Los modelos de predicción hidrológica constituyen herramientas indispensables para el diseño, operación y gestión de infraestructura hidráulica de gran escala. Del diseño inicial de represas (hidrogramas de avenida) hasta la predicción operacional diaria de caudales y optimización de riego, estos modelos transforman datos meteorológicos e hidrogeológicos en información decisional cuantitativa. En Perú, existen aplicaciones operacionales (SENAMHI WRF-VIC para cuenca Rímac; sistemas de predicción Chira-Piura) junto con investigación de vanguardia (SPHY para cuencas con glaciares; SWAT para evaluación integral). Este reporte examina modelos principales (HEC-HMS, SWAT, SPHY, VIC), metodologías de calibración-validación, y aplicaciones estratégicas en contexto peruano de cuencas andinas dependientes de glaciares.
1. Tipología de Modelos Hidrológicos
1.1 Modelos Conceptuales Agregados (Lumped)
Estos modelos representan la cuenca como una unidad única, sin resolución espacial.
HEC-HMS (Hydrologic Engineering Center – Hydrologic Modeling System)
Desarrollador: U.S. Army Corps of Engineers
Licencia: Gratuita (descarga)
Tipo: Precipitación-escorrentía; conceptual agregado
Escala de aplicación: Cuencas 100-5,000 km²
Resolución temporal: Diaria a horaria (configurable)
Estructura del modelo:
HEC-HMS representa la cuenca como una red ramificada de elementos:
- Subcuencas: reciben precipitación; generan escorrentía
- Tramos de cauce: transportan agua; pueden incluir embalses
- Embalses: almacenan agua; operan con reglas definidas
Parámetros calibrados:
- Coeficiente infiltración/percolación (relacionado suelo)
- Capacidad de almacenamiento depresiones
- Velocidad flujo en cauces
Aplicación crítica en Perú: Diseño de represas
- Cuencas Costa Pacífico: 11 cuencas evaluadas
- Generación hidrogramas crecida para períodos retorno (100, 500, 1,000 años)
- Ejemplo: Poechos (Piura), proyectos futuros Majes Siguas
Ventajas:
- Interfaz gráfica amigable
- Rápido computacionalmente
- Calibración manual accesible
Limitaciones:
- Agregado: no captura variabilidad espacial lluvia
- Peor desempeño en eventos extremos (no reproduce máximos correctamente)
- Requiere datos puntuales de lluvia (estaciones)
Costo/Tiempo implementación:
- Licencia: Libre
- Desarrollo modelo: 3-6 meses
- Calibración/validación: 2-4 meses
- Total: USD 100-300K
GR2M y GR4J (Modèles Hydrologiques Globaux, Francia)
Tipo: Conceptual agregado; parsimonioso
Ventaja: Muy pocos parámetros (2-4 vs 15-20 en otros modelos)
GR2M: Resolución mensual (para pronóstico estacional)
GR4J: Resolución diaria (para balance hídrico)
Aplicación Perú:
- Jequetepeque (norte): GR2M para pronóstico estacional riego
- Chicama (norte): GR4J mostró mejor performance (NSE 0.82) vs TANQUE, SACRAMENTO, SIMHYD, AWBM
Característica importante:
- Rápido: permite simulaciones 50-100 años en minutos
- Ideal para incertidumbre climática: ejecutar múltiples escenarios
1.2 Modelos Distribuidos (Semidistribuidos)
Estos modelos discretizan la cuenca en celdas o Unidades de Respuesta Hidrológica (HRU), permitiendo representar variabilidad espacial.
SWAT (Soil and Water Assessment Tool)
Desarrollador: USDA-ARS
Licencia: Gratuita (open-source)
Tipo: Semidistribuido; HRU-based
Escala: Cuencas 100-100,000 km²
Resolución temporal: Diaria a anual (configurable)
Estructura:
SWAT discretiza cuenca en HRU (combinación única: subcuenca-uso suelo-tipo suelo). Para cada HRU calcula:
- Balance hídrico (evapotranspiración, infiltración, percolación)
- Carga sedimentos y nutrientes
- Interacción con infraestructura (embalses, riego)
Datos de entrada (complejos):
- DEM (topografía)
- Mapa suelos (propiedades: conductividad, almacenamiento, pH)
- Uso suelo/cobertura (LULC)
- Datos meteorológicos diarios (precipitación, temperatura mín/máx, humedad, radiación)
- Parámetros manejo agrícola (riego, fertilizantes, cosechas)
Aplicaciones principales:
- Balance hídrico integral: cuantificar oferta agua por componentes
- Impacto cambio climático: escenarios de precipitación/temperatura futura
- Evaluación prácticas agrícolas: riego, drenaje, terrazas
Desempeño documentado (Perú – Cuenca Chicama):
- NSE calibración: 0.72-0.78 (variable modelo)
- NSE validación: 0.65-0.71
- Limitación crítica: Asurza-Véliz & Lavado-Casimiro (2020) encontraron que SWAT NO reproduce correctamente “tasas altas de flujo durante períodos húmedos” (eventos extremos)
Implicación práctica: SWAT excelente para balance anual/estacional; inapropiado para diseño infraestructura que requiera hidrogramas de crecida precisos.
Ventajas:
- Integración completa SIG
- Captura impacto uso suelo
- Evaluación de escenarios
Limitaciones:
- Demanda datos masivos (>20 capas espaciales)
- Calibración lenta (muchos parámetros)
- Deficiencia en eventos extremos
Costo/Tiempo:
- Licencia: Libre
- Adquisición datos: USD 50-150K
- Desarrollo modelo: USD 100-300K
- Calibración automática: USD 50-150K (con PEST o SWAT-CUP)
- Total: USD 200-600K
SPHY (Spatially Distributed Hydrology Model)
Desarrollador: FutureWater (Holanda)
Licencia: Gratuita (open-source)
Tipo: Distribuido físico; multi-escala flexible
Aplicación especializada: Cuencas con glaciares y cambio climático
Característica única:
SPHY permite ejecutar diferentes resoluciones espaciales para diferentes procesos simulados simultáneamente:
- Glaciares: 50 m resolución (dinámica detallada balance nieve/hielo)
- Escorrentía cuenca: 1,000 m resolución (eficiencia computacional)
- Evapotranspiración regional: 5,000 m resolución
Aplicaciones documentadas:
- Cuenca río Ganges (Asia): evaluación “ríos ambientales” (caudal ecológico mínimo) bajo escenarios agua subterránea
- Cuenca Chile (análogo Perú): pronóstico flujo estacional durante época deshielo, usando datos satélite SENTINEL + modelamiento WRF
Modelo de glaciar (Componente crítica):
- Calcula balance masa glaciar (acumulación – ablación)
- Entrada: temperatura, precipitación (nieve)
- Output: deshielo diario (escorrentía)
- Validación: datos satélite (SENTINEL-2 cobertura nieve)
Aplicabilidad Perú (Andes):
SPHY es modelo más indicado para:
- Cuencas Santa, Chancay, Rímac, Mantaro (todas glaciar-dependientes)
- Impacto cambio climático en escorrentía de deshielo
- Pronóstico estacional en temporada seca (máxima dependencia glaciar)
Ventajas:
- Modelo físico: parámetros tienen significado real (no calibración pura)
- Multi-escala flexible
- Integración datos satélite
- Mejor para eventos extremos que SWAT
Limitaciones:
- Requiere datos muy detallados (suelos, glaciar)
- Curva aprendizaje empinada
- Computacionalmente intensivo
Costo/Tiempo:
- Licencia: Libre
- Datos base (SRTM, glaciares, suelos): USD 100-200K
- Desarrollo modelo: USD 150-400K
- Calibración: USD 80-200K
- Total: USD 330-800K
2. Flujo de Calibración y Validación
2.1 Datos de Entrada Esenciales
Jerarquía de crítica (para cuencas andinas):
| Dato | Prioridad | Resolución | Fuente Perú |
|---|---|---|---|
| Precipitación | CRÍTICA | Diaria; 0.1° (~10 km) | SENAMHI estaciones + CHIRPS satélite |
| Caudales observados | CRÍTICA | Diaria | ANA estaciones de aforo |
| Temperatura | ALTA | Diaria; estación | SENAMHI estaciones |
| DEM (topografía) | ALTA | 30-90 m | SRTM, ALOS PALSAR |
| Suelos | MEDIA | Poligonal (variable) | MINAGRI, INIA |
| Uso suelo/Cobertura | MEDIA | 10-30 m | Sentinel-2, Landsat |
| Evapotranspiración | MEDIA | Estimada (FAO-56) | Cálculo a partir temperatura |
Brecha crítica en Perú:
- Estaciones de aforo en declive (presupuesto SENAMHI/ANA limitado)
- Red de precipitación insuficiente en zonas rurales/remotas
- Solución: combinación estaciones terrenas + satélite (CHIRPS proporciona precipitación 0.05° resolución desde 1981)
2.2 Metodología de Calibración
Fase 1: Selección de Período
- Mínimo 5-10 años de datos completos
- Debe incluir: años secos, húmedos, normales
- Warm-up: dejar 1-2 años iniciales para estabilizar estados
Fase 2: Calibración
Opción A – Manual (Legacy, aún común en Perú):
- Ingeniero ajusta parámetros basado en análisis sensibilidad
- Ventaja: comprensión física profunda
- Desventaja: tiempo (semanas-meses), subjetividad
Opción B – Automática (Estándar internacional):
- Optimizador computacional (PEST, GLUE, SCE-UA)
- Define función objetivo (ej. máximizar NSE)
- Itera hasta convergencia
- Ventaja: rápido (horas-días), reproducible, documentado
- Herramientas: SWAT-CUP (SWAT), PEST (general), R paquetes
Función Objetivo Recomendada para eventos extremos:
KGE (Kling-Gupta Efficiency) = 1 – √[(r-1)² + (α-1)² + (β-1)²]
- Donde r = correlación, α = variabilidad relativa, β = sesgo
- Mejor que NSE para eventos extremos (NSE penaliza poco subestimación máximos)
2.3 Métricas de Bondad de Ajuste
Aceptación estándar (ASCE-EWRI):
| Métrica | Excelente | Muy Bueno | Bueno | Aceptable |
|---|---|---|---|---|
| NSE | >0.85 | 0.75-0.85 | 0.65-0.75 | 0.50-0.65 |
| PBIAS | <10% | ±10-15% | ±15-20% | ±20-30% |
| RMSE | <10% obs. | 10-15% | 15-20% | 20-30% |
Para Perú (cuencas andinas complejas): aceptar NSE >0.65 (vs estándar internacional >0.75) debido a:
- Variabilidad climática extrema (ENOS, cambio climático)
- Densidad insuficiente estaciones
- Complejidad topográfica
2.4 Validación del Modelo
Split-sample test:
- 60% datos calibración; 40% validación (período disjunto)
- Parámetros de calibración se congelan
- Validación con datos nunca vistos
- Aceptar si NSE_validación ≥ 0.9 × NSE_calibración
Análisis de residuales:
- Gráfico de dispersión: simulado vs observado (debe alinearse a línea 45°)
- Autocorrelación residuales: debe ~0 (indica independencia)
- Heterocedasticidad: varianza residuales constante (indica sin sesgo)
Análisis sensibilidad:
- Variar cada parámetro ±20-50%
- Cuantificar cambio en NSE
- Identificar parámetros “críticos” vs “indiferentes”
3. Aplicaciones en Infraestructura de Gran Escala
3.1 Diseño de Represas
Objetivo: Definir volumen de almacenamiento de represa mediante hidrogramas de crecida para períodos de retorno (100, 500, 1,000 años).
Metodología con HEC-HMS:
- Calibración histórica:
- Simular 50-100 años período histórico (1950-2024 típico)
- Validar con caudales observados
- NSE >0.70 aceptable para este propósito
- Generación precipitaciones de diseño:
- Construir curvas IDF (Intensidad-Duración-Frecuencia) para el sitio
- SENAMHI genera curvas IDF regionales; perfilar a cuenca específica
- Simular eventos lluvia de diseño (24h, 48h duración)
- Simulación hidrogramas de crecida:
- Para cada período retorno (50, 100, 500 años), simular hidrograma
- Extraer: caudal pico (m³/s), volumen acumulado (hm³), duración
- Generar hidrograma de diseño (envolvente seguridad)
- Dimensionamiento:
- Volumen útil = consumo anual promedio
- Volumen de embalse = volumen útil + volumen de regulación (eventos extremos)
- Altura presa = profundidad requerida / batimetría
Aplicación Perú (Documentada):
Estudio Costa Pacífico (SENAMHI/CENEPRED):
- 11 cuencas evaluadas con HEC-HMS
- Período: 1950-2024 (datos históricos)
- Hidrogramas de crecida para períodos 50, 100, 500, 1,000 años
- Costo: USD 200-400K por cuenca
Costo beneficio:
- Sobredimensionamiento (ignorar extremos): USD 50-100M extra en inversión represa
- Subdimensionamiento (subestivar extremos): catástrofe potencial (rotura presa)
- Costo modelamiento: USD 300K amortizado en proyecto USD 1-5 mil millones = <1% presupuesto
3.2 Pronóstico Operacional de Caudales
Necesidad: Predicción de caudales 7-14 días para optimizar operación diaria de embalses.
Aplicación crítica: Generación hidroeléctrica + riego
Modelo recomendado: VIC (Variable Infiltration Capacity Model)
Flujo operacional:
Predicción meteorológica (WRF) Análisis histórico (calibrado)
↓ ↓
Temperatura, precipitación ← → Modelo hidrológico VIC (calibrado)
↓
Pronóstico caudales 14 días
(con incertidumbre)
↓
Optimización operación embalse
(energía + riego + ambiental)
Ejemplo Chile (Coordinador Eléctrico Nacional):
Sistema de Pronóstico Caudales (SPC) para generación hidroeléctrica:
- Cuencas: Rapel, Maule, Laja, Biobío (4,700 MW capacidad)
- Modelo: VIC acoplado WRF
- Pronóstico: diario, 14 días adelante
- Resolución espacial: 5-10 km
- Resolución temporal: diaria
Resultados cuantitativos:
- Antes (método histórico): MAPE 35-40%
- Después (VIC+WRF): MAPE 15-20% (mejora significativa)
- Beneficio económico: USD 50-100 millones/año en eficiencia operacional (reducción quema diesel)
Aplicación Perú (Necesaria):
Cuencas prioritarias:
- Mantaro: 20% matriz energética nacional; actualmente opera sin pronóstico sistemático
- Santa: 10% generación + agua potable Trujillo/Chimbote; dependencia glaciar
- Urubamba: agua potable 1+ millón Cusco; dependencia glaciar
- Rímac: agua potable 9 millones Lima (SEDAPAL)
Inversión estimada para sistema SPC tipo:
- Implementación: USD 15-25 millones
- Operación anual: USD 2-3 millones
- ROI: USD 100-300 millones/año (energía + agua)
Cronograma recomendado:
- Año 1: desarrollo modelo + calibración
- Año 2: integración SIG + interfaces usuario
- Año 3: operación piloto; año 4: operación completa
3.3 Evaluación de Impacto Cambio Climático
Pregunta crítica para diseño futuro: ¿Seguirá siendo viable la represa X en 2050 si precipitación baja 20% y glaciares se reducen 60%?
Metodología Robusta Decision Making (RDM):
- Downscaling de GCM (Global Climate Models):
- Modelos globales (CNRM, MPI-ESM, GFDL) ~100 km resolución
- Downscaling dinámico (WRF) a 5-10 km
- Bias-correction vs observaciones históricas
- Escenarios climáticos:
- RCP 2.6 (optimista: +1.5°C para 2100)
- RCP 4.5 (intermedio: +2.4°C)
- RCP 8.5 (pesimista: +4.3°C)
- Simulación hidrológica futura:
- Ejecutar modelo calibrado (ej. SPHY) bajo clima futuro 2030-2050-2080
- Output: serie temporal simulada (caudales, nieve, deshielo)
- Comparar vs histórico (1950-2005)
- Análisis de robustez:
- ¿Represa sigue siendo viable bajo todos los escenarios?
- ¿Hay umbral de cambio climático donde falla?
- ¿Qué adaptaciones son necesarias? (mayor riego presurizado, recarga artificial, etc.)
Aplicación Perú – Caso Santa:
Hipótesis de análisis:
- Cuenca Santa abastece 3+ millones (Chimbote, Santa, Trujillo)
- 60% agua viene de deshielo glacial en la actualidad
- Proyección: glaciar se reduce 70% para 2050
Resultado esperado de análisis RDM:
- Sistema colapsa bajo RCP 8.5 (escenario pesimista)
- Viable bajo RCP 2.6 si implementa riego presurizado + desalinización
- Costo adaptación: USD 800M-1.2B (riego eficiente + plantas desalinización)
Costo/Plazo:
- Licencia modelo (SPHY): USD 0 (open-source)
- Datos climáticos futuros (downscaling WRF): USD 50-100K
- Desarrollo modelo regional: USD 150-300K
- Análisis escenarios + RDM: USD 100-200K
- Total: USD 300-600K
Valor decisional:
- Evita diseño infraestructura que será obsoleta 2050
- Permite planificación adaptativa a horizonte 30-50 años
- Costo = 0.1-0.5% presupuesto proyecto típico; ROI infinito si salva proyecto
3.4 Diseño de Sistemas de Riego
Pregunta de diseño: ¿Qué tamaño debe ser el embalse para satisfacer demanda de riego X hectáreas bajo variabilidad climática actual y futura?
Metodología con SWAT + balance hídrico:
- Modelamiento oferta agua:
- SWAT simula balance hídrico cuenca (precipitación – evapotranspiración – escorrentía)
- Output: disponibilidad agua mensual/anual en sitio captación
- Modelamiento demanda agua:
- Estimación: ETo (evapotranspiración potencial) × Kc (coeficiente cultivo) × superficie
- Variación mensual según fenología cultivo
- Requerimiento: precipitación natural + riego suplementario
- Balance hídrico embalse:
- Mes t: Volumen(t) = Volumen(t-1) + Ingresos(t) – Egresos(t) – Evaporación(t)
- Ingresos = escorrentía cuenca
- Egresos = riego + consumo doméstico + caudal ecológico
- Evaporación = f(área espejo, temperatura)
- Dimensionamiento:
- Simular 50-100 años variabilidad
- Identificar deficit máximo acumulado (peor caso sequía prolongada)
- Volumen embalse = deficit máximo × factor seguridad (1.1-1.2)
Limitación documentada: SWAT falla en capturar picos crecida. Solución: usar SWAT para balance anual; HEC-HMS para dimensionamiento vertedero.
Aplicación Perú – Riego en Ica:
Superficie bajo riego actual: 300,000 hectáreas
Demanda actual: ~2,200 MMc/año
Disponibilidad (sostenible): ~1,500 MMc/año
Déficit: 700 MMc/año
Soluciones evaluadas con modelamiento:
- Embalse adicional (Trasvase Marañón): USD 2.5-3.5B, caudal 1,500-2,000 MMc/año
- Riego presurizado (goteo): reduce demanda 40-50%, costo USD 1.5-2.5B
- Cambio cultivos perennes → anuales: flexibilidad sequía, pérdida ingresos ~10%
- Combinación adaptada: riego presurizado + trasvase parcial + cultivos adaptados
Rol modelamiento:
- Cuantificar beneficio/riesgo cada opción
- Evaluar bajo escenarios climáticos futuros
- Informar decisión política
4. Fortalecimiento Institucional Recomendado para Perú
4.1 Cuencas Prioritarias para Modelamiento
Urgencia Altísima (2026-2027):
- Rímac (Lima): Ya iniciado (WRF-VIC 2015); completar operacionalización
- Mantaro (Energía): 20% matriz; requiere pronóstico operacional
- Santa (Glaciares): Trujillo/Chimbote; alta vulnerabilidad cambio climático
Urgencia Alta (2027-2029):
4. Urubamba, Chancay, Colca (agua potable)
5. Chira-Piura (riego + inundación)
Urgencia Media (2029-2035):
6. Todas cuencas restantes (fase gradual)
4.2 Selección de Modelo por Objetivo
| Objetivo | Modelo Recomendado | Costo | Plazo |
|---|---|---|---|
| Diseño represa | HEC-HMS | USD 100-300K | 6-10 meses |
| Pronóstico operacional | VIC+WRF | USD 500K-2M | 18-24 meses |
| Impacto cambio climático | SPHY | USD 300-800K | 12-18 meses |
| Balance hídrico integral | SWAT | USD 200-600K | 9-15 meses |
4.3 Financiamiento e Instituciones
Fuentes de financiamiento:
- BID: líneas para modelamiento hidrológico (típicamente USD 2-5 millones/país/año)
- CAF: fondos adaptación cambio climático
- Banco Mundial: componente agua de proyectos mayores
- CONCYTEC: fondos investigación básica (modelamiento glaciares)
- Presupuestos propios: SENAMHI, ANA, MIDAGRI, Operadores (Sedapal, Egasur)
Fortalecimiento institucional:
- SENAMHI: Expandir modelamiento WRF-VIC a todas cuencas prioritarias
- ANA: Crear unidad especializada modelamiento (15-20 profesionales)
- Universidades: Posgrados modelamiento hidrológico (UNASAM, UNALM, PUCP)
- Operadores: Personal dedicado actualización/validación modelos
Presupuesto estimado (10 años):
- Inversión inicial infraestructura/capacitación: USD 50-100 millones
- Operación anual: USD 5-10 millones
- Total: USD 100-200 millones
- Beneficio esperado: USD 1-3 mil millones (ahorro inversión adecuada + eficiencia operacional)
Los modelos de predicción hidrológica son imprescindibles para que Perú diseñe, operable y adapte infraestructura hídrica a realidades futuras marcadas por cambio climático y variabilidad extrema. HEC-HMS permite diseño seguro de represas; SWAT proporciona balance hídrico integral; SPHY captura dinámica de glaciares bajo cambio climático; VIC acoplado WRF operacionaliza pronósticos. Cada cuenca andina enfrenta vulnerabilidades específicas (dependencia glaciar, acuíferos sobreexplotados, variabilidad extrema). La inversión en modelamiento (USD 300K-2M por cuenca) es mínima en contexto de proyectos de USD 1-10 mil millones. La alternativa—diseñar sin modelos rigurosos—genera sobrecostos, vulnerabilidades ocultas, y decisiones subóptimas. Perú posee experticia (SENAMHI, universidades) y ejemplos regionales exitosos (Chile SPC). La pregunta es cuán rápidamente institucionalizar esta capacidad a escala nacional.