Oferta y Demanda 2017 PDF

AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL
CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO

HÍDRICO SUPERFICIAL Y SUBTERRÁNEO, EN EL CONTEXTO DE LA
OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN LA
CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA
FORMULACIÓN DE INSTRUMENTOS DE PLANIFICACIÓN
CONVENIO 1050 DE 2016
INFORME OFERTA Y DEMANDA
Medellín, febrero de 2018

AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL
CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO
HÍDRICO SUPERFICIAL Y SUBTERRÁNEO, EN EL CONTEXTO DE LA
OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN LA
CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA
CONVENIO 1050 DE 2016
INFORME DE HIDROLOGÍA
EJECUTA:
http://www.udea.edu.co/
UN PROYECTO DE:
Medellín, febrero de 2018

AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL CONOCIMIENTO
PARA LA GESTIÓN INTEGRAL DEL RECURSO HÍDRICO SUPERFICIAL Y
SUBTERRÁNEO, EN EL CONTEXTO DE LA OPERACIÓN DE LA RED DE MONITOREO
AMBIENTAL EN LA CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA
Aunar esfuerzos para la apropiación tecnológica y del conocimiento para la gestión integral del
recurso hídrico superficial y subterráneo, en el contexto de la operación de la red de monitoreo
ambiental en la cuenca hidrográfica del río Aburrá-Medellín y la formulación de instrumentos de
planificación– Convenio 1050 de 2016.
Un proyecto del Área Metropolitana del Valle de Aburrá
Eugenio Prieto Soto, Director
María del Pilar Restrepo Mesa, Subdirectora Ambiental
Ejecuta
Universidad de Antioquia
Mauricio Alviar Ramírez
Rector
Equipo de Trabajo:
Lina Claudia Giraldo Buitrago, Coordinación General; Rubén Alberto Agudelo García, Asesor
de Coordinación; Carolina Zapata Vanegas, Ingeniero Logístico y de Calidad; Sandra Eugenia
Flórez Hoyos, Asistente Administrativa; John Fredy Carmona Castaño, Ingeniero Sanitario
Coordinador Operativo de la Red; Camilo César Castro Jiménez, Especialistas Calidad de
Aguas; Alejandra Cifuentes Zapata, Ingeniera de Apoyo Monitoreo; Santiago Felipe Hidalgo
Gaona, Ingeniero Modelación y Apoyo Monitoreo; Julián David Rojo Hernández, Ingeniero en
Hidrología; Lina Claudia Giraldo Buitrago, Asesora de Modelación; Néstor Jaime Aguirre
Ramírez, Asesor Biológico; Oscar David Álvarez Villa, Asesor de Hidrología; Diana Cristina
Atehortúa Rivera, Yina Sofía Racinez Jaramillo, Vanessa Jaramillo Orozco, Joan Camilo
Benítez Mejía, José Manuel Fernández Montes, Santiago Vásquez Sogamoso; Auxiliares y/o
Practicantes de Ingeniería Operación de la Red Superficial; Nixon Arley Aristizábal Niño,
Profesional en SIG; Andrés Felipe López Gómez, Ingeniero de Sistemas para Bases de Datos
Agua Superficial; Carlos Andrés Jaramillo Osorio, Ingeniero Líder Estaciones Automáticas; Juan
Manuel Osorio Zapata, Ingeniero de Apoyo Estaciones Automáticas; Andrés Camilo Zapata
III
Moreno, Ingeniero Analista de Datos; Federico Zapata Tordecilla, Carlos Andrés Ardila Duque,
Luis Gerardo Arcila Sáenz, Robinson Sepúlveda Salazar, Alexander Castro Herrera, Auxiliares
de Ingeniería Estaciones Automáticas; Juan de Dios Delgado Lastra, Asesor Estadístico;
Teresita Betancur Vargas, Coordinadora Hidrogeóloga; Paola Andrea Palacio Buitrago,
Profesional para Modelación Aguas Subterráneas; Cristina Martínez Uribe, Profesional Manejo
de Base de Datos Espacial; Juliana Ossa Valencia; Profesional en interpretación química e
isotópica del agua subterránea; Ángela Díaz Torres, Asistente Administrativa; Manuel Antonio
González Romero, Andrés Felipe Tapias Gutiérrez, María Stephanía Vélez Ortiz, Brayan Andrés
Arenas González, Estudiantes auxiliares Operación Red Subterránea; Ángel José Cardona
Pérez, Apoyo Revisión Expedientes; Alejandro Martínez Ayala, Profesional Sistemas
Fortalecimiento Redes; Juan Carlos Rodriguez Arboleda, Ingeniero en gestión ambiental y
territorial; Alexander Ossa Montoya, Profesional con experiencia en gestión tecnológica
Fortalecimiento Redes; Alba Mery Upegüi Posada, Profesional área social y profesional para
gestión ajuste de la red, fortalecimiento de redes; Álvaro Zapata Zapata, Profesional experto en
perforación; Clara Zuluaga Marín, Coordinadora general del PORH, Nora Elena Villegas
Jiménez, Asesora PORH; Pamela Isabel Múnera López, Yamile Castaño Cuervo, Profesionales
del área social; Primitivo Hernández Almanza, Jaime Norberto Guarín Ocampo, Leny Yohana
Cano Agudelo, María Fernanda Cardenas Agudelo, Lucrecia Ester Zapata Múnera, Israel
Palacio Herrera, María Julieth Londoño Duque, Tulio Jairo Londoño Molina, Dany Yilban Cano
Torres, Paulo César López Galeano, Juan David Osorio Múnera, Erika María Builes Rendón,
Roberto Mejía Ruiz, Oscar David Álvarez Villa, Juan Carlos Rodríguez Arboleda, Guillermo León
Moreno Soto, Clara Zuluaga Marín, Profesionales Especializados PORH; Dany Yilban Cano
Torres, Profesional con experiencia en formulación de proyectos, Yaneth Daza González,
ingeniera PORH y profesional de enlace con el equipo social, Daniel Cardona Arredondo,
Comunicador PORH, Luis Fernando Castro Henao, Profesional metas de reducción; Diana
Marcela Quintero Posada, Johan Sebastián León Mora, Andrés Octavio Pérez Brand, Alexander
Castro Herrera, Estudiantes Auxiliares PORH; Lina Claudia Giraldo Buitrago, Coordinación
General Consulta Previa; Clara Zuluaga Marín, Coordinadora general del PORH (Consulta
Previa), Pamela Isabel Múnera López, Yamile Castaño Cuervo, Profesionales del área social
Consulta Previa, Yanneth Bibiana Daza Vargas, Profesional ambiental Consulta Previa, Yina
Sofía Racinez Jaramillo, Auxiliar de ingeniería Consulta Previa, Ángel José Cardona Pérez,
Apoyo PMAA Consulta Previa; Nelson Ricardo Ramírez García, Comunicador Operación de la
Red Plan Comunicacional; Daniel Cardona Arredondo, Comunicador campaña de
sensibilización; Elizabeth Flórez Córdoba, Profesional técnico campaña de sensibilización;
Diana Cristina Atehortúa Rivera, Alexander Castro Herrera, Auxiliares Plan Comunicacional;
Clara Zuluaga Marín, Profesional apoyo Plan de Divulgación; Natalia Galeano Cardona, Edwin
Mauricio Moreno Orozco, Actores campaña de sensibilización; Teresita Betancur Vargas,
Coordinadora General PMAA; Paola Andrea Palacio Buitrago, Coordinadora del componente
hidrogeológico PMAA; Maribel Fernández Agudelo, Connie Paola López Gómez, Alba Mery
Upegüí Posada, Coordinación del Componente Área Social PMAA; Carlos Guillermo Mora
Aucú; Profesional Área Social de Apoyo PMAA; Yanet Maritza Moncada Velásquez, Profesional
de Apoyo del Área Social; Rodrigo Alonso Díaz Correa, Profesional del área de hidrogeología;
Miriam de Jesús Benjumea Hernández, Ingeniera Experta en Gestión Ambiental con
experiencia en Planes de Manejo PMAA; Deisy Yurani Rivera Arias, Comunicadora PMAA;
IV
Cristina Martínez Uribe, Profesional Experto en SIG con Experiencia en Base de Datos
Espaciales e Hidrogeología; Guillermo León Moreno Soto, Ingeniero con experiencia en
prospectiva; Ángela Díaz Torres, Asistente Auxiliar PMAA; María Alejandra Vela Castillo,
Andrea Velásquez Uribe, Wendy María Gómez Duque, Eliana Laylim Dosa Ávila, Tatiana María
Gómez Duque, Andrés Felipe Tapias Gutiérrez, Brayan Andrés Arenas González, Luis Gerardo
Arcila Sáenz, Estudiantes Auxiliares PMAA.
Interventoría COLNET:
María Alejandra Echeverri Arango, Coordinadora; Norberth Ayala Ocampo, Apoyo a la

Coordinación Componente Administrativo y Financiero; José Javier Jaramillo, Responsable
Componente Operación Agua Superficial – Hidrología e Hidráulica; Leonardo García,
Responsable de Calidad y Modelación; Luis Fernando Quintero, Responsable Operación Agua
Subterráneas; Sandra Patiño, Responsable PMAA; Diana Álvarez, Responsable Componente
Comunicaciones; Laura Hernández, Componente SIG; Edwin Cadavid, Componente
Financiero; Jorge Ceballos, Apoyo a la Coordinación, Diana Alvarez, Comunicadora.
Supervisión Área Metropolitana del Valle de Aburrá:
Margarita María Cardona Gallo; Profesional Universitario, Olga Amparo Velázquez Lozano;
Profesional Universitario, Raúl Alexander Cardona Pareja, Profesional Contratista; Ángela Soto
Isaza, Profesional Contratista; Vanessa García Leoz, Profesional Contratista; Sara Lizbeth
Salamanca Arias, Profesional Contratista; Catalina Castaño Castrillón, Profesional Contratista;
Yessica Yuliana Bedoya Valencia, Profesional Contratista (Supervisión y Apoyo Programa de
Gestión Ambiental).
28 de febrero de 2018, Medellín
V
CONTENIDO
1 INTRODUCCIÓN ......................................................................................................................... 14
2 TRAZADO CUENCAS ................................................................................................................. 15
2.1 MODELO DIGITAL DEL TERRENO (MDE) ................................................................................ 15
2.2 RED HÍDRICA ............................................................................................................................. 17
2.3 TRAZADO DE CUENCAS Y CODIFICACIÓN ............................................................................ 17
3 CLIMATOLOGÍA .......................................................................................................................... 22
3.1 CAMPOS DE PRECIPITACIÓN .................................................................................................. 22
3.1.1 Información de precipitación........................................................................................................ 22

3.1.2 Marco conceptual para la desagregación ................................................................................... 28
3.1.3 Resultados de la desagregación de campos de precipitación secundaria ................................. 32
3.1.4 Análisis de correlación entre las variables principales y secundarias ........................................ 33
3.1.5 Análisis estructural de la precipitación ........................................................................................ 39
3.1.6 Algoritmos de estimación ............................................................................................................ 49
3.1.7 Análisis de las estimaciones promedio anuales .......................................................................... 53
3.1.8 Análisis de las precipitaciones promedio mensuales .................................................................. 64
3.2 BALANCE HÍDRICO .................................................................................................................... 68
3.2.1 Metodología del balance hidrológico de largo plazo ................................................................... 68

3.2.2 Balance hídrico en las estaciones de medición de caudal .......................................................... 73
3.3 ZONIFICACIÓN CLIMÁTICA CALDAS - LANG .......................................................................... 78
4 ESTIMACIÓN DE LA OFERTA HÍDRICA ................................................................................... 81
4.1 MODELO LLUVIA-ESCORRENTÍA ............................................................................................ 81
4.1.1 Descripción conceptual del modelo GR4J .................................................................................. 81

4.1.2 Calibración del modelo lluvia-escorrentía ................................................................................... 86
4.1.3 Generación de series sintéticas utilizando el GR4J sobre las microcuencas. ............................ 93
4.2 OFERTA HÍDRICA ...................................................................................................................... 93
5 ESTIMACIÓN DE LOS CAUDALES AMBIENTALES ................................................................. 94
5.1 RESOLUCIÓN 865 DE 2004 ....................................................................................................... 94
VI
5.2 METODOLOGÍA PROPUESTA POR EL IDEAM EN EL ENA-2010........................................... 95
5.3 MÉTODO DE LA ANLA PARA PROYECTOS QUE REQUIEREN LICENCIAS AMBIENTALES.

..................................................................................................................................................... 97
5.4 ANÁLISIS DE LOS RESULTADOS OBTENIDOS ...................................................................... 98
6 ESTIMACIÓN DE LA DEMANDA HÍDRICA EN LA CUENCA DEL RÍO ABURRA MEDELLÍN . 99
6.1 DEMANDA HÍDRICA POR CONCESIONES .............................................................................. 99
6.1.1 Concesiones proyecto RedRío fase IV ....................................................................................... 99

6.1.2 Captaciones provenientes de PIOM existentes ........................................................................ 102
6.1.3 Información unificada ................................................................................................................ 104
6.2 DEMANDA HÍDRICA POTENCIAL ........................................................................................... 106
6.2.1 Demanda hídrica en el sector agrícola ...................................................................................... 106

6.2.2 Resultados estimados de la demanda hídrica potencial en el sector agrícola. ........................ 108
6.2.3 Demanda hídrica sector pecuario ............................................................................................. 110
6.2.4 Demanda del sector Ganadero (Bovinos) ................................................................................. 111
6.2.5 Demanda para consumo doméstico .......................................................................................... 115
6.3 ANÁLISIS DEL SISTEMA DE ABASTECIMIENTO DEL RÍO ABURRÁ MEDELLÍN ................ 119
6.3.1 Consideraciones para la estimación de la Demanda Hídrica ................................................... 119

7 INDICADORES .......................................................................................................................... 122
7.1 ÍNDICE DE ARIDEZ-IA .............................................................................................................. 122
7.2 ÍNDICE DE RETENCIÓN Y REGULACIÓN HÍDRICA .IRH ...................................................... 124
7.3 ÍNDICE DE USO DEL AGUA –IUA ........................................................................................... 125
7.4 ÍNDICE DE VULNERABILIDAD AL DESABASTECIMIENTO -IVH .......................................... 127
8 ESTIMACIÓN DEL RIESGO POR REDUCCIÓN DE LA OFERTA .......................................... 128
9 PRIORIZACIÓN DE CORRIENTES OBJETO DE REGLAMENTACIÓN POR USO DEL AGUA

................................................................................................................................................... 130
10 BIBLIOGRAFÍA .......................................................................................................................... 133
VII
TABLAS
Tabla 1. Estaciones y valores de precipitación usados para la construcción de los mapas a nivel
mensual y multianual (mm/mes). ............................................................................................ 24
Tabla 2. Correlaciones lineales entre la precipitación mensual en tierra y las variables

secundarias precipitación TRMM desagregada y topografía ................................................... 36
Tabla 3. Parámetros geométricos de la zona de búsqueda del análisis para el cálculo de

variogramas experimentales en la zona de estudio................................................................. 41
Tabla 4. Parámetros ajustados de los modelos de variograma direccionales para la cuenca del
río Aburrá-Medellín y regiones aledañas, con respecto al análisis estructural que será usado en
la estimación mensual de la precipitación. .............................................................................. 47
Tabla 5. Estadísticos de la muestra de precipitación de referencia y las muestras estimadas en

las localizaciones de las estaciones en la validación cruzadas para los diferentes estimadores
geoestadísticos. ...................................................................................................................... 61

geoestadísticos. ...................................................................................................................... 63
Tabla 7. Validación de los estadísticos de las muestras mensuales de referencia con respecto
a las muestras mensuales estimadas por validación cruzada para el KDE usando como deriva
los campos mensuales de la TRMM desagregados a 30 m. ................................................... 67
Tabla 8. Errores en la estimación de los caudales observados mediante el modelo de balance

hídrico de largo plazo para diferentes metodologías ............................................................... 76
Tabla 9. Clasificación climática según el factor de Lang (Eslava, 1992).................................. 79
Tabla 10. Distribución por áreas de la Zonificación Climática ................................................. 80
Tabla 11. Parámetros del modelo GR4J (Tomado de PERRIN, 2003) .................................... 86
Tabla 12. Parámetros del modelo GR4J ................................................................................. 88
Tabla 13. Clasificación de las concesiones por corporación ................................................... 99
Tabla 14. Clasificación de las concesiones según su uso y demanda correspondiente ........ 101
Tabla 15 Coeficientes de cultivo. .......................................................................................... 107
Tabla 16. Dotación para el sector ganadero ......................................................................... 112
VIII
Tabla 17 Población de especies menores de la cuenca del río Aburrá ................................. 114
Tabla 18 Demanda Pecuaria de especies menores (hm3) de la cuenca del rio Aburrá ......... 115
Tabla 19. Proyección de población de los municipios del Valle de Aburrá (RedRío, 2016) ... 116
Tabla 20. Estimación del consumo humano y doméstico para el Valle de Aburrá (m3/s)....... 118
Tabla 21. Volúmenes de potabilización (en m3/año) en las plantas de EPM (RedRío, 2017) 119
Tabla 22. Índice de Aridez por área de la cuenca. ................................................................ 122
Tabla 23. Categorías del Índice de Uso del Agua (IUA) ........................................................ 125
Tabla 24. Resultados del Índice de Uso del Agua (IUA) por microcuencas ........................... 126
Tabla 25. Categorías del índice de vulnerabilidad al desabastecimiento............................... 127
Tabla 26. Microcuencas preseleccionadas para reglamentación por Uso según IUA y número
de usuarios ........................................................................................................................... 131
Tabla 27. Prioridad de corrientes para reglamentación, con respectiva demanda y usuarios 131
IX
FIGURAS
Figura 1. Modelo de elevación digital quemado con la red de drenaje .................................... 16
Figura 2. Red hídrica ajustada para el proyecto ...................................................................... 18
Figura 3. Definiciones básicas para la codificación de cuencas (IDEAM, 2013) ...................... 20
Figura 4. Subcuencas generadas para el proyecto ................................................................. 21
Figura 5. Distribución espacial de las estaciones de precipitación utilizadas .......................... 23
Figura 6. Mapa de precipitación media anual secundaria sobre la zona de estudio construido
usando la información de la TRMM, producto 3B42. ............................................................... 27
Figura 7. Esquema del intervalo de agregación de la precipitación que produce un incremento

el NDVI ................................................................................................................................... 29
Figura 8. Esquema de selección del intervalo de agregación de la precipitación y de los

parámetros óptimos a la luz del coeficiente de determinación ................................................ 30
Figura 9. Esquema de la metodología para la distribución de precipitación acumulada

desagregada sobre los 16 días de influencia .......................................................................... 32
Figura 10. Campo de precipitación secundaria desagregado del producto 3B42 de la TRMM a
una resolución de 30 metros para la cuenca del río Aburrá-Medellín ...................................... 33
Figura 11. Campos de precipitación secundaria promedio mensual desagregados del producto
3B42 de la TRMM a 30 m para la cuenca del río Aburrá-Medellín .......................................... 34
Figura 12. Diagramas de dispersión de la precipitación promedio multianual en las

localizaciones de las estaciones disponibles (ver Tabla 1) versus: (izquierda) altitud colocalizada
correspondiente, (derecha) la precipitación colocalizada extraída del campo anual desagregado
del producto 3B42 de la misión TRMM ................................................................................... 36
Figura 13. Diagramas de dispersión de precipitación promedio mensual registrado en

estaciones versus su altitud correspondiente .......................................................................... 37
Figura 14. Diagramas de dispersión de precipitación promedio mensual registrado en

estaciones versus la precipitación secundaria promedio mensual desagregada del producto
3B42 de la TRMM en las localizaciones correspondientes a dichas estaciones disponibles ... 38
Figura 15. Esquema de la zona de búsqueda espacial 2D para el cálculo del variograma
experimental directo................................................................................................................ 41
X
Figura 16. Superficies de variograma mensuales para el dominio de estimación de la

precipitación media mensual................................................................................................... 43
Figura 17. Roseta de variogramas direccionales mensuales para la precipitación en la zona de

estudio .................................................................................................................................... 44
Figura 18. Esquema del modelo de variograma teórico y los parámetros que lo definen ........ 46
Figura 19. Modelos ajustados de variograma para el dominio de estimación de la precipitación

media mensual ....................................................................................................................... 48

promedio anual (izquierda) y su respectiva superficie de variograma (derecha) ..................... 49
Figura 21. Campo de precipitación promedio anual estimado mediante KO para la cuenca del
río Aburrá-Medellín ................................................................................................................. 54
Figura 22. Campo de precipitación promedio anual estimado mediante KDE para la cuenca del
río Aburrá-Medellín, usando la información del TRMM como deriva ....................................... 55
río Aburrá-Medellín, usando la información del MDE SRTM1 como deriva ............................. 56
Figura 24. Campo de precipitación promedio anual estimado mediante CKCM para la cuenca
del río Aburrá-Medellín, usando la información de la misión TRMM como dato secundario en el
planteamiento de la cadena de Markov espacial..................................................................... 57
Figura 25. Diagramas de dispersión de las muestras de precipitación observadas versus las
precipitaciones estimadas para diferentes algoritmos geoestadísticos: (i) KO arriba izquierda,
(ii) KDE MDE arriba derecha, (iii) KDE TRMM abajo izquierda y (iv) CKCM abajo derecha .... 60
Figura 26. Funciones de probabilidad acumulada empírica de los residuales para las
precipitaciones estimadas para diferentes algoritmos geoestadísticos: (i) KO arriba izquierda,
(ii) KDE MDE arriba derecha, (iii) KDE TRMM abajo izquierda y (iv) CKCM abajo derecha .... 62
Figura 28. Diagramas de dispersión de las muestras de precipitación mensual observadas

versus las precipitaciones estimadas para las estimaciones mediante KDE usando los campos
de la TRMM desagregados a 30 m como información secundaria .......................................... 66
Figura 29. Esquema conceptual del modelo de balance hidrológico de largo plazo ................ 69
Figura 30. Mapa de temperatura media (°C) ........................................................................... 71
XI
Figura 32. Diagramas de dispersión de las muestras de caudal observado versus los caudales
simulados en las localizaciones de las estaciones para diferentes combinaciones de
metodologías de estimación de precipitación y evapotranspiración ........................................ 75
Figura 33. Zonificación climática de Caldas – Lang para la zona de estudio........................... 80
Figura 34. Esquema del modelo conceptual GR4J de escala diaria (UNAL et al, 2004) ......... 82
Figura 35. Esquema con las estaciones y principales parámetros para la calibración del modelo
GR4J ...................................................................................................................................... 87
Figura 36. Serie de caudal simulada y observada para la subcuenca La Salada. Modelo GR4J
............................................................................................................................................... 89
Figura 37. Serie de caudal simulada y observada para la subcuenca Caldas. Modelo GR4J . 89
Figura 38. Serie de caudal simulada y observada para la subcuenca Machado. Modelo GR4J
............................................................................................................................................... 90
Figura 39. Serie de caudal simulada y observada para la subcuenca Ancón Norte. Modelo GR4J
............................................................................................................................................... 90
Figura 40. Serie de caudal simulada y observada para la subcuenca Girardota. Modelo GR4J
............................................................................................................................................... 91
Figura 41. Serie de caudal simulada y observada para la subcuenca Hatillo. Modelo GR4J... 91
Figura 42. Serie de caudal simulada y observada para la subcuenca Yarumito. Modelo GR4J
............................................................................................................................................... 92
Figura 43. Definición del índice de retención y regulación hídrica ........................................... 96
Figura 44 Categorías para la clasificación del IRH.................................................................. 96
Figura 45 Caudal ambiental como porcentaje del caudal medio en las estaciones Ancón Sur y
Ancón Norte............................................................................................................................ 98
Figura 46. Ubicación espacial de las concesiones, clasificadas por corporación .................. 100
Figura 47. Clasificación de los registros según su uso .......................................................... 101
Figura 48. Demanda por tipo de uso ..................................................................................... 102
XII
Figura 49. Ubicación espacial de las captaciones PIOM ....................................................... 103
Figura 50. Consolidado de información RedRío y PIOM existentes ...................................... 105
Figura 51. Coberturas agrícolas de la cuenca del río Aburrá ................................................ 109
Figura 52 Cobertura de pastos para la cuenca del río Aburrá ............................................... 113
Figura 53 Distribución de la demanda bovina por municipio dentro de la cuenca del rio Aburrá
............................................................................................................................................. 114
Figura 54 Área de Cobertura de EPM vs el tejido urbano continuo y discontinuo ................. 117
Figura 55. Demanda hídrica total por subcuencas para el río Medellín Aburrá ..................... 121
Figura 56. Índice de Aridez ................................................................................................... 123
Figura 57. Índice de retención y regulación Hídrica. ............................................................. 124
Figura 58. Índice de Uso del Agua (IUA) para la cuenca del río Aburrá – Medellín ............... 126
Figura 59 Índice de Vulnerabilidad al Desabastecimiento (IVH) en la cuenca del río Aburrá

Medellín ................................................................................................................................ 128
Figura 60. Resultados del riesgo al desabastecimiento. ....................................................... 130
Figura 61. Orden de prioridad para reglamentación por uso del agua................................... 132
XIII
1 INTRODUCCIÓN
El presente documento tiene por objeto caracterizar el régimen climático e hidrológico de la

cuenca en ordenamiento conforme a los alcances metodológicos propuestos en la guía
metodológica para los planes de ordenamiento del recurso hídrico y la información disponible.
En tal sentido se espera retomar la caracterización hidrográfica de la cuenca del río Aburrá
Medellín elaborada en la componente red hídrica del proyecto red río Fase V, utilizar la red de
estaciones hidrológicas en la cuenca para construir nuevos mapas climáticos, haciendo énfasis
especial en el mapa de precipitación y las componentes del balance hídrico de largo plazo. El
presente documento calcula el índice de aridez y la zonificación climática de Caldas-Lang para
dar cumplimiento a los productos de la guía técnica. Se caracterizar el régimen hidrológico
mediante el uso del modelo lluvia escorrentía de escala diaria utilizado en el proyecto Red Rio
fase V sobre la nueva configuración de subcuencas. Los modelos calibrados y validados para
diferentes estaciones permiten estimar la oferta hídrica total y disponible considerando el caudal
ambiental según las metodologías propuestas por el Ministerios de Ambiente y Desarrollo
Sostenible (MADS). A partir de diferentes bases de datos existentes se estima hídrica real
según los sectores socio-económicos de la cuenca, se utiliza además la información más
reciente de usos y coberturas del suelo para estimar la demanda para aquellos sectores
económicos con pocos registros. Los resultados anteriores permiten estimar el Índice de
Retención y Regulación Hídrica (IRH), Índice de Uso del Agua Superficial (IUA) e Índice de
Vulnerabilidad por Desabastecimiento Hídrico (IVH) de acuerdo con los criterios establecidos
por el IDEAM para la escala de trabajo.
Son resultados del presente documento, la caracterización de la cuenca mediante el análisis de

los índices con el estado y la dinámica del uso del recurso hídrico, la estimación de las
relaciones oferta-demanda a nivel de cuenca, subcuencas y puntos de monitoreo, la priorización
de corrientes objeto de reglamentación de acuerdo con la normatividad vigente y la estimación
del riesgo al desabastecimiento en la cuenca. La información aquí compilada servirá de sustento
para proponer los proyectos de la fase formulación del PORH, en particular el proyecto de
reglamentación por uso del agua, el inventario de usuarios y la propuesta de una nueva
metodología para la estimación del riesgo por desabastecimiento en la cuenca.
14
2 TRAZADO CUENCAS
2.1 MODELO DIGITAL DEL TERRENO (MDE)
Teniendo en cuenta los modelos digitales de elevación (MDE) del estudio de microzonificación
sísmica, el Plan de Ordenación y Manejo de la cuenca del río Aburrá - POMCA y el del Plan
Integral de Ordenación y Manejo – PIOM se ha construido un nuevo MDE de resolución 10
metros en el marco de la componente Red Hídrica del proyecto RedRío fase V el cual servirá
de referencia para actualizar las relaciones oferta – demanda de la cuenca del río Aburrá-
Medellín. En la ¡Error! No se encuentra el origen de la referencia. se presenta el MDE usado.
15
AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO HÍDRICO SUPERFICIAL Y SUBTERRÁNEO, EN EL CONTEXTO DE LA OPERACIÓN DE LA RED DE MONITOREO
AMBIENTAL EN LA CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA FORMULACIÓN DE INSTRUMENTOS DE PLANIFICACIÓN
Figura 1. Modelo de elevación digital quemado con la red de drenaje
16
2.2 RED HÍDRICA
En el marco del presente PORH se adopta la red de drenaje de la componente red hídrica de
Red Río Fase V. en el marco de dicho proyecto la red de drenaje fue objeto de revisión y edición,
para esto se utilizó información existente en el POMCA, así como el estudio de
microzonificación. Utilizando las curvas de nivel, el modelo digital de elevación, el flujo de
acumulación corregido, ortofotos e imágenes satelitales, se ajustó la red de drenaje dándole
mayor continuidad y coherencia. El ajuste de la red de drenaje se realizó teniendo en cuenta
como unidad de procesamiento de información la subcuenca. Adicionalmente, también se
revisaron los nombres de las quebradas y se completaron basados en el archivo en función de
la cartografía entregada por el AMVA. La escala de la red de drenaje es 1:2000 en zonas
urbanas y 1:5000 para las zonas rurales de los municipios que se encuentran en la cuenca del
río Aburrá. En la Figura 2 se presenta la red hídrica ajustada para el proyecto.
2.3 TRAZADO DE CUENCAS Y CODIFICACIÓN
Se denomina cuenca hidrográfica o cuenca de drenaje de un río, al área o unidad territorial

delimitada topográficamente por la línea divisoria de aguas, dentro de la cual las aguas lluvias
que caen se dirigen hacia el mismo drenaje, ya sea una quebrada, un río o directamente al
océano, para su respectiva desembocadura. La cuenca hidrográfica actúa como un colector
natural, encargada de evacuar parte de las aguas lluvias en forma de escurrimiento. En esta
transformación de aguas lluvia en escurrimiento se producen variaciones en las cantidades de
agua debido a los procesos de evaporación y percolación, los cuales hacen parte importante en
el ciclo hidrológico.
El uso de los recursos naturales se regula administrativamente separando el territorio por

cuencas hidrográficas y, con miras al futuro, las cuencas hidrográficas se perfilan como las
unidades de división funcionales con más coherencia, permitiendo una verdadera integración
social y territorial por medio del agua.
Usando el MDT construido y su corrección, basada en la topología de la red de drenaje, además

de las curvas de nivel y las vías circundantes, se estimaron y delimitaron de forma manual las
diferentes subcuencas del proyecto asociadas a los afluentes principales de la cuenca
hidrográfica. Para asignarle el nombre a las microcuencas, se tuvo en cuenta la información
suministrada por el AMVA. Aquellas cuencas sin nombre fueron revisadas y se acordó
nombrarlas en función del nombre de la corriente principal. En caso de que la corriente principal
de cada subcuenca no tuviera nombre se le asignó el nombre “SN”.
Para la delimitación de las intercuencas, se tuvieron en cuenta aquellos drenajes que van
directamente al río Aburrá cuyas subcuencas asociadas no tenían un tamaño representativo
para la delimitación, es decir que fuese inferior a 0,35 km2.
17
Figura 2. Red hídrica ajustada para el proyecto
18
En el artículo 25 del Decreto 1729 de 2002 se prevé la elaboración, por parte del IDEAM, de
una guía técnico-científica que permita a las autoridades ambientales competentes o la
comisión conjunta, según el caso, de estudios para desarrollar las fases establecidas en la
ordenación de cuencas. En diciembre de 2004 un grupo conformado por el MAVDT, IDEAM,
Cormagdalena autoridades ambientales regionales (como CORPOCALDAS), expertos
internacionales y Asocars, en cumplimiento de la Ley 99 de 1993, publican la guía para el
ordenamiento de cuencas cuyo anexo 1 corresponde a la zonificación hidrográfica y codificación
de cuencas hidrológicas en Colombia, cuya metodología se explica a continuación.
Es conocido en el ámbito nacional, que Colombia está conformada por cinco grandes cuencas
hidrográficas (macrocuencas) que coinciden con las regiones naturales. Estas cuencas, de las
cuales algunas aún conservan una cobertura vegetal prístina y nativa, corresponden al lugar
donde nacen la mayor parte de los ríos nacionales. Dichas vertientes se encuentran
estructuradas según los aspectos fisiográficos del territorio colombiano, permitiendo la
convergencia de sus aguas continentales hacia las cuencas oceánicas. Así pues, se ha dividido
el país en las siguientes áreas hidrográficas:
• Área hidrográfica del Caribe

• Área Hidrográfica del Pacífico
• Área hidrográfica Magdalena- Cauca.
• Área hidrográfica del Orinoco.
• Área hidrográfica del Amazonas.
Posteriormente, se delimitaron las 41 zonas y subzonas hidrográficas con cartografía y modelos
más refinados y detallados. Además, se incorporaron ajustes sugeridos por las autoridades
ambientales y el MADS, cuando fueron pertinentes.
La codificación se realizó ajustando la metodología desarrollada en Brasil por Otto Pfafstetter

en 1989, adoptada por la USGS en 1997 y conocida como el Sistema de Codificación Estándar
Internacional del Servicio Geológico de los Estados Unidos; que distingue los conceptos de
cuenca (área que no recibe drenaje de ninguna otra área), cuenca interna (área que no
contribuye con flujo de agua a otra área de drenaje o cuerpo de agua) e intercuenca (área que
recibe drenaje de otras cuencas aguas arriba), las cuales se muestran en la Figura 3.
19
Figura 3. Definiciones básicas para la codificación de cuencas (IDEAM, 2013)

Para la determinación de los códigos de las subcuencas, se utilizó la propuesta del IDEAM, en
su guía técnica para codificación (2013) cuyo código permite la disgregación a las subzonas y
fuentes hídricas en función de un consecutivo numérico compuesto por 10 dígitos. En este caso
en particular, se realizaron varias reuniones con el AMVA y Corantioquia para definir esa
codificación y finalmente quedó compuesta por 9 dígitos.
Los primeros cuatro dígitos corresponden a la zonificación hidrográfica nacional, el primer digito
es el área hidrográfica, el segundo la zona hidrográfica y los dos últimos números corresponde
a la subzona hidrográfica. En la guía del IDEAM para codificación presentan lo anteriormente
descrito de forma gráfica. Es un esquema donde cada número va enmarcado por un cuadro de
color y en letras se define lo que representa. Siendo el 2 la macrocuenca del río Magdalena-
Cauca, 7 el río Nechí, 01 el Porce Y 01 el Aburrá. de tal forma que para este caso el código del
río Medellín Aburrá es 2701.
El quinto y sexto digito corresponde a las unidades hidrográficas, la cual en este caso es 01.
Los siguientes 3 dígitos se asignaron teniendo como base el punto de entrega o desembocadura
de la cuenca y siguiendo el sentido contrario de las manecillas del reloj, comenzando en 001 y
terminando en 209.
Para codificar las cuencas se separó por guiones de la siguiente manera: 2701-01-001.
Las subcuencas generadas se muestran en la Figura 4.
20
Figura 4. Subcuencas generadas para el proyecto
21
3 CLIMATOLOGÍA
3.1 CAMPOS DE PRECIPITACIÓN
Entender la variabilidad espacial de fenómenos como la precipitación, la evapotranspiración y

la producción de la escorrentía ha sido uno de los tópicos centrales en el estudio de la ciencia
hidrológica. Si se analiza adecuadamente la información disponible, se pueden detectar
patrones que ayudan efectivamente en la predicción en zonas donde no existen mediciones.
Usando las inferencias concernientes a la variabilidad del parámetro de interés, pueden
estimarse campos aleatorios hidrológicos de su distribución espacial (Álvarez-Villa, 2007). En
este esquema de modelación, se supone que la disponibilidad de dichos campos depende de
la resolución, los parámetros y variables involucrados en los procesos hidrológicos que se
desean modelar para una zona de estudio. Esta premisa conceptual se ha empleado en la
estimación de nuevos campos de precipitación para la cuenca del río Aburrá-Medellín, mediante
técnicas geoestadísticas.
3.1.1 Información de precipitación
3.1.1.1 Información primaria
Para la estimación de los campos de precipitación promedio sobre la cuenca del río Aburrá-
Medellín, a escala mensual y anual, se dispuso de la información de las estaciones
pluviográficas y climatológicas operadas por Empresas Públicas de Medellín (en adelante EPM)
y del Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia (en adelante
IDEAM). Como región de trabajo se escogió el dominio espacial que se presenta en la Figura
5, en el cual se encuentran ubicadas las subregiones del Valle de Aburrá Oriente y Norte
Antioqueño. Paralelamente, en la Tabla 1 se presentan los valores de precipitación media
mensual y anual con la que se construyeron los mapas de precipitación antes mencionados.
Para cada estación, se obtuvieron los valores medios mensuales multianuales para el período
de registro disponible, así como la precipitación media anual. Para determinar el campo de
precipitación, a partir de la información puntual de las estaciones, se emplearon técnicas
geoestadísticas univariadas y multivariadas. El procedimiento inicial del análisis de estimación
consistió en realizar un análisis espacial descriptivo de los datos, identificando las
características espaciales de los mismos, tales como localización de los valores extremos, la
tendencia general, el grado de continuidad, etc. Dentro de los valores observados en el registro
de información pluvial, los extremos de precipitación corresponden a las estaciones ubicadas
en el Oriente Antioqueño: Santuario, Granada, El Peñol, La Unión, Corrientes, El Carmen y
Cocorná, con lluvias superiores a los 100 mm/mes; incluso en enero, que es el mes más seco
del año, y valores cercanos a los 500 mm/mes en la estación Cocorná en la época de invierno.
La precipitación en las demás estaciones pluviométricas, presenta lluvias mensuales entre 50
y 250 mm/mes.
22
Figura 5. Distribución espacial de las estaciones de precipitación utilizadas
23
Tabla 1. Estaciones y valores de precipitación usados para la construcción de los mapas a nivel
mensual y multianual (mm/mes).
CODIGO NOMBRE ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
ALTO DE LA
2701101 67,8 95,5 145,2 201,6 216,1 170,1 153,1 146,2 177,4 204,5 177,1 113,6
SIERRA
ALTO SAN
2701053 46,4 61,8 104,5 176,3 229,0 194,6 183,4 215,2 214,3 232,1 156,5 82,0
ANDRES
2620014 ARMENIA 70,6 85,5 120,6 201,9 261,0 212,0 179,8 186,5 220,7 247,3 192,7 113,6
2701115 ASTILLERO 94,7 93,7 160,7 221,6 278,9 189,3 156,7 154,3 232,0 276,4 223,4 117,2
2701093 AYURA 75,3 77,7 133,7 189,5 229,3 153,1 128,3 143,8 193,2 232,5 175,9 124,3
2701057 BARBOSA 57,7 76,5 123,8 209,7 276,2 212,2 208,2 221,5 269,2 294,2 193,6 93,0
2308061 BIZCOCHO EL 201,3 187,9 300,6 455,3 482,9 325,4 311,0 393,1 512,7 580,0 455,3 279,8
BOCATOMA
2701113 74,6 101,4 156,5 204,1 246,9 160,6 135,0 133,9 189,0 235,4 192,9 99,9
ANA DIAZ
2701062 BOQUERON 81,4 98,8 136,9 225,3 240,8 169,1 134,9 191,3 243,2 278,0 239,2 122,8
2701051 BOTON EL 73,7 98,2 138,2 191,8 211,7 151,2 157,1 156,8 177,0 224,9 174,9 102,5
2701036 CALDAS 104,7 112,1 179,8 277,8 305,6 216,4 171,2 200,1 259,6 315,4 243,3 154,5
2308030 CARMEN EL 105,2 127,1 178,0 273,5 328,8 292,8 267,0 302,3 318,7 265,9 195,6 114,2
2701050 CAROLINA 69,1 95,3 123,9 280,5 432,1 368,4 325,8 359,4 373,8 349,0 211,9 117,3
2308085 CASCADA LA 281,1 274,4 382,3 574,9 546,6 416,3 357,0 421,1 617,9 675,5 562,5 377,0
2701035 CHORRILLOS 54,0 133,8 111,6 195,2 223,3 146,0 122,1 149,5 183,3 232,3 172,6 96,0
2308028 CHUSCAL 66,7 76,1 126,0 222,5 246,3 179,5 141,6 187,8 205,2 251,4 200,3 118,0
2308052 COCORNA 261,3 228,2 356,3 378,5 448,2 285,2 294,6 335,0 444,8 504,0 437,9 361,6
2308047 COMBO EL 163,7 158,9 247,1 388,6 493,5 299,1 289,2 402,1 480,2 530,5 395,7 239,6
2308036 CONCEPCION 97,9 121,9 180,0 287,0 353,9 296,5 304,6 329,0 338,7 339,6 249,6 131,0
2701122 CONVENTO EL 41,5 57,6 111,3 153,0 198,8 152,6 118,6 123,4 169,6 218,5 144,8 79,7
2308044 CORRIENTES 92,0 110,4 163,5 250,0 289,2 249,7 240,2 266,5 288,2 296,3 214,3 112,5
2701114 CUCARACHO 58,4 70,9 123,6 160,0 223,2 145,7 123,1 128,7 167,7 222,0 158,3 104,8
2701065 DON MATIAS 57,7 79,8 120,5 227,4 289,8 239,7 225,9 256,1 276,5 289,0 189,6 101,5
2701075 ENTRERRIOS 48,2 64,2 117,5 146,7 201,0 185,0 192,0 178,2 172,4 178,7 149,1 80,0
2701037 FABRICATO 50,0 66,3 99,1 179,4 213,1 166,2 141,7 159,0 202,1 228,2 158,1 86,6
2308021 FE LA 63,7 81,9 130,9 215,7 244,3 172,7 140,2 171,5 200,9 244,7 197,5 107,6
GABINO RMS-
2701736 78,9 92,8 178,6 288,0 398,5 310,6 329,3 340,8 385,1 356,6 226,2 124,9
15
2701056 GIRARDOTA 40,3 53,8 97,7 166,1 210,7 162,8 131,3 165,1 194,2 218,0 148,9 70,0
2308054 GRANADA 129,1 139,1 241,4 305,8 361,6 309,2 311,6 327,1 399,7 380,3 239,9 163,1
2308037 GUATAPE 172,0 187,5 308,0 394,9 379,2 291,4 299,5 361,0 407,6 371,9 315,9 226,3
2701070 HAITON 88,6 103,1 158,2 270,1 389,7 325,2 329,4 349,2 367,3 353,4 225,7 131,3
LLANOS DE
2623018 33,8 62,5 122,5 161,8 174,5 150,5 103,6 154,7 234,9 197,2 156,4 75,8
SAN JUAN
2701034 MAZO 62,6 79,1 132,8 191,7 220,9 153,1 132,5 156,1 198,2 247,9 197,7 121,9
2701517 MEDELLIN 44,6 58,4 87,9 146,7 175,8 120,9 103,5 120,8 154,3 187,5 134,0 79,2
MIGUEL
2701047 43,8 57,4 86,4 146,3 172,9 117,7 99,8 119,9 153,0 186,6 131,5 79,1
AGUINAGA
2701073 MEDINA 60,5 65,6 103,6 178,8 219,3 175,7 159,4 172,5 197,2 205,3 151,2 85,5
2308029 MONTIJO 56,2 72,4 119,0 205,2 235,9 176,1 153,6 188,5 204,4 249,0 201,2 98,0
2308026 MOSCA LA 55,5 70,4 114,5 209,5 238,6 164,1 144,8 166,0 199,7 259,2 191,8 97,5
2701076 NIQUIA 41,7 55,1 99,9 153,3 202,4 164,2 133,8 152,3 200,5 228,8 143,3 79,3
2620012 OTRAMINA 95,4 103,8 140,4 211,8 268,3 210,0 172,2 190,0 212,7 251,5 209,9 92,7
2308023 PALMAS LAS 70,3 90,9 141,3 214,5 242,9 168,5 136,9 157,0 202,1 247,7 213,1 121,6
2308517 PENOL EL 97,0 103,3 178,5 256,7 279,4 222,7 219,8 264,7 280,4 306,0 216,2 132,8
PLANTA
2701950 42,5 54,4 98,4 147,2 196,0 136,6 120,1 128,6 175,2 209,1 136,9 81,7
MANANTIALES
2308046 PRADERA LA 114,6 128,5 208,5 353,9 402,2 280,6 255,7 317,4 429,8 464,9 333,8 183,8
PRESA
2701095 48,5 69,0 116,1 176,8 237,5 213,2 227,2 208,7 234,7 220,7 135,2 76,3
RIOGRANDE 2
24
CODIGO NOMBRE ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
2308083 RAPIDA LA 209,7 191,9 325,9 471,4 495,4 328,1 323,1 371,7 496,7 597,2 476,8 307,9
2308045 REMANGO 160,9 129,3 227,6 356,5 476,3 366,7 356,1 464,5 501,4 443,1 316,4 167,4
2308025 RETIRO EL 81,2 94,2 155,9 226,0 258,5 168,1 154,8 174,4 214,6 264,4 207,6 124,0
RIOABAJO RN-
2308709 72,4 72,9 105,6 214,3 252,6 187,7 173,9 206,7 242,2 267,2 187,6 102,8
4A
2701052 RIOCHICO 37,5 55,6 98,4 170,4 212,0 202,8 185,4 210,7 204,6 212,0 136,5 69,8
2701524 RIOGRANDE 43,1 82,4 95,4 203,8 267,8 224,2 237,7 270,2 281,3 255,2 149,6 95,6
RIOGRANDE
2701040 89,2 105,3 159,7 266,8 388,8 377,5 379,7 391,6 367,7 310,4 211,5 108,5
ALMACEN
RIOGRANDE
2701042 60,1 88,1 139,3 230,6 308,4 292,6 274,1 298,5 300,1 272,7 179,6 102,0
BOCACERO
RIOGRANDE
2701043 53,6 71,8 111,9 202,1 271,4 246,3 243,2 268,7 252,9 250,1 160,9 90,0
BOCATOMA
RIOGRANDE
2701044 94,1 120,9 166,7 312,5 437,9 357,3 342,7 375,0 405,8 366,8 275,6 142,7
MOCORONG
2701058 RIONEGRITO 63,5 79,4 126,6 238,9 319,9 283,0 279,7 287,0 310,8 278,5 186,7 104,6
RIONEGRO LA
2308027 56,1 69,6 111,8 184,8 233,8 180,4 169,7 193,2 209,0 230,6 175,1 89,5
MACARENA
2308060 SALADOS LOS 64,6 75,8 139,7 216,7 240,5 168,8 145,6 170,3 188,2 246,3 183,7 106,5
2308086 SAMARIA 376,5 284,7 476,8 614,4 638,2 477,3 418,7 495,8 715,7 701,1 593,5 406,0
SAN ANTONIO
2701038 84,1 106,0 155,5 231,3 249,9 179,1 135,1 159,8 195,5 244,2 208,3 125,2
DE PRA
2308049 SAN CARLOS 165,3 146,1 225,1 409,5 445,3 291,2 292,0 393,1 492,6 550,6 420,2 244,4
SAN
2701046 57,1 73,9 109,7 178,4 208,9 140,9 125,5 142,1 176,4 218,6 166,3 98,6
CRISTOBAL
2701083 SAN ISIDRO 60,8 93,6 137,4 179,8 228,2 217,9 209,5 193,7 227,8 289,7 179,6 91,2
2308042 SAN LORENZO 123,0 127,9 183,6 365,2 414,9 287,3 256,9 341,8 412,2 455,9 325,7 180,7
2701522 SAN PEDRO 49,6 59,4 114,0 158,5 205,2 153,8 159,0 161,8 176,7 195,7 141,7 94,0
2308050 SAN ROQUE 128,6 133,7 232,5 368,7 456,7 292,4 287,3 364,3 419,9 430,5 314,0 169,5
2308038 SAN VICENTE 66,3 86,1 128,1 238,8 268,6 195,9 172,4 202,1 237,6 295,2 203,9 100,4
2308035 SANTUARIO 101,4 112,1 176,5 265,1 331,0 268,0 244,5 302,8 345,2 313,2 226,7 139,1
2308022 SEVERA LA 54,7 76,5 118,5 191,0 220,1 152,4 129,9 151,4 181,1 235,3 192,6 109,3
2308505 STA RITA 281,1 274,7 388,9 560,1 628,9 486,6 494,9 573,3 667,9 563,8 429,2 290,7
2308033 STO DOMINGO 86,8 115,0 195,2 324,3 375,6 293,8 259,4 339,7 386,9 368,0 263,6 128,1
2701048 TASAJERA 33,7 47,1 88,1 167,1 200,4 150,4 160,8 178,7 214,6 204,2 118,9 59,4
2308084 TOCAIMA 236,9 217,8 338,3 454,3 498,6 365,0 367,3 439,2 520,9 571,5 465,8 300,8
2308024 VASCONIA 116,9 103,1 146,3 236,8 268,2 182,0 151,1 180,5 212,4 286,3 224,4 135,2
VILLAHERMOS
2701045 46,8 214,1 101,7 170,2 190,6 130,7 111,5 129,1 166,5 209,2 165,0 95,0
A PLANT
3.1.1.2 Información secundaria
En este trabajo se ha utilizado la información de precipitación secundaria extraída de la base

de datos de la Tropical Rainfall Measurement Mission (TRMM). TRMM es una exploración
espacial conjunta entre la National Aeronautics and Space Administration (NASA) y la Japanese
Aerospatial Exploration Agency (JAXA) diseñada para estudiar y analizar la dinámica del
fenómeno de la precipitación en las regiones tropicales y subtropicales. El término TRMM
encierra toda la misión espacial del satélite y la investigación de los datos obtenidos. El satélite
de la misión TRMM contiene diversos dispositivos que permiten la detección de precipitación
por estratos de cierto espesor dentro de la atmósfera, junto con la estimación de la precipitación
en superficie (Kummerow et al., 1998).
25
La TRMM ofrece productos de precipitación a diferentes escalas espacio-temporales; para este

estudio es de interés el subproducto 3B42, que provee valores de precipitación distribuidos con
una resolución espacial de 0,25º y una resolución temporal de 3 horas. Dichos registros se
extienden desde comienzos del año 1997 hasta finales de 2016 (accedido durante diciembre
de 2017). El producto 3B42 se ha escogido precisamente por su fina resolución temporal, por
su ya extendido periodo de registros y también porque es un referente del trabajo con lluvia en
términos de estudios hidroclimatológicos a nivel global (Duan y Bastiaanssen, 2013). Se tiene
información disponible del producto antes mencionado para el período comprendido entre el 27
de noviembre de 1997 y el 31 de diciembre de 2016. La información proporcionada por la misión
TRMM, para cada intervalo de registro, consiste en una banda de cierto ancho correspondiente
a la trayectoria de desplazamiento del satélite, por ello no se tiene información densamente
muestreada para toda la zona de estudio en cada intervalo de tiempo. A pesar de lo anterior,
se consideró valioso incorporar la información de precipitación de la TRMM dentro del presente
análisis debido a que estudios previos muestran que esta puede caracterizar adecuadamente
el comportamiento de la lluvia en Colombia, a diferentes escalas espaciales y temporales
(Zuluaga, 2005). En la Figura 6 se presenta el campo de información secundaria de
precipitación media anual estimado, el cual tiene un tamaño de pixel de 0.25º. Dicho campo se
obtuvo promediando los valores de intensidad de precipitación proveniente del producto 3B42
del satélite TRMM, que están contenidos dentro de cada celda del campo para toda la serie de
imágenes disponibles. Finalmente, el valor de precipitación media se obtiene multiplicado la
intensidad promedio estimada por el número de segundos contenidos dentro de un año.
26
Figura 6. Mapa de precipitación media anual secundaria sobre la zona de estudio construido
usando la información de la TRMM, producto 3B42.
Como un complemento a las bases de datos de precipitación descritas, se obtuvieron dos bases
de datos del Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés).
El NDVI se usa para cuantificar el desarrollo de la vegetación y su cálculo está fundamentado
en medidas de reflexión, obtenidas en la región espectral del rojo e infrarrojo cercano. Al estar
normalizado, el índice toma valores en el intervalo [-1, 1]. Factores ambientales como el tipo de
suelo, la geomorfología y la misma vegetación tienen influencia sobre el valor del NDVI. Así
mismo, las variaciones en factores meteorológicos, en particular la precipitación y la
temperatura, modulan el comportamiento de este índice (Wang et al., 2003). Los datos
adquiridos de NDVI son el producto MOD13Q1 del Moderate-resolution Imagin
Spectroradiometer (MODIS), que es mantenido por la NASA, que cuenta con campos de NDVI
con una resolución espacial de 250 m, una resolución temporal de 16 días y un periodo de
registros desde el año 2000 hasta la actualidad (Didan et al., 2015).
27
En varios trabajos académicos se ha aprovechado la moderada correlación que se observa

entre precipitación, NDVI y elevación del terreno, con el propósito de desagregar productos
satelitales de precipitación, como el 3B42 de la TRMM (Duan y Bastiaanssen, 2012; Fang et al.,
2013; Immerzeel et al., 2009; Jia et al., 2011). El esquema conceptual que se describe a
continuación recoge elementos de todos estos trabajos y su planteamiento ha tenido como
objetivo la obtención de campos de información secundaria de precipitación a una resolución
espacial de 250 m, que represente de forma adecuada su variabilidad espacial al interior de la
cuenca del río Aburrá-Medellín.
3.1.2 Marco conceptual para la desagregación
El procedimiento de desagregación espacial de la información secundaria de precipitación se

desarrolla en cuatro etapas a resolución diaria: (i) en primer lugar se deben encontrar intervalos
de asociación temporal entre la precipitación y el NDVI, pues a la vegetación le toma cierto
tiempo asimilar el agua precipitada (ver por ejemplo Wang et al., 2003), y la respuesta del índice
se produce por el efecto de temporadas de precipitación más que por eventos diarios.
Posteriormente, (ii) se deben encontrar relaciones empíricas entre precipitación, NDVI y
elevación del terreno a la escala espacial de las bases de datos de precipitación, y bajo la
suposición de que estas relaciones son invariantes con la escala espacial. Luego, (iii) se deben
aplicar las relaciones encontradas a la resolución espacial fina del producto de NDVI, realizando
así el procedimiento de desagregación espacial para la precipitación agregada en el intervalo
de tiempo identificado, para finalmente (iv) distribuir la lluvia dentro del periodo correspondiente
ponderando con la contribución de cada día al agregado. A continuación, se amplían los detalles
concernientes a cada una de dichas etapas.
3.1.2.1 Etapa 1: análisis de asociación temporal entre la precipitación y el NDVI y la

elevación
Las investigaciones de Wang et al. (2003), que se enfocaron en la relación de causalidad entre
el incremento de la precipitación y el aumento del NDVI para una región de los Estados Unidos,
en la que la actividad vegetal se encontraba limitada por disponibilidad hídrica, permitieron llegar
a la conclusión de que existe un rezago entre el momento en el que se produce la precipitación
y el momento en que se incrementa la actividad vegetal, donde el NDVI presenta una estrecha
relación con rachas de precipitación de alrededor de 15 días. Dado que en la zona de interés
no es usual encontrar limitaciones de la vegetación por disponibilidad hídrica, se opta por
promediar la precipitación en diferentes intervalos de tiempo, buscando mejorar el ajuste y
adaptar la metodología al registro disponible de NDVI, que es cada 16 días. El esquema, que
se presenta en la Figura 7, muestra una serie de precipitación en color azul y una serie de
tiempo de NDVI en color rojo. En ella se destaca el intervalo de tiempo de lluvia que
desencadena un incremento de la actividad vegetal. Este es el proceso que Wang et al. (2003)
describe en su estudio. De esta forma, se pretende entonces encontrar un intervalo de
agregación óptimo para promediar la precipitación de manera que la metodología represente
correctamente la relación física entre la lluvia y el índice de vegetación presentado. El método
28
de selección de este intervalo está asociado a la optimización de las relaciones empíricas que
se pretenden evaluar, por lo que este procedimiento se describe en la etapa siguiente.
Figura 7. Esquema del intervalo de agregación de la precipitación que produce un incremento el

NDVI
3.1.2.2 Etapa 2: relaciones empíricas entre la precipitación, el NDVI y la elevación
La base conceptual de la metodología de desagregación a aplicar en los productos de

precipitación, es la relación que esta variable presenta con otras variables, como el NDVI (Wang
et al. 2003) y la elevación (Álvarez-Villa, 2007). Se propone entonces, encontrar relaciones
empíricas mediante un procedimiento de regresión multivariada utilizando mínimos cuadrados
ordinarios. En Immerzeel et al. (2009) encontraron buenos ajustes entre datos de precipitación
y NDVI utilizando un modelo exponencial. Aquí se propone evaluar modelos lineales,
potenciales y exponenciales entre las variables, y seleccionar entre ellos el que mejor se ajuste,
a la luz del coeficiente de determinación R2, que cuantifica el grado de ajuste del modelo
utilizando la relación entre la suma de los cuadrados de los residuales de la regresión sobre la
suma de los cuadrados de las anomalías de la variable. La forma matemática de esos modelos
sería:
P a exp bI ∙ exp cH (1)
P aI H (2)
P a bI cH (1)
donde P′ es la precipitación del modelo de regresión, H es la elevación, I es el NDVI y a, b y c

son parámetros de regresión. Las relaciones de las Ecuaciones (1), (2) y (1) deben ser
evaluadas a la escala espacial de los productos de precipitación. Una suposición del método
consiste en asumir que la relación de asociación entre precipitación, NDVI y elevación se
et al. (2009). Por lo tanto, la relación puede ser usada para evaluar un campo P′ a la escala del
considera invariante con la escala espacial. Esta simplificación ha sido validada por Immerzeel
NDVI, es decir a 250 m.
29
De esta manera, para identificar el intervalo de agregación de la precipitación y los parámetros

óptimos del modelo; es decir, con los cuales se obtenga un mejor R2 al implementar el modelo
de regresión, se realiza el ajuste para cada mapa de NDVI disponible, promediando la
precipitación desde esa fecha hacia atrás y variando la escala espacial en cada paso de tiempo.
En este sentido, lo que se obtiene a partir de aplicar el modelo es un estimado de la precipitación
agregada en el intervalo de tiempo óptimo, que termina en la fecha en que se encuentran datos
precipitación agregada que se obtiene de la regresión P′ también tendrá una fecha de

de NDVI. En otras palabras, como la base de datos de NDVI está en intervalos de 16 días, la
finalización de la agregación cada 16 días, aunque el intervalo óptimo pueda ser de más días,
por lo que para cada mapa de la base de datos del índice se obtienen un modelo, unos
parámetros y un intervalo de agregación óptimos. Figura 8 muestra la forma de elegir el óptimo
en escala espacial y en intervalo de agregación de la precipitación.
Figura 8. Esquema de selección del intervalo de agregación de la precipitación y de los

parámetros óptimos a la luz del coeficiente de determinación
3.1.2.3 Etapa 3: desagregación espacial de la precipitación agregada temporalmente
Luego de identificar el modelo, los parámetros y el intervalo de agregación que optimicen los
promedio en el intervalo de tiempo a partir del modelo empírico P . Además, entre cada
resultados para cada dato de NDVI disponible (cada 16 días), se puede obtener la precipitación
originales de precipitación en el mismo intervalo P, se puede calcular un residual ε a la escala

estimación proporcionada por el modelo de regresión y el valor de la suma de los datos
espacial de las bases de datos de lluvia:
ε P P′ (2)
Los residuales calculados con la ecuación (2) conforman un campo ε a la resolución espacial
de la base de datos, cada 16 días. Utilizando un algoritmo de interpolación bilineal, los
residuales ε′. Posteriormente, es posible calcular el campo de precipitación acumulada en el

residuales son reescalados a la escala de desagregación, generándose así un nuevo campo de
intervalo aplicando los mismos parámetros y el mismo modelo a la escala espacial del producto
30
regresión, ambos a la escala de desagregación, se obtiene el producto de precipitación P ∗ , así:

de NDVI. Al adicionar el campo de residuales y el campo de precipitación del modelo de
P∗ P ε′ (3)
P ∗ es el campo de precipitación desagregado espacialmente, acumulado en el intervalo de

tiempo óptimo. Al repetir el procedimiento para todos los días con información de NDVI, se
obtendría una base de datos a la escala de 250 m, que se encuentra agregado temporalmente
en los intervalos óptimos calculados para cada campo, y a una resolución temporal de 16 días.
3.1.2.4 Etapa 4: distribución de la precipitación promediada
propone una ponderación por un factor de contribución diario ω. Este factor se obtiene de la
Finalmente, para distribuir la precipitación acumulada cada 16 días a la escala diaria, se
razón entre la precipitación del día de interés y la precipitación acumulada en el intervalo óptimo,
ambos campos referentes a los datos originales de lluvia; es decir:
P
ω
P
(4)
Este campo de precipitación acumulada se calcula de forma tal que el día final de la
acumulación sea el próximo día en que se encuentra un campo de NDVI, en relación al día de
interés. Como ya se planteó previamente, se puede implementar, de igual forma, la precipitación
promedio durante el intervalo de agregación como denominador en la ecuación (4), siempre y
cuando se haya trabajado con el promedio de datos y no con la acumulación en los pasos
previos. De esta forma, se obtiene un campo del factor para cada día a la escala de los datos
se propone proceder para los residuales, obteniéndose un nuevo campo desagregado ω . Este
originales de precipitación que puede ser re-escalado a la escala del NDVI, similarmente a como
factor cuantifica la cantidad de agua que aporta cada día sobre el acumulado.
Para obtener entonces el campo de precipitación desagregada para cada día se propone
ponderar el campo de precipitación acumulada desagregado, disponible a 16 días, por el campo
del factor de contribución diaria re-escalado. De forma equivalente a la precipitación acumulada,
para calcular los factores de contribución, cada campo de precipitación agregada
temporalmente a la escala del NDVI se utiliza para calcular los campos diarios de precipitación
desagregada de los 15 días inmediatamente anteriores y el mismo día en que este se ubica,
que es el final del intervalo de agregación óptimo (es decir, el día en que hay un campo de
NDVI), para un total de 16 días de cálculo por campo acumulado.
31
Figura 9. Esquema de la metodología para la distribución de precipitación acumulada

desagregada sobre los 16 días de influencia
Así, para estimar la precipitación desagregada de un día de interés P ∗ , se ubica temporalmente
el campo de precipitación acumulada que le corresponde y se multiplica por el factor de
contribución del día particular. En otras palabras, para obtener la serie de campos diario
desagregados en el tiempo, se recorre la serie de campos acumulados desagregados
espacialmente y se pondera cada uno con los índices de los 15 días anteriores y del mismo día,
según:
P ∗ ω ∗ P∗ (5)
La Figura 9 esquematiza el procedimiento de distribución temporal de la precipitación

desagregada acumulada sobre los 16 días precedentes.
3.1.3 Resultados de la desagregación de campos de precipitación secundaria
Dado que las escalas temporales del presenta análisis son mensual y anual promedio de largo
plazo, los campos de precipitación desagregados hasta los 250 m (i.e. resolución espacial del
producto de NDVI del MODIS) se agregaron y promediaron para obtener la información
secundaria de interés. Posteriormente, los productos obtenidos se remuestrearon usando una
interpolación bilineal hasta los 30 m; resolución a la cual se plantean las estimaciones de los
campos de precipitación. El campo de precipitación media anual secundaria se presenta en la
Figura 10, mientras que los campos de precipitación media mensual para cada mes del año se
muestran en la Figura 11.
32
Figura 10. Campo de precipitación secundaria desagregado del producto 3B42 de la TRMM a una
resolución de 30 metros para la cuenca del río Aburrá-Medellín
3.1.4 Análisis de correlación entre las variables principales y secundarias
Los campos de precipitación media mensual para la región de estudio han sido estimados
utilizando diferentes tipos de krigeado. Estas técnicas, dado su carácter estocástico, tienen dos
ventajas principales sobre los algoritmos deterministas tradicionales, por ejemplo, el método de
ponderaciones por inverso de la distancia al cuadrado, la triangulación con deriva o el vecino
cercano. La primera es que permite considerar una variable secundaria densamente
muestreada, la cual se usa como apoyo para mejorar las estimaciones; la segunda es que
permite estimar campos de varianza que se interpretan como la incertidumbre en las
estimaciones. Considerando lo anterior, se ha explorado la posibilidad de usar el MDE y el
campo de precipitación desagregado de la base de datos TRMM como información secundaria
para la estimación mediante krigeado multivariado.
33
AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO HÍDRICO SUPERFICIAL Y SUBTERRÁNEO, EN EL CONTEXTO DE LA OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN
LA CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA FORMULACIÓN DE INSTRUMENTOS DE PLANIFICACIÓN
Enero Febrero Marzo Abril
Mayo Junio Julio Agosto
Septiembre Octubre Noviembre Diciembre
Figura 11. Campos de precipitación secundaria promedio mensual desagregados del producto 3B42 de la TRMM a 30 m para la cuenca del río Aburrá-Medellín
34
Primero, a partir de la muestra de precipitación disponible, se ha identificado la presencia de un

óptimo pluviométrico ubicado a una altitud cercana a los 1500 msnm (ver Figura 10). Como ha
sido presentado por diferentes investigadores (Oster, 1979; Mesa et al., 1997; Álvarez-Villa,
2007; Álvarez-Villa et al., 2011), en las laderas de los Andes colombianos la precipitación
promedio multianual disminuye, desde un máximo situado en el óptimo pluviométrico, a medida
que decrece la altitud. La situación análoga se presenta a medida que la altitud aumenta por
encima del óptimo pluviométrico. Cabe notar que la presencia de dicho óptimo no es claramente
observable al interior de la cuenca del río Medellín-Aburrá; área en la cual la precipitación
disminuye a medida que aumenta la altitud, con excepción de las tendencias locales al sur de
la cuenca (ver la Figura 10). El óptimo antes mencionado se presenta a escala regional, debido
a la selección de la muestra de precipitación en el área de análisis seleccionada.
Considerando dicho fenómeno, se evalúa la correlación lineal entre dicha precipitación

promedio con respecto a la altitud correspondiente en la localización de cada estación de
precipitación disponible, para lo cual se dibuja previamente el diagrama de dispersión entre
ambas variables que se presenta en la Figura 12 (izquierda). Los círculos rojos representan la
variación de la precipitación con respecto a la elevación para las estaciones ubicadas por debajo
de los 1500 msnm de altitud, mientas que los puntos negros representan los mismos resultados
para las estaciones situadas por encima del antes mencionado óptimo pluviométrico. Para la
primera muestra de datos se obtuvo una correlación lineal de 0.53, mientras que en el segundo
caso la correlación obtenida fue de -0.59. Los signos de las correlaciones son opuestos, puesto
que las tendencias de variabilidad también lo son, como se ve claramente en la Figura 12. Con
base en estos resultados se deduce que, a escala promedio anual de largo plazo, la topografía
juega un papel muy importante en dinámica espacio-temporal de la precipitación en la región
de estudio. A pesar de dicha conclusión, en este estudio también es de interés investigar la
correlación entre la precipitación media mensual y la topografía. Así pues, se repitió el
procedimiento antes mencionado y se obtuvieron los diagramas de dispersión correspondientes
a cada mes, los cuales se muestran en la Figura 13 con sus respectivas correlaciones
mensuales por encima y debajo del óptimo, las cuales se consignan en la Tabla 2. Se observa
que las correlaciones aumentan y disminuyen según se trata de la muestra correspondiente a
altitudes por debajo del óptimo pluviométrico y viceversa, de acuerdo con las diferentes
temporadas del año. En general, se detecta mayor grado de correlación entre lluvia y topografía
en todos los meses para las estaciones ubicadas por encima del óptimo, con valores de
alrededor de -0.50. Las estimaciones de correlación entre lluvia y topografía en sitios por debajo
del óptimo de precipitación son peores en casi todos los meses (con respecto a los estimados
usando la muestra de precipitaciones por encima de los 1500 msnm), pero se logran alcanzar
valores máximos cercanos a 0.6 en junio y julio, en contraste con los demás meses, los cuales
exhiben correlaciones relativamente bajas, alrededor de 0.4. Cabe agregar que, para la
precipitación media mensual, se obtuvieron peores correlaciones con la topografía que la
estimada para la precipitación media anual. Esta observación indica que el simple
procedimiento de desagregación de la lluvia anual en mensual ocasiona la aparición de señales
de variabilidad no correlacionadas con la altitud, con lo cual el uso del MDE como variable
secundaria, aunque aceptable, no parece tan confiable mensualmente como cuando se usa con
la lluvia promedio anual.
35
Figura 12. Diagramas de dispersión de la precipitación promedio multianual en las

localizaciones de las estaciones disponibles (ver Tabla 1) versus: (izquierda) altitud colocalizada
correspondiente, (derecha) la precipitación colocalizada extraída del campo anual desagregado
del producto 3B42 de la misión TRMM
Tabla 2. Correlaciones lineales entre la precipitación mensual en tierra y las variables

secundarias precipitación TRMM desagregada y topografía
CORRELACIÓN DE PEARSON
MES
TRMM MDE1 MDE2
Enero 0.54 0.38 -0.55
Febrero 0.56 0.32 -0.54
Marzo 0.73 0.37 -0.54
Abril 0.76 0.30 -0.55
Mayo 0.59 0.36 -0.55
Junio 0.67 0.60 -0.57
Julio 0.78 0.54 -0.44
Agosto 0.67 0.33 -0.54
Septiembre 0.77 0.38 -0.58
Octubre 0.68 0.38 -0.49
Noviembre 0.67 0.35 -0.46
Diciembre 0.54 0.35 -0.50
Anual 0.81 0.63 -0.59
1 observaciones por debajo del óptimo pluviométrico (1500 msnm).

2 observaciones por encima del óptimo pluviométrico (1500 msnm).
36
Figura 13. Diagramas de dispersión de precipitación promedio mensual registrado en estaciones versus su altitud correspondiente
37
Figura 14. Diagramas de dispersión de precipitación promedio mensual registrado en estaciones versus la precipitación secundaria promedio mensual desagregada del producto 3B42 de la TRMM en las
localizaciones correspondientes a dichas estaciones disponibles
38
PARA LA GESTIÓN INTEGRAL DEL RECURSO HÍDRICO SUPERFICIAL Y SUBTERRÁNEO,
EN EL CONTEXTO DE LA OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN LA
CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA FORMULACIÓN DE
INSTRUMENTOS DE PLANIFICACIÓN
Ahora bien, en investigaciones previas se ha demostrado la utilidad de la información proveniente

de la TRMM para la descripción de la variabilidad de la precipitación en Colombia a diferentes
escala temporales y espaciales (Zuluaga 2005; Álvarez-Villa, 2007; Álvarez-Villa et al., 2011;
Hurtado, 2011, Alex, Bibiana). Lo anterior surge como motivación para evaluar la posibilidad de
usar los campos de precipitación promedia mensual provenientes de la TRMM desagregado a la
resolución del MDE, 30 m, de acuerdo con el procedimiento descrito en el apartado 3.1.2. Para
ello, se han construido los diagramas de dispersión anual y mensuales de precipitación TRMM
versus precipitación media medida en pluviómetro colocalizadas y se han estimado las
correlaciones respectivas. El diagrama para precipitación promedio anual se presenta en el
gráfico derecho de la Figura 12, mientras que los diagramas a resolución mensual se consignan
en la Figura 14. Igualmente, las estimaciones de la correlación de Pearson entre las dos muestras
de precipitación, para cada uno de los meses, se presentan en la Tabla 2. Allí se observa que las
estimaciones son mucho mayores que las obtenidas con respecto a la topografía y éstas
manifiestan mayor persistencia a lo largo del año. Los mayores valores, cercanos a 0.7, se
obtienen en los meses lluviosos: marzo, abril, octubre y noviembre; mientras que el mínimo se
presenta en diciembre y enero, con un estimado de 0.54; valor relativamente pobre, aunque
mayor que el obtenido para el mismo mes considerando la altitud. Es interesante notar que la
mayor correlación entre las muestras de precipitación se logra a escala anual, con un estimado
de 0.81. Asimismo, los mapas mensuales obtenidos representan adecuadamente el ciclo anual
bimodal característico de la precipitación en los Andes Colombianos por efecto del doble paso
anual de la zona de convergencia intertropical (ZCIT). Así pues, se tienen las mayores
precipitaciones en los meses de mayo y octubre; con valles de precipitación en los meses de
enero y agosto.
El análisis presentado en este apartado permite concluir que ambas fuentes de información
secundaria pueden ser potencialmente utilizables en los procedimientos de estimación espacial
de los campos de precipitación, pero se ha observado que la información TRMM es más confiable
que el MDE, tanto a escala temporal mensual como anual y presenta una configuración
matemática más favorable a las técnicas de krigeado para información densamente muestreada
puesto que la correlación lineal es directa y única.
3.1.5 Análisis estructural de la precipitación
Siguiendo los principios matemáticos de la geoestadística clásica, se dice que el análisis

estructural es un procedimiento matemático que permite caracterizar la dinámica de variación en
el espacio del fenómeno de la precipitación, bajo la consideración de que ésta se comporta en
cualquier localización como una variable aleatoria que responde a una función aleatoria regional.
El desarrollo de dicho análisis se consigue mediante la construcción de una función que utiliza
una relación estadística simple para describir las diferencias entre un conjunto de observaciones
en función de las distancias de separación. Dicha descripción puede llevarse a cabo estimando
diferentes índices estadísticos como lo son la covarianza, la correlación o el variograma
(Goovaerts, 1997). En general, debido a la relativa simplicidad en la expresión de cálculo y al
intuitivo comportamiento creciente de su representación gráfica, en adelante será utilizado el
variograma con este propósito. Durante el análisis estructural se diferencian dos fases: una
primera fase de estimación que concluye con la obtención de lo que se conoce como variograma
39
experimental, y una segunda fase de ajuste de modelos permisibles de variograma, en la cual se

asocian funciones matemáticas con ciertas características, dando como resultado los llamados
variogramas teóricos. En los siguientes apartados se desarrollan más ampliamente ambas ideas.
3.1.5.1 Estimación de los variogramas experimentales
Considérese una variable regionalizada z u , por ejemplo, la precipitación media anual.
exclusivamente en función de un vector de separación h, el variograma directo γ h se define

Aceptando que ésta cumple la hipótesis intrínseca, es decir, que su componente estocástica varía
como (Journel y Huijbregts, 1978; Isaaks y Srivastava, 1987; Goovaerts, 1997; Cassiraga, 1999):
1
γ h Var$Z u Z u h &
2
(6)
donde Z u y Z u h son las realizaciones de la variable aleatoria, en este caso la precipitación

(anual o mensual), analizada en las localizaciones u y u h, correspondientemente. Entonces,
variable aleatoria z u , puede usarse un estimador de media para calcular el valor del variograma
partiendo de un conjunto de datos disponibles y considerándolos como realizaciones de la
experimental directo, de acuerdo con la siguiente expresión (Journel y Huijbregts, 1978):

* +
1
γ h ( $z u z u h &)
(7)
2n h
,-
donde n h corresponde al número de realizaciones de z u , separadas por un vector de distancia

h. Debido a que h es una cantidad vectorial puede realizarse el cálculo del variograma directo no
sólo para diferentes distancias de separación, sino también en distintas direcciones; siendo
importante destacar su independencia del sentido (Isaacs y Srivastava, 1987). La estimación de
este tipo de variogramas adquiere importancia en la determinación de las direcciones de máxima
y mínima continuidad de la variable regionalizada puesto que con base en ellas es posible
describir y modelar su comportamiento de variación anisotrópica (Álvarez-Villa, 2007).
En la mayoría de los casos, la información principal disponible para el análisis estructural no se

halla distribuida en una retícula regular y, como consecuencia de ello, es más probable que
existan direcciones y separaciones para las cuales no sea factible la estimación del variograma
experimental. Esta problemática se aborda definiendo una zona de búsqueda espacial en la que
se permiten ciertas tolerancias direccionales y de separación. Además, dicha zona permite
abordar el problema de la estimación de los variogramas direccionales con mayor confiabilidad.
Existen muchas formas aceptadas para el establecimiento de las regiones de búsqueda, pero la
más ampliamente utilizada ha sido la propuesta por Deutsch y Journel (1998). En este esquema,
se representa la distribución bidimensional de un conjunto de puntos muestreados
grises). El espacio de estimación está definido por una dirección, θ, una tolerancia angular, ∆θ,
(circunferencias rojas) y las zonas de cálculo del variograma experimental directo (rectángulos
una distancia de separación, h, una tolerancia de separación, ∆h y un ancho de banda, b. Esta
40
región de búsqueda tiene la ventaja de ser adaptable a diferentes configuraciones de ubicación

de las estaciones y es utilizable en la mayoría de los casos prácticos (Cassiraga, 1999).
Figura 15. Esquema de la zona de búsqueda espacial 2D para el cálculo del variograma
experimental directo
Todo el conjunto de variogramas direccionales que se logra calcular a partir de las observaciones
disponibles puede representase esquemáticamente mediante un variograma superficial. Su
determinación resulta útil, debido a que permite, por inspección visual, detectar las direcciones
de máxima y mínima continuidad, así como las características de comportamiento espacial de la
variable. Cada celda de la superficie representa el valor del variograma experimental para una
dirección y una distancia determinada partiendo desde el centro de la gráfica, que corresponde a
una distancia de separación o rezago espacial nulo (Isaaks y Srivastava, 1989; Goovaerts, 1997).
La determinación del tamaño de celda es crucial para la representación; tamaño que se
determina, en general, efectuando un procedimiento de ensayo y error.
Tabla 3. Parámetros geométricos de la zona de búsqueda del análisis para el cálculo de

variogramas experimentales en la zona de estudio.
PARÁMETRO UNIDADES VALOR
Dirección [º] Entre 0 y 165, avanzando a intervalos de 15.
Tolerancia angular [º] 20
Distancia de separación [km] Entre 0 y 80, avanzando a intervalos de 4.
Tolerancia de separación [km] 3
Ancho de banda [km] 5
Para identificar las direcciones de máxima y mínima continuidad de la precipitación en la región

de estudio, se procedió inicialmente utilizando la zona de búsqueda bidimensional descrita por la
Figura 15, con los parámetros geométricos que se indican en la Tabla 3, obteniéndose resultados
41
para cada uno de los meses del año y el variograma experimental anual. Una vez parametrizada
la región de búsqueda direccional, se calculan las superficies de variograma para cada uno de
los doce meses del año, las cuales se presentan en la Figura 16.
42
Figura 16. Superficies de variograma mensuales para el dominio de estimación de la precipitación media mensual
43
Figura 17. Roseta de variogramas direccionales mensuales para la precipitación en la zona de estudio
44
Los colores azules corresponden a los valores menores de variograma, los cuales aumentan
desde el centro de los mapas, pasando por los colores verde y amarillo, hasta llegar al rojo que
corresponde a las mayores estimaciones. Mediante una inspección visual de dichos variogramas
superficiales direccionales se deduce la presencia de una marcada anisotropía geométrica en
nueve de los doce meses del año (acerca de las características de este tipo de variabilidad
espacial, se recomienda leer el capítulo 16 del libro de Isaaks y Srivastava, 1989), cuya dirección
de menor variabilidad se encuentra entre los azimuts N60E y N45E y las direcciones de mayor
variabilidad se localizan entre los azimuts N30W y N45W, respectivamente. Por su parte, en los
meses de junio, julio y agosto, las características anisotrópicas no son tan marcadas, con lo cual
debe recurrirse a estimaciones de mayor detalle para detectar las direcciones principales de
variabilidad.
El refinamiento de las direcciones de anisotropía se logra calculando las rosetas de variogramas

direccionales para todos los meses. Así pues, en la Figura 17 se presentan los variogramas
direccionales calculados a intervalos de 30º de separación angular para la muestra puntual de
estimación localizada únicamente sobre el área de análisis de influencia para estimaciones sobre
la cuenca del río Aburrá-Medellín, los cuales pueden interpretarse como los cortes transversales
en las direcciones correspondientes desde el centro de los variogramas superficiales presentados
en la Figura 16. Los parámetros de la zona de búsqueda utilizada se consignan en la Tabla 3. A
partir de los variogramas presentados a lo largo de este apartado se ajustan los modelos
permitidos de variograma y se consolidan los modelos de regionalización para la precipitación
media mensual. Cabe mencionar que en los esquemas de variogramas direccionales no se han
presentado los refinamientos en las direcciones aledañas a las de máxima y mínima variabilidad,
donde se estimaron variogramas cada diez grados hasta definir con precisión dichas direcciones.
3.1.5.2 Ajuste del variograma teórico
Existe un conjunto de razones que justifican el hecho de que no se pueda utilizar el variograma
experimental para propósitos de estimación de la distribución espacial de la precipitación, entre
los que se destaca la posibilidad de que se generen inconsistencias matemáticas que no permitan
dar soluciones a los problemas; razones que son ampliamente discutidas por Isaaks y Srivastava
(1989). De todas las restricciones posibles para el ajuste del modelo teórico, la principal es que
la matriz de covarianza entre los datos debe ser simétrica y definida positiva para asegurar que
la varianza estimada sea positiva por definición en los sitios donde no existen mediciones
(Christakos, 1984). Entonces, dada la anterior restricción, deben ajustarse modelos permisibles
a los variogramas experimentales estimados. Los modelos más utilizados son el efecto pepita, el
esférico, el exponencial y el gaussiano. Las ecuaciones correspondientes a cada uno de éstos
son presentadas y discutidas detalladamente por Goovaerts (1997). Cada uno de estos modelos
se parametriza mediante su rango y su meseta. La meseta se define como el aporte máximo al
variograma dado por el modelo, mientras que el rango es la distancia donde se alcanza el máximo
valor del variograma e indica las separaciones para los cuales la covarianza entre dos
observaciones es nula.
45
Figura 18. Esquema del modelo de variograma teórico y los parámetros que lo definen
En la Figura 18 se muestra un esquema gráfico que explica los parámetros antes mencionados.
Un modelo de permisible de variograma también puede construirse mediante una combinación
lineal de los cuatro modelos permisibles antes mencionados, lo cual se conoce como estructura
imbricada. Los modelos de variogramas que usan estructuras imbricadas casi siempre incluyen
un efecto pepita, el cual corresponde al valor de la función de variograma para una distancia igual
a cero, junto con alguno de los demás modelos. En otras palabras, el efecto pepita indica el valor
de la autocorrelación de los datos para una distancia nula. De acuerdo con lo anterior, para
procesos estocásticos espaciales de memoria finita, el variograma se manifiesta como una
función creciente que se estabiliza para un valor de distancia llamada rango, para la cual la
correlación o correlación cruzada, según sea el caso, de la(s) variable(s) desaparece(n).
Usualmente su comportamiento varía con la dirección considerada. Asimismo, la pendiente del
variograma es más suave en la dirección de máxima continuidad indicando que la correlación se
pierde más lentamente, y es más abrupta en la dirección de mínima continuidad donde la
correlación desaparece más rápidamente. Para la cuenca del río Aburrá-Medellín se han
seleccionado modelos de regionalización anisotrópicos geométricos formados por tres diferentes
estructuras permisibles, cuyas expresiones pueden generalizarse de la siguiente manera:
h8 ) h; h8 ) h;
) )
γ h C1 C- Esf 567 9 : < = C) Gauss 567 9 : < =
(8)
a8- a;- a8) a;)
C1 ; un modelo esférico anisotrópico con un rango mayor a8- en la dirección h8 y un rango menor
expresión que se encuentra compuesta por una estructura isotrópica de efecto pepita con meseta
a;- en la dirección perpendicular h; y una meseta de C- ; y un modelo gaussiano anisotrópico con

un rango mayor a8) en la dirección h8 y un rango menor a;) en la dirección perpendicular h; y
46
una meseta de C) . Los valores ajustados de los rangos y las mesetas se modifican mensualmente,
de acuerdo con la muestra de datos de precipitación mensual respectiva. Así, en la Tabla 4 se
consignan los parámetros de los modelos de variograma direccionales ajustados para la cuenca
del río Aburrá-Medellín y regiones aledañas, con respecto al análisis estructural que va a ser
utilizado en la estimación de los campos mensuales de precipitación. Al respecto, en la Figura 19
se presentan los modelos de variogramas ajustados en las direcciones de anisotropía.
Igualmente, en la Figura 20 se presentan los modelos de variograma ajustados en las direcciones
de máxima variabilidad y máxima continuidad para la precipitación promedio anual (gráfico de la
izquierda), junto con su respectiva superficie de variograma (mapa de la derecha). Los parámetros
del modelo de variograma anual se consignan en la última fila de la Tabla 4.
Tabla 4. Parámetros ajustados de los modelos de variograma direccionales para la cuenca del río
Aburrá-Medellín y regiones aledañas, con respecto al análisis estructural que será usado en la
estimación mensual de la precipitación.
?@ ?A BCA BDA ?E BCE BDE
MES ANISOTROPÍA
(MM2) (MM2) (KM) (KM) (MM2) (KM) (KM)
Enero N55E; N35W 50 300 250 40 300 40 20
Febrero N55E; N35W 50 500 250 40 500 50 20
Marzo N55E; N35W 50 800 200 50 800 40 20
Abril N55E; N35W 50 4800 150 50 4800 40 20
Mayo N60E; N30W 50 10000 100 40 10000 40 20
Junio N60E; N30W 50 5500 90 40 5500 40 20
Julio N60E; N30W 50 4700 75 40 4700 40 20
Agosto N60E; N30W 50 4900 80 40 4900 50 20
Septiembre N55E; N35W 50 7500 140 50 7500 50 20
Octubre N55E; N35W 50 7800 160 50 7800 60 50
Noviembre N55E; N35W 50 1700 170 50 1700 50 30
Diciembre N55E; N35W 50 800 250 40 800 40 20
Anual N60E, N30W 50000 580000 80 45 250000 50 40
De los resultados de la regionalización para la estimación de los campos de precipitación medios

mensuales (ver Tabla 4) se observan cuatro características principales que se describen a
continuación. Primero, el gradiente de variación del variograma en la dirección de mínima
continuidad es mucho más pequeño que el mismo gradiente para la dirección de máxima
continuidad en todos los meses con excepción de junio, julio y agosto. Segundo, las direcciones
de anisotropía coinciden casi exactamente con las direcciones de menor y mayor gradiente
topográfico en el Valle de Aburrá. Tercero, dichas direcciones de anisotropía sufren pequeñas
modificaciones a lo largo del año. Cuarto y último, las mesetas ajustadas varían estacionalmente,
es decir, las mayores mesetas están asociadas a los meses más húmedos y, por el contrario, las
menores mesetas se asocian a los meses más secos. Con base en las observaciones anteriores
se deduce que los modelos de regionalización ajustados responden tanto a la variabilidad
espacial de la precipitación, fuertemente correlacionada con la topografía local, como a la
variabilidad temporal intra e inter anual, las cuales están dominadas, principalmente, por el ciclo
de anual de translación de la zona de convergencia intertropical y, en menor medida, por otros
fenómenos macro-climáticos como el ENSO.
47
AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO HÍDRICO SUPERFICIAL
Y SUBTERRÁNEO, EN EL CONTEXTO DE LA OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN LA CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-
MEDELLIN Y LA FORMULACIÓN DE INSTRUMENTOS DE PLANIFICACIÓN
Figura 19. Modelos ajustados de variograma para el dominio de estimación de la precipitación media mensual
48

promedio anual (izquierda) y su respectiva superficie de variograma (derecha)
3.1.6 Algoritmos de estimación
krigeado es estimar el valor desconocido de un atributo z u en un punto donde no se disponen

Los algoritmos de estimación geoestadística se conocen como krigeado. La idea básica del
mediciones y que está localizado en u, como una combinación lineal de n valores conocidos de
dicho atributo, cuyas coordenadas son uF , con α 1,2 … , n. Para representar el parámetro o
atributo de interés, z u se adopta un modelo estocástico que consiste en admitir que los valores
que puede tomar z u dentro del área de estudio vienen dados por una función aleatoria Z u .
La forma general del estimador por krigeado viene expresada a través de la siguiente ecuación:
*
Z u
∗
m u ( λF u $z uF m uF &
(9)
,-
donde el símbolo * denota que se trata de un estimador, m u y m uF son los valores esperados
de las variables aleatorias Z u y Z uF , respectivamente, y λF u , α 1,2 … , n son los
estimación. La representación estocástica del atributo Z u , permite definir el error o residual en

coeficientes de ponderación asignados a los datos de la variable que intervienen en la
la estimación como sigue:
R u Z∗ u Z u (10)
sujeto a la restricción de que:
49
E$R u & E$ Z∗ u Z u & 0 (11)

es decir, que la varianza de los errores cometidos en un conjunto de estimaciones debe ser
mínima y el estimador es no sesgado. Todos los estimadores por krigeado son una variante de
la expresión general dada en la ecuación (9), en la cual los coeficientes de ponderación se
obtienen resolviendo el sistema de ecuaciones lineales que resulta a partir de imponer las
condiciones mostradas en las ecuaciones (10) y (11). A continuación, se describe brevemente
las principales variantes del krigeado que han sido implementadas en el presente estudio. Para
encontrar una descripción exhaustiva de cada algoritmo, el lector interesado puede consultar
cualquier texto clásico de geoestadística (Isaaks y Srivastava, 1989; Goovaerts, 1997; Deutsch
y Journel, 1998; Chilés y Delfiner, 1999).
3.1.6.1 Krigeado ordinario
El estimador por krigeado ordinario (KO) viene dado por la siguiente expresión:
*
ZNO
∗
u ( λNO
F u z uF
(12)
,-
Los criterios exigidos al conducen al sistema de ecuaciones lineales del KO:

*
S ( λNO u CUu uT V μNO u C uF u , con α 1,2, … , n
Q F
(13)
T

T,-
R
*
Q ( λT u 1
NO
PT,-
para obtener un estimador insesgado. El valor μNO u es el parámetro de Lagrange introducido

donde se puede observar que en este caso los pesos deben sumar uno, condición necesaria
en la minimización del error sujeto a la condición de que los pesos sumen uno. La expresión
para la varianza de la estimación por KO es la siguiente:
*
σ)NO u C 0 ( λNO
T u CUuT uV μNO u
(14)
T,-
3.1.6.2 Krigeado con una deriva externa
El krigeado con una deriva externa (KDE) es una extensión del krigeado universal (ver
función de tendencia f- u , definida en cada localización a partir de una variable secundaria

Goovaerts, 1997; Deutsch y Journel, 1998; Chilés y Delfiner, 1999) y consiste en incorporar una
z) u , que debe variar suavemente en el espacio. Así pues, es necesario disponer de un valor
50
secundaria z) u relacionada de forma lineal con la media de la variable principal m- u , tal que:
de la variable secundaria en cada punto a estimar. En general, se considera a la variable
m- u a1 a- z) u (15)
El estimador por KDE tiene la siguiente expresión:

*\
ZNZ[
∗
u ( λNZ[ u z- uF
(16)
F
,-
donde n- es el número de datos correspondientes a la variable principal z- u que intervienen

en cada estimación. Los coeficientes de este estimador se obtienen de resolver el sistema de
KDE, cuyas ecuaciones son las siguientes:
*\
S
( λNZ[ u CUuF uT V μNZ[ u μ-NZ[ u z) uF C uF u ,α 1,2, … , n-
Q
(17)
T 1
QT,-
Q *\
( λNZ[ u 1
RT,-
T
Q *\
Q
Q( λNZ[
T u z) u T z) u
PT,-
Las dos últimas ecuaciones resultan de imponer la condición de no sesgo. Nótese que en este
sistema de ecuaciones sólo utiliza la covarianza de la variable principal. La expresión para la
varianza de los errores por KDE es:
*\
σ)NZ[ u C 0 ( λNZ[ u CUuT uV μNZ[ u μ-NZ[ u z) uT

(18)
T 1
T,-
El campo resultante es, por construcción, semejante al campo de la variable secundaria, sin
embargo, KDE no considera la correlación cruzada entre variables.
3.1.6.3 Cokrigeado colocalizado con regionalización Markoviana tipo 1
Para solucionar un sistema de cokrigeado completo (ver Goovaerts, 1997; Deutsch y Journel,
1998; Chilés y Delfiner, 1999; Cassiraga, 1999; Álvarez-Villa, 2007-2009), se requiere tener
conocimiento de las funciones de covarianza de las variables principal y secundaria, y la
covarianza cruzada entre ellas, si se incorpora una sola variable secundaria. Lo anterior se
traduce en un mayor esfuerzo en términos de modelación espacial y tiempo de ejecución en el
ordenador, con respecto a las técnicas univariadas, las cuales sólo requieren la función de
51
covarianza de la variable principal. Muchas veces este mayor esfuerzo de cálculo constituye la
principal razón por la cual el cokrigeado no es utilizado. Por otro lado, cuando la información
secundaria está exhaustivamente muestreada existe una dificultad adicional a la hora de la
implementación de un cokrigeado completo, que se manifiesta a través de la inestabilidad de
las matrices del sistema. Esto se origina debido a la extrema proximidad y fuerte correlación
que existe en general entre los datos secundarios, y las grandes distancias y pobre correlación
entre los datos principales. Las razones anteriores, junto con el hecho de que si hay un dato
secundario ubicado en la localización que va a ser estimada, éste tiende a atenuar la influencia
de los datos vecinos (efecto pantalla), condujo a presentar la alternativa del cokrigeado
colocalizado (Xu et al., 1992). Se trata de un cokrigeado que como información externa retiene
variable principal, Z- u .
sólo el dato secundario localizado en cada punto de coordenadas donde se va a estimar la
cual el dato duro, z- u , que representa una realización de la variable principal Z- u , oculta la
Ahora bien, si un cokrigeado colocalizado recurre a un modelo Markoviano (CKCM), según el
inuencia de cualquier otro dato duro z- u h con respecto al dato blando colocalizado z) u
que, análogamente, es una realización de la variable secundaria Z) u , es decir que:
E$Z) u |Z- u z, Z- u h z& E$Z) u |Z- u &, ∀ h, z (19)
En otras palabras, la ecuación (19) expresa que la dependencia de la variable secundaria sobre
la primaria está limitada al dato primario colocalizado. A partir de esta asunción se puede
demostrar que las covarianzas cruzadas del sistema de cokrigeado pueden escribirse en
función de la covarianza de los datos duros como (Almeida y Journel, 1994):
ρ-) h ρ-) 0 ρ- h ∀ h (20)
donde ρ- h es el correlograma de la variable principal, ρ-) h es el correlograma cruzado entre

las variables principal y secundaria y ρ-) 0 es el coeficiente de correlación lineal entre éstas.
Puede decirse que, bajo un modelo de Markov, la covarianza cruzada se calcula escalando la
covarianza de la variable principal. Entonces, el estimador por CKCM en su forma estandarizada
tiene la forma:
*\
z`Nà
-∗
m- z) u 1 m) z- uT\ m-
λ`Nà u ( λ`Nà u
σ- σ) σ-
(21)
) T\
T\ ,-
donde los pesos λ`Nà

) u y λ`Nà
T\ u , son la solución del sistema de ecuaciones lineales
CKCM, que es el siguiente:
52
*\
S
( λ`Nà u ρ- UuF\ u T\ V λ`Nà u ρ-) 0 ρ- uF\ u ρ- uF\ u , α- 1,2, … , n-
Q
(22)
T\ )

T\ ,-
*\
R
Q ( λ T\ u ρ-) 0 ρ- Uu u T\ V λ`Nà u ρ) 0 ρ-) 0
`Nà
)
PT\ ,-
en este sistema, si ρ-) 0 0, entonces λ`Nà

) u 0 y se ignora al dato secundario. Si
ρ-) 0 1, el sistema se transforma en uno de krigeado simple con n 1 datos, cuyo
resultado es λ`Nà
) u 1 y λ`Nà
T\ u 0 para todo β, es decir, el estimador es igual al valor
de la variable secundaria. El algoritmo de CKCM requiere el mismo esfuerzo de implementación
que el KDE, y tiene la importante ventaja de permitir que el dato secundario participe
directamente en la estimación de la variable principal. Además, y a diferencia del KDE, el
modelo de corregionalización para CKCM se construye con base en un parámetro de
calibración, como lo es el coeficiente de correlación, lo que hace que la elección del modelo
pueda verificarse a partir de los datos. Sin embargo, el CKCM requiere que la variable
secundaria sea conocida en todos los puntos donde se quiera estimar la variable principal.
3.1.7 Análisis de las estimaciones promedio anuales
En este apartado se presentan los campos de precipitación promedio multianual estimados para
la cuenca del río Aburrá-Medellín y regiones aledañas. Estas estimaciones se han efectuado
aplicando los algoritmos de KO, KS, KDE y CKCM. KDE fue ejecutado considerando dos
campos de información secundaria: el MDE y un mapa de intensidades de lluvia extraído de la
base de datos del TRMM (ver Figura 10). También se presenta una comparación estadística de
resultados mediante la técnica de validación cruzada, la cual permite distinguir, desde el punto
de vista geoestadístico, la mejor técnica de estimación en una región de estudio cuando se
emplean diferentes técnicas y/o fuentes de información. Debe recordarse que las bases
matemáticas de los algoritmos de estimación KO, KDE y CKCM han sido presentadas en el
apartado 3.1.6 y la región de aplicación de las estimaciones corresponde al dominio presentado
para el MDE en la Figura 1 y el campo de precipitación TRMM de la Figura 10. Para todos los
algoritmos y campos de información secundaria considerados en las estimaciones, se empleó
el modelo de variograma mostrado en la Figura 20. También debe tenerse presente que el
propósito de estimar los campos de precipitación promedio anual es realizar un balance hídrico
de largo plazo, de donde se calcula el caudal medio que sirve como criterio indirecto para validar
la pertinencia de los algoritmos de precipitación utilizados y la información secundaria
correspondiente.
53
Figura 21. Campo de precipitación promedio anual estimado mediante KO para la cuenca del río
Aburrá-Medellín
3.1.7.1 Estimaciones mediante KO
El campo de precipitación promedio anual estimado mediante KO se presenta en la Figura 21.

Estas estimaciones manifiestan una variabilidad espacio-temporal relativamente gradual, las
cuales se atribuyen a diferentes razones. Primero, en esta región existe gran cantidad de
registros de precipitación que permiten caracterizar adecuadamente el comportamiento
espacial de la precipitación. Segundo, el dominio espacial abarcado por los campos de
precipitación cubre diferentes tipos de microclimas. Por ejemplo, se incluyen zonas de los valles
de los ríos Cauca y Magdalena y zonas alto-andinas. Dichas zonas se distribuyen a lo largo de
un amplio rango de altitudes. Es notable observar que, únicamente empleando la información
de las estaciones, se obtiene una representatividad adecuada de la variabilidad espacial de la
lluvia dentro de la cuenca del río Aburrá-Medellín, especialmente en dirección longitudinal al río.
Se captura adecuadamente el aumento de la precipitación al sur del Valle de Aburrá.
54
río Aburrá-Medellín, usando la información del TRMM como deriva
3.1.7.2 Estimaciones mediante KDE
El KDE tiene dos ventajas principales sobre los algoritmos univariados, e.g., método del inverso
de la distancia al cuadrado o KO. La primera es que permite considerar una variable secundaria
densamente muestreada, la cual se usa como apoyo para mejorar las estimaciones de
precipitación y capturar mejor su variabilidad espacial; la segunda es que permite estimar
campos de varianza cuyas magnitudes disminuyen con la correlación entre las variables
utilizadas. Como se dijo antes, se han usado dos fuentes de información secundaria
densamente muestreadas: (i) el MDE extraído de la base de datos SRTM1 a una resolución de
30 m y (ii) un campo de precipitación media construido con base a las observaciones realizadas
por la TRMM desagregado hasta una resolución espacial de 30 m. El análisis de correlación
entre la información principal, lluvia promedio medida en tierra, y las dos variables secundarias
mencionadas antes ha sido presentado detalladamente en el apartado 3.1.4.
55
río Aburrá-Medellín, usando la información del MDE SRTM1 como deriva
El campo de precipitación promedio anual estimado mediante KDE usando la información de la
misión TRMM como deriva se presenta en la Figura 22. En dicho campo se nota la influencia
de la información secundaria en la estimación en donde no se dispone de información principal,
especialmente en los bordes de la región de análisis, sectores Noroeste y Suroeste. La
tendencia de la precipitación estimada en el Valle del río Aburrá-Medellín es similar a la obtenida
mediante KO, por efecto de la buena disponibilidad de estaciones; aun así, se observa la
influencia de la información secundaria en el delineamiento de las tendencias de variabilidad
espacial de la precipitación en los límites de la cuenca. La información secundaria también
influye en capturar de mejor forma la separación de las tendencias espaciales de variabilidad
de la lluvia en los valles de San Nicolás y de Aburrá.
Ahora bien, el campo de precipitación promedio anual estimado mediante KDE usando la
información del MDE SRTM1 como deriva se presenta en la Figura 23. Las tendencias
56
espaciales obtenidas son similares a las descritas para las estimaciones por KO o KDE usando
la información del TRMM como deriva externa. Aun así, se observa que, por efecto de la
correlación negativa entre precipitación y altitud por encima del óptimo pluviométrico, la
precipitación estimada en el Valle de San Nicolás es ligeramente menor. Acerca de las
tendencias generales detectadas para la localización de óptimos pluviométricos y la distribución
espacial de los cambios de regiones más lluviosas a menos lluviosas, las observaciones son
similares a las mencionadas anteriormente, con la diferencia de que dichas tendencias
espaciales varían de forma un poco más gradual que la encontrada al usar datos del TRMM
como deriva, pero no tanto como se representa mediante el uso del KO.
Figura 24. Campo de precipitación promedio anual estimado mediante CKCM para la cuenca
del río Aburrá-Medellín, usando la información de la misión TRMM como dato secundario en el
planteamiento de la cadena de Markov espacial.
57
3.1.7.3 Estimaciones mediante CKCM
El campo de precipitación promedio anual estimada mediante el CKCM utilizando la

precipitación TRMM como información secundaria se muestra en la Figura 24. El método de
CKCM es, de forma general, muy similar al método de cokrigeado (ya sea simple u ordinado,
normal o estandarizado) pero solamente usa la información colocalizada, se incorpora la
información secundaria como covariada, pero considera que el modelo de variación espacial de
ésta puede modelarse a partir del modelo de variación espacial de la variable principal a partir
de la correlación lineal entre ambas. Lo anterior es de gran utilidad puesto que ahorra tiempo
de cálculo computacional y facilita la estimación del modelo de corregionalización. Vale aclarar
que KDE estima la media local de la variable principal con base en la secundaria, pero en ningún
momento incorpora o infiere el modelo de variabilidad de ésta, con lo cual la incorporación de
las tendencias espaciales de la precipitación TRMM es explícita en las estimaciones. El CKCM
no se implementa usando el MDE como información secundaria puesto que la relación entre
lluvia y altitud se entiende por partes, es decir, es una por debajo del óptimo pluviométrico y
otra por encima de éste, como se ha discutido previamente, lo cual va en contravía de las
asunciones del CKCM; algoritmo que, por definición, requiere la existencia de una tendencia
única donde la correlación lineal entre variables sea, preferiblemente, elevada. Estas
características sólo las cumple la precipitación TRMM, entre los conjuntos de información
secundaria disponibles para este estudio. Las estimaciones obtenidas manifiestan las
tendencias generales ampliamente discutidas a lo largo de los apartados anterior, con la gran
diferencia de que la influencia de la información secundaria se hace notoria en las tendencias
de variabilidad espacial de la lluvia, incluso en aquellos sitios en los cuales la correlación lineal
entre precipitación en tierra y precipitación TRMM no es tan elevada. Así pues, la influencia de
la topografía y su influencia en la precipitación se ve mejor capturada por la información
secundaria TRMM desagregada usando las altitudes del MDE puesto que la correlación lineal
de las variables es alta y la tendencia espacial regional de variación conjunta es única.
3.1.7.4 Validaciones cruzadas de las estimaciones
La validación cruzada es una técnica para evaluar el comportamiento de un modelo de

continuidad espacial utilizado para la estimación de un campo aleatorio, para examinar
comparativamente el desempeño de diferentes técnicas de estimación sobre una misma región
y una variable o para investigar el impacto del uso de diferentes fuentes de información
secundaria sobre las estimaciones realizadas. El procedimiento de validación cruzada se basa
en la estimación del valor de una variable en una localización donde se dispone de medida,
quitando ésta y utilizando las demás estaciones disponibles. El proceso se repite para todas las
localizaciones de una en una. El análisis estadístico se realiza sobre las muestras de datos
estimados y los residuos que surgen de la diferencia entre los valores estimados y los medidos.
Los detalles de la validación cruzada se pueden consultar en Isaaks y Srivastava (1989).
En el presente trabajo, el análisis por validación cruzada está compuesto de dos partes.
Primero, se lleva a cabo el análisis estadístico univariado de las muestras mensuales de datos
medidos y estimados. Segundo, se realiza el análisis estadístico de los residuales y de las
características de su distribución estadística. Así pues, con base en los valores de precipitación
58
media anual estimados (Pc ) y de referencia (o medidos, P ) se ha realizado un análisis del

comportamiento de los errores de estimación o residuales, los cuales se definen como R d
P Pc , para cada región de estudio con respecto a cada método de estimación espacial
implementado. Teóricamente, estos residuales deberían poseer una distribución de
probabilidad Gaussiana, simétrica con media cero y varianza dada. En la práctica, tal como
fueron definidos estos residuales, aquellas distribuciones que tienen una media menor que cero
reflejan una tendencia a la subestimación, por lo que el histograma de los errores presenta una
cola para los valores bajos. Idealmente, se espera que la media de los errores sea nula, lo que
significaría que las subestimaciones y sobrestimaciones se compensan. Si la mediana es
aproximadamente cero la distribución será simétrica y las sobrestimaciones y subestimaciones
serán simétricas en magnitud (Álvarez-Villa, 2007).
59
AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO HÍDRICO SUPERFICIAL Y SUBTERRÁNEO, EN EL CONTEXTO DE
LA OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN LA CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA FORMULACIÓN DE INSTRUMENTOS DE PLANIFICACIÓN
Figura 25. Diagramas de dispersión de las muestras de precipitación observadas versus las precipitaciones estimadas para diferentes algoritmos geoestadísticos: (i) KO arriba izquierda, (ii) KDE MDE arriba
derecha, (iii) KDE TRMM abajo izquierda y (iv) CKCM abajo derecha
60
En la Figura 25 se presentan los diagramas de dispersión de la precipitación medida versus la

precipitación estimada para cada una de las técnicas geoestadísticas consideradas en este
trabajo: (i) KO gráfico arriba izquierda, (ii) KDE MDE gráfico arriba derecha, (iii) KDE TRMM
gráfico abajo izquierda y (iv) CKCM gráfico abajo derecha. En todos los gráficos antes
mencionados se presenta la línea bisectriz del primer cuadrante del plano cartesiano que denota
el sitio geométrico donde las estimaciones son iguales a las observaciones y, por lo tanto, la
correlación es perfecta. Se observa que, a medida que la nube de puntos del diagrama se ajusta
más adecuadamente a dicha recta, las estimaciones tienden mejor a las observaciones y
aumentan las correlaciones entra las muestras de precipitación medidas y estimadas. Mediante
simple inspección visual, se detecta que la muestra con mejor ajuste a la recta de pendiente
unitaria corresponde a la precipitación estimada mediante KDE usando los datos del TRMM
como deriva; a pesar de que la muestra estimada mediante KDE usando el MDE SRTM 1 como
deriva manifiesta menor variabilidad alrededor de la antes mencionada recta. A primera vista,
en todos los casos, se nota una tendencia de compensación de residuales, por la simetría con
la que la nube de puntos varía sobre la recta de pendiente unitaria.

geoestadísticos.
ESTADÍSTICO OBSERVADA KO KDE MDE KDE TRMM CKCM
Máximo (mm) 4335.8 3381.153 3801.396 3590.897 3552.672
Mínimo (mm) 1394.5 1587.812 1568.458 1525.252 1574.339
Mediana (mm) 1969.2 2053.422 2069.519 2015.004 2015.822
Media Geométrica (mm) 2100.646 2111.176 2128.133 2128.133 2083.908
Media Armónica (mm) 2046.647 2073.481 2087.394 2081.16 2045.204
Media Cuadrática (mm) 2241.118 2197.693 2227.801 2238.5 2172.448
Media (mm) 2164.522 2152.212 2175.238 2180.101 2125.174
Rango (mm) 2941.3 1793.341 2232.938 2065.645 1978.333
Rango inter-cuartil (mm) 530.1 482.339 493.35 480.227 464.276
Rango Percentilar (mm) 1229.13 544.04 859.216 841.247 1119.288
Varianza (mm2) 342077.6 200621.1 234650.1 261624.14 206028.9
Desviación Estándar (mm) 584.874 447.908 484.407 511.492 453.904
Desviación Media (mm) 420.908 347.626 367.735 391.352 346.886
Coeficiente de Variación 0.27 0.208 0.223 0.235 0.214
Coeficiente de Asimetría 1.609 0.996 1.209 1.075 1.136
Coeficiente de Curtosis 5.549 3.013 3.913 3.295 3.545
Covarianza (mm2) 16219117 16025514 17930804 17025102
Coeficiente de correlación 0.780586 0.76945 0.8148506 0.818386
Momento de Inercia (mm2) 66504.23 69673.2 57559.04 56254.54
Para dar un análisis cuantitativo de la representatividad de las diferentes precipitaciones

estimadas, se estiman los estadísticos univariados respectivos y se comparan con los de la
muestra original. Estos resultados se presentan en la Tabla 5. Los estadísticos de la muestra
de referencia se presentan en la primera columna, mientras que los mismos estadísticos para
las muestras de validación cruzada corresponden a cada acrónimo de estimador espacial de la
fila de encabezamiento. Las observaciones máximas y mínimas están mejor representadas
mediante el KDE. Las tendencias centrales (i.e. medias y mediana), se capturan de mejor
manera mediante KDE y CKCM usando la información secundaria de la misión TRMM (2164
61
mm de media referencia versus 2175 mm estimada). Las tendencias de dispersión de la

muestra de referencia se capturan mejor mediante las estimaciones por KDE usando el TRMM
como información secundaria (varianza de referencia de 342077 mm2 versus 261624 mm2
estimada). Por el contrario, los momentos de orden superior (i.e. asimetría y curtosis) no han
sido adecuadamente representados por ninguna muestra de validación cruzada.
Figura 26. Funciones de probabilidad acumulada empírica de los residuales para las
precipitaciones estimadas para diferentes algoritmos geoestadísticos: (i) KO arriba izquierda, (ii)
KDE MDE arriba derecha, (iii) KDE TRMM abajo izquierda y (iv) CKCM abajo derecha
Finalmente, las correlaciones lineales entre las muestras de precipitación de referencia y las
muestras de precipitación de validación cruzada son mayores para estimaciones por KDE y
62
CKCM que incluyen el TRMM como información secundaria. De los resultados antes
planteados, puede concluirse que las mejores estimaciones de los estadísticos muestrales de
referencia se logran mediante el KDE, incluyendo en las estimaciones la tendencia de
variabilidad dada por los ampos desagregados del producto 3B42 de la TRMM.
Ahora bien, en la Figura 26 se presentan las funciones de probabilidad acumuladas

experimentales (fpa) de los residuales obtenidos para las estimaciones de la validación cruzada
en la región de estudio considerando las estimaciones por: (i) KO gráfico arriba izquierda, (ii)
abajo derecha. . Las fpa han sido estimadas mediante el siguiente procedimiento: (i) se ordenan
KDE MDE gráfico arriba derecha, (iii) KDE TRMM gráfico abajo izquierda y (iv) CKCM gráfico
los residuales de menor a mayor, (ii) la variable i corresponde a la posición que ocupa la
observación en el arreglo ordenado y (iii) se aplica la siguiente ecuación empírica:
i 0.5
P Rp f Rp
n
(23)
priori Rp , donde n es la cantidad de datos de la muestra y Rp es la variable aleatoria de los

para calcular la probabilidad de no excedencia con respecto a un límite de residual impuesto a
residuales de estimación.

geoestadísticos.
ESTADÍSTICO KO KDE MDE KDE TRMM CKCM
Máximo (mm) 1502.272 1649.255 1064.742 1350.333
Mínimo (mm) -1077.41 -1166.69 -1057.89 -756.326
Mediana (mm) -14.952 -15.186 -5.955 1.792
Media Armónica (mm) -2543.97 -4514.41 -461.727 -467.395
Media Cuadrática (mm) 364.703 373.291 339.291 335.424
Media (mm) -1.81919 -2.49163 -6.57442 26.8916
Rango (mm) 2579.678 2815.947 2122.634 2106.659
Rango intercuartil (mm) 338.877 338.584 348.43 352.219
Rango Percentilar (mm) 641.059 225.839 -140.889 615.462
Varianza (mm2) 134827.1 141248.9 116651.2 113317.3
Desviación Estándar (mm) 367.188 375.831 341.543 336.626
Desviación Media (mm) 256.504 253.53 249.735 238.56
Coeficiente de Variación -201.842 -150.838 -51.95 12.518
Coeficiente de Asimetría 0.608902 0.802111 0.131631 0.909273
Coeficiente de Curtosis 6.354 7.609 4.431 5.752
Las características estadísticas de las fpa de los residuales obtenidos para las estimaciones de
la validación cruzada se resumen en la Tabla 6. Con base en los resultados presentados en
dichas tablas, puede mencionarse lo siguiente. Primero, todos los estimadores presentan
residuales máximos mayores a los 1000 mm. Segundo, las medianas de los residuales más
cercanos a cero se estiman mediante KDE usando la información del TRMM y CKCM. Tercero,
la media más cercana a cero se estima para los residuales correspondientes a KO. Las menores
varianza de los residuales se obtienen para las muestras de validación cruzada estimadas por
63
KDE usando la información del TRMM y CKCM. Los menores coeficientes de asimetría y
curtosis se lograron estimando mediante KDE usando la información del TRMM y CKCM.
Para concluir, de los resultados presentados a lo largo de la validación cruzada para la

estimación de la precipitación promedio anual puede afirmarse que las mejores estimaciones
se lograron mediante KDE usando la información del TRMM y CKCM, tanto para la
representación de los estadísticos de la muestra de referencia, como de las características
teóricas de las funciones de probabilidad de los residuales. Es decir, desde el punto de vista de
la validación cruzada, los mejores campos han sido los estimados por KDE usando la
información del TRMM y CKCM. De lo anterior sigue que la técnica usada para estimas los
campos de precipitación mensual ha sido el KDE incorporando los productos desagregados
mensuales del producto 3B42 de la TRMM con resolución espacial de 30 m.
3.1.8 Análisis de las precipitaciones promedio mensuales
Los campos de precipitación promedio mensual para la cuenca del río Aburrá-Medellín han sido
estimados mediante el KDE incorporando como información secundaria los campos del
producto 3B42 de la TRMM desagregados hasta los 30 m de resolución espacial (ver la Figura
11). Los modelos de regionalización usados para las estimaciones mes a mes son los
presentados en la Figura 19. Con todo lo anterior, los campos de precipitación promedio
mensual estimados se muestran en la Figura 27 en orden cronológico. Como característica
general, se observa la integración adecuada de la deriva en las estimaciones de precipitación
mensual, con la coherencia espacial dada por la información del TRMM a escala anual. También
se observa la preservación del ciclo anual de precipitaciones, con temporadas secas en
diciembre-enero-febrero y junio-julio-agosto, y temporadas húmedas en marzo-abril-mayo y
septiembre-octubre-noviembre. Además, se puede detectar que las tendencias de variabilidad
espacial de la precipitación mensual estimada no están tan relacionadas con las altitudes, a
pesar de que éstas se utilizaron para desagregar los datos originales de la información
secundaria, precipitación TRMM. En su lugar, los patrones de las distribuciones espaciales de
la lluvia son similares a las que se presentan en la Figura 11. Dado que las correlaciones entre
la precipitación TRMM y la precipitación capturada en tierra son importantes, las estimaciones
obtenidas mediante KDE siguen tendencias generales dadas por la distribución de la
información secundaria en casi todos los meses del año, con excepción de diciembre, enero y
febrero. Las estimaciones asociadas a estos meses son similares a la que podrían obtenerse
por métodos univariados (e.g. KO) puesto que la correlación es más baja que la encontrada
para los nueve meses restantes, con lo cual el peso de la deriva TRMM deja de ser tan
importante.
64
65
Figura 28. Diagramas de dispersión de las muestras de precipitación mensual observadas versus las precipitaciones estimadas para las estimaciones mediante KDE usando los campos de la TRMM desagregados a
30 m como información secundaria
66
Tabla 7. Validación de los estadísticos de las muestras mensuales de referencia con respecto a las muestras mensuales estimadas por validación cruzada para el KDE usando como deriva los campos mensuales de
la TRMM desagregados a 30 m.
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE
ESTADÍSTICO
OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST OBS EST
Máximo 261.3 181.5 228.2 171.8 356.3 243.0 394.9 342.1 476.3 393.4 377.5 376.2 379.7 385.6 464.5 385.1 501.4 430.5 504.0 392.4 437.9 343.9 361.6 171.6
Mínimo 33.7 35.6 47.1 50.2 86.4 93.8 146.3 152.1 172.9 190.6 117.7 134.6 99.8 114.1 119.9 124.6 153.0 160.2 178.7 205.8 118.9 133.4 59.4 72.1
Mediana 62.6 67.5 82.4 84.2 128.1 130.6 205.2 197.9 244.3 246.1 185.0 181.3 169.7 168.7 186.5 190.3 214.3 214.5 247.9 250.2 191.8 184.0 102.0 100.9
Media
67.5 68.2 86.7 86.5 134.8 133.9 211.7 211.5 258.8 256.7 199.1 198.7 180.4 182.2 201.7 204.4 236.0 236.3 259.6 259.3 188.7 189.0 106.5 105.8
Geométrica
Media
62.6 64.2 82.3 83.2 130.1 130.5 206.2 206.8 251.9 251.8 191.7 191.7 170.4 172.5 191.3 194.5 227.4 228.1 254.1 255.5 183.7 185.2 102.6 103.5
Armónica
Media
83.2 78.6 98.7 94.1 149.3 141.8 225.1 221.9 275.8 268.2 217.2 215.5 205.2 205.4 229.0 227.9 259.3 256.9 273.2 268.2 201.2 197.5 120.1 110.8
Cuadrática
Media 74.1 73.0 92.0 90.1 141.1 137.6 218.1 216.4 266.7 262.3 207.6 206.7 192.2 193.3 214.5 215.7 246.8 246.0 265.9 263.6 194.3 193.0 111.9 108.2
Rango 227.6 146.0 181.1 121.6 269.9 149.2 248.6 190.0 303.4 202.8 259.8 241.6 279.9 271.6 344.6 260.6 348.4 270.3 325.3 186.6 319.0 210.5 302.2 99.5
Rango
310.0 33.3 34.7 30.1 47.1 40.2 63.6 56.8 70.9 76.4 79.1 90.6 103.3 102.8 111.3 114.0 86.7 101.4 72.8 60.8 55.7 48.8 34.2 32.3
intercuartil
Rango
59.0 25.0 52.6 -54.2 70.8 83.5 120.5 126.3 104.3 68.6 51.2 142.6 128.1 116.0 154.5 161.2 57.4 34.1 123.9 142.7 71.5 75.7 32.1 37.9
Percentilar
Varianza 1464 868 1303 745 2424 1202 3192 2435 5014 3188 4121 3784 5274 4933 6531 5517 6468 5577 3997 2500 2789 1776 1928 575
Desviación
38.3 29.5 36.1 27.3 49.2 34.7 56.5 49.3 70.8 56.5 64.2 61.5 72.6 70.2 80.8 74.3 80.4 74.7 63.2 50.0 52.8 42.1 43.9 24.0
Estándar
Desviación
25.9 22.3 25.4 21.0 33.4 26.4 42.7 39.6 53.7 45.8 51.3 51.3 59.7 59.8 65.4 63.6 63.2 60.8 47.1 39.1 35.7 31.8 25.8 19.5
Media
Coeficiente de
0.52 0.40 0.39 0.30 0.35 0.25 0.26 0.23 0.27 0.22 0.31 0.30 0.38 0.36 0.38 0.34 0.33 0.30 0.24 0.19 0.27 0.22 0.39 0.22
Variación
Asimetría 2.50 1.35 1.85 0.97 2.26 1.12 1.18 0.85 1.20 0.80 1.00 0.92 0.93 0.83 1.07 0.73 1.28 1.01 1.47 1.00 2.01 1.12 3.50 0.72
Curtosis 11.54 4.80 7.07 3.55 9.38 3.60 4.18 2.72 3.72 2.52 3.03 2.84 2.73 2.61 3.26 2.19 3.79 2.84 5.52 3.19 9.38 4.46 19.39 2.63
Correlación 0.66 0.42 0.81 0.81 0.85 0.89 0.92 0.93 0.91 0.79 0.61 0.63
Momento de
423.4 629.4 416.4 550.3 684.2 432.2 394.1 457.1 532.6 742.0 926.0 576.0
Inercia
67
En la Figura 28 se muestran los diagramas de dispersión de las muestras de precipitación

mensual observadas versus las precipitaciones estimadas para las estimaciones mediante KDE
usando los campos de la TRMM desagregados a 30 m como información secundaria. Los
resultados de estos diagramas de dispersión muestran tendencias coherentes para las
estimaciones en todos los meses del año. Es decir, a medida que las mediciones de
precipitación mensual son mayores, sus estimaciones correspondientes colocalizadas también
manifiestan magnitudes elevadas y los puntos del diagrama de dispersión se distribuyen
alrededor de la línea de pendiente unitaria. Estas características se reflejan en la obtención de
estimaciones similares de diferentes estadísticos de las muestras de validación mensuales, las
cuales se presentan en la Tabla 7. La correlación de Pearson varía entre 0.42 (febrero) y 0.93
(agosto), confirmando que los valores de referencia son muy parecidos a los valores estimados,
especialmente para algunos meses del año.
Los estadísticos de posición, como los son el mínimo, el máximo y el rango de las muestras son
los que manifiestan diferencias de mayores magnitudes (con respecto a las de referencia),
especialmente durante los meses más lluviosos del año. Los mejores estadísticos de posición
se obtuvieron en los meses de mayo, junio y julio, lo cual se atribuye a la menor variabilidad de
las observaciones de precipitación por tratarse de los meses menos lluviosos. En cambio, los
estadísticos de tendencia central como la media y la mediana son bastante parecidos a los de
referencia, tanto para meses secos como para húmedos, incluso aquellos con peores
correlaciones de validación. Los cuartiles de la muestra de mediciones han resultado estar bien
representados por la muestra de estimaciones. Los estadísticos de dispersión no han sido tan
bien representados como los de tendencias medias, manifestando tendencias de subestimación
en todos los meses; efecto negativo que se atribuye a las características suavizadoras de los
estimadores de tipo krigeado, cuyas propiedades han sido descritas ampliamente por muchos
autores.
3.2 BALANCE HÍDRICO
3.2.1 Metodología del balance hidrológico de largo plazo
La base física del balance hídrico de largo plazo es la formulación de las ecuaciones de
continuidad para volúmenes de control en columnas de suelo, atmósfera y la unión de ambas.
El contorno horizontal de dichas columnas viene definido por la divisoria de aguas de la cuenca,
desde donde se prolongan infinitas líneas verticales hacia abajo y/o hacia arriba según
corresponda. De la misma forma, el borde inferior de la columna de suelo es un estrato
impermeable y el borde superior de la columna atmosférica es su tapa; la superficie de la cuenca
es el borde superior (inferior) de la columna de suelo (atmosférica). Considerando la ecuación
hidrográfica (ver Figura 29), se define W como el almacenamiento de agua en la atmósfera, en

de continuidad dentro de una columna de suelo-atmósfera, que es asimilable a una cuenca
unidades de longitud (volumen por unidad de área), P es la precipitación, E es la

evapotranspiración real, Q es el flujo neto de humedad en la atmósfera, S es el almacenamiento
de agua en el suelo, también en unidades de longitud, R es el flujo de agua hacia afuera de la
columna de suelo; constituido por la escorrentía superficial y/o subterránea.
68
Figura 29. Esquema conceptual del modelo de balance hidrológico de largo plazo
Con las anteriores definiciones, el balance de agua para la atmósfera está dado como:
dw
Q E P
dt
(24)
y el balance para la columna de suelo es:
dS
P E R
dt
(25)
Combinando las ecuaciones (24) y (25) se obtiene una expresión de balance de agua para el
volumen de control:
d W S
Q R
dt
(26)
décadas), los cambios en las cantidades almacenadas W y S son despreciables. Así, la ecuación
Cuando la integración temporal se realiza sobre un intervalo de gran duración (del orden de
de balance de agua para la columna quedaría así:
o
P o
E o
R (27)
La ecuación (27) es una aproximación a la escorrentía superficial que supone que el cambio en
la cantidad almacenada en el suelo (o en la atmósfera) en el largo plazo es despreciable
respecto a los demás términos. Esta aproximación es muy buena para el cálculo de los
promedios de largo plazo puesto que conduce a errores que son de menor orden que los de
medición de cada una de las componentes (Vélez et al., 1998). Todos los campos de los
69
promedios de largo plazo para la precipitación y la evaporación real han sido estimados
espacialmente. Para finalizar, la integración espacial de la lámina de escorrentía que produce
el caudal medio multianual de largo plazo asociado a una cuenca es:
qq c- r $P x, y E x, y &dxdy (28)
q
la cual, cuando la discretización de P y E se lleva a cabo sobre campos ráster con resoluciones
∆x en dirección del eje x y ∆y en dirección del eje y, se aproxima numéricamente como sigue:
q q ≅ c) ( P ,u E ,u ∆x∆y (29)
,u∈q
donde c- y c) son parámetros para la conversión de unidades.
3.2.1.1 Distribución espacial de la temperatura
Por la escasez de información en la cuenca, para conocer la variabilidad espacial de la

temperatura, se recurrió a la estimación indirecta mediante la ecuación propuesta por Cenicafé
(Chavez y Jaramillo, 1996). En esta metodología se regionaliza está variable a partir de registros
de temperatura media mensual en superficie para diferentes regiones geográficas en el país.
La ecuación utilizada, pertenece a la región andina y es de la forma:
T 27.72 0.0055H (30)
donde, T es la temperatura media anual en (°C) y H es la altura sobre el nivel del mar en (m).
La Figura 30 permite observar que la temperatura en la cuenca del río Aburrá - Medellín es
mayor en el fondo del valle y que esta disminuye conforme se asciende en las laderas. La zona
más cálida está localizada en la zona norte de la cuenca del río Aburrá-Medellín, cerca de la
confluencia con la descarga del Río Grande.
3.2.1.2 Distribución espacial de la evapotranspiración
La evapotranspiración representa la cantidad de agua saliente del sistema hacia la atmósfera

en forma de vapor de agua, por una combinación de la evaporación física y de la transpiración
de la vegetación. La evapotranspiración depende fundamentalmente de condiciones climáticas
que a su vez son función de las características físicas de la atmósfera que se encuentra cerca
al suelo y a la vegetación, además depende de la calidad del agua y área de la superficie del
agua.
70
Figura 30. Mapa de temperatura media (°C)

Para el cálculo de la evapotranspiración existen varios métodos empíricos, la mayoría de ellos
basados en fórmulas que han sido obtenidas en condiciones climáticas diferentes a las
tropicales, por lo que es necesario hacer el cálculo con diferentes expresiones y poder
compararlas para ver cuál de ellas representa de mejor manera la variación de la
evapotranspiración en la cuenca del río Aburrá - Medellín. Los diferentes métodos por los cuales
se calculó la evaporación real en la cuenca se describen en los siguientes apartados.
3.2.1.2.1 Cenicafé
La expresión correspondiente fue obtenida por Cenicafé mediante la regresión de los valores
puntuales de ETP obtenidos de aplicar el método de Penman a los datos de las estaciones
climáticas en Colombia. Consiste en la siguiente ecuación:
ETP 4.659 exp 0.0002H (31)
en donde ETP es la evaporación potencial en mm/día y H es la cota sobre el nivel del mar en
metros. La evapotranspiración potencial se transforma a evapotranspiración real mediante las
71
expresiones de Budyko (1974), quien, basado en un balance de masas, notó que cuando la
precipitación decrece, la escorrentía superficial también decrece, pero cuando la precipitación
aumenta, el caudal tiende a algún valor límite. El método se basa en las siguientes expresiones
para la ETP y ETR:
a
ETR P exp ~ •
P
(32)
P
ETR ETP tanh 7 9
ETP
(33)
donde a es una constante cuyo valor varía de acuerdo a la cuenca considerada y podría
entenderse como un parámetro de calibración. Al respecto, Budyko (1948 y 1974) postula que
las siguientes condiciones son válidas: (i) en el límite de condiciones muy secas (ETR/P) tiende
a uno cuando (ETP/P) tiende a infinito y (ii) en el límite de condiciones muy húmedas, ETR
tiende a ETP cuando (ETP/P) tiende a cero. Con las anteriores consideraciones, Budyko
interpola las ecuaciones (32) y (33), proponiendo su media geométrica:
P ETP ETP 1.„

ETR €ETP tanh 7 9 P •1 cosh 7 9 senh 7 9‚ƒ
ETP P P
(34)
donde ETR, ETP y P son, respectivamente la evapotranspiración real, la evapotranspiración

potencial y la precipitación en mm por el período considerado. (Budyko, 1974 y Brutsaert, 1982).
En la Figura 31, fila superior para cada uno de los mapas de precipitación reportados, se
observa como la evapotranspiración es mayor en el fondo del valle, y disminuye conforme se
asciende en las laderas. La zona de mayor evaporación está localizada en la zona norte de la
cuenca del río Aburrá - Medellín, cerca de la confluencia con Río Grande.
3.2.1.2.2 Turc
La ecuación de Turc estima la evaporación real en función de elementos meteorológicos
largo plazo. Turc propuso una familia de curvas de la forma ETR f P, T , construidas a partir
simples como son la temperatura y la precipitación sobre la cuenca, aplicadas a mediciones de
de observaciones hechas en 254 cuencas situadas en todos los climas de la tierra (Remenieras,
1974; Brutsaert, 1982). De ellas, la expresión más ampliamente utilizada es la siguiente:
P
para P/L ˆ 0.316
ETR …†0.9 P ) /L)
(35)
P para P/L Š 0.316
en donde ETR es la evaporación real en mm/año, T es la temperatura media anual en grados

centígrados, P es la precipitación del año considerado en mm/año y L 300 25T 0.05T Œ.
72
En la Figura 31, fila del medio para cada uno de los mapas de precipitación reportados, muestra
un patrón parecido al obtenido por el método de Cenicafé, con la diferencia de que en el fondo
del valle, la zona urbana presenta un mismo rango de evaporación en comparación con
Cenicafé.
3.2.1.2.3 Factor regional
Estima la evapotranspiración real mediante la siguiente ecuación empírica:
P
ETR
P F
-/F
(36)
€1 ~R • ƒ
*
Donde, ETR es la evapotranspiración real (mm/año), P es la precipitación media en la cuenca

(mm/año), R * es el equivalente de agua de la radiación neta con R * 1172.6969 en (mm/año)
y α es un parámetro que depende de la escala de estimación de la variable.
El método asume que la evaporación anual no excede los valores correspondientes a P ó R * y

dispone de la relación μ P/R * en el intervalo 0.23 Š μ Š 1.97. Esta metodología propone
para el cálculo del factor α en la región de trabajo, el valor que minimiza el error medio entre las
áreas entre 25 y 5300 km2 con condiciones climáticas diferentes, se encontró un valor de α
evaporaciones estimadas y las obtenidas al realizar balance de largo plazo. En 52 cuencas con
1.91 con muy buenos resultados, pero aplicable para zonas con 0.85 Š μ Š 6.37, límites entre
los cuales se encuentra la región de estudio (Barco y Cuartas, 1996).
En la Figura 31, fila inferior para cada uno de los mapas de precipitación reportados,, se observa
como la evapotranspiración es mayor en la zona norte y sur de la cuenca, y menor en el fondo
del valle donde está la zona urbana, lo cual es consistente con los patrones de
evapotranspiración generados por Cenicafé y Turc.
3.2.2 Balance hídrico en las estaciones de medición de caudal
Para verificar que los mapas de precipitación y de evaporación calculados representan

correctamente la distribución espacial de estas variables en la cuenca del río Aburrá-Medellín,
es necesario recurrir a un balance hídrico en las estaciones de medición de caudales al interior
de la cuenca, este balance consiste en calcular los caudales medios por el método del balance
hidrológico a largo plazo y compararlos con los caudales medios históricos en cada una de las
estaciones.
73
CENICAFÉ
KO KDE-MDE KDE-TRMM CKCM

TURC

FACTOR REGIONAL
74
Figura 32. Diagramas de dispersión de las muestras de caudal observado versus los caudales simulados en las localizaciones de las estaciones para diferentes combinaciones de metodologías de estimación de
precipitación y evapotranspiración
75
Tabla 8. Errores en la estimación de los caudales observados mediante el modelo de balance hídrico de largo plazo para diferentes metodologías
VARIABLES OBSERVADAS ETR CENICAFÉ-BUDYKO (M3/S) ETR TURC (M3/S) ETR FACTOR REGIONAL (M3/S)
CÓDIGO NOMBRE ÁREA PRECIPITACIÓN CAUDAL KDE- KDE- KDE- KDE- KDE- KDE-
ETR (MM) KO CKCM KO CKCM KO CKCM
(KM2) (MM) (M3/S) MDE TRMM MDE TRMM MDE TRMM
2701733 SALADA_LA_RMS_11 42.5 2304.5 1101.07 1.65 1.41 1.43 1.47 1.48 1.53 1.58 1.6 1.53 1.32 1.35 1.37 1.29
2701716 CALDAS_RM_16 98.59 2295.4 1113.91 4.13 4.24 4.3 4.49 4.23 4.7 4.7 4.8 4.67 4 4.12 4.28 4.1
2701727 ANCON_SUR_RMS_17 119.36 2283 1117.15 5.7 5.5 5.1 5.37 5.6 5.8 5.5 5.46 5.5 5.26 5.37 5.71 5.35
2701734 MACHADO_RMS.12 634.41 1944.6 1128.73 21.97 19.9 19.9 21.5 20.4 21.8 22 23.22 22.4 19.1 19.5 20.74 19.8
2701781 ANCON_NORTE_RMS_20 731.48 1917.4 1129.02 23.65 22.8 23.1 24 23.4 24.56 24.8 25.6 25 21.32 21.5 23.1 22
2701803 GIRARDOTA 775.74 1906.9 1130.8 26.35 23.4 24.3 25.8 24.6 26.5 26.8 26.9 26.4 23.1 23.31 24.2 23.62
2701738 HATILLO_EL_RMS.13 855.7 1900.7 1134.81 29.12 25.6 25.9 27.5 26.1 28 28.3 29.4 28.8 24.6 24.9 26.4 25.12
2701735 YARUMITO_RMS_14 1087.34 1983.4 1136.31 39.59 34.5 35 36.8 35.2 37.8 38.3 39.6 38.5 33.5 33.9 35.5 33.9
2701736 GABINO_RMS_15 * 1195.17 2078.4 1145.97 43.52 40.8 41.3 43.9 41.3 44.3 44.8 45.58 44.5 39.7 40.2 42.7 43.13
Error
Absoluto 8.5 8.4 5.0 6.2 4.2 4.1 5.0 4.2 11.8 10.3 6.5 10.6
(%)
Residual
Medio 1.95 1.71 0.54 1.49 0.08 -0.12 -0.72 -0.18 2.64 2.39 1.30 1.93
(m3/s)
Correlación 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
Error
ponderado 9.1 3.5 8.0 6.9 2.9 3.0 3.6 2.6 12.2 11.1 6.2 10.0
(%)
76
Esta metodología resulta ser efectiva para la corrección del mapa de precipitación, pues si se
considera que es correcto realizar un balance hídrico a largo plazo (con todas las
simplificaciones inherentes al método), puede inferirse en que regiones se tienen
precipitaciones mayores o menores que las reales, así que puede ser necesario agregar
algunos puntos de control ficticios o verificar la georeferenciación de las estaciones de
precipitación en esa zona y calcular un nuevo mapa de precipitación. Esta operación sólo puede
efectuarse en las cuencas rurales, donde los efectos antrópicos no son tan notorios, pues todos
los municipios que se encuentran en el área metropolitana del Valle de Aburrá, vierten sus
aguas residuales al río Aburrá-Medellín, originando así que los caudales reales sean mucho
mayores a los caudales estimados en el balance, los cuales serían aproximadamente iguales a
los caudales naturales de la cuenca.
La Tabla 8 muestra un cuadro comparativo entre los caudales estimados por el método del
balance a largo plazo utilizando los métodos de evaporación antes descritos en conjunto con
los diferentes campos de precipitación estimados, y los caudales reales medidos en cada una
de las estaciones. En estos análisis, los caudales medios de las estaciones Hatillo y Yarumito
se consideraron solo con los registros hasta antes de 1993 y evitar así la influencia de la
descarga de la central “La Tasajera”. Asimismo, el caudal medio en la estación
Gabino_RMS_15 fue estimado a partir de rendimiento hidrológico, pues la cuenca de interés
está ubicada antes de la descarga de río Grande. El rendimiento hidrológico consiste en
multiplicar el caudal obtenido en la estación Yarumito_rms_14 y multiplicarlo por un factor de
área que se obtiene de la relación entre áreas de la estación Yarumito_RMS_14 y
Gabino_RMS_15.
La Figura 32 es una comparación entre el caudal medido y el caudal estimado por balance
hídrico para cada una de las estaciones de aforo, los resultados indican que las mejores
estimaciones de los caudales medios se obtienen considerando al campo de precipitación
estimado mediante KDE usando la información del TRMM como deriva, para cualquier técnica
de estimación de evapotranspiración. En este sentido se encontraron errores medios absolutos
cercanos al 5 % en todos los casos, residuales promedios menores que 1.0 m3/s y correlaciones
de casi 1.0. Además, se observa que a medida que se avanza hacia aguas abajo, el error
porcentual en la estimación del caudal medio disminuye.
77
3.3 ZONIFICACIÓN CLIMÁTICA CALDAS - LANG
La clasificación climática del trópico americano se inició en 1802 cuando se reunieron en Quito
los investigadores Alejandro Humboldt, Ame Bonpland y Francisco José de Caldas; este último
disponía de una copiosa información relativa a las alturas sobre el nivel del mar y su influencia
en la variación de las temperaturas. Expuesta y analizada la información, Caldas determinó los
pisos térmicos para la región Andina-tropical. Humboldt informó a los naturalistas europeos
sobre lo convenido en la reunión, respetándose incluso la designación de los pisos térmicos en
castellano propuesta por Caldas, cosa que ha perdurado hasta nuestros días.
Caldas estableció una relación empírica que muestra que a una altitud de 1000 m corresponde
una temperatura media de 23.8°C, a 2000 m se alcanzan los 18°C a 3000 m. se observan
12.7°C y a 4000 m. se tienen valores de 7°C. Los límites de Caldas, indican cuatro (4) pisos
térmicos a saber:
• Piso térmico cálido: localizado entre 0 y 1000 m. de altitud, con valores de temperatura
superiores a 24°C y un margen de altitud en el límite superior hasta 400 m. según sean las
características locales.
• Piso térmico templado: comprende altitudes situadas entre 1000 y 2000 m. con
temperaturas mayores o iguales a 17.5°C y con un margen de amplitud en sus límites
superior e inferior a 500 m.
• Piso térmico frío: comprende altitudes entre 2000 y 3000 m.
• Piso térmico paramuno: Corresponde a las áreas situadas entre los 3000 m. de altitud y bajo
el límite de las nieves- perpetuas. Con el propósito de detallar más las condiciones
climáticas se subdivide en dos zonas de páramo: la primera de mayor temperatura,
denominada "páramo bajo "con altitudes que oscilan entre 3200 y 3700 m y que, se
caracteriza por estar en el intervalo de los 7°C a los 12°C; la segunda conocida como
"'páramo alto", consecuentemente está sobre tos 3700 m y va hasta los 4200 m
aproximadamente (Eslava, J., 1992).
Otro avance significativo en la zonificación climática fue expuesto por Richard Lang en el año
de 1915, quien con su trabajo estableció una nueva clasificación del clima basado en la relación
obtenida al dividir la precipitación anual (P en milímetros) por la temperatura media anual (T en
°C). Este cociente se llama también Índice de efectividad de la precipitación y/o factor de lluvia
de Lang (Eslava, 1992) el cual es usado por el autor para definir los índices de aridez o humedad
según se muestra en Tabla 9.
78
Tabla 9. Clasificación climática según el factor de Lang (Eslava, 1992)

FACTOR DE LANG CLASE DE CLIMA SÍMBOLO
0 a 20.0 Desértico D
20.1 a 40.0 Árido A
40.1 a 60.1 Semiárido Sa
60.1 a 100.1 Semihúmedo. Sh
100.1 a 160.1 Húmedo H
> a 160.0 Superhúmedo SH
Los resultados de la zonificación climática para la cuenca usando el método de Caldas - Lang
se presentan en la Figura 33, en el cual se observa que, dentro de la cuenca del río Aburrá, se
encuentran ubicadas las zonificaciones Fría-Húmeda, Templada-Húmeda, Templada-
Semihúmeda y Fría-Superhúmeda; siendo las de mayor extensión. De una menor magnitud en
extensión, se encuentran las zonificaciones Templada-Superhúmeda, Paramuna-
Superhúmeda, Fría- Semihúmeda y Paramuna-Húmeda; como se muestra en la Tabla 10.
79
Figura 33. Zonificación climática de Caldas – Lang para la zona de estudio
Tabla 10. Distribución por áreas de la Zonificación Climática

ZONIFICACIÓN CLIMÁTICA ÁREA [KM2] % ÁREA ZONIFICACIÓN
Frio Húmedo 573.122 42.78%
Frio Semihúmedo 5.610 0.42%
Frio Superhúmedo 130.802 9.76%
Paramuno Húmedo 0.185 0.01%
Paramuno Superhúmedo 6.699 0.50%
Templado Húmedo 307.418 22.95%
Templado Semihúmedo 292.807 21.86%
Templado Superhúmedo 23.035 1.72%
Total 1339.68 100.00%
80
4 ESTIMACIÓN DE LA OFERTA HÍDRICA
En el presente capítulo se aplican los lineamientos de la guía de PORH para la estimación de

la oferta hídrica y los caudales ambientales en las microcuencas del río Aburrá – Medellín, Los
resultados de dicha estimación servirán de base para comparar y seleccionar los parámetros
básicos para definir el módulo de disponibilidad hídrica a utilizar.
Como todas las microcuencas no están instrumentadas, ni poseen series temporales superiores
a los 15 años, se procede a implementar el modelo lluvia-escorrentía calibrado y validado en el
proyecto RedRío Fase IV, con ánimo de generar las series sintéticas de escala diaria necesarias
para la implementación de la guía de PORH.
4.1 MODELO LLUVIA-ESCORRENTÍA
El modelo GR4J (Perrin, 2003) es un modelo lluvia-escorrentía agregado, de 4 parámetros y

resolución diaria. Todas las cantidades (entradas, salidas, variables internas) están expresadas
en mm, por tal motivo, los volúmenes de agua deben ser multiplicados por el área de la cuenca
cuando sea necesario. Las operaciones descritas en este apartado son relativas a un intervalo
de tiempo determinado y corresponden a la formulación discreta del modelo cuyo esquema
conceptual se muestra en la Figura 34.
El modelo GR4J ha sido implementado en el proyecto RedRío Fase II y Fase IV y Fase V para
la determinación de los caudales mínimos, la oferta hídrica y el caudal ambiental, por lo que
será retomado en el presente estudio, el proceso de calibración y validación será explicado
brevemente, por lo que el lector podrá remitirse a las fases anteriores del proyecto para tener
una mayor aproximación al proceso de modelación.
4.1.1 Descripción conceptual del modelo GR4J
• Determinación de la precipitación y evapotranspiración potencial neta.

La primera operación consiste en restar la evapotranspiración potencial de la precipitación, con
el fin de determinar una precipitación neta Pn o una capacidad de evapotranspiración En. En el
modelo GR4J, esta operación es calculada como si la capacidad de intercepción fuera cero:
Si P ≥ E , entonces Pn = P − E y En = 0 (29)
Si P < E , entonces Pn = 0 y En = E − P (30)
81
Figura 34. Esquema del modelo conceptual GR4J de escala diaria (UNAL et al, 2004)
• Almacenamiento de producción.
En el caso en que
Pn no es cero, una parte
Ps de Pn , entra al tanque de producción:
  S 2  P 
x1 1 −    tanh  n 
  x1    x1 
PS =  
S P 
1+ tanh  n 
x1  x1  (31)
Ps es determinado como una función del nivel S en el tanque, donde x1 (mm) es la máxima
capacidad del tanque de producción.
82
Cuando En no es cero, una tasa real de evaporación es determinada como una función del nivel
en el almacenamiento de producción con el fin de calcular la cantidad Es de agua que se
evaporará del tanque.
 S  E 
S  2 −  tanh  n 
x1   x1 
ES = 
 S  E 
1 + 1 −  tanh  n 
 x1   x1  (32)
De esta forma, el contenido de agua en el tanque de producción se actualiza como:
S = S − ES + PS (33)
Es importante resaltar que S nunca puede exceder a x1. Una cantidad Perc se escapa como
percolación del almacenamiento de producción. Este valor se calcula de la siguiente manera:
1
−
   4 S  4  4
Perc = S 1 − 1 +   
9
   1  x
(34)
De la expresión anterior se concluye que la percolación no contribuye mucho al caudal, por esta
razón es importante principalmente para la simulación de eventos mínimos. El valor de Perc es
siempre menor que S.
El nuevo nivel en el tanque queda definido como:
S = S − Perc (35)
• Distribución lineal con hidrógrafas unitarias.

La cantidad total de agua Pr que alcanza las funciones de distribución está dada por:
Pr = Perc+ (Pn − PS ) (36)
El valor de Pr se divide en dos componentes de flujo: el 90% de Pr se distribuye por medio de

una hidrógrafa unitaria UH1 y luego por un tanque de distribución no lineal. El 10% restante de
Pr es distribuido por medio de una hidrógrafa unitaria UH2. Con UH1 y UH2, se puede simular
el tiempo de rezago entre el evento de lluvia y el caudal pico resultante. Las ordenadas de
ambas hidrógrafas son usadas en el modelo para distribuir la lluvia efectiva sobre varios
83
intervalos de tiempo sucesivos. UH1 y UH2 dependen del mismo parámetro x4 expresado en
días, sin embargo, UH1 tiene un tiempo base de x4 días, mientras que UH2 tiene un tiempo
base de 2x4 días. El parámetro x4 puede tomar valores reales y debe ser mayor de 0.5 días.
En su forma discreta, las hidrógrafas unitarias UH1 y UH2 tienen n y m ordenadas

respectivamente, donde n y m son los enteros más pequeños que exceden x4 y 2x4. Las
ordenadas de ambas hidrógrafas se derivan de las curvas-S correspondientes (proporción
acumulada de la entrada con el tiempo) denotadas por SH1 y SH2 respectivamente. SH1 está
definida a lo largo del intervalo de tiempo t de la siguiente forma:
Para t ≤ 0 , SH 1( t ) = 0 (37)
5
 t 2
Para 0 < t < x4 , SH 1(t ) =   (38)
 x4 
Para t ≥ x4 , SH 1( t ) = 1 (39)
SH2 se definida similarmente:
Para t ≤ 0 , SH 2 ( t ) = 0 (40)
5
1  t 2
Para 0 < t ≤ x4 , SH 2(t ) =   (41)
2  x4 
5
1 t 2
Para x4 < t < 2x4 , SH 2(t ) = 1 −  2 −  (42)
2 x 4 
Para t ≥ 2x4 , SH 2 ( t ) = 1 (43)
Donde j es un entero.
• Intercambio de agua en la cuenca.

Posteriormente se calcula un término F que actúa en ambas componentes de flujo, el cual indica
el intercambio de agua subterránea:
84
7
 R 2
F = x 2  
 x3  (46)
R es el nivel en el tanque de distribución, x3 es la capacidad de referencia y x2 es el coeficiente

de intercambio. El parámetro x2 puede ser positivo en el caso en que se importa agua, negativo
en el caso en que hay pérdidas, o cero cuando no hay intercambio de agua. Entre más alto el
nivel en el tanque de distribución mayor es el intercambio. En valor absoluto, F no puede ser
mayor quex2, puesto que el coeficiente de intercambio representa la máxima cantidad de agua
que puede ser adicionada (o liberada) a (de) cada componente de flujo, cuando el nivel en el
tanque de distribución es igual a x3.
• Almacenamiento de distribución no lineal.

El valor de R se actualiza adicionando el término F y la salida Q9 proveniente de UH1:
R = max( 0 ; R + Q 9 + F ) (47)
El caudal de salida del tanque, Qr, se calcula entonces como:
 − 
1
  R
4  4 
Qr = R 1 − 1 +    
   x3   
 
(48)
Qr siempre es menor que R.
El nuevo nivel en el almacenamiento es:
R = R − Qr (49)
Aunque al comienzo de un intervalo de tiempo el tanque puede recibir una cantidad de agua
mayor que el déficit de saturación x3 – R, el nivel en el tanque nunca puede exceder la
capacidad x3 al final del intervalo de tiempo. Por esta razón, la capacidad x3 es llamada la
capacidad máxima diaria. Este tanque de distribución está en la capacidad de simular
recesiones cuando sea necesario.
• Caudal total.
La salida Q1 proveniente de UH2, también está sujeta al intercambio de agua F, de esta forma
la componente Qd queda definida de la siguiente forma:
85
Qd = max(0;Q1 + F ) (50)
Finalmente, el caudal total se calcula como:
Q = Qr + Qd (51)
En la Tabla 11 se presentan los parámetros del modelo que deben ser optimizados, además de
se presenta el rango de variación de los parámetros del modelo GR4J obtenido como resultado
de la calibración del modelo en un gran número de cuencas de Europa y Estados Unidos, (ver
Perrin, 2003).
Tabla 11. Parámetros del modelo GR4J (Tomado de PERRIN, 2003)

INTERVALO DE
PARÁMETRO DESCRIPCIÓN VALOR MEDIO
CONFIANZA DEL 80%
Máxima capacidad del tanque de
x1 (mm) 350 100 - 1200
producción
Coeficiente de intercambio de aguas
x2 (mm) 0 -5 a 3
subterráneas
Máxima capacidad diaria del tanque de
x3 (mm) 90 20 - 300
distribución
Tiempo base del hidrograma unitario
x4 (días) 1.7 1.1 – 2.9
UH1
4.1.2 Calibración del modelo lluvia-escorrentía
A continuación en la Tabla 12 se presentan los resultados de la calibración del modelo GR4J

en el Valle de Aburrá obtenidos en el proyecto RedRío Fase III.
86
Figura 35. Esquema con las estaciones y principales parámetros para la calibración del modelo GR4J
87
Tabla 12. Parámetros del modelo GR4J

ESTACIÓN
LA ESTACIÓN ESTACIÓN ESTACIÓN ESTACIÓN
PARÁMETROS CALDAS ANCÓN
SALADA MACHADO GIRARDOTA HATILLO YARUMITO
NORTE
X1 (mm) 1532,88 1375,00 1397,77 2192,72 1833,82 2374,15 2676,68
X2 (mm) -2,04 7,03 -1,41 -0,48 -0,17 0,82 0,69
X3 (mm) 291,57 325,44 134,79 76,21 58,01 46,48 67,53
X4 (días) 1,15 1,07 1,27 1,15 0,90 1,52 1,54
E promedio (%) 57,1 67,5 75,3 68,3 71,7 73,7 77,9
Balance (%) 97,8 98,9 99,5 98 99,7 99,8 99,6
Coeficiente de
0,516 0,65 0,722 0,655 0,72 0,746 0,775
Determinación
A manera de ejemplo se presenta la Figura 36 y Figura 42 del proceso de calibración de las

estaciones las Salada y Yarumito.
88
Serie de Caudal - Estación LA SALADA
14
12
10
8
Q (m^3/s)
0
01/01/1981 01/01/1983 01/01/1985
Fecha
Caudal Observado Caudal Simulado
Figura 36. Serie de caudal simulada y observada para la subcuenca La Salada. Modelo GR4J
Serie de Caudal - Estación CALDAS RM-16
30,000
25,000
20,000
Q (m^3/s)
15,000
10,000
5,000
0,000
01/01/1980 01/01/1981 01/01/1982 01/01/1983 01/01/1984
Fecha
Figura 37. Serie de caudal simulada y observada para la subcuenca Caldas. Modelo GR4J
89
Serie de Caudal - Estación MACHADO
90
80
70
60
50
Q (m^3/s)
40
30
20
10
0
01/01/1980 01/01/1981 01/01/1982 01/01/1983
Fecha
Figura 38. Serie de caudal simulada y observada para la subcuenca Machado. Modelo GR4J
Serie de Caudal - Estación ANCON NORTE
100
90
80
70
60
Q (m^3/s)
50
40
30
20
10
0
01/01/1990 01/01/1992 01/01/1994 01/01/1996
Fecha
1|
Figura 39. Serie de caudal simulada y observada para la subcuenca Ancón Norte. Modelo GR4J
90
Serie de Caudal - Estación GIRARDOTA
140,00
120,00
100,00
80,00
Q (m^3/s)
60,00
40,00
20,00
0,00
01/01/1995 01/01/1997 01/01/1999 01/01/2001 01/01/2003 01/01/2005
Fecha
Figura 40. Serie de caudal simulada y observada para la subcuenca Girardota. Modelo GR4J
Serie de Caudal - Estación HATILLO RM-16
250
200
150
Q (m^3/s)
100
50
0
01/01/1981 01/01/1983 01/01/1985 01/01/1987 01/01/1989 01/01/1991 01/01/1993
Fecha
Figura 41. Serie de caudal simulada y observada para la subcuenca Hatillo. Modelo GR4J
91
Serie de Caudal - Estación YARUMITO_RMS_14
250
200
150
Q (m^3/s)
100
50
0
01/01/1981 01/01/1983 01/01/1985 01/01/1987 01/01/1989 01/01/1991 01/01/1993
Fecha
Figura 42. Serie de caudal simulada y observada para la subcuenca Yarumito. Modelo GR4J
92
4.1.3 Generación de series sintéticas utilizando el GR4J sobre las microcuencas.
Con el objeto de estimar la oferta hídrica total y disponible, incluyendo el caudal ambiental, a
nivel de toda la cuenca, las subcuencas y los diferentes puntos de monitoreo existentes, se
deben generar series de caudales a escala diaria utilizando los datos de precipitación existentes
en la zona y el modelo lluvia escorrentía calibrado y validado en el numeral anterior. La
información necesaria para la generación de las series sintéticas corresponde a las series de
precipitación desde el 01/01/1972 hasta 31/12/2015; el área aferente de la cuenca, las
subcuencas y los diferentes puntos de monitoreo, la altura media sobre el nivel del mar y la
precipitación media multianual de la cada cuenca.
Con el ánimo de tener en cuenta la variabilidad espacial de la precipitación se crearon los

polígonos de Thyssen con las estaciones utilizas en la simulación a fin de determinar el área de
influencia de cada estación y su efecto sobre las diferentes subcuencas. El peso final que de
las diversas estaciones en cada simulación, tiene por objeto procurar que el promedio
multianual de la precipitación que entra a la cuenca sea igual al valor medio multianual estimado
a partir del mapa de precipitación.
4.2 OFERTA HÍDRICA
Según la Resolución 865 de 2004, se define la oferta hídrica en Colombia como “el volumen
disponible para satisfacer la demanda generada por las actividades sociales y económicas del
hombre”. Independientemente de la metodología adoptada para estimar la oferta hídrica, ésta
se define a partir de los caudales medios mensuales multianuales de la fuente, más conocido
como ciclo anual, el cual representa el valor promedio de caudal para cada mes del año.
La Resolución 865 de 2004 propone que “Para los efectos de calcular la oferta hídrica en una
cuenca hidrográfica, se aplicará, según cada caso, las siguientes metodologías de acuerdo con
la información disponible y características físicas de la cuenca:
• Balance hídrico: Para cuencas hidrográficas con un registro de las variables climatológicas
e hidrológicas mayor de 10 años. Esta metodología se aplica en cuencas instrumentadas y
con un área de drenaje mayor (más de 250 km²).
• Caudal medio puntual en las corrientes de interés: Cuando los registros de caudal generan
series cortas y no confiables (series anuales menores de dos años).
• Relación lluvia escorrentía: Aplicable en cuencas menores, es decir cuyas áreas de drenaje
sean inferiores a 250 km², o no instrumentadas.”
En resumen, si la cuenca posee más de 250 km² se puede aplicar el balance hídrico de largo
plazo para estimar el caudal medio multianual y definirlo como oferta para la cuenca, siempre y
cuando los datos de las estaciones relacionadas con las variables del balance posean más de
10 años. Si la cuenca posee menos de 250 km², o menos de 10 años de registro de datos, se
debe proceder a estimar la oferta hídrica mediante el uso de un modelo hidrológico Lluvia –
Escorrentía.
93
Para la cuenca del río Medellín Aburrá, todas las subcuencas trazadas poseen menos de 250
km2 y por tanto la estimación de la oferta hídrica será derivada de los resultados de la
modelación hidrológica utilizando el modelo lluvia-escorrentía calibrado y validado en la cuenca.
Se define como oferta hídrica total al valor medio multianual de los caudales, igualmente se
estimará el ciclo anual, diferenciando en condiciones de año hidrológico seco, normal y húmedo
conforme la ocurrencia de eventos asociados a El Niño o la Niña, en tal sentido se utiliza el
índice Oceánico del Niño (ONI) para clasificar los registros mensuales de caudales y definir los
siguientes escenarios de oferta hídrica:
• Oferta hídrica total: Caudal medio de la cuenca.

• Oferta hídrica en año seco: Caudal medio bajo condiciones de El Niño.
• Oferta hídrica mes de verano: Caudal medio mensual multianual del mes más bajo.
• Oferta hídrica mes de verano de año seco: Caudal medio mensual multianual del mes más
bajo únicamente considerando los registros bajo un episodio de El Niño.
5 ESTIMACIÓN DE LOS CAUDALES AMBIENTALES
Recientemente, se han actualizado las metodologías de cálculo para la estimación de caudales

ambientales a fin de estructurar una propuesta más amplia para los POMCAS y los PORH. Con
el ánimo de dar cumplimiento al Artículo 8 del Decreto 3930 de 2010, se inició el proceso de
construcción de la Guía para el Ordenamiento del Recurso Hídrico que incluye una revisión de
las metodologías propuestas para calcular caudales ambientales en diversos estudios del orden
nacional, entre ellos los estudios Nacionales del Agua (ENA) de los años 2010 y 2014, dirigidos
por el IDEAM, y la propuesta metodológica de la Agencia Nacional de Licencias Ambientales
(ANLA) para proyectos que requieren licencia (2012).
5.1 RESOLUCIÓN 865 DE 2004
Tácitamente, la Resolución 865 del año 2004 no habla de caudales ambientales, sino de
caudales ecológicos, y para su estimación propone las siguientes metodologías:
• Mínimo histórico: El Estudio Nacional del Agua (2.000) a partir de curvas de duración de
caudales medios diarios, propone como caudal mínimo ecológico el caudal promedio
multianual de mínimo 5 a máximo 10 años que permanece el 97.5% del tiempo y cuyo
periodo de recurrencia es de 2.33 años. (Valor medio de los caudales mínimos).
• Porcentaje de Descuento: El IDEAM ha adoptado como caudal mínimo ecológico un valor
aproximado del 25% del caudal medio mensual multianual más bajo de la corriente en
estudio. (Generalmente el caudal promedio mensual multianual más bajo en Colombia,
corresponde al valor medio del caudal de enero o febrero).
94
Según la definición anterior, la autoridad ambiental debe escoger entre las anteriores
metodologías de acuerdo con la información disponible y las características regionales
particulares.
Vale la pena resaltar, que de todas las metodologías para la estimación del caudal ambiental,
la presente metodología es la única que a la fecha posee un sustento jurídico claro.
5.2 METODOLOGÍA PROPUESTA POR EL IDEAM EN EL ENA-2010
Según el estudio Nacional de Aguas – ENA, 2010, el análisis estadístico y el conocimiento del
experto permiten definir el valor característico para la determinación del caudal ambiental.
Usando los resultados de 423 curvas de duración de caudales medios diarios en todo el país,
se ha desarrollado una metodología para la estimación de los caudales ambientales en
Colombia en función de la autorregulación de la cuenca y la variación de los caudales a lo largo
del año, el cual se basa en el denominado índice de retención y regulación hídrica (IRH).
La obtención del índice de regulación y retención hídrica (IRH), se basa fundamentarme en la

curva de duración de caudales medios para los caudales medios diarios. Su estimación resulta
de la relación por el área que se encuentra por debajo de la línea de caudal medio y la
correspondiente área total por debajo de la curva de duración de caudales diarios. La expresión
matemática de cálculo es la siguiente:
Vp
IRH =
VT (37)
Vp
Siendo el volumen representado por el área que se encuentra por debajo de la línea de
V
caudal medio y T el volumen representado por el área bajo la curva de duración como se
presenta en la Figura 43.
95
Figura 43. Definición del índice de retención y regulación hídrica

Las categorías para describir los resultados del índice de retención y regulación hídrica se
presentan en la Figura 44 según el ENA -2010.
Figura 44 Categorías para la clasificación del IRH
96
Los resultados del análisis de la curva de duración permite identificar dos esquemas para la
estimación del caudal ambiental, un grupo corresponde a cuencas con autorregulación alta y
poca variabilidad de caudales, en el cual se considera que el valor típico del caudal ambiental
corresponde al Q85% de la curva de duración(caudal igualado o excedido el 85% del tiempo),
éste valor característico se aplica a estaciones con un IRH superior a 0,7 (alta retención y
regulación), El segundo grupo corresponde a estaciones con valores de IRH inferiores a 0,7,
para las cuales se asigna el valor característico Q75% de la curva de duración de caudales
medios diarios en la determinación del caudal ambiental.
5.3 MÉTODO DE LA ANLA PARA PROYECTOS QUE REQUIEREN LICENCIAS

AMBIENTALES.
Se deben estimar los índices 7Q10 y del Q95% discriminados por mes y para cada una de las
tres condiciones hidrológicas (húmeda, promedio y seca). El caudal ambiental resultaría para
cada uno de los 36 casos (3 condiciones hidrológicas x 12 meses) como el valor máximo entre
el 7Q10 y el Q95% (max (7Q10, Q95%)) para el correspondiente mes y condición hidrológica.
Finalmente, los caudales ambientales calculados deben expresarse como una fracción del
caudal medio mensual multianual correspondiente.
Estrictamente hablando el cálculo del índice 7Q10, propuesto por Chiang y Johnson (1976), se
realiza a partir de caudales medios mínimos diarios. Sin embargo, y considerando que estos
registros normalmente no se encuentran disponibles, la propuesta metodológica del MADS,
propone realizar su estimación a partir de los datos de caudales medios diarios. Para ello se
debe considerar la totalidad del registro diario homogéneo, consistente y casi completo de todas
las estaciones de monitoreo, aplicar un promedio móvil de ventana 7 días para estimar el caudal
promedio semanal, y luego construir la serie anual de excedencias con los registros mínimos
semanales de cada año. Seguidamente, realizar el análisis de frecuencias para eventos
mínimos extremos sobre la serie anual construida, usando la distribución de probabilidad de
mejor ajuste, seleccionando el caudal correspondiente al período de retorno de 10 años, que
resulta ser el 7Q10. En el presente trabajo se utiliza la distribución de frecuencias de valores
Extremos (o Gumbel) para estimar el caudal mínimo promedio semanal con período de retorno
de 10 años.
El cálculo del Q95% usualmente se ha propuesto en la literatura realizarlo a partir de la totalidad

del registro histórico diario (caso de la mayoría de las metodologías que adoptan este índice),
o calcularlo mes a mes, como lo propone el método del Northern Great Plains Resource
Program (NGPRP, 1974), En la propuesta aquí presentada, se sugiere adoptar el método
NGPRP, con una variación, que incluye el cálculo del índice Q95% a partir de la construcción
de las curvas de duración de caudales (CDC) medios diarios (para meses de enero a diciembre)
y para cada una de las tres condiciones hidrológicas (húmeda, promedio y seca), agrupando
los registros diarios con base en la clasificación en condiciones normales, secas y húmedas.
En todo caso la selección del caudal ambiental (por cuenca, subcuenca, y punto de monitoreo)
resultará de una discusión entre las autoridades ambientales competentes teniendo en cuenta
97
criterios como el estado ecológico, los indicadores de calidad y la variabilidad macro-climática

de la corriente analizada. Ejercicio similar fue realizado en el proyecto red hídrica de Red Rio
Fase V, donde se demostró que la metodología 7Q10 –Q95% era la más adecuada para estimar
el caudal ambiental en la cuenca del río Aburrá - Medellín puesto que los caudales dados por
la resolución 865 de 2004 son muy bajos mientras que la metodología propuesta por el IDEAM
es bastante restrictiva.
5.4 ANÁLISIS DE LOS RESULTADOS OBTENIDOS
Los caudales ambientales para la cuenca del río Aburrá se presentan en el Anexo 2.
Para todas las microcuencas, los caudales ambientales estimados fueron expresados en
términos del caudal medio mensual para determinar la relación porcentual entre ambos. A
manera de ejemplo en la se presentan los caudales ambientales en la estación Ancón Sur y
Ancón Norte sobre el río Aburrá - Medellín. Se evidencia que la metodología propuesta por el
ENA 2010 posee los caudales ambientales más grandes en ambos casos pues el caudal
ambiental se localiza entre el 55% y el 65% del caudal medio mensual correspondiente,
mientras que en caso de la metodología propuesta por la ANLA (7Q10, Q95%) los caudales
ambientales están entre el 45% y el 60% del caudal medio mensual de la fuente, en contraste
con la resolución 865 de 2004 cuyo caudal ambiental será máximo el 25% respectivamente.
Figura 45 Caudal ambiental como porcentaje del caudal medio en las estaciones Ancón Sur y
Ancón Norte
En principio, es de resaltar que los caudales ambientales de las metodologías propuestas en la
guía de POMCAS y de PORH son bastante altos, y por ende restrictivo para los diversos usos
de las cuencas. Diferentes actores, entre ellos el sector eléctrico, han enumerado las múltiples
dificultades para su aplicación ante la inminente reducción de las utilidades y las limitantes
derivadas en cada uno de los sectores productivos, lo que sin duda trae efectos económicos
bastante significativos.
98
Ante el uso intensivo del recurso hídrico en las algunas cuencas del país, y, específicamente
en el caso del río Aburrá - Medellín, cuyo uso es mayoritariamente doméstico por encima de la
cota de servicio de Empresas Públicas de Medellín E.S.P (EPM), abasteciendo diversos
proyectos de vivienda, acueductos comunitarios, y pequeñas parcelaciones agrícolas, una
reducción superior al 50% del caudal ofertado por la corriente podría generar dificultades
importantes para la población.
Así mismo, es importante que las autoridades ambientales cuenten con las herramientas
necesarias para limitar el crecimiento de nuevos proyectos habitacionales, en territorios con
fuentes hídricas sobre-explotadas como se mostrará más adelante. En conclusión, se
recomienda a la autoridad ambiental el método por la ANLA (7Q10, Q95%) por considerase
para este caso como una solución intermedia.
6 ESTIMACIÓN DE LA DEMANDA HÍDRICA EN LA CUENCA DEL RÍO ABURRA

MEDELLÍN
6.1 DEMANDA HÍDRICA POR CONCESIONES
Las fuentes de información para el cálculo de la demanda hídrica fueron las concesiones de la
base de datos procedente del proyecto RedRío fase IV y del registro de las captaciones de los
PIOM existentes, siendo estos los de las microcuencas de las quebradas: Altavista, Doña María,
El Hato, El Salado, La Bermeja, La Doctora, La García, La Grande, La López, La Madera, La
Malpaso, La Picacha, La Presidenta, La Quintana, La Valeria, La Volcana, Piedras Blancas y
Santa Elena.
6.1.1 Concesiones proyecto RedRío fase IV
La base de datos del proyecto RedRío cuenta con 1590 usuarios, donde se detalla el uso y
caudal otorgado de las diferentes concesiones. La información contenida procede de 4
corporaciones, AMVA, CORANTIOQUIA, CORNARE y Municipio Delegado (Envigado),
distribuidas como se muestra en la Tabla 13 y Figura 46. Dicha información fue analizada y
consolidada para evitar la redundancia en los registros, así como localizar adecuadamente las
coordenadas de cada concesión.
Tabla 13. Clasificación de las concesiones por corporación

CORPORACIÓN USUARIOS
CORANTIOQUIA 925
AMVA 104
CORNARE 329
Municipio Delegado 232
99
Figura 46. Ubicación espacial de las concesiones, clasificadas por corporación
100
Así mismo, se clasificaron las concesiones por uso y se calculó la demanda correspondiente,
siendo el doméstico el de mayor consumo con 2.47 m³/s, seguido por el industrial con 1.32 m³/s,
como se puede observar en la Tabla 14, Figura 47 y Figura 48. Es de aclarar un único usuario
puede tener varios registros ante las Autoridades Ambientales dado que suele tener diferentes
usos del agua dentro de su concesión.
Tabla 14. Clasificación de las concesiones según su uso y demanda correspondiente

USO REGISTROS DEMANDA [LPS]
Agrícola 656 246
Doméstico 1822 2472
Energía 4 981
Industrial 99 1315
Pecuario 994 260
Piscícola 76 237
Riego 236 21
Otros 54 66
Figura 47. Clasificación de los registros según su uso
101
Figura 48. Demanda por tipo de uso
6.1.2 Captaciones provenientes de PIOM existentes
La información proveniente de los PIOM de las quebradas Altavista, Doña María, El Hato, El
Salado, La Bermeja, La Doctora, La García, La Grande, La López, La Madera, La Malpaso, La
Picacha, La Presidenta, La Quintana, La Valeria, La Volcana, Piedras Blancas y Santa Elena,
contiene 1 038 usuarios, de los cuales es posible identificar el uso de las captaciones de La
Grande, La Madera y La Presidenta. La ubicación de los diferentes registros se presenta en la
Figura 49.
102
Figura 49. Ubicación espacial de las captaciones PIOM
103
6.1.3 Información unificada
Con la información de la base de datos del proyecto RedRío fase IV y la correspondiente a los
PIOM, se procedió a unificar la información, teniendo en cuenta aquellos ubicados dentro de la
cuenca del río Aburrá, además, se chequeó los registros que pudiesen estar repetidos en ambas
fuentes de información para no sobreestimar la demanda.
Como resultado final se obtiene 2206 usuarios, con una demanda total de 7.05 m³/s,
presentados en la Figura 50.
104
Figura 50. Consolidado de información RedRío y PIOM existentes
105
6.2 DEMANDA HÍDRICA POTENCIAL
La demanda hídrica es definida por el IDEAM (2010) como la extracción hídrica del sistema
natural destinada a suplir las necesidades o requerimientos del consumo humano, la producción
sectorial y las demandas esenciales de los ecosistemas antrópicos.
Según el IDEAM en su publicación “Metodología para el cálculo del índice de escasez” (2004)
propone calcular el volumen de agua demandado por millones de metros cúbicos anuales de
acuerdo con cada categoría de uso, dichos usos recomendados para el cálculo, son los usos
doméstico, agrícola, pecuario, industrial y comercial. En el presente estudio hemos
reemplazado la notación de millones de metros cúbicos por hectómetros cúbicos, como unidad
correcta de volumen, que corresponde con un cubo de cien metros (un hectómetro) de lado.
En el presente cálculo de la demanda se siguen los lineamientos especificados por el IDEAM

en el Estudio Nacional del Agua 2010 y 2014, además de la reglamentación establecida para el
cálculo del índice de escasez. Se destaca el uso de información secundaria recopilada mediante
diversos medios y entidades, entre los más importantes se relacionan, entes oficiales (IDEAM,
DANE, ICA, AMVA), prestadores de servicio público, autoridades ambientales, estudios
estadísticos oficiales del DANE además de otros estudios geográficos y del territorio y el
levantamiento de la información en campo por parte de la consultoría.
6.2.1 Demanda hídrica en el sector agrícola
6.2.1.1 Premisa de cálculo
Se refiere a la cantidad de agua que se requiere aportar de manera artificial para suplir las
necesidades de riego de un cultivo. Se determinan por la evapotranspiración del cultivo (ETc)
menos el agua que han aportado las precipitaciones. Cuando la precipitación efectiva es mayor
que las necesidades de riego, la demanda o riego bruto es igual a cero (0). En caso contrario,
cuando la precipitación efectiva es menor al uso consuntivo del cultivo, la demanda se define
por la diferencia entre la evapotranspiración del cultivo (ETc) y el agua que se aporta por
precipitación (IDEAM, 2010a). El consumo de agua se asocia a la cadena de consumo en el
sector, ya que incluye además del riego, el agua que es aplicada a aquellas actividades de pos
cosecha y de beneficio que no significan un proceso de transformación industrial.
La cantidad de riego requerido para un cultivo depende de un número de factores como la

precipitación y las condiciones climáticas, tipo de cultivo, el periodo de crecimiento del cultivo,
el método y cronograma de riego, las características del suelo, etc. Uno de los métodos para
estimar el riego requerido por los cultivos más utilizados son los factores de cultivo y factores
de riego disponibles en la FAO. Para grandes áreas y para áreas donde las medidas no pueden
realizarse, las estimaciones del riego son necesarias; estas pueden ser hechas por métodos
directos como muestras estadísticas, mapas de uso del suelo, teledetección o una combinación
de todos estos métodos. La ecuación general para el cálculo de la demanda Agrícola es la
siguiente:
106
 k c ETP − P
  kETP − P > 0
DC =  η
0  kETP − P ≤ 0
 (52)
Donde ETP representa la evapotranspiración potencial en mm/mes, P es la precipitación
mensual en mm/mes, c y η representan el coeficiente y la eficiencia de riego del para cada

k
uno de los diferentes tipos de cultivos identificados en la clasificación de las coberturas de la
cuenca usando la metodología Corine Land Cover.
El hacer un uso eficiente del riego, ha permitido investigar sobre métodos a la vez más eficientes
que incluyen la reducción de la demanda de agua y los flujos de retorno, mejor calidad del agua,
y la reducción del gasto en riego, mientras se mantiene o se eleva el nivel de productividad de
los cultivos. El agua no contabilizada incluye las pérdidas en el sistema de riego desde la
captación hasta el riego in situ.
Para el caso de la interpretación detallada de coberturas a partir de las imágenes satelitales con
que se cuenta para el PORH de las afluentes de estudio, este tipo de imágenes permite llegar
hasta un determinado nivel de detalle conforme a la leyenda Corine Land Cover, debido a las
limitaciones que se derivan de la resolución espacial. Es por esto que no es posible determinar
con precisión la forma y localización de los cultivos y plantaciones localizados en el área de la
cuenca. La información levantada mediante las visitas de campo y encuestas realizadas, lo que
permite reportar es la existencia de dos grandes plantaciones de palma y caucho cuya
localización aproximada fue determinada mediante tecnología GPS.
Según el Estudio Nacional del Agua del año 2010 y la Resolución 865 de 2004 para la
estimación del índice de escasez, los siguientes son los valores aproximados de los coeficientes
de cultivo y de eficiencia de riego para los principales usos del terreno con requerimiento hídrico
para la cuenca:
Tabla 15 Coeficientes de cultivo.
TIPO DE CULTIVO kc η
TERRITORIOS AGRÍCOLAS
Arroz 1.2 0.23
Mosaicos de cultivos, pastos y espacios naturales clima cálido 1.1 0.65
CULTIVOS PERMANENTES
Palma de aceite 1.075 0.65
Piña 1.2 0.65
Platano y Banano 1 0.65
Cacao
Citricos
Papaya
107
TIPO DE CULTIVO kc η
CULTIVOS TRANSITORIOS
Yuca 0.7 0.65
Arroz 1.2 0.23
Maíz 0.9 0.65
PASTIZALES
Pastos manejados 0.9 0.65
PLANTACIONES
Plantación forestal 1 0.65
Plantación de latifoliadas 1 0.65
La demanda agrícola total representa la sumatoria de la demanda específica de cada uno de

los N cultivos identificados por el análisis de usos y coberturas del suelo, es decir:
N
Da =  Dci
i =1 (53)
6.2.2 Resultados estimados de la demanda hídrica potencial en el sector agrícola.
Específicamente en la cuenca río Aburrá existen dos meses donde la cuenca presenta
condiciones deficitarias importantes, los cuales corresponden a los meses de enero y febrero,
solo para algunas zonas de la cuenca.
Utilizando el mapa de coberturas y usos del suelo levantado en el POMCA de la cuenca, se

establece que las principales coberturas concernientes a cultivos de la cuenca de estudio son
cultivos arbóreos, arbustivos y plantaciones forestales, además de mosaicos de distintas
combinaciones de pastos, cultivos y espacios naturales, que al agruparlos se convierten en la
cobertura agrícola principal en la cuenca, como se muestra en la Figura 51.
108
Figura 51. Coberturas agrícolas de la cuenca del río Aburrá
109
En función del mapa de coberturas se estimó a nivel de cuenca, subcuencas y microcuencas la

demanda agrícola potencial (que supone requerimientos de riego como consecuencia del uso
intensivo y eficiente del territorio) en función de la hidroclimatología (los mapas mensuales de
precipitación y ETP) los usos y coberturas del suelo asociados a actividades productivas.
Los resultados indican que la demanda agrícola total para la cuenca es de 2.06 hm3 al año, de
los cuales 2.04 hm3 corresponden a los mosaicos de distintos cultivos, pastos y espacios
naturales.
6.2.3 Demanda hídrica sector pecuario
Es la cantidad de agua que se utiliza en la cría, levante, engorde, beneficio y sacrificio asociado
con la producción de carne, sea esta proveniente de bovinos, porcinos, caprino y aves,
producción de huevos, leche y lana; u otros animales como caballos, conejos, y de animales en
cautiverio para la producción de pieles. (IDEAM, 2010a). La demanda está dada por la siguiente
relación:
Csp= Cv + Cs + Cua (54)
Dónde:
Csp: Consumo sector pecuario (m3/año)
Cv: Consumo vital en cada fase del proceso productivo por especie (m3/cab/edad) * # animales
Cs: consumo en sacrificio (m3/año)
Cua: consumo en lugares de manejo y alojamiento animal (m3/año)
La cantidad de agua superficial y subterránea, medida en metros cúbicos año, extraída para el
uso pecuario puede ser estimada a partir del número de animales existente en el área de
estudio. El número de cada tipo de animales es multiplicado por el promedio de agua usada por
animal para obtener una estimación del uso de agua. El agua usada por las granjas piscícolas
es estimada multiplicando el volumen de agua por una tasa de aplicación.
Es muy importante contar con los inventarios ganaderos levantados por los municipios y
recopilados en los anuarios, en este caso se utiliza la información del Censo Nacional
Agropecuario desarrollado por el ministerio de agricultura durante el 2015.
De acuerdo con los datos recolectados en campo sobre las actividades económicas presentes
en las subcuencas, se evidencia que, en el sector pecuario, la actividad que más sobresale es
la ganadería. Esto está relacionado a su vez con las grandes extensiones de pastizales en la
cuenca las cuales son utilizadas para la ganadería, siendo esta, la actividad con mayor número
de animales presentes en la cuenca.
110
6.2.4 Demanda del sector Ganadero (Bovinos)
Usando los datos del más reciente Censo Nacional Pecuario (2017) del ICA, se estimó la
dotación para los bovinos en función de la composición por edades de los hatos ganadero en
los municipios de Barbosa, Bello, Caldas, Copacabana, DonMatías, Envigado, Girardota,
Guarne, La Estrella, Medellín, Sabaneta, Santo Domingo, San Vicente; a partir de estos datos
se obtiene los módulos de consumo por municipio, los cuales se presentan en la
Tabla 16.
La demanda del sector ganadero se estimó en función del área clasificada como pastos limpios,
enmalezados y arbolados, como se muestra en la Figura 52, que tienen como uso actual la
ganadería intensiva según el POMCA. Para la cuenca se estima 173.67 Km2 de pastos, en
las cuales se desarrolla la actividad ganadera, igualmente se estima una producción promedio
en la cuenca de 2 animales por cada hectárea. En total la demanda hídrica de los bovinos es
de 1.85 hm3 /año.
111
Tabla 16. Dotación para el sector ganadero

Dotación (l/animal*día) 30 30 45 45 110 110 115 115
MUNICIPIO TERNERAS < 1 AÑO TERNEROS < 1 AÑO HEMBRAS 1 - 2 AÑOS MACHOS 1 - 2 AÑOS HEMBRAS 2 - 3 AÑOS MACHOS 2 - 3 AÑOS HEMBRAS > 3 AÑOS MACHOS > 3 AÑOS TOTAL BOVINOS - 2016 Consumo (l/animal*día)
BARBOSA 1 470 777 2 686 2 307 1 432 1 133 4 396 265 14 466 76.75
BELLO 3 454 412 2 940 413 2 111 208 9 499 76 19 113 84.92
CALDAS 481 204 841 719 204 274 1 359 49 4 131 73.89
COPACABANA 452 373 764 711 707 133 1 034 134 4 308 73.78
DON-MATIAS 5 158 689 5 349 773 3 977 878 13 483 267 30 574 83.93
ENVIGADO 510 154 666 250 238 211 976 40 3 045 74.67
GIRARDOTA 898 442 1 657 982 1 205 566 1 839 104 7 693 75.03
GUARNE 989 424 1 268 385 331 132 2 233 126 5 888 74.56
LA-ESTRELLA 126 88 166 235 135 29 112 2 893 62.28
MEDELLIN 2 334 799 2 824 1 685 1 641 1 015 4 532 155 14 985 75.28
SABANETA 123 99 184 58 27 8 179 27 705 63.96
SANTO-DOMINGO 1 418 1 262 1 568 1 284 2 572 517 4 446 296 13 363 78.51
SAN-VICENTE-FERRER 766 678 1 044 595 437 299 2 590 199 6 608 81.86
Total 18 179 6 401 21 957 10 397 15 017 5 403 46 678 1 740 125 772
112
Figura 52 Cobertura de pastos para la cuenca del río Aburrá
113
0% 4% 1%
BARBOSA
22% BELLO
23% CALDAS
COPACABANA
1% 16%
12% DON MATIAS
0%
6% ENVIGADO
6%
5% GIRARDOTA
4%
Figura 53 Distribución de la demanda bovina por municipio dentro de la cuenca del rio Aburrá
6.2.4.1 Demanda de otras especies.
La dotación para las especies menores como porcinos, equinos, aves, ovinos, caprinos se
muestra en la Tabla 17, según la resolución 865 de 2004 sobre el cálculo del índice de escasez,
además se muestra la cantidad de individuos de cada especie registrados en los municipios de
Barbosa, Bello, Caldas, Copacabana, Donmatías, Envigado, Girardota, Guarne, La Estrella,
Medellín, Sabaneta, Santo Domingo, San Vicente, obtenidos del Censo Nacional Pecuario más
reciente del ICA, a partir de estos datos se estimó la densidad de las especies menores por
municipio.
Tabla 17 Población de especies menores de la cuenca del río Aburrá

Dotación (litro/animal*día) 30 2.4 10 50 5
MUNICIPIO Área (km2) PORCINOS CAPRINOS EQUINOS OVINOS AVES
BARBOSA 206.13 80.587 106 1.248 1.371 990.543
BELLO 148.13 42.765 105 584 131 148.897
CALDAS 133.50 53.534 76 523 170 953.372
COPACABANA 68.61 7.781 178 509 127 56.671
DON-MATIAS 201.93 166.599 62 928 73 853.566
ENVIGADO 46.94 33.354 28 393 34 628
GIRARDOTA 82.16 26.368 428 772 166 574.999
GUARNE 164.52 34.592 24 447 210 116.048
ITAGUI 20.63 667 0 250 0 489
LA-ESTRELLA 34.66 825 2 1.000 15 117.054
MEDELLIN 372.90 146.559 261 3.500 335 911.649
SABANETA 15.39 295 2 214 2 256.673
SANTO-DOMINGO 217.93 3.783 4 1.328 35 36.746
SAN-VICENTE-FERRER 264.83 81.797 98 2.079 470 311.280
Usando la densidad poblacional de cada especie y el área de cada subcuenca se estima la

demanda de las especies menores para la cuenca del rio Aburrá y sus respectivas subcuencas.
114
En la Tabla 18 se muestran los resultados de consumo para las los municipios en jurisdicción
de la cuenca.
Tabla 18 Demanda Pecuaria de especies menores (hm3) de la cuenca del rio Aburrá
Especie PORCINOS CAPRINOS EQUINOS OVINOS AVES Total
BARBOSA 0.877 0.000 0.023 0.002 0.862 1.764
BELLO 0.413 0.000 0.009 0.000 0.115 0.538
CALDAS 0.431 0.000 0.007 0.000 0.614 1.053
COPACABANA 0.102 0.001 0.011 0.000 0.059 0.173
DON MATIAS 0.497 0.000 0.005 0.000 0.204 0.705
ENVIGADO 0.367 0.000 0.007 0.000 0.001 0.375
GIRARDOTA 0.286 0.002 0.014 0.000 0.498 0.800
GUARNE 0.197 0.000 0.004 0.000 0.053 0.254
ITAGUI 0.006 0.000 0.003 0.000 0.000 0.009
LA ESTRELLA 0.014 0.000 0.029 0.000 0.164 0.208
MEDELLÍN 0.989 0.001 0.039 0.000 0.492 1.522
SABANETA 0.006 0.000 0.008 0.000 0.449 0.463
SAN VICENTE 0.017 0.000 0.010 0.000 0.013 0.039
SANTO DOMINGO 0.119 0.000 0.005 0.000 0.036 0.161
Total especie 4.321 0.004 0.175 0.004 3.561 8.065
6.2.4.2 Demanda total del sector pecuario.
La demanda total del sector pecuario representa la suma de las demandas del sector ganadero,
porcícola, equino, avícola, bufalino, etc., siendo predominante la demanda de agua por los
porcinos, seguido de las aves y los bovinos respectivamente. La demanda pecuaria total es de
9.92 hm3/año.
6.2.5 Demanda para consumo doméstico
De acuerdo con el Decreto 3930 de 2010, se entiende por uso del agua para consumo humano
y doméstico su utilización en “actividades tales como bebida directa y preparación de alimentos
para consumo inmediato, satisfacción de necesidades domésticas, individuales o colectivas,
tales como higiene personal y limpieza de elementos, materiales o utensilios y la preparación
de alimentos en general y en especial los destinados a su comercialización o distribución, que
no requieran elaboración”.
Acorde con el decreto se propone calcular de manera independiente el consumo doméstico, el

consumo en actividades de servicios y comerciales y el consumo para riego de jardines. En el
caso de consumo doméstico el cálculo de la demanda se establece a partir de la estimación del
consumo humano requerido para satisfacer las necesidades fundamentales de un habitante al
día, teniendo en cuenta un umbral mínimo de consumo con el fin de mantener un nivel de
bienestar.
El número de individuos u hogares servidos por sistemas de abastecimiento de agua potable,

puede ser determinado a partir del número de usuarios atendidos por los acueductos
municipales y veredales. Los sistemas de oferta de agua para uso doméstico obtenidos por
115
cuenta propia son raramente medidos y existen pocos datos. Las extracciones hechas por estos
sistemas pueden ser estimados usando coeficientes de consumo per cápita basados en un
volumen razonable de agua usado por persona por día para el área de estudio.
6.2.5.1 Estimación de la población.
Para estimar la población de Barbosa, Bello, Caldas, Copacabana, Envigado, Girardota, La

Estrella, Medellín, Sabaneta, se usan las proyecciones hasta el 2030 del proyecto RedRío Fase
V como se muestra en la Tabla 19.
Tabla 19. Proyección de población de los municipios del Valle de Aburrá (RedRío, 2016)
2015 2017 2019 2020 2024 2025 2030
Medellín 2 464 322 2 506 196 2 548 070 2 569 007 2 638 293 2 655 615 2 724 051
Barbosa 50 050 51 607 53 164 53 943 57 051 57 828 61 720
Bello 455 807 473 523 491 240 500 098 535 936 544 895 591 756
Caldas 77 854 79 606 81 358 82 234 85 451 86 256 89 952
Copacabana 70 171 71 866 73 561 74 408 77 561 78 350 87 851
Envigado 222 410 233 050 243 689 249 009 271 217 276 769 305 713
Girardota 54 219 56 776 59 333 60 611 65 794 67 089 73 435
Itagüí 267 872 273 849 279 826 282 815 294 041 296 847 310 928
La Estrella 62 344 64 308 66 272 67 254 71 245 72 243 77 878
Sabaneta 51 868 53 213 54 558 55 230 57 650 58 255 66 302
Total Valle 3 776 917 3 863 994 3 951 071 3 994 609 4 154 240 4 194 147 4 389 586
En la Figura 54 se presenta el área de cobertura de EPM vs el tejido urbano continuo (parte de

la ciudad) y discontinuo (centros poblados, corregimientos, etc) extraídos del POMCA del río
Aburrá-Medellín, actualmente en ejecución. Se muestra que no toda el área urbana de la ciudad
de Medellín es abastecida por EPM, e igualmente muchos centros poblados se autoabastecen
de la cuenca.
Luego, aquellas porciones de tejido urbano continuo y discontinuo no incluidas dentro de la cota
de abasto de EPM, se asume que son cubiertos por los acueductos comunitarios, o las
concesiones de agua domésticas entregadas por las Autoridades Ambientales.
116
Figura 54 Área de Cobertura de EPM vs el tejido urbano continuo y discontinuo
6.2.5.2 Estimación de la dotación
En el país según la regulación económica, el consumo básico es del orden de 20 m3/suscriptor/

mes (CRA, 1994), equivalente a 110 l/hab-día, sin embargo, dicho consumo ha sido elevado
por entes internacionales como la OPS (Organización Panamericana de la Salud), una última
referencia dada por el estudio nacional del agua del 2010 (IDEAM, 2010) define el consumo
autónomo en Colombia, como aquel que suple las necesidades básicas con una dotación entre
65 y 110 l/hab-día.
La resolución 2320 de 2009, que modificó el artículo 67 del RAS 2000, especifica los valores
de dotaciones netas (máxima y mínima) en función de la complejidad del estudio, que por lo
general depende de la cantidad de población. Igualmente se asume que en el futuro se
reducirán las pérdidas como consecuencia de una mejor operación del sistema. En la Tabla 20
se relaciona esta información.
117
AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO
HÍDRICO SUPERFICIAL Y SUBTERRÁNEO, EN EL CONTEXTO DE LA OPERACIÓN DE LA RED DE MONITOREO AMBIENTAL EN LA
CUENCA HIDROGRÁFICA DEL RÍO ABURRÁ-MEDELLIN Y LA FORMULACIÓN DE INSTRUMENTOS DE PLANIFICACIÓN
Tabla 20. Estimación del consumo humano y doméstico para el Valle de Aburrá (m3/s)
AÑO MEDELLÍN BARBOSA BELLO CALDAS COPACABANA ENVIGADO GIRARDOTA ITAGÜÍ LA ESTRELLA SABANETA TOTAL VALLE
2015 3.86 0.079 0.676 0.124 0.121 0.387 0.088 0.423 0.100 0.097 5.955
2017 3.92 0.082 0.703 0.127 0.124 0.405 0.092 0.433 0.103 0.099 6.093
2019 3.84 0.081 0.702 0.125 0.122 0.408 0.093 0.426 0.102 0.098 6.000
2020 3.80 0.081 0.702 0.124 0.122 0.409 0.093 0.423 0.102 0.097 5.956
2024 3.64 0.080 0.701 0.120 0.118 0.416 0.094 0.410 0.100 0.095 5.775
2025 3.60 0.080 0.701 0.119 0.117 0.417 0.095 0.407 0.100 0.094 5.734
2030 3.41 0.078 0.702 0.115 0.121 0.425 0.096 0.393 0.100 0.099 5.543
118
6.3 ANÁLISIS DEL SISTEMA DE ABASTECIMIENTO DEL RÍO ABURRÁ MEDELLÍN
EPM cuenta con 10 plantas de potabilización situadas en el Valle de Aburrá. Estas son: Caldas,
San Antonio de Prado, Aguas Frías, San Cristóbal, La Ayurá, La Cascada, La Montaña, Villa
Hermosa, Manantiales y Barbosa, para abastecer el consumo humano y doméstico, además de
las actividades industriales, comerciales, institucionales al interior de la cuenca.
Las plantas más importantes por infraestructura y capacidad de tratamiento son: Manantiales,
Ayurá y Villa Hermosa, las cuales se localizan en los municipios de Bello y Copacabana, y tienen
capacidad de tratamiento de 8.36 m3/s en promedio.
En la Tabla 21 se muestra los caudales anuales para cada una de las plantas de EPM para los
años de 2010, 2011 y 2012.
Tabla 21. Volúmenes de potabilización (en m3/año) en las plantas de EPM (RedRío, 2017)
PLANTA DE
2010 2011 2012 PROMEDIO
POTABILIZACIÓN
Aguas Frías 663 359,00 619 563 ,00 556 370 ,00 613 097,33
Ayurá 155 321 931,00 168 673 310,00 156 809 624,00 160 268 288,33
Barbosa 1 418 337,00 1 532 653,00 1 570 512,00 1 507 167,33
Caldas 3 448 588,00 3 312 659,00 3 429 445,00 3 396 897,33
Cascada 2 826 332,00 1 770 045,00 1 665 881,00 2 087 419,33
Manantiales 107924 385.00 95 788 331,00 110 042 694,00 70 799 411,00
Montaña 6 567 208,00 6 125 832,00 6 444 336,00 6 164 851,00
San Antonio 2 341 949,00 2 304 160,00 2 380 464,00 2 342 191,00
San Cristóbal 4 201 930.00 4 340 839.00 4 206 643.00 4 249 804.00
Villa Hermosa 7 314 351.00 3 287 548.00 2 891 384.00 4 497 761.00
Así pues, en promedio se requiere de 6 m3/s para el consumo humano y doméstico al interior
del área de cobertura de EPM, lo que permite concluir que otros sectores como comercial,
industrial, institucional consumen aproximadamente 2.36 m3/s.
6.3.1 Consideraciones para la estimación de la Demanda Hídrica
El Valle de Aburrá requiere 7.05 m3/s para abastecer aquellos usos del agua por encima de la
del área de cobertura y, dentro del valle de Aburrá, EPM importa, en promedio, de cuencas
vecinas 8.36 m3/s; lo que implica que la demanda total de la cuenca es del orden de 15.41 m3/s,
equivalentes a 485 hm3/año. La información anterior incluye las plantas de potabilización de
EPM, así como el consumo interno dado por las captaciones otorgadas por las diversas
autoridades ambientales con jurisdicción en la cuenca. Lo anterior demuestra que pocos
usuarios consumen más agua que los más de tres millones de habitantes que posee la región,
evidenciando falencias en el conocimiento de la demanda hídrica por partes de las AA, así como
una gestión inadecuada del recurso hídrico en el sistema multicuencas. Dicha cifra podría ser
119
mayor si se considera el uso informal del recurso por parte de múltiples usuarios no registrados
o identificados.
En el presente PORH se hace especial énfasis en el consumo del agua al interior de la cuenca,
para ello se estima la demanda hídrica a nivel de microcuencas considerando únicamente
aquellas extracciones debidas a las captaciones y la demanda potencial asociada a los centros
poblados no cubiertos por EPM, así como la demanda agrícola y pecuaria potencial.
En la Figura 55 se presenta la demanda hídrica total a nivel de subcuencas para el río Aburrá
Medellín, teniendo en cuenta únicamente las extracciones al interior del cuerpo hídrico objeto
del PORH. Los mayores consumos se presentan en las microcuencas de las quebradas Doña
María, La García, La Aguacatala, EL Hato, la Iguaná y Ovejas.
120
Figura 55. Demanda hídrica total por subcuencas para el río Medellín Aburrá
121
7 INDICADORES
7.1 ÍNDICE DE ARIDEZ-IA
Es una característica cualitativa del clima, que permite medir el grado de suficiencia o
insuficiencia de la precipitación para el sostenimiento de los ecosistemas de una región.
Identifica áreas deficitarias o de excedentes de agua, calculadas a partir del balance hídrico
superficial. Integra el conjunto de indicadores definidos en el ENA 2010 (IDEAM, 2010). Según
el Estudio Nacional del Agua (ENA)- 2014, el índice de aridez es otro indicador del régimen
natural y ha sido definido como una característica del clima que muestra, de manera cualitativa,
los lugares con excedentes y déficit de agua. La evapotranspiración potencial representa, para
este caso, un factor determinante en la obtención de este índice. Para generar dicho indicador,
se utilizan las ecuaciones de Thornthwaite y Budyko para el cálculo de la evapotranspiración
potencial (ETP) y real (ETR) respectivamente. Según el ENA-2015 el índice de aridez se estima
como:
I
[Ž••[Ž‘
[Ž•
(55)
En la Figura 56 se presenta la distribución espacial del índice de aridez para la región de estudio,
Los resultados indican que toda la cuenca posee índice de aridez entre moderados excedentes
de agua y altos excedentes de agua de manera multianual. El valor del índice de aridez por
área de la cuenca se presenta en Tabla 22. En la base del valle desde Itagüí hasta Caldas,
existen moderados excedentes de agua. En la cuenca alta y la cuenca baja existen altos
excedentes de agua. El resto de la cuenca posee excedentes de agua.
Tabla 22. Índice de Aridez por área de la cuenca.

ÍNDICE NÚMERO DE
SIGNIFICADO
DE ARIDEZ MICROCUENCAS
<0.15 Altos excedentes de Agua 93
0.15-0.19 Excedentes de Agua 54
>0.19 Moderados excedentes de agua 61
122
Figura 56. Índice de Aridez
DESCRIPTOR ÁMBITO NUMÉRICO COLOR

Altos excedentes de agua < 0.15 Azul fuerte
Excedentes de agua 0.15 – 0.19 Azul claro
Entre moderado y excedente de agua 0.20 – 0.29 Verde fuerte
Moderado 0.30 - 0.39 Verde claro
Entre moderado y deficitario de agua 0.40 - 0.49 Amarillo
Deficitario 0.50 - 0.59 Naranja
Altamente Deficitario de agua > 0.60 Rojo
123
7.2 ÍNDICE DE RETENCIÓN Y REGULACIÓN HÍDRICA .IRH
Este índice mide la capacidad de retención de humedad de las cuencas con base en la
distribución de las series de frecuencias acumuladas de los caudales diarios. Este índice se
mueve en el rango entre 0 y 1, siendo los valores más bajos los que se interpretan como de
menor regulación (IDEAM, 2010a).
La cuenca del río Aburrá Medellín presenta una alta retención y regulación hídrica, ello significa
que bajo condiciones de verano la cuenca sostiene su flujo base sin intermitencias en el caudal,
y durante épocas de invierno se atenúan las crecientes.
Figura 57. Índice de retención y regulación Hídrica.

DESCRIPTOR ÁMBITO NUMÉRICO COLOR
Muy Bajo < 0.50 Rojo
Bajo 0.50 – 0.65 Naranja
Medio 0.65 – 0.75 Amarillo
Alto 0.75 - 0.85 Verde
Muy Alto > 0.85 Azul
124
7.3 ÍNDICE DE USO DEL AGUA –IUA
Este indicador busca estimar la relación porcentual entre la demanda de agua respecto a la
oferta hídrica disponible. En la resolución 865 de 2004 se conoce con el nombre de índice de
escasez. El Índice de uso del agua (IUA) corresponde a la cantidad de agua utilizada por los
diferentes sectores, en un periodo de tiempo t (anual, mensual) y en una unidad espacial de
referencia j (cuenca, subcuenca, microcuenca, etc.) en relación con la oferta hídrica superficial
disponible para la misma unidad temporal t y espacial j y matemáticamente se expresaría como:
[D h ] j ,t
IUA j , t = %
[O hd ] j ,t (56)
En el estudio Nacional del agua se ha definido la categoría y el significado del IUA en función
del rango de dicho índice, además se ha definido una escala de valores para su caracterización,
tal como se muestra a continuación:
Tabla 23. Categorías del Índice de Uso del Agua (IUA)

RANGO (DH/OH)*100IUA CATEGORIA IUA SIGNIFICADO
La presión de la demanda es muy
>50 Muy Alto alta con respecto a la oferta
disponible
La presión de la demanda es alta
20.01-50 Alto
con respecto a la oferta disponible
La presión de la demanda es
10.01-20 Moderado moderada con respecto a la oferta
disponible
La presión de la demanda es baja
1- 10 Bajo
con respecto a la oferta disponible
La presión de la demanda no es
≤1 Muy Bajo significativa con respecto a la oferta
disponible
El resultado del cálculo del Índice del Uso del Agua (IUA) para la cuenca del río Aburrá Medellín
se presenta en la Figura 58. Para el caso del río Aburrá Medellín se plantearon cuatro
escenarios con el ánimo de analizar la variabilidad espacio-temporal del IUA, dichos escenarios
corresponden al IUA anual para año hidrológico medio (Año Normal), IUA Anual para año
hidrológico seco (Año seco, dado por eventos El Niño), IUA para el mes de verano, que
corresponde al mes más seco según el hidro-periodo de la cuenca, casi siempre el mes de
febrero, y el IUA para el mes de verano en año seco (Mes de febrero bajo condiciones El Niño).
125
Figura 58. Índice de Uso del Agua (IUA) para la cuenca del río Aburrá – Medellín
Los resultados muestran que las microcuencas de las quebradas La García, Doña María, El
Salado, El Hato, La Presidenta, La Valeria, La Aguacatala, Santa Rosa, La López, Mandalay y
Castropol poseen valores Muy Altos del índice de Uso del Agua para los cuatro escenarios, le
siguen Las quebradas La Doctora, La Iguana, La Malpaso y La Rosa (Moscú) les siguen en
orden de criticidad pues poseen IUA muy alto para tres de los cuatro escenarios.
Tabla 24. Resultados del Índice de Uso del Agua (IUA) por microcuencas
DEMANDA IUA IUA IUA IUA V.
NOMBRE USUARIOS
[LPS] NORMAL SECO VERANO SECO
Q. La García 1300.92 332 Muy Alto Muy Alto Muy Alto Muy Alto
Q. Doña María 1453.53 240 Muy Alto Muy Alto Muy Alto Muy Alto
Q. El Salado 247.12 117 Muy Alto Muy Alto Muy Alto Muy Alto
Q. El Hato 515.30 60 Muy Alto Muy Alto Muy Alto Muy Alto
Q. La Presidenta 705.25 35 Muy Alto Muy Alto Muy Alto Muy Alto
Q. La Valeria 150.54 17 Muy Alto Muy Alto Muy Alto Muy Alto
Q. La Aguacatala 99.96 13 Muy Alto Muy Alto Muy Alto Muy Alto
Q. Santa Rosa 288.89 11 Muy Alto Muy Alto Muy Alto Muy Alto
Q. La López 64.18 5 Muy Alto Muy Alto Muy Alto Muy Alto
Q. Mandalay 34.55 5 Muy Alto Muy Alto Muy Alto Muy Alto
126
DEMANDA IUA IUA IUA IUA V.

NOMBRE USUARIOS
[LPS] NORMAL SECO VERANO SECO
Q. Castropol 7.00 1 Muy Alto Muy Alto Muy Alto Muy Alto
Q. La Doctora 112.9 88 Alto Muy Alto Muy Alto Muy Alto
Q. La Iguana 333.9 72 Alto Muy Alto Muy Alto Muy Alto
Q. La Malpaso 21.6 6 Alto Muy Alto Muy Alto Muy Alto
Q. La Rosa (Q. Moscú) 18.0 2 Alto Muy Alto Muy Alto Muy Alto
7.4 ÍNDICE DE VULNERABILIDAD AL DESABASTECIMIENTO -IVH
Este índice permite determinar la fragilidad de mantener la oferta de agua para abastecimiento,
ayuda a determinar el grado de fragilidad del sistema hídrico para mantener una oferta para el
abastecimiento de agua, que ante amenazas –como periodos largos de estiaje– podría generar
riesgos de desabastecimiento. La categoría del índice de vulnerabilidad al desabastecimiento
(IVH) se calcula utilizando la metodología propuesta por el ENA – 2010 en función del índice de
uso del agua y el índice de retención y regulación hídrica como se presenta en la Tabla 25.
Tabla 25. Categorías del índice de vulnerabilidad al desabastecimiento

CATEGORIA ÍNDICE DE VULNERABILIDAD AL DESABASTECIMIENTO (IVH)
ÍNDICE DE
CATEGORIA
ÍNDICE DE USO DE AGUA USO DE
VULNERABILIDAD
REGULACIÓN
Muy bajo Alto Muy bajo
Muy bajo Moderado Bajo
Muy bajo Bajo Medio
Muy bajo Muy bajo Medio
Bajo Alto Bajo
Bajo Moderado Bajo
Bajo Bajo Medio
Bajo Muy bajo Medio
Medio Alto Medio
Medio Moderado Medio
Medio Bajo Alto
Medio Muy bajo Alto
Alto Alto Medio
Alto Moderado Alto
Alto Bajo Alto
Alto Muy bajo Muy alto
Muy alto Alto Medio
Muy alto Moderado Alto
Muy alto Bajo Alto
Muy alto Muy bajo Muy alto
Según los resultados del cálculo de dicho indicador, EL IVH para la cuenca en su mayoría es
moderado o bajo, solo algunas microcuencas, entre las que se destaca La Doctora y la
Aguacatala, poseen índices Altos.
127
Figura 59 Índice de Vulnerabilidad al Desabastecimiento (IVH) en la cuenca del río Aburrá

Medellín
8 ESTIMACIÓN DEL RIESGO POR REDUCCIÓN DE LA OFERTA
Según la guía del PORH, en el paso 2.23, se debe incorporar al análisis el componente del
riesgo asociado a la oferta y a la disponibilidad de agua, a partir de los resultados del índice de
vulnerabilidad hídrica por desabastecimiento (IVH) actual.
La amenaza se considerará media y alta en los tramos donde el IVH sea alto y muy alto,
respectivamente. La vulnerabilidad se determinará identificando las captaciones para
abastecimientos doméstico, agrícola y piscícola en los tramos previamente identificados con
amenaza alta y media, considerando como de vulnerabilidad alta las que capten agua para uso
doméstico y como de vulnerabilidad media las que se capten para los dos usos restantes.
La estimación del riesgo saldrá del análisis cualitativo considerando la condición más crítica,
por ejemplo: vulnerabilidad alta y amenaza alta: riesgo alto; alguna de las dos en nivel alto y la
otra en medio: riesgo alto; las dos en nivel medio: riesgo medio. Generar el mapa indicativo de
riesgo por oferta en cada tramo. Generar un mapa de riesgo asociado a la reducción de oferta.
128
El índice de vulnerabilidad al desabastecimiento IVH esconde las condiciones de escasez que

presenta la cuenca, pues pondera de igual manera la retención y regulación hídrica y el uso del
Agua, por lo anterior se puede decir que el IVH no es un insumo confiable que permita estimar
los riesgos al desabastecimiento en la cuenca del río Aburrá Medellín.
No obstante, el procedimiento anteriormente descrito puede ser aplicado usando solo el IUA
dado que éste si expresa la criticidad del uso del agua en la cuenca. En la Figura 60 se
presentan los resultados del riesgo al desabastecimiento, básicamente aquellas captaciones
para consumo humano y doméstico que se encuentran donde el IUA es Alto o Muy Alto poseen
alto riesgo de quedarse desabastecidas según la metodología propuesta por el ministerio, la
mayor cantidad de concesiones con estas características se ubica en la cuenca de la quebrada
Ovejas, El Salado, El Hato, La García, Doña María, La Aguacatala y La Valeria.
No obstante, la metodología de cálculo del riesgo a la reducción de la oferta es muy básica y

por tanto se propondrá un proyecto en el marco de la formulación del PORH donde se desarrolle
una metodología más amplia que incorpore al análisis de las sequías, su duración, los efectos
del cambio climático, así como la vulnerabilidad de los sistemas de abastecimiento y las
concesiones de agua en General.
129
Figura 60. Resultados del riesgo al desabastecimiento.
9 PRIORIZACIÓN DE CORRIENTES OBJETO DE REGLAMENTACIÓN POR USO DEL

AGUA
La prioridad de reglamentación de cada corriente se analiza según los resultados del IUA (índice
de uso del agua) y el número de usuarios de cada microcuenca, considerándose con mayor
necesidad de reglamentación aquellos casos donde para los diferentes escenarios el IUA era
Muy alto y luego por orden de mayor número de usuarios; en segundo lugar, se tuvo en cuenta
aquellos casos donde para los tres escenarios más críticos el IUA era Muy alto y para el cuarto
escenario Alto y luego por orden de mayor número de usuarios. Las microcuencas
preseleccionadas para reglamentación se presentan en la Tabla 26.
130
Tabla 26. Microcuencas preseleccionadas para reglamentación por Uso según IUA y número de
usuarios
ORDEN NOMBRE CÓDIGO DEMANDA [LPS] USUARIOS
1 Q. La García 2701-01-062 1300.92 332
2 Q. Doña María 2701-01-081 1453.53 240
3 Q. El Salado 2701-01-169 247.12 117
4 Q. El Hato 2701-01-063 515.30 60
5 Q. La Presidenta 2701-01-130 705.25 35
6 Q. La Valeria 2701-01-093 150.54 17
7 Q. La Aguacatala 2701-01-126 99.96 13
8 Q. Santa Rosa 2701-01-021 288.89 11
9 Q. La López 2701-01-181 64.18 5
10 Q. Mandalay 2701-01-095 34.55 5
11 Q. Castropol 2701-01-131 7.00 1
12 Sn 2701-01-151 4.00 1
Posteriormente, en función de los índices de uso del Agua, la demanda total, el número de
usuarios y las perspectivas de incremento en los consumos por microcuencas, se ha propuesto
la siguiente priorización para la aplicación de la reglamentación por uso del agua que se muestra
en la Tabla 27. La quebrada Doña María fue objeto de un proyecto de reglamentación entre los
años 2005 y 2007 por parte del AMVA y la Universidad Nacional, no obstante, podría sugerirse
una revisión de dicho proceso.
Dado que los recursos son limitados, y con el ánimo de tener mayor impacto sobre aquellas
cuencas con mayor índice de uso del agua y número de usuarios, se sugiere aplicar la
reglamentación de las corrientes a las microcuencas de las quebradas La García, El Salado, El
Hato, La Doctora y la Iguaná.
Tabla 27. Prioridad de corrientes para reglamentación, con respectiva demanda y usuarios
Orden Nombre Código Demanda [lps] Usuarios
1 Q. La García 2701-01-062 1300.9 332
2 Q. Doña María 2701-01-081 1453.5 240
3 Q. El Salado 2701-01-169 247.1 117
4 Q. La Doctora 2701-01-119 112.9 88
5 Q. La Iguaná 2701-01-076 333.9 72
6 Q. El Hato 2701-01-063 515.3 60
7 Q. La Presidenta 2701-01-130 705.3 35
8 Q. La Valeria 2701-01-093 150.5 17
9 Q. La Aguacatala 2701-01-126 100.0 13
10 Q. Santa Rosa 2701-01-021 288.9 11
131
Figura 61. Orden de prioridad para reglamentación por uso del agua
132
10 BIBLIOGRAFÍA
ÁLVAREZ O. (2007). Cuantificación de La incertidumbre en la estimación de campos

hidrológicos. Aplicación al Balance Hídrico de Largo Plazo. Tesis de Maestría. Universidad
Nacional de Colombia sede Medellín.
ASTER http://free-gis-data.blogspot.com/2009/04/aster-global-digital-elevation-model.html.
BARCO, O. J. CUARTAS, A. (1998). Estimación de la Evaporación en Colombia. Tesis de

Pregrado. Universidad Nacional de Colombia sede Medellín. 136 p.
BERGSTRÖM, S. (1995). The HBV Model. En: Computer models of Watershed Hydrology.
Editado por: V. P. Sigh. Water Resources Publications. Colorado, USA.
BAYLEY, G. & HAMMERSLEY, H., (1946). The effective number of independent observations
in an autocorrelated time series. Journal of Royal Statistical Society, 8(1-B), 184-197.
BUDYKO, M.I., (1958). “The Heat Balance of the Earth’s Surface”. US Department of
Commerce, Washington, DC.
CALDER, I.R., (1997). “Water use by forests, limits and controls”. Tree Physiology. 18 (1998),
pp 625–631.
CHAVEZ B. JARAMILLO A, (1998). Regionalización de la temperature del aire en Colombia.

CENICAFÉ.
CONOVER W., (1971). Practical Non Parametric Statistics. New York: John Wiley and Sons.
DIME, (2003). Proyecto “Detección de Puntos Anormales Extremos (outliers) en Series

Hidrológicas”. Medellín, Colombia: Dirección de Investigaciones (DIME), Universidad Nacional
de Colombia, Postgrado en Aprovechamiento de Recursos Hidráulicos.
IDEAM, (2010). Estudio Nacional del Agua 2010. Instituto de Hidrología, Meteorología y
Estudios Ambientales. Bogotá D.C.
MESA, O. J., POVEDA, G. Y CARVAJAL, L.F., (1997). Introducción al Clima de Colombia,

Imprenta Universidad Nacional de Colombia, Bogotá.
Nash, J., Sutcliffe, J. (1970). “River flow forecasting through conceptual models. Part I-A
POVEDA, G. (2004), La Hidroclimatología de Colombia: Una síntesis desde la escala

interdecadal hasta la escala diurna. Revista Academia Colombiana de Ciencias, Vol 28 (107),
201-222.
133
UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MEDELLÍN (UNAL). 2003. Manual de

usuario de HidroSIG - Versión 3.0 Beta. Universidad Nacional de Colombia. Facultad de Minas,
Escuela de Geociencias y Medio Ambiente. Medellín. 109p.
UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MEDELLÍN (UNAL) y Aguas de Pereira.

2009. Actualización del balance hídrico en los municipios de Pereira, Dosquebradas, La Virginia,
Santa Rosa de Cabal y Cartago. Universidad Nacional de Colombia. Facultad de Minas, Escuela
de Geociencias y Medio Ambiente. Medellín.
UNIVERSIDAD NACIONAL DE COLOMBIA (UNAL) Y CENTRO DE CIENCIA Y TECNOLOGÍA

DE ANTIOQUIA (CTA). 2001. Balances Hidrológicos y Atlas Digital de Antioquia. Universidad
Nacional de Colombia. Facultad de Minas, Escuela de Geociencias y Medio Ambiente. Medellín.
VÉLEZ, J. I., 2001. Desarrollo de un Modelo Hidrológico Conceptual y Distribuido Orientado a

la Simulación de las Crecidas. Tesis Doctoral. Universidad Politécnica de Valencia. Escuela
Técnica Superior de Ingenieros de Caminos y Puertos. Departamento de Ingeniería Hidráulica
y Medio Ambiente. Valencia.
Zhang, L., Potter, N., Hickel, K., Zhang, Y., Shao, Q., (2008). Water balance modeling over
variable time scales based on the Budyko framework – Model development and testing. Journal
of Hydrology Res. 360
134

Oferta y Demanda 2017 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Oferta y Demanda 2017 PDF

Caricato da

Copyright:

Formati disponibili

AUNAR ESFUERZOS PARA LA APROPIACIÓN TECNOLÓGICA Y DEL

CONOCIMIENTO PARA LA GESTIÓN INTEGRAL DEL RECURSO

CONVENIO 1050 DE 2016

INFORME OFERTA Y DEMANDA

Medellín, febrero de 2018

CONVENIO 1050 DE 2016

Medellín, febrero de 2018

Un proyecto del Área Metropolitana del Valle de Aburrá

Eugenio Prieto Soto, Director

María del Pilar Restrepo Mesa, Subdirectora Ambiental

Mauricio Alviar Ramírez

María Alejandra Echeverri Arango, Coordinadora; Norberth Ayala Ocampo, Apoyo a la

Supervisión Área Metropolitana del Valle de Aburrá:

28 de febrero de 2018, Medellín

2 TRAZADO CUENCAS ................................................................................................................. 15

2.1 MODELO DIGITAL DEL TERRENO (MDE) ................................................................................ 15

2.2 RED HÍDRICA ............................................................................................................................. 17

2.3 TRAZADO DE CUENCAS Y CODIFICACIÓN ............................................................................ 17

3.1 CAMPOS DE PRECIPITACIÓN .................................................................................................. 22

3.1.1 Información de precipitación........................................................................................................ 22

3.2.1 Metodología del balance hidrológico de largo plazo ................................................................... 68

4 ESTIMACIÓN DE LA OFERTA HÍDRICA ................................................................................... 81

4.1 MODELO LLUVIA-ESCORRENTÍA ............................................................................................ 81

4.1.1 Descripción conceptual del modelo GR4J .................................................................................. 81

5 ESTIMACIÓN DE LOS CAUDALES AMBIENTALES ................................................................. 94

5.1 RESOLUCIÓN 865 DE 2004 ....................................................................................................... 94

5.2 METODOLOGÍA PROPUESTA POR EL IDEAM EN EL ENA-2010........................................... 95

5.3 MÉTODO DE LA ANLA PARA PROYECTOS QUE REQUIEREN LICENCIAS AMBIENTALES.

5.4 ANÁLISIS DE LOS RESULTADOS OBTENIDOS ...................................................................... 98

6 ESTIMACIÓN DE LA DEMANDA HÍDRICA EN LA CUENCA DEL RÍO ABURRA MEDELLÍN . 99

6.1 DEMANDA HÍDRICA POR CONCESIONES .............................................................................. 99

6.1.1 Concesiones proyecto RedRío fase IV ....................................................................................... 99

6.2.1 Demanda hídrica en el sector agrícola ...................................................................................... 106

6.3.1 Consideraciones para la estimación de la Demanda Hídrica ................................................... 119

7.1 ÍNDICE DE ARIDEZ-IA .............................................................................................................. 122

7.2 ÍNDICE DE RETENCIÓN Y REGULACIÓN HÍDRICA .IRH ...................................................... 124

7.3 ÍNDICE DE USO DEL AGUA –IUA ........................................................................................... 125

7.4 ÍNDICE DE VULNERABILIDAD AL DESABASTECIMIENTO -IVH .......................................... 127

8 ESTIMACIÓN DEL RIESGO POR REDUCCIÓN DE LA OFERTA .......................................... 128

9 PRIORIZACIÓN DE CORRIENTES OBJETO DE REGLAMENTACIÓN POR USO DEL AGUA

10 BIBLIOGRAFÍA .......................................................................................................................... 133

Tabla 2. Correlaciones lineales entre la precipitación mensual en tierra y las variables

Tabla 3. Parámetros geométricos de la zona de búsqueda del análisis para el cálculo de

Tabla 5. Estadísticos de la muestra de precipitación de referencia y las muestras estimadas en

Tabla 6. Estadísticos de la muestra de precipitación de referencia y las muestras estimadas en

Tabla 8. Errores en la estimación de los caudales observados mediante el modelo de balance

Tabla 9. Clasificación climática según el factor de Lang (Eslava, 1992).................................. 79

Tabla 10. Distribución por áreas de la Zonificación Climática ................................................. 80

Tabla 12. Parámetros del modelo GR4J ................................................................................. 88

Tabla 13. Clasificación de las concesiones por corporación ................................................... 99

Tabla 15 Coeficientes de cultivo. .......................................................................................... 107

Tabla 16. Dotación para el sector ganadero ......................................................................... 112

Tabla 22. Índice de Aridez por área de la cuenca. ................................................................ 122

Tabla 25. Categorías del índice de vulnerabilidad al desabastecimiento............................... 127

Figura 2. Red hídrica ajustada para el proyecto ...................................................................... 18

Figura 3. Definiciones básicas para la codificación de cuencas (IDEAM, 2013) ...................... 20

Figura 4. Subcuencas generadas para el proyecto ................................................................. 21

Figura 5. Distribución espacial de las estaciones de precipitación utilizadas .......................... 23

Figura 7. Esquema del intervalo de agregación de la precipitación que produce un incremento

Figura 8. Esquema de selección del intervalo de agregación de la precipitación y de los

Figura 9. Esquema de la metodología para la distribución de precipitación acumulada

Figura 12. Diagramas de dispersión de la precipitación promedio multianual en las

Figura 13. Diagramas de dispersión de precipitación promedio mensual registrado en