Modelamiento de Sequía en el departamento de La Guajira, Colombia

Las sequías son procesos hidrometeoro-lógicos que eliminan o disminuyen la cantidad y distribución espacial de la precipitación limitando la disponibilidad de agua superficial y/o subterránea, de modo que se presentan condiciones mucho más secas de lo usual, que se convierten en potencialmente perjudiciales. En palabras de la Organización Meteorológica Mundial en su Manual de Indicadores de Sequía este fenómeno natural es uno de los que más daños económicos causan año tras año, afectando de manera significativa a los bienes y la calidad de vida de las personas. En particular en Colombia una de las zonas más vulnerables a este fenómeno es el departamento de La Guajira, que por sus condiciones geográficas, y sociales ha sido históricamente impactado por este fenómeno. Ahora bien, con respecto a lo anterior, es preciso aclarar que las sequías a diferencia de otros fenómenos naturales se caracterizan por usualmente cubrir áreas más extensas que sus contrapartes, además que su ocurrencia gradual y paulatina hace difícil determinar su duración absoluta, haciendo de la sequía un fenómeno especialmente susceptible al monitoreo constante. Igualmente la estrecha relación existente entre los fenómenos de sequía y su impacto en las condiciones usuales de las diferentes variables del ciclo hidrológico, se hace necesario evaluar las ocurrencia de sequías con el comportamiento de variables como la precipitación, la temperatura superficial, el comportamiento de la vegetación, y la humedad presente en el suelo. Sin embargo y a pesar de la necesidad de monitoreo constate, la evaluación de los fenómenos de sequía se puede verse limitado por la cantidad y calidad de los registros necesarios para evaluarla, además de las limitaciones propias de las aproximaciones utilizadas, donde los índices basados en rachas de datos hidrometeorológicos de estaciones en terreno son más precisos pero tienen una cobertura espacial pobre, por su parte las metodologías basadas en sensores remotos cubren grandes áreas utilizando un muestreo espacial mucho más detallado pero adolecen de imprecisión. En este orden de ideas en el trabajo aquí descrito adapta una metodología existente en la que a partir del cálculo del índice de precipitación estandarizada no paramétrico en un conjunto de estaciones meteorológicas, se implementan una serie de algoritmos impulsados por datos para la integración e interpolación no lineal de este índice con productos satelitales referentes a diferentes variables del ciclo hidrológico para la derivación de productos del índice de precipitación estandarizado no paramétrico para el departamento de La Guajira consistentes espacial y temporalmente, en las escalas de 3, 6 y 9 meses. Se obtuvo una serie temporal de mapas de SPI para la duración total del estudio, el modelo que mejor se aproximo fue el de Extrem Gradient Boosting con un error cuadrático medio estimado de 0.7 y un error absoluto medio de 0.8; frente a los 0. y 0.9 de Random Forest, mientras que las redes neuronales no consiguieron captar el comportamiento del fenómeno. Estos errores se concentran en la estimación de los valores máximos y mínimos locales del SPI. Además de un efecto pixelado en la predicción espacial. Finalmente, se midió la importancia de las variables utilizadas en la predicción espacial, obteniendo como variable más importante la precipitación estimada por satélite (producto CHIRPS), seguida de la temperatura superficial y el índice de sequía normalizado (NDDI).

• Autores: Vinasco Salinas, Juan Sebastián
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad del Valle
• Repositorio: Repositorio Digital Univalle
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.univalle.edu.co:10893/22263
• Acceso en línea: https://hdl.handle.net/10893/22263
• Palabra clave: Sequías; Monitoreo; Percepción remota; Aprendizaje automático; La Guajira (Colombia)
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)