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

R ECORDANDO A UN COLEGA POR LOS SENDEROS DE LA HIDROLOGÍA R UTAS H IDROLÓGICAS 92 almacenada en dicho manto [Cortés et al. , 2016]. Estudios recientes muestran las ventajas de usar datos satelitales en la Cordillera de los Andes, para reducir la incertidumbre del estado hidrológico de gran altitud. Por ejemplo, el uso de imágenes Landsat y el producto MODIS fSCA para fortalecer el proceso de calibración de un modelo de glaciar [Cepeda, 2016], como también el uso del conjunto de datos de reanálisis atmosférico MERRA para calibrar un modelo de nieve [Cortés, 2016]. Aún más, Cortés et al. [2016] señala que actualmente los conjuntos de datos con sensores remotos se usan comúnmente para evaluar preguntas de investigación y problemas relacionados con estados de acumulación de nieve, particularmente en regiones con datos dispersos o zonas inaccesibles. Este estudio intenta abordar las dos limitaciones mencionadas anteriormente: la falta de datos de nieve a gran altitud para la calibración del modelo hidrológico, y las incertidumbres involucradas en la selección de GCM para futuras proyecciones climáticas. La primera limitación se aborda mediante el modelamiento hidrológico mensual de cinco subcuencas en la cuenca alta del río Maule, ubicada en la VII región del centro de Chile. Aunque el río Maule es una de las fuentes más importantes de generación de energía hidroeléctrica en Chile, que produce alrededor del 25% de la generación de energía hidroeléctrica del país, el control de las precipitaciones existentes en el área no representa la variabilidad orográfica de la región, debido a la falta de información en la parte superior (DGA, 2013). En consecuencia, la contribución nival a la escorrentía (SWE) se incorpora en la modelación hidrológica utilizando un sistema de estimación del manto nival basado en la integración de datos de detección remota con el modelo de nieve en la zona de estudio. La estructura de análisis se basa en los principios bayesianos de asimilación de datos: al asimilar las imágenes de fSCA de Landsat en un ensamble del modelo nival, las estimaciones del modelo de nieve están condicionadas por el agotamiento observado, tal como lo detectó la plataforma de detección remota desde 1984 hasta el presente. El modelo de nieve es forzado utilizando el conjunto de datos de reanálisis atmosférico MERRA [Cortés, 2016]. La segunda limitación surge de la necesidad de reducir la incertidumbre de las proyecciones del cambio climático en las cuencas modeladas, especialmente considerando la naturaleza de la primera limitación. Si bien las implicaciones de la selección de GCM en la evaluación del impacto de la escorrentía son bien conocidas [Chiew et al. , 2009], el análisis de la precisión de predicción de GCM y la metodología de selección es necesaria para replicar el análisis directo a otros sectores que dependen de la disponibilidad de agua [Viviroli et al. , 2011]. Debido a que no siempre es posible incluir todas las proyecciones, en la práctica se selecciona uno o un pequeño conjunto de GCM para la evaluación [Lutz et al. , 2016]. Para seleccionar uno o más GCM en un caso de estudio en particular, la literatura muestra diferentes enfoques, por ejemplo, selección basada en las habilidades de GCM para simular el pasado cercano o también llamado clima de referencia. El llamado enfoque envolvente es otra forma de realizar la selección, donde un conjunto de un grupo de GCM cubre una amplia gama de proyecciones para una o más variables climatológicas de interés [Lutz et al. , 2016]. En este documento, proponemos un enfoque escalable y simple para seleccionar un subconjunto de GCM en función de sus capacidades para reproducir la climatología de las estaciones de referencia (cercanas y a una altitud menor que el área de estudio), así como la representatividad de las proyecciones del conjunto o “ensamble” de los GCM. Utilizamos el modelo de Evaluación y Planificación del Agua (WEAP) [Yates et al. , 2005a, 2005b] para simular la hidrología mensual y trasladar las proyecciones climáticas escaladas de la selección de GCM en estimaciones de caudal futuro. WEAP se ha aplicado con éxito en la estimación de los impactos del cambio climático, en particular en áreas de gran elevación con cuencas dominadas por nieve y / o glaciares [Purkey et al. , 2008; McPhee et al. , 2010; Ministerio de Energía, 2011; Vicuña et al. , 2010; Vargas et al. , 2013; Cepeda, 2016]. La idoneidad del SWE modelado como entrada en el modelo hidrológico se evalúa a través de un conjunto de métricas de rendimiento, obtenidas para la escorrentía (Q) y la calibración y validación del SWE. Los resultados indican, en general, un mejor rendimiento del SWE en el proceso de calibración y validación. Esta información también mejora la representación física de los modelos hidrológicos en las cuencas de alta montaña, así como el conocimiento de la respuesta de las centrales hidroeléctricas. Los resultados relativos al método de selección de GCM indican que el análisis de estacionalidad y variabilidad no muestra diferencias significativas entre los diferentes modelos, que se descartaron como criterio de selección en casi todos los casos. Solo el índice de variabilidad de la lluvia fue determinante para elegir los modelos que se utilizarán, seguido de la evaluación de la representatividad del conjunto. Á REA DE ESTUDIO El río Maule, ubicado en la VII región del centro de Chile, es una de las fuentes más importantes de generación de energía hidroeléctrica en Chile, produciendo alrededor del 25% de la generación de energía hidroeléctrica del país. En resumen, la producción de centrales hidroeléctricas con embalse en el Maule representa aproximadamente un tercio del total nacional instalado (30,8%), mientras que las centrales hidroeléctricas convencionales de pasada representan el 12,5% del total nacional instalado [ECLAC, 2009b; CDEC SIC, 2015b; CNE, 2015]. La cuenca alta del río Maule concentra la selección de cinco subcuencas tributarias a las centrales hidroeléctricas más grandes de