Rutas hidrológicas : recordando a un colega por los senderos de la hidrología

R UTAS H IDROLÓGICAS 33 I DENTIFICABILIDAD DE PARÁMETROS EN MODELOS HIDROLÓGICOS GR4J: ¿ SOMOS CONSISTENTES ? Eduardo Muñoz-Castro 1 y Pablo A. Mendoza 1,2 (1) Departamento de Ingeniería Civil, Facultad de Ciencias Físicas y Matemáticas, Universidad de Chile, Chile (2) Advanced Mining Technology Center (AMTC), Universidad de Chile, Chile Contacto autor principal : eduardo.munoz@ug.uchile.cl R ESUMEN . La mayoría de los modelos hidrológicos conceptuales ofrecen la ventaja de que, a pesar de sus simplificaciones y supuestos, ofrecen una mayor agilidad que los modelos de motivación física para la calibración de sus parámetros. No obstante, el proceso de inferencia del conjunto de parámetros óptimos de un modelo resulta complejo debido a que las forzantes meteorológicas, la estructura del modelo, la serie observada contra la cual se compara y la función objetivo condicionan los resultados que se obtienen. Lo anterior, dificulta la identificabilidad del conjunto de parámetros que ayuda a representar los procesos hidrológicos dominantes en una cuenca dada. En el presente trabajo, se utiliza el modelo hidrológico precipitación-escorrentía GR4J, acoplado al módulo de nieve CemaNeige, para estudiar la identificabilidad de parámetros en 104 cuencas en régimen natural de Chile continental respecto a la elección de la función objetivo de calibración. Los resultados obtenidos muestran correlaciones en torno al 50% de algunos atributos físicos (e.g., pendiente, elevación) e hidroclimáticos (precipitación, escorrentía) respecto al índice de identificabilidad de parámetros. En términos de consistencia hidrológica, se obtienen buenos indicadores para la Zona Centro, Sur y Austral de Chile (e.g., KGE >0,6), al contrario de lo que sucede en la Zona Norte. El principal problema en la modelación radica en la representación de caudales bajos, con sesgos mayores al ±30%. I NTRODUCCIÓN Los modelos hidrológicos son una herramienta de gran utilidad en la gestión de recursos hídricos, razón por la cual son frecuentemente utilizados para estudios de disponibilidad hídrica (e.g., Hublart et al., 2015; Westerberg et al., 2011), pronósticos operacionales (e.g., Emerton et al., 2018; Prudhomme et al., 2017; Wanders et al., 2019), análisis de eventos extremos (e.g., Alvarez- Garreton et al., 2014; Rakovec et al., 2015; Thober et al., 2015), y estudios de impactos de cambio climático en la hidrología (e.g., Addor et al., 2014; Chegwidden et al., 2019; Driessen et al., 2010), entre otros propósitos. A pesar de lo anterior, estos modelos no dejan de ser una representación simplificada de los procesos hidrológicos que ocurren a escala de cuenca, subcuenca o pixel dependiendo de la taxonomía del modelo (Hrachowitz and Clark, 2017). Según el grado de simplificación, podemos distinguir dos grandes tipos de modelos hidrológicos: (1) conceptuales, también llamado de caja gris (Liu et al., 2017), que consideran de manera simplificada, abstracta y, en muchos casos parsimoniosa, los principios físicos que determinan los procesos de generación de escorrentía a escala de cuenca o subcuenca (e.g., HBV, Bergstrom, 1992; GR4J, Perrin et al., 2003), y (2) motivación física, que representan, de la manera más explícita posible, los procesos de intercambio de energía y agua en un volumen de control determinado a partir de ecuaciones físicas (e.g., PIHM, Qu and Duffy, 2007; DHVSM, Wigmosta et al., 1994). Debido a su potencial para simular los procesos terrestres del ciclo hidrológico, capturando la dinámica de generación de escorrentía con un bajo costo computacional, menor cantidad de parámetros respecto a un modelo físico y, utilizando información de entrada que, en general, es más fácil de obtener, los modelos conceptuales son ampliamente utilizados para usos operacionales o en investigación (Clark and Kavetski, 2010; Ouyang et al., 2014). Los parámetros de los modelos hidrológicos conceptuales no pueden ser medidos directamente, por lo que deben ser inferidos (calibrados) a partir de la comparación entre variables simuladas y observadas (Thyer et al., 2009). Si bien la estructura parsimoniosa de este tipo de modelos sugiere que la calibración de sus parámetros será sencilla, en la práctica no lo es (Kavetski et al., 2006), siendo uno de los grandes problemas definir una métrica de comparación (función objetivo) adecuada para reproducir el comportamiento hidrológico observado (Pool et al., 2017; Westerberg et al., 2011). En general, el enfoque adoptado para calibrar un modelo conceptual radica en la elección de una función objetivo (e.g., NSE; Nash and Sutcliffe, 1970), o una combinación lineal o ponderada de varias métricas de ajuste (e.g., KGE; Gupta et al., 2009) para construir implícitamente una función multiobjetivo, que es optimizada en forma manual o automática (e.g., Duan and Gupta, 1992). De este modo, la optimización de la función objetivo se realiza bajo la premisa de que un mejor ajuste implica una mejor representación de la hidrología, lo cual a priori no puede ser asegurado. Más aún, ni siquiera podemos asegurar la unicidad de nuestros parámetros óptimos (Beven and Freer, 2001). Diferentes funciones objetivo tendrán como resultado diferentes conjuntos de parámetros óptimos, por lo que es razonable preguntarse cuál sería la forma más apropiada para conseguir una mejor representatividad en términos hidrológicos. Las diferencias que existan para un mismo parámetro a causa de la función objetivo con la cual se calibró, el set de forzantes empleado en las simulaciones, o las