UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE RECURSOS NATURALES RENOVABLES

DIRECCIÓN DEL DEPARTAMENTO ACADÉMICO DE CIENCIAS
AMBIENTALES
ESCUELA PROFESIONAL DE INGENIERÍA AMBIENTAL

APLICACIÓN DE INTERPOLADOR GEOESPACIAL PARA

CÁLCULO DE BALANCE HÍDRICO PARA EL DISTRITO
MARIANO DAMASO BERAUN

GRUPO : N° 02

INTEGRANTES : HUILLCAS SULLCARAY, SAUL

MARTINEZ GALINDOS, SAMIR ROBINSON
PEÑA MOZOMBITE, LUIS ALEJANDRO
ROCHA MATOS, LUIS EDWAR
VILCAPOMA FIGUEROA, HUGO MANUEL

PROFESOR : Ing. Luis Eduardo ORÉ CIERTO

CURSO : SISTEMAS DE INFORMACIÓN GEOGRÁFICA

CICLO : 2018 – I

FECHA : 18 de junio del 2018

Tingo María – Perú

2018
 I. INTRODUCCION

El recurso hídrico, a nivel nacional, está siendo altamente afectado

por la presión humana, agravando cada vez más su disponibilidad (cantidad y
calidad). Estos factores de presión son fundamentalmente la sobreexplotación
de acuíferos, el vertimiento de sustancias contaminantes a los cuerpos de agua,
los cambios en el uso del suelo tales como la deforestación, las prácticas
agrícolas inadecuadas, el incremento de urbanizaciones en zonas de producción
hídrica, entre otros.

En la mayoría de las regiones áridas y semiáridas el agua constituye

un recurso escaso cuya disponibilidad resulta esencial para el desarrollo
económico y social. Salvo contadas excepciones, en las que el agua de lluvia es
captada directamente mediante balsas o depósitos artificiales, normalmente ésta
se recupera después de haber circulado superficial o subterráneamente a través
de la cuenca hidrográfica.

La relación existente entre el régimen de precipitaciones, sus tasas

de infiltración/escorrentía y los volúmenes de agua disponibles en ríos y arroyos
de una cuenca, ha sido siempre un factor de incertidumbre y, por tanto, de
estudio.

El balance hídrico es una ecuación que se realiza para analizar las

entradas y salidas de agua de una cuenca. El balance hídrico tiene que ver con
un equilibrio entre todos los recursos hídricos que entran y salen del sistema o
la cuenca en un tiempo determinado.

1.1. Objetivos

 Realizar un modelo para determinar el balance hídrico empleando

interpolador geoespacial Spline para el distrito de Mariano Damaso
Beraun.
 Determinar el balance hídrico del año 2017 (precipitación acumulada
mensual y temperatura media mensual) con información de las
estaciones de la provincia de Leoncio Prado.

 Determinar las áreas del balance hídrico mensual del año 2017 (déficit
hídrico, estabilidad hídrica, exceso hídrico) del distrito de Mariano
Damaso Beraun.

 Determinar el error cuadrático medio mensual del balance hídrico de

setenta puntos aleatorizados en el distrito de Mariano Damaso Beraun.

 Determinar el error cuadrático medio en función de las áreas

mensuales del balance hídrico del distrito de Mariano Damaso Beraun.
 II. ANTECEDENTES

En Perú la gestión hídrica está normada por la Ley General de Aguas

que se promulgó el 24 de Julio de 1969, estableciendo que la administración del
sector agua recae en el Sector Agricultura y la distribución de la misma en las
organizaciones de los usuarios.

En el año 1996 la posibilidad de utilizar campos en rejilla en tiempo

cuasi-real de las diferentes variables meteorológicas (mapas de análisis del
modelo HIRLAM) e información fisiográfica también en rejilla, llevó a la
implementación de un Balance Hídrico diario con un tamaño de celdilla de 17 km
x 22 km. El cálculo de la Evapotranspiración de Referencia se realizaba según
la Ecuación modificada de Penman-Monteith propuesta por FAO (Organización
de las Naciones Unidas para la Alimentación y la Agricultura). El modelo de
Balance Hídrico estimaba previamente la precipitación efectiva según Témez y
posteriormente se calculaba la reserva de agua en el suelo, según la reserva del
día anterior y una función específica para el cálculo del agotamiento de la reserva
(Navarro, J.A.; Picatoste, J.R. ,1996).

El gran desarrollo de los modelos numéricos en los últimos años, así

como la posibilidad de utilizar datos de satélite de interés hidrológico, han
aumentado la disponibilidad de modelos numéricos orientados a obtener mejores
resultados tanto en el campo de la predicción meteorológica como en lo referente
a temas hidrológicos como son la gestión de avenidas, gestión de sequías, o de
recursos hídricos, que son fundamentales para poder paliar el impacto de los
desastres naturales sobre la población. La utilización de los nuevos modelos en
muchas ocasiones está limitada, ya que requieren conocer para su correcto
funcionamiento un gran número de variables que en muchas ocasiones no están
disponibles y es necesario estimar.

En la actualidad en el Area de Climatología y Aplicaciones

Operativas, se han realizado varias modificaciones al Balance Hídrico
implementado en 1996, buscando disponer de un Balance Hídrico que estime lo
mejor posible la humedad del suelo, pero que a su vez sea de utilidad para
realizar estudios climatológicos medioambientales en los que se requiera
disponer con periodicidad diaria de información del contenido de agua en el suelo
a diferentes profundidades y durante un periodo de tiempo suficientemente largo.

III. REVISION DE LITERATURA

3.1. Marco Teórico
3.1.1. Interpolación espacial

¿Por qué?: Muchas de las variables en el espacio se conocen con

puntos de muestreo y se pretende predecir valores en zonas no muestreadas.
Principio (Burrough y McDonnell, 1998): Todas las cosas están relacionadas
entre sí y es muy probable que los valores de puntos cercanos sean más
similares entre sí, que con valores de puntos más lejanos. Por tanto, la
interpolación espacial se centra en el análisis y simulación de una muestra de
datos, así como su comportamiento en el espacio e influencia en otros puntos

La interpolación es un proceso que utiliza mediciones realizadas

sobre algún fenómeno (precipitación, temperatura o elevación) en determinados
lugares, para hacer una predicción sobre un fenómeno en otros lugares donde
no se han realizado mediciones. Una razón común es el coste (en tiempo y
dinero) que involucra la toma de mediciones. Por ejemplo, hay un número
limitado de estaciones meteorológicas que se utilizan para predecir patrones del
clima. Aunque sólo se dispone de datos en puntos particulares, es posible
predecir el tiempo para todas las ubicaciones dentro de una región, no sólo para
aquellos puntos.

La primera ley de Tobler (1970) de la geografía establece: Todos los

lugares están relacionados, pero lugares cercanos están más relacionadas que
lugares distantes, por ejemplo, si se presenta una intensa precipitación, existe
alta probabilidad que a 500 metros también la lluvia sea intensa, pero es menos
probable que llueva intensamente a 500 kilómetros, es decir las muestras
cercanas tienen valores más similares que las muestras de lugares lejanos.

Es importante comprender que los métodos pueden ser:

interpolación desde puntos a otros puntos, líneas, áreas y superficies.

La interpolación de puntos y líneas usa un método lineal. Este

método fue utilizado comúnmente por cartógrafos para la creación manual de
mapas de isolíneas, la idea básica detrás de interpolación lineal se puede ilustrar
con un simple ejemplo matemático. Se puede utilizar una secuencia de valores
para predecir valores en los lugares faltantes. Por ejemplo, en la siguiente
secuencia fácilmente se puede decir que los valores para completar la serie son
28 y 56.

Existen decenas de métodos de interpolación en función de su

naturaleza, tipo de datos, etc.:

- Geoestadíssticos vs no geo estadísticos

- Globales (utilizan los datos de toda la región) vs locales (utilizan un
subconjunto).
- Exactos vs inexactos
- Determinísticos vs estocásticos (incorporan el concepto de aleatoriedad
mediante una parte determinista y otra estocástica o errores asociados)
- Graduales vs abruptos
- Univariante vs multivariantes
- Irregulares vs regulares

Ejemplos:
- TIN: Univariante no geo estadístico, determinístico, local, exacto y
abrupto.
- IDW: Univariante no Geoestadísticos, determinístico, local,
inexacto/exacto y gradual.
 - LM: Uni/multivariantes no Geoestadísticos, estocástico, global, inexacto y
gradual.
- Modelos kriging: Univariante/multivalente Geoestadísticos, estocástico,
local, exacto y gradual.

3.1.2. Interpolación lineal

Aunque los métodos de interpolación lineal fueron desarrollados por

primera vez para el análisis de datos de series temporales, se puede aplicar los
mismos principios en un contexto espacial, considerando la distancia entre dos
puntos. En el siguiente ejemplo, si suponemos que la elevación cambia de forma
lineal del punto A al punto B, la isolíneas de 27 metros debe pasar a través de
un punto de 5/9 de la distancia entre el punto A y el punto B.

Uno de los problemas que pueden ocurrir con interpolaciones

lineales se conoce como el punto de silla. En este caso, si hay dos pares de
valores diagonalmente opuestos (como las esquinas de un rectángulo), y los
valores de dos miembros de una diagonal están por encima y ambos miembros
de la otra diagonal están por debajo del valor que se trata interpolar, hay dos
posibles soluciones al problema.

En el problema de punto de silla, utilizamos un promedio de los

valores interpolados a partir de pares diagonales de muestras para decidir qué
conjunto de isolíneas se puede dibujar. El problema del punto de silla, radica
cuando se usa un promedio de los valores interpolados a partir de pares
diagonales de la muestra para decidir el conjunto de isolíneas a dibujar.

La interpolación de áreas utiliza el concepto de polígonos de

Thiessen para dibujar límites en torno a las áreas que tienen el mismo valor. Este
tipo de interpolador se llama interpolador proximal. Los polígonos de Thiessen
también se utilizan como base para generar un TIN. Esta técnica construye
polígonos mediante la asignación por cada punto de un área de interés un valor
del punto de muestra que sea más cercano. Crea superficies escalonadas,
donde los valores pueden cambiar drásticamente en distancias cortas, es decir
un valor estimado está representado dentro del área de cada polígono.

3.1.3. Polígonos de Thiessen

La interpolación de superficies también puede crear continuidad, que

varía suavemente en las superficies para representar fenómenos como la
elevación, precipitación, temperatura, radiación solar, etc.

Los métodos de interpolación se pueden clasificar como

interpoladores globales o locales. En los métodos globales, todos los puntos de
muestra se utilizan para determinar la forma de una función matemática que es
aplicada a un área de interés. Uno de tales métodos es el análisis de superficie
de tendencia, donde un plano es apto para la muestra de datos. Otros
interpoladores pueden clasificarse como interpoladores locales. En otras
palabras, este tipo de métodos de interpolación sólo utiliza puntos de una
muestra que está relativamente cerca de un punto desconocido para estimar el
valor del punto desconocido. Interpoladores locales pueden ser parametrizados
de diversas maneras, teniendo en cuenta cierto número de puntos más próximos
o todos los puntos dentro de una cierta distancia. Por supuesto, todos los
interpoladores locales pueden llegar a ser, en efecto, interpoladores globales si
se ajustan los parámetros de manera que la zona sea lo suficientemente grande
para incluir todos los puntos de muestra. Tanto kriging y la ponderación de
distancia inversa son ejemplos de interpoladores locales.

Otro tipo de distinción entre diferentes tipos de métodos de

interpolación es entre interpoladores exactos y aproximados. Interpoladores
exactos ‘honor’ los datos de muestra. En otras palabras, en la ubicación de un
punto de muestra, la superficie interpolada tiene el mismo valor del punto de la
muestra original. En interpoladores aproximados, hay un reconocimiento que
debido a la medida y de otros tipos de error, la mejor superficie de ajuste no
puede pasar directamente a través de todos los puntos de la muestra. Sin
embargo, el valor de una superficie aproximada en un punto de la muestra será
próximo al valor de la muestra inicial.

Un último tipo de distinción entre los interpoladores que podemos

hacer es los deterministas frente interpoladores estocásticos. interpoladores
determinísticos usan una fórmula matemática para calcular el valor de una
ubicación sin muestrear (por ejemplo, el método de ponderación de distancia
inversa), mientras que interpoladores estocásticos utilizan la información
estadística acerca de los valores de datos de puntos de la muestra y su
disposición espacial (es decir, su estructura espacial) para predecir el valor de
una ubicación sin muestrear, y la disposición espacial de los valores en una
gama de ubicaciones no muestreadas. Dos ejemplos de métodos de
interpolación estocásticos son el análisis de superficie kriging y tendencia.

Sin importar el tipo de método de interpolación a usar, hay una serie

de factores que pueden afectar a la calidad de los resultados interpolados:

- Número de puntos de muestreo

- Ubicación de los puntos de muestreo
- Los efectos de borde

En general, a mayor número de puntos de muestreo, mayor será la

precisión en la superficie interpolada, como es más probable que incluya
ubicaciones cuyos valores son importantes para definir la superficie (por ejemplo,
los picos y valles de la zona) la definición de la localización. Sin embargo,
también existe un compromiso entre el número de muestras que tiene y la
cantidad de tiempo que el ordenador necesita para procesar dicha información.

Del mismo modo, la ubicación de los puntos de muestreo puede

tener un impacto importante en el resultado final de la interpolación. A menudo,
las muestras no se distribuyen de manera uniforme sobre la región de interés, y
se pueden predisponer a los lugares donde la recolección de datos es
relativamente fácil. Si no hay muestras en una región de alta variabilidad, la
superficie interpolada no puede ser muy precisa.

3.2. Marco Conceptual

3.2.1 Modelos digitales de elevación

Antes de definir un modelo digital de elevación hay que hacer una

distinción entre los términos Modelo Digital del Terreno (MDT o DTM), Modelo
Digital de Superficie (DSM) y Modelo de Elevación Digital, (DEM o MDE). El
primero, es un concepto genérico para todos los modelos digitales, incluyendo
los MDE, en los cuales la coordenada Z se refiere siempre a la elevación sobre
el terreno desnudo y a los demás tipos de modelos en los que Z puede ser
cualquier variable (profundidad de suelo, altura batimétrica, etc.); mientras que
el DSM es un modelo de la tierra, incluida la vegetación, edificios y todos los
objetos de la superficie.

Un modelo digital de elevación, MDE o DEM (por sus siglas en

inglés), es la representación cuantitativa, en un formato accesible a los
computadores (o raster), de la topografía del terreno o alturas sobre el nivel del
mar. Para ello se considera que las elevaciones forman una superficie
tridimensional ondulada, en la que las dimensiones X y Y se refieren a los ejes
de un espacio ortogonal plano y Z mide la altura. Se define como una
representación gráfica 2.5D, de dos y media dimensiones topológicas, a
diferencia de una verdadera representación en tres dimensiones, que exige
considerar el contenido o volumen que envuelve la superficie tridimensional.

El término 2.5D es un concepto informal usado para describir los

fenómenos visuales que se consideran "entre" 2 y 3D. Esto a menudo se llama
pseudo-3D.

También se utiliza para describir las escenas 3D construidas total o

parcialmente de dos imágenes del plano o en el caso de los modelos digitales
del terreno, para su representación y visualización al generar un modelo de
sombras que produzca la sensación de relieve. En términos generales, el MDE
representa la distribución espacial de los atributos del terreno. (Moore et al.,
1991; Li et al., 2007) y constituye una de las fuentes de información más útil para
el modelado espacial y el monitoreo, con diversas aplicaciones en Medio
Ambiente y Ciencias de la Tierra.

Una de las fuentes de datos MDE más utilizada es la proporcionada

por la misión SRTM, lanzada en febrero de 2000. Los datos de elevación de la
superficie (entre 60 ºN y 56 ºS), tienen una cobertura del 80% del globo terrestre.
Los datos, inicialmente de 3 arco-segundos (cerca a 90 metros de resolución),
fueron puestos a disposición del público en forma gratuita; hoy en día, también
se han liberado para un gran número de países, entre ellos Colombia, a una
resolución de 1 arcosegundo (resolución de 30 m aproximadamente, hacia el
Ecuador). Los MDE se generan mediante la técnica de interferometría radar de
apertura sintética (InSAR, Synthetic Aperture Radar Interferometry). La misión
especificó que el error absoluto nominal de ubicación y el error absoluto de
alturas fuera de ±20 m y ±16 m respectivamente. No obstante, una evaluación
global de la exactitud del MDE, basada en perfiles levantados con GPS en todos
los continentes, evaluó el error absoluto de ubicación entre 7 y 13 m, el error
absoluto de altura entre 5,6 y 9 m, y el error relativo de altura entre 4,7 y 9,8 m.

Otro MDE de igual resolución y liberado en forma gratuita es el

ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer),
producido como parte del programa EOS, Sistema de Observación de la Tierra
de la NASA, lanzado a bordo del satélite TERRA en 1999, en un área de
cobertura entre 83°N y 83°S. Este modelo se genera con base en un par
estereoscópico de imágenes tomadas a lo largo de la misma línea de vuelo en
el visible e infrarrojo cercano por dos telescopios a bordo del sensor: uno mirando
al nadir (banda 3N), el otro hacia atrás (banda 3B), con un ángulo efectivo de
visión a la tierra de 30°. La gran ventaja de este sistema es la capacidad de
reducir las diferencias radiométricas del par estéreo, ya que el tiempo
transcurrido entre la adquisición de las dos imágenes suele ser de pocos
segundos, minimizándose los efectos ópticos y atmosféricos (USGS, 2006). Se
han reportado trabajos con estos modelos con precisiones que varían entre los
7 m y 15 m, aunque en general pueden esperarse niveles de precisión absoluta
de ±7 m y precisión relativa de ± 10 metros.

En cuanto a los modelos digitales de elevación de mayor resolución,

estos pueden ser obtenidos por el proceso de restitución fotogramétrica, en el
cual se captura información altimétrica y planimétrica a partir de imágenes
aerofotográficas. Las fotografías utilizadas para la obtención del modelo digital
del terreno deben cumplir con ciertas características en función de la escala del
producto requerido, bien sea teniendo en cuenta la escala de la fotografía, si es
de tipo análogo o de la resolución espacial (GSD, ground simple distance, o
distancia entre los centros de pixeles medidos en el terreno), si es aerofotografía
digital.

Con las fotografías aéreas se obtienen modelos estereoscópicos y a

partir de ellos, elementos importantes para generar los MDE, como por ejemplo,
líneas de quiebre (cuerpos de agua, vías o líneas adicionales que indican lugares
donde el terreno sufre un cambio abrupto de pendiente) y cotas fotogramétricas
que se capturan en áreas con poca información altimétrica, para dar mayor peso
al cálculo de interpolación en esas áreas. La base de datos resultante es en tres
dimensiones y en el control de calidad final se verifica la exactitud relativa de
elementos capturados según las formas del terreno, mediante comparación con
los modelos estereoscópicos, la consistencia topológica y la exactitud de
clasificación de los elementos capturados.

El uso de los MDE requiere de una información de referencia sobre

su calidad en el instante en el que son generados, de acuerdo con. Bien sea que
los datos de altura del terreno hayan sido obtenidos de la banda C del radar, o
de los datos ópticos, ambos conducen a información de la altura en la parte
superior de la superficie visible - el DSM. Por lo general, los puntos que no
pertenecen al suelo desnudo tienen que ser eliminados del conjunto de datos
logrado. Los criterios de calidad están definidos con base en la resolución y la
precisión, principalmente, pero la decisión para la selección de un MDE se basa
también en la homogeneidad, confiabilidad, integridad y los detalles morfológicos
que el modelo sea capaz de representar. Un factor adicional que presenta el
MDE ASTER para el mejoramiento de su exactitud es el número de stacks o
número de imágenes que se utilizan para la superposición de los modelos de
altura. Este número de stacks usado por los puntos del MDE varía fuertemente
dependiendo de la zona de cobertura de la imagen; para el caso de Colombia
donde hay alta nubosidad en ciertas áreas y baja prioridad para la toma de
escenas, este número de stacks varía entre 2 y 6, en general.

La resolución o tamaño de la celda del raster es uno de los criterios

más importantes en relación con la calidad de los MDE. Al aumentar el tamaño
de la celda (resolución menor) incrementa la generalización de la superficie real
a través del modelo. La precisión del MDE se relaciona con los valores de
elevación de cada celda y con el tamaño de la celda, es dependiente del
gradiente de la pendiente de la superficie real y del tamaño de la unidad del
terreno, con lo cual y en sectores de mayor inclinación y unidades del terreno
más pequeñas, decrece la exactitud del MDE.

La exactitud del MDE y de los parámetros del terreno derivados

puede ser crítica cuando se usa para el modelamiento ambiental y para la
predicción de la distribución espacial de propiedades hidrológicas,
geomorfológicas y biológicas. Según los propósitos específicos hay
requerimientos adicionales acerca de la calidad del MDE; por ejemplo la altitud
relativa (diferencia de nivel entre dos puntos) es un criterio importante a tener en
cuenta en las aplicaciones de las geociencias y en la ecología del paisaje.

Esta exactitud del MDE y de los productos derivados dependen de:

a) los datos de elevación, incluyendo técnicas de medida, localización de las
muestras y densidad de muestreo;

b) los métodos usados para crear el MDE,

c) modelo o estructura de datos,

 d) la precisión en la resolución horizontal y vertical en la cual
se representan los datos,

e) la complejidad topográfica del paisaje que está siendo

representado,

f) los algoritmos usados para calcular los diferentes

atributos del terreno

g) la precisión morfológica que depende de la calidad

geométrica y ésta a su vez de la resolución del MDE

La escala de los atributos del terreno derivados a partir de un MDE

es dependiente de la resolución del MDE, según lo menciona López (2006), en
su revisión de literatura. Varios autores citados por él, examinaron y compararon
el efecto de la resolución de diferentes MDE sobre atributos del terreno,
encontrando que si la resolución decrece, el gradiente de la pendiente decrece,
e inversamente, el área específica de una cuenca y el índice de humedad se
incrementan cuando la resolución decrece. Según Kienzle, (1994), la pendiente
y la estimación de la erosión del suelo se incrementan con un descenso en el
tamaño de la celda. López (2006) también menciona que el índice de humedad
se incrementa con el tamaño de la celda. Esto significa que las cuencas
modeladas tienden a ser más húmedas usando resoluciones más gruesas, y
tienden a ser más secas usando resoluciones más finas.

Otra variable importante es la precisión vertical. Thompson et al.

(2001) examinaron los efectos de este factor sobre los atributos del terreno y
encontraron que al decrecer la precisión vertical el índice de humedad, las
distribuciones del gradiente de la pendiente y el área específica de la cuenca no
cambiaron en grandes áreas, siendo 20 m la resolución horizontal más pequeña
examinada. Dichos autores registraron que un cambio en la resolución vertical
podría afectar los valores de atributos del terreno en puntos específicos;
atribuyendo al relieve relativamente alto estudiado, cambios despreciables en la
precisión vertical, pero al considerar que la precisión vertical de un MDE podría
ser un aspecto importante en áreas de pendientes suaves.

La técnica que elabora y analiza el modelado digital del terreno en

forma cuantitativa es la geomorfometría, una subdisciplina de la geomorfología
que trata de describir la forma de la superficie de la tierra, con el uso combinado
de las matemáticas, ciencias de la tierra y la informática (Pike, 2000). En un MDE,
cada valor de elevación representa la unidad básica de análisis y por lo tanto, es
análoga al píxel en una imagen satélite. El terreno es visto como una señal
bidimensional donde el tamaño de la celda es análogo a la tasa de muestreo de
la elevación (Franklin, 1987). Actualmente su rápido desarrollo ha sido paralelo
a la tecnología computacional y probablemente irá en aumento por las nuevas
misiones satelitales que están generando nuevos y mejores datos del terreno,
tales como los MDE globales de alta resolución.

La geomorfometria por tanto, ha detallado y modelado la superficie

del terreno mediante diferentes técnicas útiles para evaluar el medio físico. Una
de ellas es la parametrización del terreno, la cual se define como “la descripción
numérica de una superficie continua”.

Geomorfológicamente, se considera como un conjunto de medidas

que describen el relieve de tal manera que se puedan distinguir topográficamente
paisajes disímiles (Pike, 1988).

Aparte de los métodos estándar de evaluación de la precisión

absoluta del MDE, en la geomorfometría, interesa más la exactitud de los
parámetros de la superficie terrestre y los objetos y los mapas resultantes que
se pueden derivar de ellos. En un análisis de alta calidad geomorfométrica, es
más importante que la precisión de un MDE se refleje en su semejanza con las
formas reales y procesos de flujo y deposición de la superficie terrestre. Esta
semejanza se denomina a menudo precisión relativa o exactitud geomorfológica
del MDE y solo puede ser evaluada por medición de parámetros y objetos de la
superficie terrestre en campo y luego comparando sus formas, distribución y
localización con los valores obtenidos de un análisis geomorfométrico.

Es de anotar que el MDE también se ha utilizado para predicción de

componentes del clima, aunque su uso principal es la extracción de variables y
elementos geomorfométricos, a partir de algoritmos morfométricos, entendiendo
las primeras como medidas descriptivas de las geoformas superficiales:
pendiente, orientación, curvatura y los segundos, como entidades espaciales,
por ejemplo, abanicos aluviales, divisorias de cuencas, redes de drenaje (Pike et
al., 2009).

Elementos del clima pueden ser derivados de las relaciones entre el

MDE y parámetros climáticos registrados en las estaciones del área de estudio.
En los numerales siguientes se describe la relación entre el contenido de
humedad y las variables geomorfométricas, así como la función matemática que
define las variables. Los algoritmos descritos fueron seleccionados por ser
considerados en las referencias como los métodos más eficientes de cálculo, por
su disponibilidad en los software empleados o por ser los de mayor uso en los
programas libres o comerciales de características geomorfométricas.

3.2.2. Variables y elementos morfométricos básicos

En general, el desarrollo de la geomorfometría se basa en cinco

atributos o parámetros del terreno que se pueden definir para cualquier superficie
continua bidimensional: elevación, pendiente, orientación, curvatura vertical y
curvatura horizontal. Se conocen también como primarios, porque se derivan
directamente del MDE, representando solo la forma topográfica,
independientemente de sus procesos formadores. Los locales resultan de
cálculos en un vecindario pequeño o arreglo matricial (generalmente ventanas
de 3x3 para software como SAGA o ArcGIS) y los secundarios, que son los otros
índices derivados del MDE provienen de la combinación de dos o más de los
primarios o de algoritmos más complejos.
 Ambos se clasifican en locales y regionales. De acuerdo con Olaya
(2009), el análisis de las variables locales solo contempla aspectos geométricos
y topológicos, mientras que el análisis regional (por ejemplo, una cuenca
geográfica) considera el efecto del campo gravitatorio en la geometría diferencial
para convertirla en geomorfometría. Estas variables se determinan mediante
análisis matemático para lo cual se requiere definir la topografía del terreno a
partir de una función matemática.

3.3.2.1 Pendiente, Orientación y Curvatura

La pendiente es el factor que controla la mayor cantidad de procesos

sobre la superficie terrestre ya que actúa sobre la velocidad del flujo superficial
y subsuperficial y sobre la tasa de escorrentía, así como en el contenido de
humedad del suelo y las propiedades del suelo. Hidrológicamente la pendiente
indica la cantidad de energía gravitacional disponible para manejar el flujo de
agua.

El algoritmo más utilizado para su cálculo es el de, implementado en

varios softwares como ArcGIS, que tiene en cuenta la influencia de las 8 celdas
vecinas al pixel central en un arreglo de 3x3, asignando un peso mayor a las
celdas más cercanas y un peso menor a las más alejadas o diagonales. cuyo
cálculo se hace a partir de los valores de elevación de los cuatro vecinos más
próximos (ortogonales) a la celda estudiada para superficies rugosas, en el
cálculo de pendiente y orientación.

La orientación o el aspecto de la superficie es el componente

direccional de la pendiente. Los ángulos de la pendiente y de la orientación se
calculan usando las derivadas parciales de los valores de elevación con respecto
a las direcciones X (este/oeste) y a Y (norte/sur). El aspecto se evalúa como una
medida circular: empieza con 0° al norte, en sentido de las manecillas del reloj y
termina con 360° también al norte.

Desde el punto de vista hidrológico indica la dirección del flujo.

Cuando el agua se mueve bajo influencia de la fuerza de la gravedad, sigue la
dirección especificada por el aspecto. De allí que sea la base en la mayor parte,
de los algoritmos de dirección de flujo. Influye también en la pedogénesis ya que
determina la exposición de las laderas a la radiación y a los vientos que inciden
sobre la temperatura y la humedad y por ende, sobre procesos físico-químicos
de formación del suelo. La curvatura de una superficie del suelo se expresa en
términos de curvatura del perfil y del plano horizontal. describe la curvatura del
perfil o vertical (Cv), como la curvatura de una superficie en la dirección de la
pendiente y la curvatura horizontal (Ch), como la curvatura de una superficie
perpendicular a la dirección de la pendiente. La curvatura es la tasa de cambio
de la pendiente. Para su cálculo se ajusta el terreno a una superficie de segundo
grado cuyos coeficientes se calculan sin dificultad a partir de los valores de los 8
vecinos más próximos. Valores positivos describen la curvatura convexa, valores
negativos la curvatura cóncava, valores cercanos a cero indican que la zona es
plana o de pendiente rectilínea. A partir de éstas se pueden calcular otras
medidas como la curvatura media y la curvatura de acumulación.

En el terreno, la concavidad y convexidad pueden estar asociadas

con acumulaciones de flujo y dispersión de materiales, por lo tanto combinando
los valores de ambas curvaturas se puede tener una idea de cómo se comporta
el flujo. Estos parámetros también se pueden relacionar con patrones de
vegetación, de erosión y otros procesos físicos similares.

La curvatura horizontal (Ch) es una medida de la convergencia o

divergencia del flujo. Es un indicativo del patrón de distribución del agua
superficial y de materiales sólidos a través de la dirección de la pendiente. El
flujo del agua superficial y sub-superficial confluye cuando Ch<0, y diverge
cuando Ch>0. Las curvaturas vertical y horizontal influyen sobre la humedad del
suelo, profundidad de horizontes del suelo, materia orgánica y distribución de la
cobertura vegetal. También es un indicador de lineamientos geológicos,
estructuras en anillo, y puede ser utilizada para determinar la morfología de
fallas. La curvatura horizontal refleja el cambio en el ángulo de la orientación e
incide sobre la divergencia o convergencia del flujo del agua.
 La curvatura vertical (Cv) es una medida de la desaceleración y
aceleración relativa del flujo. El flujo sub-superficial del suelo es desacelerado
cuando Cv<0, y es acelerado cuando Cv>0. Las curvaturas horizontal y vertical
son factores determinantes de la dinámica del flujo superficial y sub-superficial
del agua en el suelo. También se les puede usar para la cartografía de zonas de
acumulación, de transición y de disipación de agua y materiales. La curvatura
vertical puede interpretarse en términos de rápida escorrentía, erosión y
desarrollo de suelos delgados en áreas convexas; deposición y desarrollo de
suelos más profundos en las áreas cóncavas y llanas. La curvatura vertical es
importante ya que refleja el cambio en el ángulo de la pendiente, por lo tanto
controla el cambio de la velocidad del flujo de masa a lo largo de la ladera.

Los algoritmos seleccionados para determinar la pendiente,

orientación y curvatura del terreno corresponden a las ecuaciones de,
implementadas por diversos softwares como SAGA y ArcGIS.

3.2.2.2. Índice de Convergencia

Este índice se basa en la orientación y es utilizado para distinguir

áreas de flujo convergente de las divergentes en el MDE. El índice se obtiene
promediando la desviación de la dirección de la pendiente de la celda central de
la ventana móvil con relación a la dirección de las celdas adyacentes y restando
90 grados. El cálculo corresponde a la expresión y su interpretación se aprecia
en la figura 1-3:

Dónde:

CI es el Índice de Convergencia y
 Ɵi es el ángulo, en grados, entre la dirección del vector
que une el centro de la celda i y el centro de la ventana.

Figura 1-3: Cálculo del Índice de Convergencia (Adaptada de Tommeret et al.,

2009)

Los posibles valores del índice varían de -90° (flujo convergente)

hasta 90° (flujo divergente). Las áreas planas, sin curvatura son áreas con
orientación nula, e índice de convergencia igual a 0. Este algoritmo es
implementado por el software SAGA.

3.2.4 Variables Y Elementos Hidrológicos

Las variables hidrológicas reflejan el movimiento potencial del

material transportado sobre la topografía (Pike et al., 2009). El aspecto más
importante basado en modelos de elevación digital es la dirección de flujo, para
determinar la trayectoria del agua, sedimentos y el movimiento de
contaminantes, principalmente, no obstante, para el balance hídrico este factor
está inmerso dentro del área de acumulación de flujo.

El cálculo del flujo de acumulación a cada celda adyacente (i=8) es

simple y está dada por la siguiente fórmula, presentada por Moore et al. (1991):
Dónde:

di es la fracción de agua que drena hacia la celda vecina i (la

sumatoria de los valores di de las 8 celdas de la ventana móvil
debe ser igual a 1, para conservar la masa)

i, j son las direcciones de flujo (1 a 8)

Tan βi es el gradiente de la pendiente entre la celda central y la celda

en dirección i

es la sumatoria del valor de la pendiente de todos los

vecinos de menor altitud. Las celdas altas tienen un valor de 0 y en
una ventana móvil de 3x3 el número de celdas vecinas (k) es igual
a ocho

γ es el coeficiente de dispersión.
 4. MATERIALES Y METODOS

4.1. Lugar de Ejecución

Figura 1. Georreferenciación del distrito Mariano Dámaso Beraun

4.2. Descripción ambiental

- Clima

Según SENAMHI (2010) la provincia de Leoncio Prado presenta un

clima tropical, cálido y húmedo, con características diferenciadas por la variación
de temperatura y volumen de precipitación pluvial.
- Temperatura

En el distrito de Mariano Damaso Beraun, la variación térmica es

elevada y puede alcanzar 26.10 °C de diferencia con mínimos de 19 °C y
máximos de 31.10 °C lo que se traduce en ciclos climáticos más acentuados.
 - Precipitaciones

El territorio pertenece a la región natural Mariano Damaso Beraun,

con una zona de vida de bosque húmedo montano tropical (bmh-mt) que propicia
el crecimiento de vegetación arbórea y arbustiva, y un clima cálido húmedo
lluvioso con abundantes precipitaciones pluviales durante 5 meses del año,
estimándose una precipitación media anual de 290.35 mm.
4.3. Materiales y Equipos

 GPS
 Cuaderno de apuntes
 Laptop
 Software ArcGis
 Software Microsoft Word
 Software Microsoft Excel

4.4. Metodología

4.4.1. Fase de gabinete

 3D Analyst toolsraster interpolation spline

 Imput point:estaciones

 Z value field: precipitación

 Guardar: isoyetas

 Environment en el tercero: extent (same as layer cuenca)….

 raster analyst en mask:cuenca

 ok

 3D analyst toolsraster SurfaceContour

 Inputpoint: isoyet

 Intervalo: 2 0 0
  Guardar: contur_isoyetas

 Contour_ isoyetas: en propiedades

 Labels: activar

 Label fiel: contour

 En la carpetanuevoshapefile área_isoyetaspolygonok

 Área_isoyetaseditor star editing

 Luego delimitar cada uno cilc derecho finish sckech

 Hallar el area

5. RESULTADOS

AÑO 2017
Meses/Par SETIEMBR NOVIEMB
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO OCTUBRE DICIEMBRE
ámetros E RE
máxima °c 28.90 29.70 29.70 30.90 31.00 30.60 30.80 31.10 31.10 30.40 30.90 29.10
mínima °C 20.50 21.00 20.80 21.20 21.20 20.80 19.00 19.80 20.00 20.70 21.20 20.90
media °C 24.70 25.30 25.20 26.00 26.10 25.70 24.90 25.40 25.50 25.50 26.10 25.00
H,R % 87 86 86 86 84 82 82 83 83 86 83 86
PP mm 391.0 475.8 432.7 204.2 326.1 158.6 105.0 50.8 256.5 496.3 276.3 311.2
 P mensual media (2017)
600
475.8 496.3
500
432.7
Precipitacion (mm)

391
400
326.1 311.2
300 256.5 276.3
204.2
200 158.6
105
100 50.8

0
ENE FEB MAR ABR MAY JUN JUL AGO SET OCT NOV DIC
MESES

P acumulada (2017)
4000
3500 3484.5
3173.3
Prec. Acumulada (mm)

3000 2897
2500 2400.7
2144.2
2000 1988.42093.4
1829.8
1500 1503.7
1299.5
1000
866.8
500 391
0
0 2 4 6 8 10 12 14
MES
 PREC.
MES PRECIPITACION
ACUMULADA

ENE 391 391

FEB 475.8 866.8
MAR 432.7 1299.5
ABR 204.2 1503.7
MAY 326.1 1829.8
JUN 158.6 1988.4
JUL 105 2093.4
AGO 50.8 2144.2
SET 256.5 2400.7
OCT 496.3 2897
NOV 276.3 3173.3
DIC 311.2 3484.5

6. DISCUSIÓN

El Balance Hídrico Es una aplicación automatizada desarrollada por

Cenicaña para facilitar el cálculo del balance hídrico en el suelo y realizar la
programación de los riegos requeridos por el cultivo de la caña de azúcar. Esta
herramienta es útil para ahorrar agua, por lo tanto, nos acerca al manejo
sostenible del recurso hídrico. En nuestro medio se ha mostrado como clave para
disminuir los costos de riego. (Pike et al., 2009).

Las variables hidrológicas reflejan el movimiento potencial del

material transportado sobre la topografía (Pike et al., 2009). El aspecto más
importante basado en modelos de elevación digital es la dirección de flujo, para
determinar la trayectoria del agua, sedimentos y el movimiento de
contaminantes, principalmente, no obstante, para el balance hídrico este factor
está inmerso dentro del área de acumulación de flujo.

Esto se logró demostrar en la práctica realizada por que con el apoyo

de las estaciones meteorológicas que capturan información de la precipitación
diariamente durante todo el año de diferentes zonas de nuestro país, para la
practica se utilizó información de 14 estaciones que ayudan a dar mejor exactitud
a los datos obtenidos pare el distrito de Mariano Dámaso Beraún, no obstante,
esto nos implicó un error en la fase de gabinete para la obtención de los
resultados finales ya que no todos los datos fueron sacados directamente desde
las estaciones sino de la página del SENAMI y esto puede hacer variar nuestros
resultados.

7. CONCLUSIONES

 Se realizó un modelo para determinar el balance hídrico empleando

interpolador geoespacial Spline para el distrito de Mariano Damaso
Beraun.
 Se determinó el balance hídrico del año 2017 (precipitación acumulada
mensual y temperatura media mensual) con información de las estaciones
de la provincia de Leoncio Prado.
 Se determinó las áreas del balance hídrico mensual del año 2017 (déficit
hídrico, estabilidad hídrica, exceso hídrico) del distrito de Mariano
Damaso Beraun.
 Se determinó el error cuadrático medio mensual del balance hídrico de
setenta puntos aleatorizados en el distrito de Mariano Damaso Beraun.
 Se determinó el error cuadrático medio en función de las áreas mensuales
del balance hídrico del distrito de Mariano Damaso Beraun.
 8. REFERENCIAS BIBLIOGRAFICAS

 López, D., 2006. Desarrollo e Implementación de un modelo para la

clasificación automática de unidades de relieve a partir de Modelos
Digitales de Elevación. Tesis degrado Maestro en Geomatica. México,
D.F. 106 p.
 Pike, R. 1988. The geometric signature: quantifying landslide terrain types
from digital elevation models. Mathematical Geology, 20(5), 491–511.
 Pike, R., 2000. Geomorphometry – Diversity in quantitative surface
analysis. Progress in Physical Geography, 24 (1):1–20.
 Pike, R. 2009. Geomorphomety: A Brief Guide. En: T. Hengl y H. Reuter
Eds. Geomorphometry: Concepts, Software, Applications. Amsterdam-
Oxford, Elsevier. Pp 3- 30.