizará para realizar sus procesos bioquímicos.
Haciendo una analogía con respecto a lo mencionado anteriormente, el comportamiento del PDSI
para la estación de Villa de Leyva como se evidencia en la ilustración (38) se debe a valores de
AWC de 35 mm. Los cuales incluyen un Misceláneo Erosionado (ME) que presentaran
preferiblemente texturas gruesas o moderadamente gruesas tipo arenosas, arenosas francas o
franco arenosas. Sumado a lo anterior, el AWC también puede verse afectado en suelos con
estructuras tipo prismática, columnar e incluso laminar. Por tal razón, es probable que la planta
tenga dificultades en el momento de acceder al agua con un (PMP) y un (CC) considerablemente
bajos.
Considerando que, estos valores bajos o altos de AWC pueden cambiar en el tiempo por procesos
de degradación de los suelos tales como erosión, desertificación y salinización, los cuales permiten
la perdida de la productividad de los cultivos y las plantas en un tiempo determinado, es muy
probable que con la disminución de la precipitación por diversos factores tanto antrópicos como
naturales las sequías se acentúen especialmente en aquellas zonas de uso agrícola de la zona de
estudio (inclúyase la zona noroccidental de Villa de Leyva y Samacá, al igual que la zona centro
norte de Tunja).
Ilustración 38. Valores de PDSI estación Villa de Leyva11
Fuente: Elaboración Propia
Por último, considerando un AWC como constante e invariable en el tiempo, el PDSI estará en
función principalmente de la evapotranspiración y la precipitación. De ahí que, un periodo
identificado como seco podría deberse a una escasa precipitación que no satisface la demanda de
agua de las plantas con una ocupación parcial o nula de la capacidad de almacenamiento del agua
generando a su vez la pérdida real de agua en los suelos.
11 Los años de mayor importancia para la estación Villa de Leyva reconocidos como sequías moderadas, severas y
extremas en PDSI son 1987, 1988, 1989, 1991, 1992, 1995, 1997, 2001, 2002, 2003, 2012 y 2015.
83
5.2.4 PDSI y el ENOS
El PDSI utiliza en su fundamentación teórica variables intrínsecas como la precipitación,
Temperatura del Aire (TA), evapotranspiración potencial y real, escorrentía, recarga del suelo,
entre otras. No obstante, debido a la alta interrelación existen entre la atmosfera, la superficie
terrestre y la hidrosfera. Es posible hacer una inferencia de aquellas variables extrínsecas o
externas que podrían estar inmersas con los valores de PDSI tales como Temperatura Superficial
del Mar (TSM), Temperatura Superficial Terrestre (TST), presión atmosférica, circulación general
atmosférica, velocidad y dirección de los vientos, corrientes marinas, entre otras.
Estas variables extrínsecas o exteriores si bien no están descritas o fundamentadas específicamente
dentro del PDSI, podrían describir los cambios a escala global de aquellas variables tomadas por
(Palmer, 1965) como las de mayor importancia de PDSI resaltándose la anomalía de precipitación
y la anomalía de (TA). Sin embargo, es importante tener en cuenta que el ENOS tiene en cuenta
dos tipos de anomalías de temperatura, una exclusiva de los océanos y los mares denominada TSM
y una anomalía vista desde la atmosfera terrestre denominada TA.
Una anomalía positiva en la TA describiría un aumento considerable de la temperatura con
respecto a sus medios históricos proporcionando un incremento de la evapotranspiración de las
plantas y una descompensación frente a la cantidad de precipitación necesaria para su óptimo
funcionamiento. Mientras que, una anomalía negativa en la TA podría describir una disminución
de evapotranspiración y un aumento sostenido de precipitación en la región o área de estudio. Por
tales razones, es muy probable deducir la aparición de periodos secos de PDSI cuando ocurren
anomalías positivas de TA. Al igual que, es posible determinar con alta certeza periodos húmedos
relacionados con anomalías negativas de TA.
Estas anomalías de TA tanto positivas o negativas podrían ser inducidas por varios factores ajenos
a la climatología propia de la zona centro del departamento de Boyacá. De ahí que sea posible
relacionar estas anomalías con un fenómeno de ENOS para un periodo de tiempo establecido en
este caso 1987-2016 (ilustración 39). Una posible explicación de estas anomalías de TA teniendo
en cuenta la localización geográfica de Colombia estarían influenciadas por la presencia de vientos
alisios de masas de aire frías y cálidas provenientes de la célula de Hadley y de Ferrel.
84
Ilustración 39. Valores de PDSI Tunja12
Fuente: Elaboración Propia
El ENOS en su fase cálida (El Niño) y su fase fría (La Niña) influyen considerablemente en la
TSM y en los vientos alisios de la zona tropical del planeta tierra en dirección Este-Oeste. En el
caso de Colombia y específicamente la región Andina, la fase del niño se caracteriza por el
aumento en la TSM y un debilitamiento de los vientos alisios. Mientras tanto, la fase de la niña se
caracteriza por la intensificación de los vientos alisios y una disminución en la TSM. La
modificación de estos vientos alisios da paso a la formación de los regímenes de precipitación
climáticos de Colombia. Por lo cual, en el momento de su llegada al territorio colombiano podría
inducir a un cambio de presiones que en el caso del niño se ve reflejado en periodos de ausencia
de lluvias y un aumento de la presión atmosférica en la región Andina. En contramedida a la fase
de la niña en donde se generan las denominadas lluvias de convección, las cuales se caracterizan
por una disminución de la densidad del aire y la presión atmosférica. Por consiguiente, se espera
en esta fase una alta formación de nubes que al condensarse forman altos periodos o intervalos de
lluvia.
Por último, teniendo en cuenta la altitud del Altiplano Cundiboyacense en donde se sitúa el área
de estudio, el cual oscila entre los 2.000 y los 3.000 metros sobre el nivel del mar (m. s. n. m) las
anomalías positivas de TST que dan origen a los periodos secos podrían estar regidos también por
la actividad solar producto de los procesos naturales de la tierra en rotación y traslación. Tal como
lo estableció (Thornthwaite, 1948) calculando la evapotranspiración potencial y real con base en
el número de horas de brillo solar para diferentes latitudes del hemisferio norte y sur de la tierra. 5.2.5 Resultados finales índices de sequía y ENOS
Los resultados finales del (SPI) a escala de 12 meses junto con el (PDSI) suministraron
información suficiente para determinar si un año fue categorizado con sequía moderada, severa y
extrema según el tipo de sequía que se desee evaluar. En este caso se asumieron las sequías
meteorológicas y agrícolas como los criterios válidos para identificar y evaluar la existencia de
12 Los años de mayor importancia para la estación Tunja reconocidos como sequías moderadas, severas y extremas
en PDSI son 1988, 1989, 1991, 1992, 1995, 1997, 1998, 2001, 2002, 2003, 2012, 2013, 2014, 2015 y 2016
85
este fenómeno. A continuación, en la tabla (28) se especifican los años identificados con
fenómenos de sequía en concordancia con SPI-12, PDSI y ENOS.
Tabla 28. Comportamiento SPI -12, PDSI y ENOS13
Fecha SPI de 12 meses PDSI ENOS Fase Niño
1992 Sequía Moderada a Severa Sequía Moderada a Severa Fuerte
1997 Sequía Moderada Sequía Moderada a Extrema Fuerte
1998 Sequía Moderada a Severa Sequía Moderada a Extrema Fuerte
2003 Sequía Moderada a Severa Sequía Moderada a Severa Moderado
2014 Sequía Moderada a Severa Sequía Moderada a Extrema Fuerte
2015 Sequía Moderada a Severa Sequía Moderada a Extrema Fuerte
2016 Sequía Extrema Sequía Moderada a Extrema Fuerte
Fuente: Elaboración Propia
5.3 Redes Neuronales Artificiales (RNA)
Para determinar el pronóstico de SPI-3 en el municipio de Motavita, se debe tener en cuenta que
por el momento no está definido un número exacto de neuronas que analice de la mejor manera
esta escala de tiempo. Por lo cual, se debe encontrar empíricamente la mejor combinación de
neuronas que permita explicar el comportamiento del SPI-3. En este caso solo se puede modificar
el número neuronas, dado que el software utilizado tiene por defecto una estructura y aprendizaje
neuronal que no se puede alterar.
5.3.1 Entrenamiento (RNA)
En la etapa de entrenamiento de 100 combinaciones de neuronas analizadas, se seleccionaron 7
posibles modelos neuronales, que se aproximaron al valor verdadero del SPI de 3 meses para la
estación del municipio de Motavita. En la tabla (29) se puede visualizar una columna compuesta
por la fecha, valores verdaderos o reales del SPI de 3 meses y en las siguientes 7 casillas se presenta
el número de neuronas que se emplearon para cada modelo y su pronóstico respectivo.
Tabla 29. Pronóstico RNA estación Panelas (Motavita)
Fecha Real Pro-3
Neuronas
Pro-63
Neuronas
Pro-76
Neuronas
Pro-86
Neuronas
Pro-88
Neuronas
Pro-90
Neuronas
Pro-97
Neuronas
01-01-2016 -1.61 -1.62 -1.97 -1.16 -1.21 -1.32 -1.21 -1.22
02-01-2016 -1.02 -1.02 -1.58 -0.92 -1.02 -1.16 -1.01 -1.03
03-01-2016 -0.6 -0.80 -1.41 -0.86 -1.05 -1.30 -1.04 -1.04
04-01-2016 -0.21 -0.63 -0.21 -0.96 -0.10 -0.34 -0.26 -0.1
05-01-2016 0.06 -0.61 0.85 -1.07 -0.03 0.06 -0.35 -0.02
06-01-2016 0.05 -0.58 1.14 -0.92 0.57 0.84 0.1 0.57
Fuente: Elaboración propia
13 Los resultados del Fenómeno del Niño-Oscilación del Sur (ENOS) han sido tomados con base en criterios
técnico-científicos realizados por UNGRD (2014, 2016, 2017 y 2018) e IDEAM (2006, 2012 y 2017)
86
En la ilustración (40) se puede observar cómo los valores estimados tienden a comportarse de la
misma manera que los valores reales del SPI-3. El modelo de 3 neuronas presentó la mayor
aproximación a los valores verdaderos, sin tener en cuenta los años (1988, 1998, 2002, 2010, 2014)
que reflejan periodos de alta variabilidad que no lograron ser aprendidos por la RNA.
Ilustración 40. Comportamiento del SPI 3 y sus valores de entrenamiento estación Panelas
Fuente: Elaboración propia
5.3.2 Validación de la RNA
En esta fase se buscó diferenciar los valores reales del SPI de 3 meses y los valores de la predicción
para el primer semestre del 2016. En tabla (30) se puede observar el error entre el valor real y el
pronosticado.
Tabla 30. Diferencia entre valor real y estimado para la estación Panelas
Fecha Pro-3
Neuronas
Pro-63
Neuronas
Pro-76
Neuronas
Pro-86
Neuronas
Pro-88
Neuronas
Pro-90
Neuronas
Pro-97
Neuronas
01-01-2016 0.01 0.36 -0.45 -0.40 -0.29 -0.40 -0.39
02-01-2016 0 0.56 -0.10 0 0.14 -0.01 0.01
03-01-2016 0.2 0.81 0.26 0.45 0.7 0.44 0.44
04-01-2016 0.42 0 0.75 -0.11 0.13 0.05 -0.11
05-01-2016 0.67 -0.79 1.13 0.09 0 0.41 0.08
06-01-2016 0.63 -1.09 0.97 -0.52 -0.79 -0.05 -0.52
Fuente: Elaboración propia
Al analizar en detalle los resultados obtenidos, en la tabla (31) se puede denotar el comportamiento
del Error Medio Cuadrático (EMC) y Desviación Media Absoluta (DAM) para el primer trimestre
del año 2016. La información refleja que la agrupación de 3 neuronas presentó la menor cantidad
de error entre los valores reales y los pronosticados con un EMC de 0.01. Además, esta agrupación
neuronal arroja la menor variación en nuestro conjunto de datos. Es decir, esta información se
encontraba más cerca del promedio con un DAM de 0.07.
87
Tabla 31. Comportamiento EMC y DAM trimestral estación Panelas
Resultado Pro-3
Neuronas
Pro-63
Neuronas
Pro-76
Neuronas
Pro-86
Neuronas
Pro-88
Neuronas
Pro-90
Neuronas
Pro-97
Neuronas
DAM 0.07 0.57 0.27 0.28 0.38 0.28 0.28
EMC 0.01 0.36 0.09 0.12 0.2 0.12 0.12
Fuente: Elaboración propia
En la tabla (32) se evidencia el comportamiento de EMC Y DAM para el primer semestre del año
2016. Este análisis nos permitió comprender que el conjunto de 90 neuronas presentó la menor
cantidad de error entre nuestros valores reales y los pronosticados con un EMC de 0.23.
Adicionalmente, esta agrupación neuronal exponía la menor variación en nuestro conjunto de datos
con un DAM de 0.09.
Tabla 32. Comportamiento EMC y DAM semestral estación Panelas
Resultado Pro-3
Neuronas
Pro-63
Neuronas
Pro-76
Neuronas
Pro-86
Neuronas
Pro-88
Neuronas
Pro-90
Neuronas
Pro-97
Neuronas
DAM 0.32 0.60 0.61 0.26 0.34 0.23 0.26
EMC 0.17 0.48 0.51 0.11 0.20 0.09 0.11
Fuente: Elaboración propia
Para finalizar, en esta fase se logró determinar que el pronóstico de SPI-3 en la estación de
Motavita presenta mínimos errores en combinaciones de 3 neuronas para periodos trimestrales y
90 neuronas para periodos semestrales. Así mismo, la mejor estimación del pronóstico de SPI-3
se obtuvo en un periodo trimestral, cuyos valores se aproximan al valor real del SPI-3 para la
estación de Panelas para el año 2016 con un alto grado de exactitud. En los primeros 3 meses el
modelo neuronal según la clasificación del SPI arrojó una categorización con un periodo
severamente seco, moderadamente seco y un periodo normal que coincidían con el
comportamiento en ese momento del SPI-3 para el año 2016 en la estación de Panelas en Motavita.
5.3.3 Verificación de la RNA
Los resultados de la RNA evidenciaron que, la mejor combinación de RNA se encontraba en 3
neuronas para trimestres y 90 neuronas para semestres. Por tal razón, se logró afirmar que la RNA
ya estaba lista para ser probada con información desconocida tomando como referencia que la
misma no ha sido tenida en cuenta para el entrenamiento. De tal manera que, se buscaba replicar
estos modelos neuronales en estaciones que se encontraran cercanas a la estación del municipio de
Motavita y presentaran a su vez un coeficiente de correlación alto con respecto al SPI-3.
Estos modelos evidenciaron una disminución de tiempo en la determinación de la mejor
combinación de neuronas para la predicción de SPI-3 de trimestres y semestres, esto implicaba
que para probar los modelos se tenia que emplear la estacion UPTC del muncipios de Tunja y la
88
estacion Villa de Leyva AUT para 3 y 6 meses con 3 y 90 neuronas seleccionadas. En la tabla (33)
se logra visualizar el comportamiento de EMC Y DAM para el primer trimestre del año 2016, en
donde la estación que presentó el menor error entre los valores reales y los pronosticados fue la
estación de UPTC del municipio de Tunja con un EMC de 0.33. Así mismo, el menor DAM fue
de 0.52 para esa misma estación.
Tabla 33. Comportamiento EMC y DAM trimestral estaciones Tunja y Villa de Leyva
Resultado Pro-3 Neuronas- UPTC de Tunja Pro-3 Neuronas- Villa de Leyva AUT
DAM 0.52 0.56
EMC 0.33 0.51
Fuente: Elaboración propia
En la tabla (34) se puede denotar el comportamiento del EMC Y DAM para el primer semestre del
año 2016. La estación que obtuvo el menor error en EMC fue Villa de Leyva con 0.53. De igual
modo, el menor DAM fue de 0.58 para esa misma estación.
Tabla 34. Comportamiento EMC y DAM semestral estaciones Tunja y Villa de Leyva
Resultado Pro-6 Neuronas- UPTC de Tunja Pro-6 Neuronas- Villa de Leyva AUT
DAM 0.76 0.58
EMC 1.08 0.53
Fuente: Elaboración propia
En esta etapa se logró verificar que el mejor pronóstico de información de SPI-3 se puede encontrar
en los primeros tres meses del año. La estación de UPTC del municipio Tunja presentó el menor
error de predicción para el primer trimestre. Sin embargo, a medida que se desea modelar a mayor
tiempo el que presenta el menor error de predicción es la estación del municipio de Villa de Leyva.
Los anteriores resultados de estimación tanto de 3 meses como de 6 meses para ambas estaciones
arrojaron una exactitud muy baja en comparación de sus valores reales de SPI-3 para cada estación.
5.4 Evaluación de la amenaza, vulnerabilidad y riesgo por sequía
La evaluación de la amenaza, vulnerabilidad y riesgo por sequía en el municipio de Motavita y
Tunja estuvo sustentada en información recopilada de suelos, hidrografía y clima como
características físicas del territorio. Mientras que, la información recopilada en aspectos
económicos, sociales y ambientales correspondían a las características de la población de Motavita
y Tunja. Esta información ha sido recopilada con base en información proveniente de IDEAM y
UNGRD de años históricos menores o iguales a 2016. Por consiguiente, los resultados de amenaza,
vulnerabilidad y riesgo en el presente estudio sirven como insumo o diagnóstico inicial del
conocimiento del riesgo de sequía.
89
Los procesos de reducción de riesgo y manejo de desastres por sequía requieren de información
en tiempo real acerca del comportamiento de este fenómeno a través de instrumentos de monitoreo,
control y vigilancia de sequía en complemento con tecnologías avanzadas como los Sistemas de
Alerta Temprana (SAT). Esto con el propósito de reducir o mitigar el riesgo utilizando
intervenciones correctivas o prospectivas de sus resultados obtenidos en la fase previa de
conocimiento del riesgo. En ese orden de ideas, es pertinente tener en cuenta que los fenómenos
de sequía son fenómenos altamente dinámicos en su extensión territorial, magnitud, intensidad y
frecuencia. Por ende, es probable que los resultados en este estudio de amenaza, vulnerabilidad y
riesgo estén cambiando en el tiempo con respecto a sus valores clasificados como bajos, medios y
altos.
5.4.1 Evaluación de la amenaza por sequía
Los resultados del mapa de amenaza por sequía en los municipios de Motavita y Tunja
evidenciaron un comportamiento diferencial de la amenaza por sequía según el área o la vereda de
cada municipio. Estos valores de amenaza alta, media y baja permitieron conocer el grado de
afectación y severidad de una sequía en el territorio y en la población (ilustración 41).
Los valores de amenaza clasificados como altos y muy altos localizados principalmente en la
región norte de Motavita y sur de Tunja posibilitan inferir la aparición de sequías categorizadas
como severas o extremas, esto como respuesta a unos posibles factores condicionantes que podrían
estar ligados a unos altos procesos de degradación del suelo (erosión, salinización, y
desertificación). Así como, una alta disminución de la precipitación en las temporadas de ausencia
de lluvias provocando al mismo tiempo un estrés hídrico en las aguas superficiales y subterráneas,
las cuales pueden ser utilizadas para la agricultura en los cultivos de riego y secano.
Valores de amenaza categorizados como medios manifestaron la aparición de sequías de índole
incipiente y moderada. Estos valores se localizaron en la parte más cercana a las áreas urbanas de
Motavita y Tunja, en donde es muy probable la aparición de procesos de degradación del suelo
categorizado como muy ligero o tenue en concordancia con lugares de clima tipo semiáridos o frio
secos. Por lo cual, en caso de acentuarse estas problemáticas podría incrementar la amenaza por
sequía en un futuro cercano.
Los valores de amenaza obtenidos como bajos o muy bajos localizados en las áreas urbanas de
Motavita y Tunja pueden ser vistas desde el comportamiento de la sequía y los factores
condicionantes (edafología, hidrología y climatología) propias de este lugar. Valores de amenaza
bajo con respecto a la sequía podrían estar relacionados con pocas áreas con vegetación y
evapotranspiración dentro de la parte urbana. Por lo cual, el valor de precipitación allí siempre
podría ser mayor que la evapotranspiración real de las plantas.
90
Ilustración 41. Mapa de amenaza por sequía
Fuente: Elaboración propia
Un valor bajo o muy bajo de amenaza con respecto a los factores condicionantes estaría dados por
una actividad del suelo diferente a las establecidas por el medio natural. Es decir, en el área urbana
de Motavita y Tunja el uso del suelo esta categorizado como residencial, comercial, industrial,
entre otros. Por tal razón, la manifestación de la sequía en esta zona estaría reflejada en el
componente de la variabilidad.
5.4.2 Evaluación de la vulnerabilidad por sequía
El mapa de vulnerabilidad con respecto a los valores clasificados como altos y muy altos por sequía
en el municipio de Tunja y su área de influencia reflejaron el manifiesto de diferentes
problemáticas asociadas a dinámicas poblacionales tales como: una alta demanda de agua, una
baja oferta y disponibilidad de los cuerpos de agua con respecto a su alta concentración
poblacional, así como un alto requerimiento de alimentos y de agua para los medios de producción
91
que allí se realizan (ilustración 42). De ahí que, es posible afirmar la presencia de una sequía
categorizada como baja la cual no refleja necesariamente las problemáticas mencionadas o
descritas anteriormente.
Ilustración 42. Mapa de vulnerabilidad por sequía
Fuente: Elaboración propia
Esta zona clasificada como de vulnerabilidad alta a pesar de las problemáticas de índole
poblacional y social con respecto al agua, presenta diversas iniciativas que permiten reducir o
mitigar esta vulnerabilidad en aspectos como el manejo eficiente del agua y el racionamiento del
mismo. No obstante, debido a su alto consumo no solo en la parte doméstica o en los medios de
producción es necesario la implementación de programas que permitan optimizar y preservar el
agua como sistemas de riego para los cultivos y un sistema de protección de las principales fuentes
hídricas del municipio.
El resultado de la vulnerabilidad categorizada como media principalmente en el área rural del
Municipio de Motavita indujo la aparición de sequías moderadas con posibles impactos en los
92
recursos hídricos, el suelo y el clima. Sin embargo, esta sequía calificada como potencialmente
perjudicial para la población y el territorio no constituye necesariamente la aparición de fenómenos
de índole socio-natural como el desabastecimiento de agua, escasez de agua o falta de acceso a la
misma, su razón principal podría radicar en una baja concentración poblacional por metro
cuadrado en la zona rural de Motavita. Por ende, es posible inferir que la demanda de agua por
habitante es relativamente baja y su principal demanda podría venir de los cultivos que allí se
desarrollan. De ahí que, los impactos de una sequía moderada bajo condiciones de uso eficiente
del agua, conservación y preservación de sus fuentes hídricas podrían ser reducidos utilizando
programas o proyectos que vayan en vía de un uso razonable del agua en aquellas épocas de mayor
ausencia por parte de la población y las entidades gubernamentales.
Los valores de vulnerabilidad baja o muy baja localizados en la zona norte de Motavita y la zona
sur de Tunja evidenciaron una alta capacidad adaptativa en aspectos como el manejo eficiente del
agua, preservación y conservación de los cuerpos de agua, los cuales teniendo en cuenta su alta
amenaza por sequía proporcionan los medios suficientes que permiten reducir sus impactos
durante la época de ausencia de lluvias. Además, en cuanto a la producción agrícola que allí se
desarrolla es posible la utilización de cultivos que utilicen sistemas de goteo y micro aspersión,
reduciendo así la cantidad de agua necesaria para la producción de cultivos transitorios como la
papa, el maíz y la arveja que en esta zona se desarrollan.
5.4.3 Evaluación del riesgo por sequía
Los resultados obtenidos en el mapa de riesgo indicaron altos valores de riesgo en las zonas rurales
y periféricas de los municipios, permitiendo inferir la posible aparición de una sequía de tipo
agrícola, esto podría deberse a las condiciones físicas, edafológicas y climatológicas del área de
estudio. Al igual que, la incidencia de la variabilidad climática interanual durante un fenómeno
ENOS (ilustración 43).
Los valores medios de riesgo indicaron una alta incertidumbre con respecto a los cambios que el
fenómeno de sequía podría llegar a presentar en el futuro, ya que al tener valores medios de
amenaza y vulnerabilidad un cambio sustancial en los mismos podría reflejar un riesgo mayor o
menor, constituyendo la posibilidad de potencializar el fenómeno si no se toman medidas que
permitan mitigar o reducir el riesgo por sequía.
Una posible explicación para los valores bajos de riesgo en las zonas urbanas del área de estudio,
podrían atribuirse al bajo impacto de las superficies urbanas en el ciclo natural hidrológico. Ahora
bien, los valores más altos de vulnerabilidad se presentaron en estas zonas urbanas, en donde existe
una demanda alta de agua para consumo humano que genera una modificación del equilibrio
hídrico, cuyos factores determinantes son la variabilidad climática y las anomalías climáticas en
la precipitación.
93
Ilustración 43. Mapa de riesgo por sequía
Fuente: Elaboración propia
5.4.4 Caracterización de escenarios de riesgo por sequía
La caracterización de escenarios de riesgo por sequía son aquellos fragmentos o campos
delimitados de los resultados obtenidos en las fases previas de amenaza, vulnerabilidad y riesgo.
Estos escenarios tienen la posibilidad de caracterizar las condiciones actuales o futuras de la
población y el territorio. De manera que, es posible conocer mediante pronósticos como podría
comportarse este fenómeno en los próximos días, meses o años.
Debido a que los fenómenos de sequía son altamente inciertos e impredecibles, los escenarios de
riesgo podrían proporcionan una posible comprensión y priorización de los problemas futuros
generados por la aparición de sequías. Por tanto, conocer su comportamiento a futuro podría
ayudar a establecer medidas que reduzcan o mitiguen su riesgo. No obstante, la utilización de un
pronóstico debe ser acorde y lógico a su comportamiento histórico. En otras palabras, el
94
comportamiento de este depende en gran medida de cómo se haya comportado en su pasado con
respecto a sus episodios de sequías moderadas, severas y extremas.
Los resultados de SPI y PDSI revelaron que 1992 (sequía moderada a severa), 1997 (sequía
moderada), 1998 (sequía moderada a severa), 2003 (sequía moderada a severa), 2014 (sequía
moderada a severa), 2015 (sequía moderada a severa) y 2016 (sequía extrema) son los años
representativos de sequías meteorológicas y agrícolas para Motavita y Tunja. En consecuencia, es
de vital importancia deducir que en un futuro cercano la presencia de este fenómeno podría estar
categorizado en moderado o severo, sin tener en cuenta que su comportamiento podría modificarse
por fenómenos de variabilidad climática y del cambio climático.
Por último, teniendo en cuenta que el riesgo está en función de la amenaza, vulnerabilidad y
exposición. Se propusieron escenarios de riesgo vistos desde la amenaza y la vulnerabilidad,
teniendo en cuenta que el último año con registro de la información es 2016, los escenarios de
riesgo de amenaza y vulnerabilidad corresponderán al primer semestre del año 2017.
5.4.5 Escenario de riesgo desde la amenaza por sequía
Un escenario de riesgo visto desde la amenaza por sequía se construye a partir de la información
pronosticada del fenómeno, en complemento con su serie histórica y el mapa de amenaza realizado
previamente, esto con el objetivo de validar si la información futura obedece o está acorde a su
comportamiento y evolución histórica en los municipios de Motavita y Tunja. En la actualidad
existen pronósticos contemplados a corto plazo (trimestres), mediano plazo (semestres) y largo
plazo (años) los cuales dependerán en gran medida de su nivel de confiabilidad y error. De ahí
que, sea posible inferir que un pronóstico a largo plazo requerirá de información altamente
confiable, precisa y con poco nivel de incertidumbre. Mientras tanto, pronósticos a corto y mediano
plazo al utilizar menos registros podría tener niveles de confiabilidad relativamente altos (mayores
o iguales al 80%) e intervalos o niveles de error muy bajos (iguales o menores al 10%).
El pronóstico utilizado en la presente investigación está en unidades de tiempo semestral,
fundamentado en un SPI-3 de redes neuronales (Perceptrón Multicapa), su principal razón radica
en que esta escala de SPI utiliza los 3 últimos valores de precipitación. Por tal razón, el pronóstico
de Motavita y Tunja estará encaminado a un seguimiento y control de la precipitación, dificultando
o limitando así la posibilidad de establecer necesariamente la presencia de periodos de sequía. A
continuación, se realiza el pronóstico de SPI-3 para el primer semestre de 2017 con la principal
salvedad de no proporcionar características específicas en el inicio, duración, frecuencia y
extensión territorial de un fenómeno de sequía o de sus términos relacionados (déficit hídrico,
escasez hídrica, anomalía de precipitación, entre otros) (tabla 35).
95
Tabla 35. Escenario de amenaza por sequía año 2017
Año
2017 Escala
Categoría
SPI Efectos/Implicaciones Observaciones / Acontecimientos
Áreas de
Afectación
Nivel de
afectación
Enero
SPI-3
Normal
Niveles mínimos de
agua producto del
régimen bimodal de
precipitación
(temporada de
ausencia de lluvias)
Existencia de periodos normales para
estos meses con respecto a su serie
histórica, los cuales evidencian una
alta normalidad sin la presencia de
sequías o de fenómenos de
variabilidad climática.
Zonas de
amenaza
alta y muy
alta
Bajo
Febrero
Marzo
Sequía
moderada
Posible iniciación de
periodos de déficit
hídrico y aridez con
respecto al balance
hídrico climático para
estos meses
Existencia de periodos categorizados
como moderados en la serie histórica,
posible influencia de fenómenos de
variabilidad climática estacional como
la ZCIT durante su localización entre
los 2° y 7° latitud norte
Zonas de
amenaza
media, alta
y muy alta
Medio Abril
Mayo
Junio
Normal
Inicio de la segunda
temporada de ausencia
de lluvias en la región
como consecuencia de
su régimen bimodal
Existencia de algunos periodos
normales tomando como referencia su
serie histórica sin afectación probable
en la precipitación y su ciclo
hidrológico
Zonas de
amenaza
alta y muy
alta
Bajo
Fuente: Elaboración propia
5.4.6 Escenario de riesgo desde la vulnerabilidad
El escenario de riesgo desde la vulnerabilidad a diferencia del escenario de riesgo visto desde la
amenaza. Es elaborado con base en los valores futuros de amenaza, el mapa de vulnerabilidad y
las medidas o planes a tener en cuenta para mitigar o reducir los posibles impactos de la aparición
de fenómenos de sequía en los municipios de Motavita y Tunja.
El mapa de vulnerabilidad proporciona los diferentes componentes de sensibilidad y de capacidad
adaptativa. Por consiguiente, la implementación de políticas, programas y planes que permitan
aumentar la capacidad adaptativa de la población, del medio natural y de sus principales
actividades económicas como lo es su alta actividad agrícola, reducirían o mitigarían parte de la
vulnerabilidad existente y a su vez podrían ser los lineamientos para reducir su vulnerabilidad en
el futuro. Por tal motivo, en la tabla (36) se desarrollaron los escenarios de riesgo desde la
vulnerabilidad para el primer semestre del 2017.
96
Tabla 36. Escenario de vulnerabilidad por sequía año 2017
Año 2017 Categoría SPI Áreas de Afectación Nivel de afectación
Meses de enero y febrero Normal Zonas de vulnerabilidad alta
y muy alta Bajo – Medio
Efectos / Implicaciones
Niveles mínimos en el caudal de los principales cuerpos de agua, el cual podría generar un aumento considerable en la
evapotranspiración de las plantas.
Medidas / Planes
Componente Social: Instalar medidas de racionamiento y uso eficiente del agua por parte de la población y las entidades
gubernamentales
Componente Económico: Implementar programas agrícolas que estén basados en el mayor y mejor uso del suelo
Componente Ambiental: Instaurar programas de preservación y conservación de los cuerpos de agua y del medio natural,
imposibilitando actividades como la deforestación y la minería.
Año 2017 Categoría SPI Áreas de Afectación Nivel de afectación
Meses de marzo, abril y mayo Sequía moderada Zonas de vulnerabilidad,
media, alta y muy alta Medio – Alto
Efectos / Implicaciones
Anomalías negativas de precipitación provocando posibles periodos de déficit hídrico y de escasez de agua. Además, podría
ser el inicio de un periodo de desabastecimiento de agua
Medidas / Planes
Componente Social: Instalar medidas por parte de las entidades gubernamentales que permitan la reutilización y ahorro
eficiente del agua disminuyendo así su demanda y consumo.
Componente Económico: Establecer medidas por parte del sector agrícola que permita la optimización del agua mediante el
uso de sistemas de goteo y micro – aspersión.
Componente Ambiental: incorporar programas que permitan mejorar las condiciones edafológicas y de la vegetación mediante
el uso de sistemas de riego artificial que posibiliten una mayor absorción de agua en el suelo como lo es la lluvia sólida.
Año 2017 Categoría SPI Áreas de Afectación Nivel de afectación
Mes de junio Normal Zonas de vulnerabilidad alta
y muy alta Bajo – Medio
Efectos / Implicaciones
Inicio de la segunda temporada de ausencia de lluvias de acuerdo a su régimen bimodal. Sin embargo, proviniendo de periodos
de déficit hídrico y de escasez de agua es posible que exista una pérdida real de agua en el suelo imposibilitando a su vez la
recarga de acuíferos.
Medidas / Planes
Componente Social: Ejecutar programas de salud poblacional encaminadas a disminuir la aparición de enfermedades tropicales
y de deshidratación como consecuencia de meses de ausencia de lluvias.
Componente Económico: Otorgar subsidios y apoyo al sector agrícola por parte de las entidades gubernamentales
Componente Ambiental: Construir artefactos como los molinos de viento que a través de la energía eólica que permitan la
extracción y bombeo de aguas subterráneas para el consumo de animales y plantas.
Fuente: Elaboración propia
97
6. CONCLUSIONES Y RECOMENDACIONES
6.1 Conclusiones
El presente estudio con base en los objetivos y las hipótesis propuestas, confirma o valida las
hipótesis relacionadas con la presencia de periodos de sequía de tipo meteorológica y agrícola en
el municipio de Motavita y sus municipios aledaños, las cuales según SPI y PDSI arrojan sequías
que van desde leves hasta severas. Los valores de PDSI están localizados en el intervalo (- 8 ≤
PDSI ≤ -1). Por su parte, los valores de SPI están localizados en el intervalo (- 4 ≤ SPI ≤ -1). Estos
resultados posibilitan inferir que cada periodo guarda una relación directa con la variabilidad
climática interanual, en este caso el ENOS.
Dado que Motavita se encuentra localizada en la región Andina, sus valores de temperatura estarán
regidos principalmente por las variables de altitud y presión atmosférica, las cuales son
indispensables junto con las corrientes de aire en la circulación atmosférica para periodos en los
cuales se espere una fase convectiva negativa caracterizada por una disminución en la
precipitación, generando así condiciones propicias para una sequía.
La sequía meteorológica es un tipo de amenaza que no solo ha afectado al municipio de Motavita
en las últimas tres décadas, sino que se es un fenómeno de carácter departamental e incluso
regional. Por tal razón, los indicadores que se utilizan para cuantificar este tipo de amenaza como
por ejemplo el SPI, cuyo único parámetro es la precipitación ha permitido estimar 14 periodos
categorizados como moderadamente secos y extremadamente secos, los cuales han afectado en
algún momento a los municipios de (Chíquiza, Cómbita, Motavita, Tunja, Villa de Leiva y
Samacá) para diferentes escalas de tiempo. Asimismo, el municipio de Motavita registró siete
periodos en los cuales su clasificación o categorización está dentro de los periodos descritos
anteriormente. Por consiguiente, los años más críticos de sequía meteorológica en Motavita son
(1992, 1997, 1998, 2001, 2014, 2015 y 2016).
La sequía agrícola es un fenómeno hidrometeorológico en el cual intervienen diferentes variables
como la precipitación, temperatura, capacidad de almacenamiento de agua del suelo y la
evapotranspiración. A pesar de que el municipio de Motavita no cuenta con una estación climática
principal para la determinación de algunas de las anteriores variables. Los municipios de Tunja,
Samacá y Villa de Leyva sí contemplan la mayoría de estas variables, las cuales permiten con base
en los periodos de sequía identificados en SPI, PDSI y ENOS pertenecientes a la tabla (28), realizar
un diagnóstico preliminar de cómo se comportaría el municipio de Motavita por sequía agrícola.
Por otra parte, las características edafológicas y climatológicas tenidas en cuenta en la región de
estudio (inclúyase el municipio de Motavita) están regidas por los factores de formación del suelo
(Suelo, Clima, Organismos, Relieve, Roca madre y Tiempo), permitiendo deducir que la
climatología, el ciclo hidrológico y los balances hídricos son similares en su comportamiento con
respecto a una sequía agrícola.
98
El comportamiento de los balances hídricos climáticos utilizados en PDSI en las ilustraciones (34),
(35) y (36) correspondientes a los municipios de Tunja, Samacá y Villa de Leyva son de tipo
bimodal, los cuales muestran una disminución de la precipitación en los meses de diciembre, enero
y febrero correspondientes al primer semestre del año, así como los meses de junio, julio, agosto
e inicios de septiembre correspondientes al segundo semestre del año. Estos balances muestran el
inicio de los principales periodos de estrés hídrico y de déficit hídrico acompañados de la pérdida
real de agua y de una deficiencia de humedad.
Los meses identificados como húmedos en donde se espera un aumento de precipitación son los
meses de marzo, abril y mayo correspondientes al primer semestre del año. Al igual que, en los
meses de octubre, noviembre y comienzos de diciembre correspondientes al segundo semestre del
año. Por ende, estos son los meses identificados con mayor posibilidad de realizar recarga del suelo
o del acuífero permitiendo posteriormente la utilización del agua de reserva en periodos secos o
de déficit hídrico.
El pronóstico de SPI-3 que se realizó en los primeros tres meses del año 2016 para la estación de
Panelas con una combinación de 3 neuronas representa una buena aceptación del modelo con un
EMC de 0.01 y significa una variación relativamente baja con los valores reales. Aun así, este
modelo no refleja en qué momento de un año exactamente se va a presentar un fenómeno de sequía,
ya que la incertidumbre es alta principalmente por errores que se pueden cometer al estimar valores
iniciales que se requieren y factores externos que pueden influir, como los fenómenos naturales de
variabilidad climática.
Las RNA con respecto al SPI-3 son capaces de pronosticar cómo se puede comportar con gran
exactitud los primeros 3 meses del año en una estación. De ahí que, pueda categorizarlo en un
periodo normal, húmedo o seco teniendo como referencia que el fenómeno de sequía es dinámico
y no estático en el tiempo. Por otra parte, al replicar los dos modelos de 3 y 90 neuronas en dos
estaciones diferentes, no se logró encontrar resultados significativos para 3 o 6 meses estimados,
obteniendo así en promedio EMC 0.5. Una posible explicación de esto podría deberse a que si bien
el fenómeno de sequía es similar en las diferentes estaciones, la utilización de dos modelos de 3 y
90 neuronas podría requerir de los mismos valores de (SPI-3) para cada una de las estaciones. En
consecuencia, la utilización de las RNA en el presente estudio cumplió un único propósito y era
determinar el SPI de 3 meses para el primer semestre del año 2017 en la estación del municipio de
Motavita para la elaboración de los escenarios de riesgo.
Los modelos seleccionados de RNA en el presente estudio trabajaron únicamente con información
de series de tiempo de SPI-3 para el municipio de Motavita. Los cuales no permiten que al entrenar
la serie de tiempo mediante el Perceptrón Multicapa, el modelo logre almacenar patrones o
caracteres de clasificación basados en las diferentes configuraciones de capas ocultas realizadas
mediante ensayo y error. Por ende, estos inconvenientes mencionados anteriormente dificultan el
establecimiento de una metodología patrón o estándar con respecto al pronóstico de SPI-3 en
diferentes estaciones que usen series de tiempo climatológicas.
99
Al analizar desde una perspectiva social y humana los posibles impactos de la ocurrencia de
sequías en el área de estudio y específicamente en el municipio de Motavita, se concluye bajo los
resultados de la gestión del riesgo (mapas de amenaza, vulnerabilidad y riesgo) que los fenómenos
de sequía identificados y descritos previamente no constituyen la principal causa del
desabastecimiento, falta de acceso o escasez de agua de este municipio perteneciente al
departamento de Boyacá. No obstante, la aparición de fenómenos de sequía podría requerir de la
participación de las entidades gubernamentales y de la población en general en los procesos de
manejo, preservación y conservación de manera eficiente de los cuerpos de agua y del medio
natural que allí se localiza, de lo contrario podríamos estar hablando de una acentuación o
incremento de problemáticas ya mencionadas con altas pérdidas para el ecosistema y la población
Motavitense.
Por último, una posible explicación de las problemáticas descritas previamente teniendo en cuenta
los últimos planes de desarrollo del municipio de Motavita, podría estar relacionadas con el
aumento o incremento de manera sostenida e irracional en la demanda de agua, principalmente
para uso doméstico, agrícola, minero y ganadero por parte de la población y de las actividades
económicas que allí se realizan. Por tal razón, es necesario crear conciencia por parte de la
comunidad sobre las actividades que allí se llevan desarrollando, las cuales incidirán a largo plazo
en el desarrollo sostenible de esta población frente a los recursos hídricos que en futuro podrían
llegar a desarrollar.
6.2 Recomendaciones
La creación y utilización de la presente metodología podrá requerir de una serie de ajustes y/o
consideraciones por parte de expertos de diferentes ramas de las ciencias de la tierra y del saber
tales como la meteorología, hidrología, edafología, inteligencia artificial, gestión del riesgo, entre
otros. Por tal razón, se considera fundamental exponer las diferentes recomendaciones a tener en
cuenta al momento de realizar una evaluación y pronóstico de fenómenos de sequía bajo esta
metodología desarrollada desde una perspectiva científica y académica.
Recomendaciones desde la aplicación:
• Utilizar series de tiempo que contengan registros históricos continuos iguales o mayores a
30 años con información debidamente completa para analizar a mayor profundidad el
comportamiento y evolución de las sequías.
• Estimar mediante métodos estadísticos o de inteligencia artificial series de tiempo que
contengan registros o datos faltantes menores al 5% del total de la serie.
• Incluir parámetros propios para la evaluación de la amenaza, vulnerabilidad y riesgo que
puedan describir las condiciones específicas del lugar en aspectos como el clima, suelo,
hidrografía, población, entre otros.
100
Recomendaciones desde la metodología:
• Evaluar y comparar los indicadores de sequía como el SPI y PDSI con indicadores de
fenómenos de variabilidad climática tales como el Índice de Niño Oceánico (INO), Índice
Costero El Niño (ICEN), Índice de Oscilación Sur (IOS), entre otros.
• Incluir indicadores que permitan identificar y evaluar al detalle la relación existente entre
las fases del ciclo hidrológico (énfasis en la condensación, infiltración y escorrentía) y los
fenómenos de sequía categorizados como moderados, severos y extremos.
• Utilizar modelos de simulación que posibiliten monitorear, evaluar y pronosticar en tiempo
real el comportamiento de anomalías negativas de precipitación y/o temperatura para
establecer la ocurrencia de fenómenos de sequía.
• Emplear métodos de cálculo de evapotranspiración potencial y real que incluyan variables
del sistema climático (presión atmosférica, temperatura, humedad, velocidad y dirección
del viento, precipitación, brillo solar y nubosidad) con el propósito de conocer la
interrelación entre la atmosfera, los océanos, la superficie terrestre y las sequías.
• Implementar algoritmos de mayor robustez y complejidad pertenecientes a la inteligencia
artificial que estén fundamentadas en series de tiempo.
Recomendaciones desde la Academia:
• Incentivar a las universidades, centros de investigación y entidades del estado a la
identificación y evaluación de fenómenos de sequía desde una perspectiva crítica, técnico-
científica, social y humana comprendiendo el protagonismo de estos fenómenos en el
desarrollo económico, social, ambiental y cultural de una población-territorio.
• Reconocer la incidencias y aportes del cambio climático, la variabilidad climática y los
fenómenos de sequía provenientes del accionar del ser humano, los cuales comprometen
el desarrollo sostenible, la seguridad alimentaria y la preservación del medio natural a largo
plazo del planeta tierra.
101
BIBLIOGRAFÍA
Abramovitz, M., y Stegun, I. (1965). Handbook of Mathematical Formulas Graphs and
Mathematical Tables. US Department of Commerce, National Bureau of Standards,
Washington, DC.
Aguas de Bogotá SA ESP (2021) Glosario. (s. f.). Recuperado 1 de julio de 2021
Alcaldía de Motavita. (2000) Esquema de Ordenamiento Territorial Colombia: Motavita.
Alcaldía de Motavita. (2016). Plan de Desarrollo Municipal de Motavita 2016- 2019: Motavita,
Unidos por Motavita. Colombia: Motavita.
Alfaro, R., y Pacheco, R. (2000). Aplicación de algunos métodos de relleno a series anuales de
lluvia de diferentes regiones de Costa Rica. Tópicos meteorológicos y oceanográficos,
7(1), 1–20.
AEMET. (2018). Zona de Convergencia Intertropical (ZCIT). MeteoGlosario Visual.
Alley, W. (1984). The Palmer Drought Severity Index: Limitations and Assumptions. Journal of
Climate and Applied Meteorology, 23, 1100-1109.
Allen, R. G., Pereira, L. S., Raes, D., y Smith, M. (1998). Crop evapotranspiration-
Guidelines for computing crop water requirements-FAO Irrigation and drainage paper
56. Fao, Rome, 300(9), D05109.
Allen, R. G., Pereira, L. S., Raes, D., y Smith, M. (2006). Evapotranspiración del cultivo: Guías
para la determinación de los requerimientos de agua de los cultivos. Roma: FAO, 298(0).
Andrades, M. S., y Múñez, C. (2012). Fundamentos de climatología.
Arango, C., Dorado, J., Guzmán, D., y Ruiz, J. (2012). Cambio Climático más probable para
Colombia a lo largo del siglo XXI respecto al clima presente. Subdirección de
Meteorología–IDEAM, 1–38.
Ariza, F. J. (2002). Calidad en la producción cartográfica. Madrid: Ra-Ma.
Baillie, I. C. (2001). Soil survey staff 1999, soil taxonomy: a basic system of soil
Classification for making and interpreting soil surveys, agricultural handbook 436, Natural
Resources Conservation Service, USDA, Washington DC, USA, pp. 869.
Barboza, Ó. (2013). Calentamiento global: “la máxima expresión de la civilización petrofósil”.
Revista del CESLA. International Latin American Studies Review, 16, 35–68.
Boyacá, G. (2020). Pacto social por Boyacá: Tierra que sigue Avanzando. Plan de Desarrollo,
2023.
Brío, B. M. del, y Molina, A. S. (2001). Redes neuronales y sistemas borrosos: Introducción, teoría
y práctica / Bonifacio Martín del Brio, Alfredo Sanz
Burton, I., Kates, R.W. y White, G.F. (1978): The environment as hazard. Oxford University Press.
New York. 240 pp.
102
Cadena, M. (2005). Estudio de diversos índices de sequía para la región Caribe colombiana [PhD
Tesis]. Tesis para optar el título de Magíster en Ciencias-Meteorología. Universidad
Nacional de Colombia.
CEDEX. (2013). Elaboración y Mantenimiento de un Sistema de Indicadores Hidrológicos y
Estudios para la Identificación y Caracterización de Sequías.
CENEPRED. (2014). Manual para la Evaluación de Riesgos Originados por Fenómenos
Naturales – 2da Versión.
CEPAL. (2016, Octubre 13). Convención Marco De Las Naciones Unidas Sobre el Cambio
Climático [Text]. Observatorio del Principio 10.
CEPAL. (2019). La Agenda 2030 y los Objetivos de Desarrollo Sostenible: Una oportunidad para
América Latina y el Caribe. Objetivos, metas e indicadores mundiales. CEPAL.
CEUPE. (2021)¿Qué es la circulación atmosférica? Ceupe.
Colombia. Ministerio de Ambiente, Vivienda y Desarrollo Territorial, y Instituto de Hidrología,
Meteorologia y Estudios Ambientales (IDEAM). (2005). Atlas climatológico de Colombia.
Ideam (Instituto de Hidrología, Meteorologia y Estudios Ambientales).
Cook, E. R., Anchukaitis, K. J., Buckley, B. M., D’Arrigo, R. D., Jacoby, G. C., y Wright, W. E.
(2010). Asian Monsoon Failure and Megadrought During the Last Millennium. Science,
328(5977), 486-489.doi.org/10.1126/science.1185188
Cook, E. R., Seager, R., Heim, R. R., Vose, R. S., Herweijer, C., y Woodhouse, C. (2010).
Megadroughts in North America: Placing IPCC projections of hydroclimatic change in a
long-term palaeoclimate context. Journal of Quaternary Science, 25(1), 48-61.
doi.org/10.1002/jqs.1303
Cook, E. R., Seager, R., Kushnir, Y., Briffa, K. R., Büntgen, U., Frank, D., Krusic, P. J., Tegel,
W., Schrier, G. van der, Andreu-Hayles, L., Baillie, M., Baittinger, C., Bleicher, N., Bonde,
N., Brown, D., Carrer, M., Cooper, R., Čufar, K., Dittmar, C., … Zang, C. (2015). Old
World megadroughts and pluvials during the Common Era. Science Advances, 1(10),
e1500561. doi.org/10.1126/sciadv.1500561
CNULDS (1994). Convención Internacional de Lucha Contra la Desertificación en los países
afectados por sequía grave o desertificación, en particular en África.
Decreto 919 de 1989. Por cual se organiza el Sistema Nacional para la Prevención y
Atención de Desastres y se dictan otras disposiciones. 1 de Mayo de 1989. Diario Oficial
No 38.799
ESE Centro de Salud de Motavita. (2020). Análisis de situación de salud con el modelo de los
determinantes sociales de salud, municipio de Motavita Boyacá 2020
Estrategia Internacional para la Reducción de Desastres de Naciones Unidas -UNISDR.
(2009).Terminología sobre reducción del riesgo de desastre. Ginebra: UN.
Estupiñán, A., y Carvajal-Serna, L. F. (2014). Evaluación de las tendencias de largo plazo en la
precipitación en la cuenca del rio Aburra (Medellín-Colombia) durante el período 1981-
2017
Evans, J., y Perlman, H. (2014). The water cycle. United States Geological Survey.
103
Fajardo Rojas, A. E. (2019). Variabilidad climática y disponibilidad hídrica en los valles de Ubaté,
Chiquinquira y Alto Chicamocha, Colombia. Acta Agronómica, 68(3), 182-195.
doi.org/10.15446/acag.v68n3.69082
FAO, I., y PNUMA, I. (1999). El futuro de nuestra tierra, enfrentando el desafío guía para la
planificación integrada para el desarrollo sostenible de los recursos de la tierra. Roma,
Italia.
FAO. (2013). Afrontar la escasez de agua: Un marco de acción para la agricultura y laseguridad
alimentaria. FAO.
Fondear. (s.f). Los Alisios. http://www.fondear.org/infonautic/Mar/Meteo/Alisios/Alisios.htm
Gencat. (2009). La Cumbre de Johannesburgo (2002). Departamento de Territorio y
Sostenibilidad.
Gómez, C. E. [et al. (2010). Protocolo de degradación de suelos y tierras por desertificación.
IGAC; IDEAM; MAVDT.
Gómez, J., y Cadena, M. C. (2017). Actualización de las estadísticas de la sequía en Colombia.
Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM.
Guttman, N.B., 1998: Comparing the Palmer Drought Index and the Standardized
Precipitation Index. Journal of the American Water Resources Association, 34:113–121,
doi:10.1111/j.1752-1688.1998.tb05964.
Guttman, N. B. (1999). Accepting the Standardized Precipitation Index: A CalculationAlgorithm1.
JAWRA Journal of the American Water Resources Association, 35(2), 311-322.
doi.org/10.1111/j.1752-1688.1999.tb03592.x
Heim Jr, R. R. (2002). A review of twentieth-century drought indices used in the United
States. Bulletin of the American Meteorological Society, 83(8), 1149-1166.
Hendon, H. H., y Salby, M. L. (1994). The life cycle of the Madden–Julian oscillation.
Journal of Atmospheric Sciences, 51(15), 2225-2237.
Hurtado, G. (1996) Estadísticas de sequías y heladas meteorológicas en Colombia. IDEAM.
Hurtado, G., y Cadena, M. C. (2002). Aplicación de índices de sequía en Colombia. Universidad
Nacional de Colombia. Departamento de Geociencias.
IDEAM. (2010). Estudio nacional del agua 2010. instname:Unidad Nacional para la Gestión del
Riesgo de Desastres.
IDEAM. (2012). Sequía Meteorológica y sequía Agrícola en Colombia incidencias y tendencias
IDEAM, Estudio Nacional del Agua 2014. Bogotá, D. C., 2015. 496 páginas.
IDEAM, U.D.C.A 2015. Síntesis del estudio nacional de la degradación de suelos por erosión en
Colombia - 2015. IDEAM - MADS.Bogotá D.C., Colombia., 62 págs. Publicación
aprobada por el IDEAM, Diciembre de 2015, Bogotá D.C., Colombia.
IDEAM, CAR y U.D.C.A, 2017. Protocolo para la identificación y evaluación de la degradación
de suelos por salinización. IDEAM.
IDEAM - UNAL, Variabilidad Climática y Cambio Climático en Colombia, Bogotá, D.C.,
104
2018.
IDEAM (2019). Estudio Nacional del Agua 2018. Bogotá: Ideam: 452 pp.
IDEAM. (2019). Glosario Meteorológico.
IGAC. (2005). Estudio General de Suelos y Zonificación de Tierras del Departamento de
Boyacá.
IGAC. (2016). Metodología Elaborar y Actualizar Áreas Homogéneas de Tierras con Fines
Multipropósito.
Intergubernamental de Expertos sobre el Cambio Climático. (1997). Introducción a los modelos
climáticos simples utilizados en el Segundo Informe de Evaluación del IPCC.
Inter-American Development Bank. (2018). Proceso Regional de las Américas: Foro Mundial del
Agua 2018: Informe regional América Latina y el Caribe: Resumen ejecutivo. Inter-
American Development Bank.doi.org/10.18235/0001028
Intergubernamental de Expertos sobre el Cambio Climático. (2019). Calentamiento
globalde1,5°C.
IPCC, 1997: Grupo intergubernamental de expertos sobre el cambio climático, y
Intergovernmental Panel on Climate Change (Eds.). (1997). Introducción a los modelos
climáticos simples utilizados en el segundo informe de evaluación del IPCC An
introduction to simple climate models used in the IPCC second assessment report. IPCC.
IPCC, 2012: “Resumen para responsables de políticas”en el Informe especial sobre la gestión de
los riesgos de fenómenos meteorológicos extremos y desastres para mejorar la adaptación
al cambio climático [edición a cargo de C. B. Field, C. B., V. Barros, T. F. Stocker, D. Qin,
D. J. Dokken, K. L. Ebi, M. D. Mastrandrea, K. J. Mach, G. -K. Plattner, S. K. Allen, M.
Tignor, y P. M. Midgley]. Informe especial de los Grupos de trabajo I y II del Grupo
Intergubernamental de Expertos sobre el Cambio Climático, Cambridge University Press,
Cambridge, Reino Unido y Nueva York, Nueva York, Estados Unidos de América, págs.
1-19
ISO/IEC Guide (2009). Frequency 3.6.1.5. The Risk Management Vocabulary.
Izaurieta, F., y Saavedra, C. (2000). Redes neuronales artificiales. Departamento de Física,
Universidad de Concepción Chile.
Ley 1523 de 2012. Por la cual se adopta la política nacional de gestión del riesgo de desastres y se
estableces el Sistema Nacional de Gestión del Riesgo de Desastres y se dictan otras
disposiciones. 24 de Abril de 2012. Diario Oficial No. 48.411
Kharraz, J. E., El-Sadek, A., Ghaffour, N., y Mino, E. (2012). Water scarcity and drought in
WANA countries. Procedia Engineering, 33, 14-29.
doi.org/10.1016/j.proeng.2012.01.1172
Kohonen, T. (1988). An introduction to neural computing. Neural Networks, 1(1), 3-16.
doi.org/10.1016/0893-6080 (88)90020-2
Kumar, M. N., Murthy, C. S., Sai, M. V. R. S., y Roy, P. S. (2009). On the use of Standardized
Precipitation Index (SPI) for drought intensity assessment. Meteorological Applications,
16(3), 381-389.doi.org/10.1002/met.136
105
Leyva Franco, P. ed. (1998). El medio ambiente en Colombia. IDEAM.
Li, J., y Heap, A. D. (2011). A review of comparative studies of spatial interpolation methods in
environmental sciences: Performance and impact factors. Ecological Informatics, 6(3),
228-241. doi.org/10.1016/j.ecoinf.2010.12.003
López, R. F., Fernandez, J. M., y Fernández, J. M. F. (2008). Las Redes Neuronales Artificiales.
Netbiblo.
Lozano, H., y Caicedo, H. (2019). Caja de herramientas: Incorporando la gestión del riesgo de
desastres y la adaptación al cambio climático en proyectos de inversión pública.
Masih, I., Maskey, S., Mussá, F., y Trambauer, P. (2014). A review of droughts on the African
continent: A geospatial and long-term perspective. Hydrology and Earth System Sciences,
18, 3635-3649. doi.org/10.5194/hess-18-3635-2014
Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Universidad
Tecnológica Nacional, México, 41.
Mayorga, R., y Hurtado. (2006). La sequía en Colombia. Instituto de Hidrología, Meteorología y
Estudios Ambientales – IDEAM.
McKee, T. B., Doesken, N. J., y Kleist, J. (1993). The Relationship of Drought Frequency and
Duration to Time Scales
Meehl, G., Stocker, T., Collins, W., Friedlingstein, P., Gaye, A., JM, G., Kitoh, A., Knutti, R., JM,
M., Noda, A., Raper, S., Watterson, I. G., Weaver, A., y Zhao, Z.-C. (2007). Global Climate
Projections. En Climate Change (Vol. 3495).
Miyamoto, B. C. B. (2017). Impactos econômicos de eventos extremos de precipitação na
agricultura brasileira.
Montealegre, J. (2009). Estudio de la variabilidad climática de la precipitación en Colombia
asociada a procesos oceánicos y atmosféricos de meso y gran escala. Disponible desde
Internet en: http://institucional. Ideam. gov. co/jsp/812
Morales, M. S., Cook, E. R., Barichivich, J., Christie, D. A., Villalba, R., LeQuesne, C., Srur,
A.M., Ferrero, M. E., González-Reyes, Á., Couvreux, F., Matskovsky, V., Aravena, J. C.,
Lara, A., Mundo, I. A., Rojas, F., Prieto, M. R., Smerdon, J. E., Bianchi, L. O., Masiokas,
M. H.,… Boninsegna, J. A. (2020). Six hundred years of South American tree rings reveal
an increase in severe hydroclimatic events since mid-20th century. Proceedings of the
National Academy of Sciences, 117(29), 16816-16823. doi.org/10.1073/pnas.2002411117
Munt, A. M. (2018). Introducción a los modelos de redes neuronales artificiales El Perceptrón
simple y multicapa. 47.
Naciones Unidas. (1992). Convención Marco de las Naciones Unidas sobre el Cambio Climático
Naciones Unidas. (1997). El protocolo de Kioto | Naciones Unidas. United Nations; United
Nations.
Naciones Unidas. (2015). El Acuerdo de París | Naciones Unidas. United Nations; United
Nations.
106
NDMC. (2003). Sequía. National Drought Mitigation Center.
NDMC.(2018).SPIGenerator.exe. Windows. Estados Unidos: National Drought Mitigation
Center.
Núñez, S., Núñez, L., Podestá, G., y Skansi, M. (2005). El índice estandarizado de precipitación
como herramienta para la caracterización y el monitoreo de la sequía: Una prueba de
concepto. XIX Congreso Argentino de Meteorología. Buenos Aires.
Oficina de las Naciones Unidas para Reducción de Riesgo de Desastres. (2009). 2009 UNISDR:
Terminología sobre reducción del riesgo de desastres. Issuu.
OMM. (1992). International meteorological vocabulary. Secretariat of the World Meteorological
Organization.
Organización Meteorológica Mundial (OMM). (1992). Tercer Plan a largo plazo de la OMM,
política y estrategia generales 1992-2001—Tercer plan a largo plazo de la OMM, parte I.
OMM.
Organización Meteorológica Mundial (OMM). (1997). Organización Meteorológica Mundial—
Informe Anual 1996 (N.o 859; p. 60).
OMM. (2006). Drought monitoring and early warning: concepts, progress and future challenges.
OMM. (2012). Índice normalizado de precipitación, Guía del Usuario OMM. Organización
Meteorológica Mundial Ginebra.
Organización de las Naciones Unidas (ONU). (1992). La declaración del Río sobre el Medio
Ambiente y el Desarrollo.
Ortega-Gaucin, D. (2012). Sequía en Nuevo León: Vulnerabilidad, Impactos Y Estrategias de
Mitigación. Instituto Del Agua De N.l.
Organización Meteorológica Mundial (OMM) y Asociación Mundial para el Agua (2016):
Manual de indicadores e índices de sequía (M. Svoboda y B.A. Fuchs). Programa de
gestión integrada de sequías, Serie 2 de herramientas y directrices para la gestión integrada
de sequías. Ginebra.
Pachauri, R. K., Meyer, L. A., y Stocker, T. (2014). IPCC 2014: Cambio climático 2014:
Informe de síntesis. Contribución de los Grupos de Trabajo I. II y III al Quinto Informe de
evaluación del panel intergubernamental sobre el cambio climático. IPCC, Ginebra, CHE.
Páez, S. R., y Morales, R. (2003). Evidencias de la oscilación del tiempo Madden y Julián
en el Caribe colombiano. Boletín Científico CIOH, (21), 101-113.
Palmer, W. C. (1965). Meteorological Drought. U.S. Department of Commerce, Weather Bureau.
Pardo, A., y Camila, L. (2018). Evaluación de la sostenibilidad en el manejo del recurso hídrico
según en la metodología «City Blueprint Framework» en la cuenca alta del rio chicamocha.
Peel, M. C., Finlayson, B. L., y McMahon, T. A. (2007). Updated world map of the Köppen-Geiger
climate classification. Hydrology and Earth System Sciences, 11(5), 1633-1644.
doi.org/10.5194/hess-11-1633-2007
107
Pérez Betancourt, J., Martínez Gómez, M. T., y Hernández Gelves, S. A. (2017). Evaluación inicial
sobre el status quo de los sistemas de alerta temprana contra la sequía en Colombia.
Pizarro, R., Gonzales, P., Wittersshein, M., Saavedra, J., y Soto, C. (1993). Elementos técnicos de
hidrología III. Proyecto regional mayor sobre uso y conservación de recursos hídricos en
áreas rurales de América latina y el caribe. Universidad de Talca, Talca, Chile.
Poveda, G., Mesa, O., Agudelo, P., y Alavarez, J. (2002). Influencia del ENSO, oscilación
Madden-Julian, ondas del este, huracanes y fases de la luna en el ciclo diurno de
precipitación en los Andes Tropicales de Colombia. Meteorología Colombiana.
Quesada, M. E., y Waylen, P. R. (2012). Annual and Seasonal Hydrological Differences in
Adjacent Regions: A Study of the Virilla and Grande de San Ramon River Basins (Costa
Rica). Cuadernos de Geografía: Revista Colombiana de Geografía, 21(2), 167-175.
Ravelo, A. (1990). Manual Teórico Operativo del Índice de Sequía de Palmer. Revista
Geofísica, 39, 85–99.
Rodríguez I. 2001. Taller de Capacitación en Aspectos Básicos de la Ciencia del Suelo y
Clasificación de la Capacidad de uso de la Tierra. Universidad Nacional Agraria. Proyecto
Manejo Sostenible de los Recursos Naturales en el Sur Oeste de Nicaragua., DR-GTZ.
Managua, Nicaragua. 208 p.
Ruíz Murcia, J. F., Serna Cuenca, J., y Zapata Lesmes, J. H. (2017). Atlas de viento de
Colombia. IDEAM, Unidad de Planeación Minero Energético (UPME).
Saaty T. L. (1980). The Analytic Hierarchy Process, McGraw-Hill Book Co., N.Y.
SANTOS PEREIRA, L., VALERO, J., PICORNELL, M., y TARJUELO, J. (2010).
El riego y sus tecnologías. CREA-UCLM (1ra edición en castellano), ISBN, 13, 978-84.
Sánchez, P., y Velásquez, J. D. (2010). Problemas de investigación en la predicción de series de
tiempo con redes neuronales artificiales. Revista Avances en Sistemas e Informática, 7(3),
67–73.
Sarochar, H. (2013). Introduccion A La Meteorologia I | Niebla | Lluvia. Scribd.
Sanga Tito, D. A. (2019). Cambio Climático. Universidad Autónoma San Francisco.
Servicio Meteorológico Mundial. (2020). Oscilaciones: el mundo en movimiento.
Shaxson, F., y Barber, R. (2005). Optimización de la humedad del suelo para la producción
vegetal. El significado de la porosidad del suelo
Steduto, P., Hsiao, T. C., Fereres, E., y Raes, D. (2012). Respuesta del rendimiento de los cultivos
al agua. Estudio FAO: Riego y Drenaje (FAO) spa no. 66.
Tercera Comunicación Nacional de Cambio Climático. IDEAM, PNUD, MADS, DNP,
Cancillería, “Conocer: El primer paso para adaptarse. Guía básica de conceptos sobre el
cambio climático” 2016
Thom, H. C. (1958). A note on the gamma distribution. Monthly Weather Review, 86(4), 117122.
Thornthwaite, C. W. (1948). An approach toward a rational classification of climate. Geographical
review, 38(1), 55–94.
108
Thornthwaite, C. W and Mather, J.R. 1957. Instructions and tables for computing potential
evapotranspiration and the water balance. Drexel Institute of Technology. Climatology.
10(3):185-311.
Torres, L. G. (1994). Redes neuronales y aproximación de funciones. Boletín de Matemáticas,
1(2), 35-58.
Torres Pineda, C. E. (2012). Efecto de las ondas Madden-Julián en la precipitación sobre algunas
regiones del territorio colombiano. Departamento de Geociencias.
Torregrosa, V. (2014). Diccionario etimológico de meteorología y ciencias afines.
UNGRD Motavita. (2012). Plan Municipal de Gestión del Riesgo de Desastres. Municipio de
Motavita Boyacá.https://repositorio.gestiondelriesgo.gov.co/handle/20.500.11762/28453
Unidad Nacional para la Gestión del Riesgo de Desastres
UNGRD. (2014). Plan Nacional de Contingencia ante el fenómeno del Niño 2014-2015.
UNGRD Motavita. (2016). Plan Municipal de Gestión del Riesgo de Desastres. Municipio de
Motavita Boyacá.
UNGRD. (2016). Plan Nacional de Contingencia para la segunda temporada de lluvias y posible
Fenómeno La Niña 2016- 2018.
UNGRD. (2016). Plan Nacional de Contingencia para Temporada Seca: 15 Dic 2016 – 15 Marzo
2017.
UNGRD. (2017). Terminología sobre Gestión del Riesgo de Desastres y Fenómenos
Amenazantes. Unidad Nacional para la Gestión del Riesgo de Desastres.
UNGRD. (2017). Estrategias de perspectivas estacionales de sequía para tomar decisiones
apropiadas y oportunas en el campo de la agricultura y los recursos hídricos. Unidad
Nacional para la Gestión del Riesgo de Desastres
UNGRD, El Instituto de Hidrología, Meteorología y Estudios Ambientales, Ministerio de
Ambiente, Cancillería, The Global Mechanism, y Organización de las Naciones Unidas.
(2018). Estrategia Nacional para la Gestión Integral de la sequía en Colombia.
UNGRD. (2018). Atlas de riesgo de Colombia: Revelando los desastres latentes. Unidad Nacional
para la Gestión del Riesgo de Desastres.
Velasco, I., Ochoa, L., y Gutiérrez, C. (2005). Sequía, un problema de perspectiva y gestión.
Región y sociedad, 17(34), 35-71.
Villón, M. (2006). Hidrología estadística. Costa Rica: Tecnológica de Costa Rica.
Weninger, B., Clare, L., Gerritsen, F., Horejs, B., Krauß, R., Linstädter, J., Özbal, R., y
Rohling, E. (2014). Neolithisation of the Aegean and Southeast Europe during the 6600–
6000 calBC period of Rapid Climate Change. Documenta Praehistorica, 41, 1-31.
doi.org/10.4312/dp.41.1
Wells, N., S. Goddard and M.J. Hayes, 2004: A self-calibrating Palmer Drought Severity
Index. Journal of Climate, 17: 2335–2351.doi:10.1175/1520-0442 (2004)017.
W. E. Marlatt, A. V. Havens, N. A. Willets, and G. D. Brill, “A Comparison of Computed
109
and Measured Soil Moisture under Snap Beans,” Journal of Geophysical Research, vol. 66,
No. 2, Feb. 1961, pp. 535-541.
Wilhite, D. A., y Glantz, M. H. (1985). Understanding: The Drought Phenomenon: The Role of
Definitions. Water International, 10(3), 111-120.doi.org/10.1080/02508068508686328.
Wilhite, D. A., Svoboda, M. D., y Hayes, M. J. (2006). Understanding the complex impacts of
drought: A key to enhancing drought mitigation and preparedness. Water resources
management, 21(5), 763–774.
Witten, I. H., Frank, E., Hall, M. A., y Pal, C. J. (2016). Data Mining: Practical Machine Learning
Tools and Techniques.
Witten, I.H., Frank, E., Trigg, L., Hall, M., Holmes, G. y Cunningham, S.J. (1999). Weka:
Practical machine learning tools and techniques with Java implementations. (Working
paper 99/11). Hamilton, New Zealand: University of Waikato, Department of Computer
Science.
Yuan, S., Quiring, S. M., y Patil, S. (2016). Spatial and temporal variations in the accuracy of
meteorological drought indices. Cuadernos de Investigación Geográfica, 42(1), 167-183.
doi.org/10.18172/cig.2916.
110
ANEXOS
Anexo 1
Tabla A1.1: Media de la duración mensual posible de la luz solar en el hemisferio norte expresada en 12 horas.
Latitud Norte Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
0 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2
1 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2
2 31.2 28.2 31.2 30.3 31.5 30.6 31.2 31.2 30.3 31.2 30.0 30.9
3 30.9 28.2 30.9 30.3 31.5 30.6 31.5 31.2 30.3 31.2 30.0 30.9
4 30.9 27.9 30.9 30.6 31.8 30.9 31.5 31.5 30.3 30.9 30.0 30.6
5 30.6 27.9 30.9 30.6 31.8 30.9 31.8 31.5 30.3 30.9 29.7 30.6
6 30.6 27.9 30.9 30.6 31.8 31.2 31.8 31.5 30.3 30.9 29.7 30.3
7 30.3 27.6 30.9 30.6 32.1 31.2 32.1 31.8 30.3 30.9 29.7 30.3
8 30.3 27.6 30.9 30.9 32.1 31.5 32.1 31.8 30.6 30.6 29.4 30.0
9 30.0 27.6 30.9 30.9 32.4 31.5 32.4 31.8 30.6 30.6 29.4 30.0
10 30.0 27.3 30.9 30.9 32.4 31.8 32.4 32.1 30.6 30.6 29.4 29.7
11 29.7 27.3 30.9 30.9 32.7 31.8 32.7 32.1 30.6 30.6 29.1 29.7
12 29.7 27.3 30.9 31.2 32.7 32.1 33.0 32.1 30.6 30.3 29.1 29.4
13 29.4 27.3 30.9 31.2 33.0 32.1 33.0 32.4 30.6 30.3 28.8 29.4
14 29.4 27.3 30.9 31.2 33.0 32.4 33.3 32.4 30.6 30.3 28.8 29.1
15 29.1 27.3 30.9 31.2 33.3 32.4 33.6 32.4 30.6 30.3 28.5 29.1
16 29.1 27.3 30.9 31.2 33.3 32.7 33.6 32.7 30.6 30.3 28.5 28.8
17 28.3 27.3 30.9 31.5 33.6 32.7 33.9 32.7 30.6 30.0 28.2 28.8
18 28.8 27.0 30.9 31.5 33.6 33.0 33.9 33.0 30.6 30.0 28.2 28.5
19 28.5 27.0 30.9 31.5 33.9 33.0 34.2 33.0 30.6 30.0 27.9 28.5
20 28.5 27.0 30.9 31.5 33.9 33.3 34.2 33.3 30.6 30.0 27.9 28.2
21 28.2 27.0 30.9 31.5 33.9 33.3 34.5 33.3 30.6 30.0 27.6 28.2
22 28.2 26.7 30.9 31.8 34.2 33.6 34.5 33.3 30.6 29.7 27.6 27.9
23 27.9 26.7 30.9 31.8 34.2 33.9 34.8 33.6 30.6 29.7 27.6 27.6
24 27.9 26.7 30.9 31.8 34.5 34.2 34.8 33.6 30.6 29.7 27.3 27.6
25 27.9 26.7 30.9 31.8 34.5 34.2 35.1 33.6 30.6 29.7 27.3 27.3
26 27.6 26.4 30.9 32.1 34.8 34.5 35.1 33.6 30.6 29.7 27.3 27.3
27 27.6 26.4 30.9 32.1 34.8 34.5 35.4 33.9 30.6 29.7 27.0 27.0
28 27.3 26.4 30.9 32.1 35.1 34.8 35.4 33.9 30.9 29.4 27.0 27.0
29 27.3 26.1 30.9 32.1 35.1 34.8 35.7 33.9 30.9 29.4 26.7 26.7
30 27.0 26.1 30.9 32.4 35.4 35.1 36.0 34.2 30.9 29.4 26.7 26.4
31 27.0 26.1 30.9 32.4 35.4 35.1 36.0 34.2 30.9 29.4 26.4 26.4
32 26.7 25.8 30.9 32.4 35.7 35.4 36.3 34.5 30.9 29.4 26.4 26.1
33 26.4 25.8 30.9 32.7 35.7 35.7 36.3 34.5 30.9 29.1 26.1 25.8
34 26.4 25.8 30.9 32.7 36.0 36.0 36.6 34.8 30.9 29.1 26.1 25.8
35 26.1 25.5 30.9 32.7 36.3 36.3 36.9 34.8 30.9 29.1 25.8 25.5
36 26.1 25.5 30.9 33.0 36.3 36.6 37.2 34.8 30.9 29.1 25.8 25.2
37 25.8 25.5 30.9 33.0 36.6 36.9 37.5 35.1 30.9 29.1 25.5 24.9
38 25.5 25.2 30.9 33.0 36.9 37.2 37.5 35.1 31.2 28.8 25.2 24.9
39 25.5 25.2 30.9 33.3 36.9 37.2 37.8 35.4 31.2 28.8 25.2 24.6
40 25.2 24.9 30.9 33.3 37.2 37.5 38.1 35.4 31.2 28.8 24.9 24.3
41 24.9 24.9 30.9 33.3 37.5 37.8 38.1 35.7 31.2 28.8 24.6 24.0
42 24.6 24.6 30.9 33.6 37.8 38.1 38.4 35.7 31.2 28.5 24.6 23.7
43 24.3 24.6 30.6 33.6 37.8 38.4 38.7 36.0 31.2 28.5 24.3 23.1
44 24.3 24.3 30.6 33.6 38.1 38.7 39.0 36.0 31.2 28.5 24.0 22.8
45 24.0 24.3 30.6 33.9 38.4 38.7 39.3 36.3 31.2 28.2 23.7 22.5
Fuente: Thornthwaite y Mather (1957)
111
Tabla A1.2: Media de la duración mensual posible de la luz solar en el hemisferio sur expresada en 12 horas.
Latitud
Sur
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
0 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2
1 31.2 28.2 31.2 30.3 31.2 30.3 31.2 31.2 30.3 31.2 30.3 31.2
2 31.5 28.2 31.2 30.3 30.9 30.0 31.2 31.2 30.3 31.2 30.6 31.5
3 31.5 28.5 31.2 30.0 30.9 30.0 30.9 31.2 30.0 31.2 30.6 31.5
4 31.8 28.5 31.2 30.0 30.9 29.7 30.9 30.9 30.0 31.5 30.6 31.8
5 31.8 28.5 31.2 30.0 30.6 29.7 30.6 30.9 30.0 31.5 30.9 31.8
6 31.8 28.8 31.2 30.0 30.6 29.4 30.6 30.9 30.0 31.5 30.9 32.1
7 32.1 28.8 31.2 30.0 30.6 29.4 30.3 30.6 30.0 31.5 30.9 32.4
8 32.1 28.6 31.5 29.7 30.3 29.1 30.3 30.6 30.0 31.8 31.2 32.4
9 32.4 29.1 31.5 29.7 30.3 29.1 30.0 30.6 30.0 31.8 31.2 32.7
10 32.4 29.1 31.5 29.7 30.3 28.8 30.0 30.3 30.0 31.8 31.5 33.0
11 32.7 29.1 31.5 29.7 30.0 28.8 29.7 30.3 30.0 31.8 31.5 33.0
12 32.7 29.1 31.5 29.7 30.0 28.5 29.7 30.3 30.0 31.8 31.8 33.3
13 33.0 29.4 31.5 29.4 29.7 28.5 29.4 30.0 30.0 32.1 31.8 33.3
14 33.3 29.4 31.5 29.4 29.7 28.2 29.4 30.0 30.0 32.1 32.1 33.6
15 33.6 29.4 31.5 29.4 29.4 28.2 29.1 30.0 30.0 32.1 32.1 33.6
16 33.6 29.7 31.5 29.4 29.4 27.9 29.1 30.0 30.0 32.1 32.1 33.9
17 33.9 29.7 31.5 29.4 29.1 27.9 28.8 29.7 30.0 32.1 32.4 33.9
18 33.9 29.7 31.5 29.1 29.1 27.6 28.8 29.7 30.0 32.4 32.4 34.2
19 34.2 30.0 31.5 29.1 28.8 27.6 28.5 29.7 30.0 32.4 32.7 34.2
20 34.2 30.0 31.5 29.1 28.8 27.3 28.5 29.7 30.0 32.4 32.7 34.5
21 34.5 30.0 31.5 29.1 28.8 29.3 28.2 29.7 30.0 32.4 32.7 34.5
22 34.5 30.0 31.5 29.1 28.5 27.0 28.2 29.4 30.0 32.7 33.0 34.8
23 34.8 30.3 31.5 28.8 28.5 26.7 27.9 29.4 30.0 32.7 33.0 35.1
24 35.1 30.3 31.5 28.8 28.2 26.7 27.9 29.4 30.0 32.7 33.3 35.1
25 35.1 30.3 31.5 28.8 28.2 26.4 27.9 29.4 30.0 33.0 33.3 35.4
26 35.4 30.6 31.5 28.8 28.2 26.4 27.6 29.1 30.0 33.0 33.6 35.4
27 35.4 30.6 31.5 28.8 27. 9 26.1 27.6 29.1 30.0 33.3 33.6 35.7
28 35.7 30.6 31.8 28.5 27.9 25.8 27.3 29.1 30.0 33.3 33.9 36.0
29 35.7 30.9 31.8 28.5 27.6 25.8 27.3 28.8 30.0 33.3 33.9 36.0
30 36.0 30.9 31.8 28.5 27.6 25.5 27.0 28.8 30.0 33.6 34.2 36.3
31 36.3 30.9 31.8 28.5 27.3 25.2 27.0 28.8 30.0 33.6 34.5 36.6
32 36.3 30.9 31.8 28.5 27.3 25.2 26.7 28.5 30.0 33.6 34.5 36.9
33 36.6 31.2 31.8 28.2 27.0 24.9 26.4 28.5 30.0 33.9 34.8 36.9
34 36.6 31.2 31.8 28.2 27.0 24.9 26.4 28.5 30.0 33.9 34.8 37.2
35 36.9 31.2 31.8 28.2 26.7 24.6 26.1 28.2 30.0 33.9 35.1 37.5
36 37.2 31.5 31.8 28.2 26.7 24.3 25.8 28.2 30.0 34.2 35.4 37.6
37 37.5 31.5 31.8 28.2 26.4 24.0 25.5 27.9 30.0 34.2 35.7 38.1
38 37.5 31.5 32.1 27.9 26.1 24.0 25.5 27.9 30.0 34.2 35.7 38.1
39 37.8 31.8 32.1 27.9 26.1 23.7 25.2 27.9 30.0 34.5 36.0 38.4
40 38.1 31.8 32.1 27.9 25.8 23.4 25.2 27.6 30.0 34.5 36.0 38.7
41 38.1 32.1 32.1 27.9 25.8 23.1 24.9 27.6 30.0 34.5 36.3 39.0
42 38.4 32.1 32.1 27.6 25.5 22.8 24.6 27.6 30.0 34.8 36.6 39.3
43 38.7 32.4 32.1 27.6 25.2 22.5 24.6 27.3 30.0 34.8 36.6 39.6
44 39.0 32.4 32.1 27.6 24.9 22.2 24.3 27.3 29.7 34.8 36.9 39.9
45 39.3 32.7 32.1 27.6 24.9 21.9 24.0 27.3 29.7 35.1 37.2 40.2
46 39.6 32.7 32.1 27.3 24.6 21.6 23.7 27.0 29.7 35.1 37.5 40.5
47 39.9 33.0 32.1 27.3 24.3 21.3 23.4 27.0 29.7 35.1 37.8 40.8
48 40.2 33.0 32.4 27.0 24.0 21.0 22.8 26.7 29.7 35.4 38.1 41.1
49 40.5 33.3 32.4 27.0 23.7 20.7 22.5 26.7 29.7 35.4 38.4 41.7
Fuente: Thornthwaite y Mather (1957)
112
Anexo 2
Tabla A2.1: Clasificación de los tipos de suelo
Tipos de suelo Abreviatura Clase textural Granulometría (%)
Arena Limo Arcilla
Suelos arenosos Texturas gruesas
A Arenoso 86-100 0-14 0-10
AF Arenoso Franco 70-86 0-30 0-15
Suelos francos
Textura moderadamente
gruesa FA Franco Arenoso 50-70 0-50 0-20
Texturas medias
F Franco 23-52 28-50 7-27
FL Franco Limoso 20-50 74-88 0-27
L Limoso 0-20 88-100 0-12
Texturas
moderadamente finas
Far Franco Arcilloso 20-45 15-52 27-40
FArA Franco Arcillo Arenoso 45-80 0-28 20-35
FArL Franco Arcillo limoso 0-20 40-73 27-40
Suelos arcillosos
Texturas finas
ArA Arcilloso Arenoso 45-65 0-20 35-55
ArL Arcilloso Limoso 0-20 40-60 40-60
Ar Arcilloso 0-45 0-40 40-100
Fuente: Baillie, 2001
Tabla A2.: Comportamiento del CC y PMP para los diferentes tipos de textura del suelo
Tipo de textura del suelo Capacidad de Campo (CC) en
𝒎𝟑/𝒎−𝟑
Punto de Marchitez Permanente (PMP) en
𝒎𝟑/𝒎−𝟑
Arenoso (0,10 – 0,15) (0,03 – 0,06)
Arenoso Franco (0,12 – 0,18) (0,04 – 0,10)
Franco Arenoso (0,17 – 0,26) (0,06 – 0,13)
Franco (0,22 – 0,31) (0,09 – 0,16)
Franco Limoso (0,23 – 0,34) (0,08 – 0,15)
Limoso (0,30 – 0,32) (0,09 – 0,11)
Franco Arcilloso (0,28 – 0,38) (0,16 – 0,22)
Franco Arenoso Arcilloso (0,32 – 0,40) (0,16 – 0,23)
Franco Arcillo Limoso (0,20 – 0,30) (0,13 – 0,19)
Arcillo Arenoso (0,28 – 0,40) (0,19 – 0,30)
Arcillo Limoso (0,38 – 0,50) (0,23 – 0,34)
Arcilloso (0,39 – 0,55) (0,30 – 0,42)
Fuente: Pereira el tal., 2010
113
APÉNDICE
Apéndice A
Información al lector: En caso de requerir el programa utilizado en el presente estudio para el cálculo del PDSI y
todos sus componentes (BHC, AWC, ETP y ETR) es posible contactarse vía e-mail al correo
Ejemplo 1: Calculo Manual de Evapotranspiración Potencial (ETP) Thornthwaite, año 1987 Samacá
Mes del año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Días Teóricos 31 28 31 30 31 30 31 31 30 31 30 31
Temperatura Media
Mensual 14.3 13.8 14.4 14.3 14.3 13.7 13.2 13.8 13.8 14.2 13.6 13.9
1) Índice de calor mensual (i)
𝑖 = (𝑡
5)
1,514
𝑖 = (14.3
5)
1,514
𝑖 = 4.91
2) Índice de calor anual (I) 3) Coeficiente (a)
𝐼 = ∑ 𝑖
.→ 𝐼 = 56.69 𝑎 = (675 ∗ 10−9) ∗ 𝐼3 − (771 ∗ 10−7) ∗ 𝐼2 + (179 ∗ 10−4) ∗ 𝐼 + 0,4924
.→ 𝑎 = 1.3824
4) Evapotranspiración Potencial diaria sin corregir (ETPd sc)
𝐸𝑇𝑃𝑠𝑐 = 0.53 (10 ∗ 𝑡
𝐼)
𝑎
𝐸𝑇𝑃𝑠𝑐 = 0.53 (10 ∗ 14.3
56.69)
1.3824
𝐸𝑇𝑃𝑠𝑐 = 1.90426
Mes del año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Días Teóricos 30 30 30 30 30 30 30 30 30 30 30 30
ETPd sc 1.90426 1.81283 1.92269 1.90426 1.90426 1.79470 1.70479 1.81283 1.81283 1.88587 1.77662 1.83102
ETP mensual
sc 57.128 54.385 57.681 57.128 57.128 53.841 51.144 54.385 54.385 56.576 53.298 54.931
5) Evapotranspiración Potencial mensual ajustada (ETPa)
Latitud de la estación Samacá 5° 30’ 33.48” N
Latitudes a utilizar 5° y 6°
Thornthwaite y Mather (1957) al igual que (Allen et al., 1998) establecieron mediante cálculos computacionales los
posibles valores de luz solar para diferentes latitudes del Hemisferio Norte y Sur, estos valores fueron comparados
con valores teóricos o parámetros (meses de 30 días y luz solar de 12 horas). (Anexo 1)
Coeficientes de ajuste
DURACIÓN MENSUAL POSIBLE MEDIA DE LA LUZ SOLAR EN EL HEMISFERIO NORTE EXPRESADO EN UNIDADES DE 12 HORAS
Latitud Norte Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
5 30.6 27.9 30.9 30.6 31.8 30.9 31.8 31.5 30.3 30.9 29.7 30.6
6 30.6 27.9 30.9 30.6 31.8 31.2 31.8 31.5 30.3 30.9 29.7 30.3
DURACIÓN MEDIA POSIBLE DE LA LUZ SOLAR EN EL HEMISFERIO NORTE EXPRESADO EN UNIDADES DE 30 DÍAS DE 12 HORAS CADA UNO
Latitud Norte Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
5 1.02 0.93 1.03 1.02 1.06 1.03 1.06 1.05 1.01 1.03 0.99 1.02
6 1.02 0.93 1.03 1.02 1.06 1.04 1.06 1.05 1.01 1.03 0.99 1.01
Mes E F M A M J J A S O N D
1987 4.91 4.65 4.96 4.91 4.91 4.60 4.35 4.65 4.65 4.86 4.55 4.70
114
DURACIÓN POSIBLE DE LA LUZ SOLAR HORAS TOTALES EN EL HEMISFERIO NORTE PARA UN DIA
Latitud Norte Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
5 12.24 11.16 12.36 12.24 12.72 12.36 12.72 12.60 12.12 12.36 11.88 12.24
6 12.24 11.16 12.36 12.24 12.72 12.48 12.72 12.60 12.12 12.36 11.88 12.12
Nótese que los valores de Luz Solar en unidades de 12 horas para el mes de enero (30.6) con respecto a las latitudes
5° N y 6° N equivalen a los valores de luz solar en unidades de 30 días de 12 horas. De igual modo, tienen la misma
equivalencia con respecto a los valores de horas totales de luz mediante las siguientes ecuaciones:
Luz solar en unidades de 12 horas = 30.6
Luz solar en unidades de 30 días de 12 horas = 30.6/30 = 1.02 (valor d)
Luz solar en unidades de horas totales = 1.02*12 = 12.24 (valor N)
Es posible la utilización de cualquiera de las tablas mencionadas anteriormente para la corrección de la
Evapotranspiración Potencial del método propuesto por Thornthwaite:
𝐸𝑇𝑃 = 𝐸𝑇𝑃𝑠𝑐 ∗ (𝑁
12∗
𝑑
30)
La latitud de la estación Samacá se encuentra localizada entre las latitudes 5° y 6°. Por lo cual, se opta por tomar como
valores de ajuste el promedio de estas dos latitudes, quedando finalmente los siguientes valores de evapotranspiración
potencial mensual ajustada:
Mes del año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Coeficiente 30.6 27.9 30.9 30.6 31.8 31.05 31.8 31.5 30.3 30.9 29.7 30.45
ETPd sc 1.90426 1.81283 1.92269 1.90426 1.90426 1.79470 1.70479 1.81283 1.81283 1.88587 1.77662 1.83102
ETP mensual
ajustada 58.27033 50.57808 59.41120 58.27033 60.55544 55.72542 54.21227 57.10428 54.92888 58.27353 52.76547 55.75455
Mes del año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Coeficiente 1.02 0.93 1.03 1.02 1.06 1.04 1.06 1.05 1.01 1.03 0.99 1.02
ETP mensual
sc 57.128 54.385 57.681 57.128 57.128 53.841 51.144 54.385 54.385 56.576 53.298 54.931
ETP mensual
ajustada 58.27033 50.57808 59.41120 58.27033 60.55544 55.72542 54.21227 57.10428 54.92888 58.27353 52.76547 55.75455
Nótese que en este caso los valores de ETP mensual ajustada son los mismos utilizando la luz solar en unidades de 12
horas y la luz solar en unidades de 30 días de 12 horas.
Ejemplo 2: Calculo manual de los valores AWC para la estación Samacá
El cálculo del valor de AWC está fundamentado en la ecuación 𝐴𝑊𝐶 = 1000(𝐶𝐶 − 𝑃𝑀𝑃) ∗ (𝑍𝑟) en donde CC es la
Capacidad de Campo, PMP es el Punto de Marchitez Permanente y Zr es la Profundidad Efectiva del suelo también
denominado en algunas ocasiones como la profundidad efectiva de las raíces de las plantas o la profundidad radicular
de los cultivos. Sin embargo, se debe de guardar precaución con el término profundidad radicular de los cultivos, ya
que la profundidad radicular de los cultivos puede variar dependiendo de la etapa del cultivo.
Los suelos pueden encontrarse a nivel general en diferentes estados tales como lo menciona (Baillie, 2001).
Asociación: Se habla de asociación cuando dos o más taxones claramente diferenciables cumplen la condición de
compartir un único patrón regular de distribución que los hace separables entre sí.
Complejo: El término complejo hace referencia a dos o más taxones no diferenciables entre sí, imposibilitando la
identificación de un patrón regular o estándar que permita su separación y diferenciación.
Consociación: La consociación es la identificación clara de un taxón o suelo patrón en un área definida, incluyendo
los suelos erosionados (misceláneo erosionado).
115
Los términos asociación, complejo y consociación permiten establecer si el valor a calcular AWC debe ser ponderado
de acuerdo a sus horizontes y las áreas de las diferentes UCS. Por ejemplo, un suelo con la categoría consociación
podría requerir de un solo perfil y una única clase textural. Por lo cual, es posible aplicar la fórmula de AWC de
manera directa sin necesidad de realizar ponderaciones o ajustes.
En el caso de las asociaciones y complejos, se recomienda trabajar con Unidades Cartográficas del Suelo (UCS), las
cuales agrupen una serie de características edafológicas tales como: textura, porosidad, drenaje, densidad aparente,
densidad real, estructura, permeabilidad, entre otras. Sumado a esto, en caso de tratarse de suelos con alta extensión
territorial (hectáreas o millas cuadradas) lo recomendable es utilizar ponderaciones o pesos de aquellos suelos de
mayor relevancia o representatividad.
A continuación, se realiza la explicación paso a paso del cálculo de la variable AWC perteneciente a la UCS tipo
complejo AHE del municipio de Samacá teniendo en cuenta el anexo 2.
𝐴𝑊𝐶 = 1000(𝐶𝐶 − 𝑃𝑀𝑃) ∗ (𝑍𝑟)
UCS Componente
Taxonómico Perfil
Profundidad Efectiva
Espesor
Horizonte (metros)
Textura
del suelo
Capacidad de
Campo (CC)
Punto de marchitez
permanente (PMP)
(AWC)
(mm)
AWC
Total mm
AHE
Andic
Dystrudepts
(40%)
B-150
Profunda
0.3 FA 0.215 0.095 36
183.9 0.2 FA 0.215 0.095 24
0.18 FA 0.215 0.095 21.6
0.62 FArA 0.36 0.195 102.3
Explicación: la cuarta columna llamada profundidad efectiva establece que la profundidad efectiva del perfil B -150
perteneciente al componente taxonómico “Andic Dystrudepts” es tipo “profunda” por lo cual. Las raíces de las plantas
podrán acceder con facilidad al agua hasta una profundidad que este situada entre los 100 a 150 centímetros. Esta
información permite deducir que todos los horizontes que estén dentro de este intervalo serán incluidos en el cálculo
del AWC, quedando la siguiente explicación:
La Profundidad Efectiva del suelo (Zr) está definida en el intervalo (100 cm ≥ Zr ≤ 150 cm) la cual a su vez incluye
la sumatoria (∑) del espesor de los horizontes del perfil (30 cm + 20 cm + 18 cm + 62 cm = 130 cm). Por lo cual, una
vez establecidos los valores de Zr estos se convierten a metros para poder ser operados posteriormente en las mismas
unidades de las variables CC y PMP (𝒎𝟑
𝒎−𝟑), quedando así el cálculo del AWC en milímetros para cada uno de los
horizontes que luego al sumarse se obtiene el valor final del AWC perteneciente al perfil B - 150.
Otro de los aspectos a tomar en cuenta es que si bien la Capacidad de Campo (CC) y el Punto de Marchitez Permanente
(PMP) están definidos en un intervalo, es necesario tomar un solo valor de CC y PMP para aplicarlo a la formula final
de AWC, en este caso se toma el valor medio de los intervalos de CC y PMP. (Anexo 2)
Una vez obtenido el valor de AWC del perfil B – 150 se procede a calcular el valor de AWC perteneciente al perfil
B -149, obteniendo finalmente los valores de AWC correspondientes a la UCS (AHE).
UCS Componente Taxonómico
Perfil
Profundidad
Efectiva
Espesor
Horizonte
(metros)
Textura del suelo
Capacidad de Campo (CC)
Punto de marchitez permanente (PMP)
(AWC) (mm)
AWC por
perfil
(mm)
AHE
Andic
Dystrudepts
(40%)
B-150
Profunda
0.3 FA 0.215 0.095 36
183.9 0.2 FA 0.215 0.095 24
0.18 FA 0.215 0.095 21.6
0.62 FArA 0.36 0.195 102.3
Humic Dystrudepts
(40%)
B-149
Profunda
0.35 FArA 0.36 0.195 57.75
239.25 0.25 FArA 0.36 0.195 41.25
0.25 FArA 0.36 0.195 41.25
0.6 FArA 0.36 0.195 99
116
Los resultados de todas las UCS pertenecientes a la estación Samacá son las siguientes:
UCS Componente Taxonómico Perfil Área (ha)
(%) UCS del total
(%) de cada perfil (Total de UCS)
(AWC) por perfil (mm)
AWC ponderado (mm)
AHE Andic Dystrudepts (40%) B-150
753.29 7.96 % 3.1872 % 183.9 5.8613
Humic Dystrudepts (40%) B-149 3.1872 % 239.25 7.6255
AHV
Pachic Melanudands (30%) R-01
2975.46 31.47 %
9.4421 % 202.8 19.1486
Humic Dystrudepts (30%) PB-28 9.4421 % 67.2 6.3450
Typic Hapludands (30%) B-16 9.4421 % 209 19.7340
MHE Lithic Udorthents (45%) PB-13 A
3183.09 33.67 % 15.1514 % 27.2 4.1212
Oxic Dystrudepts (35%) 503 11.7844 % 57.75 6.8055
MHV
Typic Hapludands (50%) 174 A
2541.95 26.88 %
13.4440 % 49 6.5875
Humic Pachic Dystrudepts (20%) P-503 A 5.3776 % 71.15 3.8261
Typic Dystrudepts (20%) PB-15 A 5.3776 % 83.3 4.4795
Totales 9453.79 100% -- -- 84.5347
Explicación: los perfiles descritos en la tabla anterior (color azul) representan a su vez un componente taxonómico
(color verde), los cuales ya cuentan con su respectivo valor de AWC por perfil (color morado). Ahora bien, la
información de las áreas en unidades de hectáreas (color gris) está referidas a las diferentes UCS no a sus respectivos
perfiles. Por lo cual, es necesario expresar en porcentajes la ponderación o el peso que realiza cada perfil con respecto
a la totalidad del área o a la totalidad de las UCS. A continuación, se realiza la ponderación de manera detallada de la
UCS (AHE).
UCS: AHE
Componentes taxonómicos: Andic Dystrudepts (40%) y Humic Dystrudepts (40%)
Perfiles: B-150 y B-149
Área (ha): 753.29
(%) UCS (AHE) del total: 7.96 %
AWC perfil B -150 (mm) = 183.9
AWC perfil B -149 (mm) = 239.25
(%) de cada perfil (Total de UCS) = (%) Componente taxonómico * (%) UCS del total
(%) perfil B-150 (Total de UCS) = 0.4 * 7.96 % = 3.1872 %
(%) perfil B-149 (Total de UCS) = 0.4 * 7.96 % = 3.1872 %
AWC ponderado por perfil = (%) de cada perfil (Total de UCS) * AWC por perfil
AWC ponderado perfil B -150 (mm) = 3.1872 * 183.9 mm = 5.8613 mm
AWC ponderado perfil B -149 (mm) = 3.1872 * 239.25 mm = 7.6255 mm
El valor final del AWC en la estación Samacá será la sumatoria (∑) de cada uno de los AWC ponderados obtenidos
anteriormente en cada perfil, este valor de AWC (85 milímetros) representa a nivel general un estimado ponderado de
la capacidad de almacenamiento de agua (AWC) de todas las UCS presentes en el Municipio de Samacá, nótese que
las UCS con mayor área (AHV y MHV) son las de mayor ponderación o peso en el cálculo final de AWC. Por lo cual,
en el momento de realizar el cálculo del PDSI este valor podrá ser tomado en cuenta en los balances hídricos
climáticos, el índice Z de Palmer y la retención de humedad.
Por último, es importante recalcar que debido a que en este estudio se utilizaron estaciones hidrometeorológicas, las
mediciones de precipitación y temperatura a su vez están fijadas en un solo punto geográfico a lo largo del tiempo.
Por ende, si se desea utilizar diferentes valores de AWC para diferentes puntos en una zona geográfica, lo ideal sería
contar con mediciones de precipitación y temperatura en esos puntos localizados. Constituyéndose así en un estudio
de mayor profundidad con múltiples valores y series de tiempo de PDSI.
117
Ejemplo 3: Calculo y análisis del Balance Hídrico Climático Villa Carmen (Samacá)
Los ejemplos 1 y 2 proporcionan los valores de Evapotranspiración potencial y AWC, valores necesarios para el
cálculo del Balance Hídrico Climático (BHC) de la estación Samacá. Ahora bien, es importante tener en cuenta que
las variables Precipitación (P), Temperatura del Aire (TA) y Evapotranspiración Potencial (ETP) están registradas en
series de tiempo (mediciones continuas mes a mes para el periodo 1987 - 2016). Por ende, es necesario estimar un
BHC que describa como es el comportamiento promedio histórico de estas variables para cada mes del año. A
continuación, se exponen las series de tiempo de las variables (P), (TA) y (ETP).
Precipitación (mm) estación Villa Carmen (Samacá)
Mes / Año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
1987 4.7 12.6 47.1 76 73.9 24.7 50.6 33.7 36.9 159.8 48.1 46.7
1988 17.4 85 29 81.3 29.2 85.5 33.2 21.1 106.8 122.9 194.9 84
1989 9.5 61.3 173.2 34.7 67.1 29 55.9 22.1 39.7 37.9 53.7 26
1990 28.1 42.3 80.8 132.5 99.2 28.1 22.7 21.8 21.3 95.9 55.7 62.6
1991 0.2 11.3 108.4 70.3 54.2 27.3 36.4 32.6 30.1 43.5 128.1 10.5
1992 60.9 59.6 35.1 67.1 41 17.4 16.6 23.8 105.1 4.7 190.4 25.9
1993 31.2 45.5 47.6 53.7 112.5 27.3 36.9 19.4 26.8 30.5 108.7 33.5
1994 35.2 63.3 74.1 84 84.7 41.4 39.5 22.9 49.2 144 163.5 2.4
1995 1.3 65.1 142.8 37.6 64.1 51.5 26.5 52.8 27.8 60.3 86.5 82.9
1996 70.2 30.2 129.7 42.5 74.5 57.5 41.1 29.3 22.7 171.3 58 28.2
1997 109.7 12.1 40.3 51 22 30 23.1 14.3 32.2 94.3 47.5 12.6
1998 11.2 28.8 60.2 29.6 172.2 32.6 65.2 41.8 36.1 112.2 66.2 0
1999 39.3 104.9 61 73.8 25.7 43.4 18.9 22.6 96.2 51.3 79.8 62.1
2000 45.9 86.2 129.5 52.3 44.5 89.2 35.1 34.1 67.6 94.7 83.3 23.3
2001 3.2 38 93.3 6 35.6 24.6 40.8 19.2 73.5 19.8 53.2 44.3
2002 3.5 30.8 76.7 106.4 79.8 57.2 31.4 57.3 43.7 41.8 47.8 46.8
2003 2.8 58.8 95.4 55.5 30.2 27.5 20.6 9.8 48.3 122.6 159.3 20.4
2004 16.1 52.7 34.4 125.1 111.6 31.2 39.8 19.2 79.9 113.3 58.8 29.5
2005 10.9 41.9 22.1 61.4 108.5 21.1 39.9 36.5 50.6 168.5 79.3 72.6
2006 65.9 28.8 143.6 172.8 42.8 86.8 25.9 17 35.2 158.2 74 53
2007 5.1 15 39 122.5 56.2 15.4 54.6 75 9.7 157.5 41.6 88
2008 58.5 22.8 80.9 47.6 151.9 35.1 57.6 77.2 30.4 86.8 147.8 96.1
2009 46.1 81.9 69.2 34.4 93.6 28.6 25.5 24.5 18.3 111 23.2 14.8
2010 5.5 23.1 17.1 116 156 36.7 115.1 14 56.4 112.7 155.4 97.1
2011 70.1 89.5 149.2 335.4 139.4 34.1 55.8 31 48.9 142.1 161.9 115.4
2012 38 42.3 144.2 206.4 9.9 19.2 37.6 23.1 19 103.5 38 43.8
2013 14.8 101.2 30.8 63.6 75.9 35.4 27.4 30.4 7.7 83.5 182.6 36.4
2014 11 27.6 74.6 45.3 68.3 20.7 26.9 13.3 14.1 59.5 138.4 63
2015 50.4 75.5 91.9 27.8 17.7 33.9 26.2 18.6 24.9 40.3 24.1 2.1
2016 9.8 9.8 95.1 134.2 96.8 12.6 45.3 18.7 55.5 78 110.6 59.7
Promedio (P) 29.217 48.263 80.543 84.893 74.633 36.833 39.070 29.237 43.820 94.080 95.347 46.123
Temperatura media mensual del Aire (C°) Estación Villa Carmen (Samacá)
Mes / Año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
1987 14.3 13.8 14.4 14.3 14.3 13.7 13.2 13.8 13.8 14.2 13.6 13.9
1988 14.3 14.4 14.2 14.8 14.8 13.9 13.2 13.9 13.7 13.5 13.9 13.1
1989 14.3 13.4 13 14.2 13.7 13.3 12.7 13.3 13.9 13.9 14.1 12.6
1990 14.3 14.2 14.4 14.9 14.1 13.3 13.2 13.1 13.9 13.3 14.5 14.4
1991 14.3 14.5 14.7 14.3 15.4 14.8 13.9 12.9 14 14 14.2 14.8
1992 14.3 15 15.2 15.3 15.3 14.4 13.4 13.6 13.8 14.3 14 14.4
1993 14.3 14.5 14.5 15.1 14.6 14 13.6 13.7 13.9 14.5 14.6 14.6
1994 14.3 14.6 14.7 14.3 14.6 13.7 13.3 13.2 14.1 13.9 14 14.3
1995 14.3 14.5 14.8 15.2 14.7 14.6 14.2 14.2 14.1 14 14 13.6
1996 14.3 14 13.8 14.2 14.2 14 13 13.2 13.5 13.8 13.7 13.5
1997 14.3 13.6 14 14.4 14.3 14.2 12.9 13.1 13.8 14.1 14.3 14.2
1998 14.3 15.5 15.7 15.9 14.9 13.7 13.5 13.5 13.8 14.3 14.2 13.8
1999 14.3 13.7 13.9 14 14 13.8 13 13.2 13.2 13.7 14.1 13.9
2000 14.3 13.4 13.7 14 14 13.9 12.9 12.7 13.2 13.6 13.9 13.3
2001 14.3 13.2 13.8 14.2 14.6 13.3 13.1 13 13.5 14.2 14.4 14.8
2002 14.3 14.3 14.4 14.2 14.3 13.5 13.4 12.9 13.5 14 13.7 14.3
2003 14.3 14.4 14.1 14.3 14.5 13.8 13.1 13.3 13.4 14.2 14.1 13.9
2004 14.3 13.9 14.5 14.3 14.3 13.4 13.2 13.1 13.4 13.8 13.9 14.2
2005 14.3 14.3 14.7 14.8 14.4 13.6 13 13 13.3 13.9 14.1 14.1
2006 14.3 14.1 14.4 14.5 14.4 13.8 13.3 13.3 13.6 14 14.1 14
2007 14.3 14.2 14.4 14.4 14.4 13.9 13.9 13.5 13.6 13.9 14 13.9
2008 14.3 13.9 14.3 14.2 14.1 14 14 13.9 13.9 14 14.5 14.1
2009 14.3 14.1 14.3 14.4 14.4 14.1 14.1 14.3 14.3 14.2 14.6 14.5
2010 14.3 15 14.9 14.8 14.8 14.3 14.1 14 14.2 14.2 14 14
2011 14.3 14 14 14.3 14.3 14.4 13.6 13.8 13.9 13.8 14.1 14.3
2012 14.3 14.1 14.3 14.2 14.5 14.3 13.8 14 14 14.4 14.8 14.1
2013 14.3 14.5 15 15.1 14.7 14.6 13.9 14.4 14.5 14.7 14.7 14.2
2014 14.3 14.7 15.1 14.9 15 14.6 14.2 14 14.5 14.6 14.4 14.4
2015 14.3 14.4 14.9 14.9 15 14.4 14.09 14.2 14.4 14.7 14.09 14.09
2016 14.3 15.2 15.8 15.3 15.1 14.4 14.2 14.4 14.4 14.8 14.9 14.4
Promedio (TA) 14.300 14.247 14.463 14.590 14.523 13.990 13.500 13.550 13.837 14.083 14.183 14.056
118
Evapotranspiración Potencial Mensual (mm) estación Villa Carmen (Samacá)
Mes del año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
1987 58.27 50.58 59.41 58.27 60.56 55.73 54.21 57.10 54.93 58.27 52.77 55.75
1988 57.15 53.64 58.27 61.11 63.50 56.85 54.21 57.68 54.38 54.34 54.38 51.37
1989 53.81 48.56 51.58 57.71 57.07 53.49 51.39 54.26 55.48 56.58 55.47 48.68
1990 60.54 52.62 59.41 61.68 59.39 53.49 54.21 53.14 55.48 53.23 57.65 58.55
1991 59.40 54.16 61.13 58.27 67.09 62.00 58.23 52.02 56.03 57.14 56.01 60.81
1992 58.27 56.76 64.02 63.98 66.49 59.70 55.35 55.96 54.93 58.84 54.92 58.55
1993 58.27 54.16 59.98 62.82 62.32 57.42 56.50 56.53 55.48 59.98 58.20 59.67
1994 58.27 54.68 61.13 58.27 62.32 55.73 54.78 53.70 56.59 56.58 54.92 57.98
1995 57.15 54.16 61.70 63.40 62.91 60.85 59.97 59.41 56.59 57.14 54.92 54.10
1996 54.36 51.59 56.02 57.71 59.97 57.42 53.08 53.70 53.29 56.02 53.30 53.55
1997 55.47 49.57 57.14 58.83 60.56 58.56 52.52 53.14 54.93 57.71 56.56 57.42
1998 61.11 59.39 66.95 67.47 64.10 55.73 55.92 55.40 54.93 58.84 56.01 55.20
1999 56.03 50.07 56.58 56.59 58.81 56.29 53.08 53.70 51.66 55.46 55.47 55.75
2000 52.71 48.56 55.46 56.59 58.81 56.85 52.52 50.91 51.66 54.90 54.38 52.46
2001 49.99 47.56 56.02 57.71 62.32 53.49 53.65 52.58 53.29 58.27 57.10 60.81
2002 56.03 53.13 59.41 57.71 60.56 54.60 55.35 52.02 53.29 57.14 53.30 57.98
2003 56.03 53.64 57.71 58.27 61.73 56.29 53.65 54.26 52.74 58.27 55.47 55.75
2004 56.03 51.09 59.98 58.27 60.56 54.05 54.21 53.14 52.74 56.02 54.38 57.42
2005 56.03 53.13 61.13 61.11 61.14 55.16 53.08 52.58 52.20 56.58 55.47 56.87
2006 56.03 52.10 59.41 59.40 61.14 56.29 54.78 54.26 53.83 57.14 55.47 56.31
2007 56.03 52.62 59.41 58.83 61.14 56.85 58.23 55.40 53.83 56.58 54.92 55.75
2008 55.47 51.09 58.84 57.71 59.39 57.42 58.81 57.68 55.48 57.14 57.65 56.87
2009 57.15 52.10 58.84 58.83 61.14 57.99 59.39 59.98 57.70 58.27 58.20 59.11
2010 58.83 56.76 62.28 61.11 63.50 59.13 59.39 58.25 57.14 58.27 54.92 56.31
2011 54.92 51.59 57.14 58.27 60.56 59.70 56.50 57.10 55.48 56.02 55.47 57.98
2012 57.71 52.10 58.84 57.71 61.73 59.13 57.65 58.25 56.03 59.41 59.31 56.87
2013 58.83 54.16 62.86 62.82 62.91 60.85 58.23 60.56 58.82 61.13 58.76 57.42
2014 59.40 55.19 63.44 61.68 64.69 60.85 59.97 58.25 58.82 60.55 57.10 58.55
2015 56.59 53.64 62.28 61.68 64.69 59.70 59.33 59.41 58.26 61.13 55.41 56.81
2016 62.25 57.81 67.54 63.98 65.29 59.70 59.97 60.56 58.26 61.70 59.86 58.55
Promedio ETP Mensual 56.94 52.87 59.80 59.93 61.88 57.38 55.94 55.70 55.14 57.62 55.93 56.64
Los BHC son estimados generalmente tomando referencia los 12 meses de un año específico por ejemplo el año 1987.
No obstante, al tratarse de 31 años continuos de medición los BHC bajo la lógica anterior daría como resultado el
cálculo de 31 BHC para cada año. De ahí que, se pretenda estimar un BHC estándar o patrón que describa el
comportamiento histórico de estas variables con el propósito de analizar los periodos de ausencia de lluvias y de
exceso de lluvias respectivamente. En la siguiente tabla se presenta el Balance Hídrico Climático (BHC) estación
Samacá
Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Totales
Temperatura del Aire (°C) 14.300 14.247 14.463 14.590 14.523 13.990 13.500 13.550 13.837 14.083 14.183 14.056 169.322
Precipitación (mm) 29.217 48.263 80.543 84.893 74.633 36.833 39.070 29.237 43.820 94.080 95.347 46.123 702.060
Evapotranspiración Potencial (mm) 56.938 52.874 59.798 59.926 61.878 57.376 55.938 55.698 55.141 57.622 55.925 56.640 685.754
Evapotranspiración Real (mm) 41.85 44.33 54.76 57.62 58.69 50.06 46.44 39.03 42.68 53.92 54.48 50.57 594.426
Exceso (mm) 0.00 3.93 25.78 27.28 15.95 0.00 0.00 0.00 1.14 40.16 40.86 0.00 155.106
Deficiencia (mm) 12.63 0.00 0.00 0.00 0.00 13.23 7.37 9.79 0.00 0.00 0.00 4.45 47.471
AWC 85 (mm)
Explicación: los valores de (TA), (P) y (ETP) son tomados con base en los promedios históricos de sus respectivas
series de tiempo. Nótese que los valores de Exceso (E) y Deficiencia (D) se calculan tomando como referencia la
precipitación y evapotranspiración potencial, en donde (𝐸) = (𝑃) − (𝐸𝑇𝑃) y (𝐷) = (𝐸𝑇𝑃) − (𝑃). El uso de estas
formulas parten de la comparación entre (P) y (ETP), ya que si (P) > (ETP) existe un exceso de agua que en el PDSI
se denomina escorrentía y recarga potencial. Mientras que, si (P) < (ETP) existe una deficiencia de agua o de humedad
que en el PDSI se denomina pérdida real de agua.
La variable evapotranspiración real (ETR) es la única variable intrínseca dentro del PDSI en su sección de cálculo o
transformación de valores potenciales a reales, esta variable parte de la comparación de (P) y (ETP), en la primera
condición si (P) > (ETP) la ETR será igual a la ETP. Mientras que, si se cumple la segunda condición (P) < (ETP) es
necesario analizar si la deficiencia de humedad se localiza en la capa superficial o profunda, dichas capas se
parametriza con el cálculo del AWC.
119
Apéndice B
Fundamentación teórica regresión lineal simple y estadístico de prueba T – Students
En concordancia con Alfaro y Pacheco (2000) la regresión lineal para 2 estaciones cualesquiera establece que “dado
dos registros (𝑥𝑖, 𝑦𝑖) de manera que (𝑥) contenga más valores que (𝑦), si se desea calcular los valores faltantes de
(𝑦) a partir de los valores de (𝑥). Suponiendo que se tienen (𝑘) parejas de valores (𝑥𝑖, 𝑦𝑖) y además (𝑛 − 𝑘) valores
de (𝑦𝑖), primero se calcula el coeficiente de correlación (𝑟) de las parejas (𝑘). Además, el coeficiente de correlación
está definido en el intervalo (−1 ≤ 𝑟 ≤ 1), que denota una correlación total, cuando adopta el valor de cero se
considera que la correlación es nula”. Las ecuaciones de una regresión lineal recopiladas de Alfaro y Pacheco (2000)
son las siguientes:
Estimación de los parámetros de la ecuación o función de regresión para la ecuación de regresión lineal:
Los parámetros: b y m utilizando mínimos cuadrados son:
x = variable independiente, variable conocida
y = variable dependiente, variable que se trata de predecir
b = intercepto, punto donde la línea de regresión cruza el eje y , es decir valor de y cuando 0x =
m = pendiente de la línea o coeficiente de regresión
Se plantea la hipótesis:
Ho: 0 = ( es el coeficiente de correlación poblacional y su valor varía entre -1 y 1)
Ha: 0
Cálculo de la t calculado ( )ct
Dónde: r = coeficiente de correlación
2 2
Sxyr
S x S y=
+
1( )( )xy i iS x y x y
N= −
2
2 2( )i
x
xS x
N= −
2
2 2( )y
yS y
N= −
ixx
N=
iyy
N=
y b mx= +
2
xy
x
Sm
S=
b y mx= −
2
2
1c
r nt
r
−=
−
120
n = número de pares de valores
Cálculo del, tabular (𝑡𝑡)
Él ( )tt se obtiene de las tablas preparadas para este efecto, con un nivel de significación o una probabilidad
(1 )− , y con grado de libertad ( 2)v n= − , donde n es el número de pares de valores.
Criterios de decisión:
• Si c tt t , se acepta la hipótesis nula, por lo que 0 = y por lo tanto no hay correlación significativa.
• Si c tt t , se rechaza la hipótesis nula, por lo que 0 indicándose que es significativo y por lo tanto
existe correlación entre las variables.