Predicción del recurso hídrico del río Pamplonita a partir de un modelo matemático basado en teleconexiones.
La posibilidad de establecer predicciones del recurso hídrico constituye un insumo para toma de decisiones en inversión para proyectos socio-económicos e implementación de planes de gestión del riesgo. Se tiene por objeto evidenciar correlaciones entre la temperatura superficial del océano (SST) y l...
- Autores:
-
Garzón Arenas, Jimena Maidé
Ramírez García, Jessica Milena
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2017
- Institución:
- UNIVERSIDAD FRANCISCO DE PAULA SANTANDER
- Repositorio:
- Repositorio Digital UFPS
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.ufps.edu.co:ufps/2073
- Acceso en línea:
- http://repositorio.ufps.edu.co/handle/ufps/2073
- Palabra clave:
- Recurso hídrico
- Rights
- openAccess
- License
- Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
| Summary: | La posibilidad de establecer predicciones del recurso hídrico constituye un insumo para toma de decisiones en inversión para proyectos socio-económicos e implementación de planes de gestión del riesgo. Se tiene por objeto evidenciar correlaciones entre la temperatura superficial del océano (SST) y la cantidad de recurso hídrico superficial en la cuenca del río Pamplonita, Norte de Santander, a fin de establecer un modelo tipo teleconexiones, para predecir el recurso a mediano plazo. Datos de la SST mensual se obtuvieron del sensor MODIS-NASA procesados en la plataforma Ocean Color, seleccionando celdas de 2° longitud y 4° latitud para cubrir la franja +180°lon / -180°lon, desde -20°lat / +20°lat, analizando un total de 3600 celdas. El recurso hídrico se caracterizó mediante los Caudales Medios Mensuales (Qmm) de la estación La Donjuana. La ventana temporal estudiada fue de julio 2002 a diciembre 2015 (162 meses). Se establecieron correlaciones entre SST mensual de cada celda con los respectivos Qmm, inicialmente sin rezago (e.g. Lag0: SST celda 1 en julio vs Qmm en julio), y luego considerando los 11 rezagos posibles (e.g. Lag1: SST celda 1 en Julio vs Qmm en agosto). La bondad de correlación se midió con el Coeficiente de Correlación de Pearson y el estadístico p. Se construyó un modelo matemático predictivo para Qmm con entre tres y seis meses de anticipación para Años Niña. Esto constituye un importante insumo para cuantificar afectaciones en años extremadamente húmedos. Se espera extender este análisis a otras regiones y parámetros climáticos. |
|---|