Eje J - Variabilidad y Cambio Climatico

CÓRDOBA, REPÚBLICA ARGENTINA

Titulo:
Anales de trabajos completos de XXVI CONAGUA
Tomo I – 1º edición
Compilador:
Andrés Rodríguez
ISBN: 978‐
EDITADOR POR
Anales de trabajos completos de XXVI CONAGUA
DATOS DEL ISBN

LA GESTION DEL AGUA ANTE LOS
DESAFIOS CLIMATICOS Y AMBIENTALES

Acta de Trabajos Completos
de Congreso


Organizadores:

Facultad de Ciencias Exactas, Físicas y Naturales –
Universidad Nacional de Córdoba
Gobierno de la Provincia de Córdoba: Ministerio de Agua,
Ambiente y Servicios Públicos
Empresa Provincial de Energía de Córdoba (EPEC)
Comité Permanente del Congreso Nacional del Agua

‐4‐

PATROCINADORES
-5-

AUTORIDADES PROVINCIALES:
Gobernador Provincial: Juan Schiaretti
Vicegobernador: Martin Llaryora
Ministro de Agua, Ambiente y Servicios Públicos: Fabián López
Secretaría de Recursos Hídricos: Edgar Castelló
Presidente Directorio EPEC: Luis Giovine

AUTORIDADES DE LA UNIVERSIDAD NACIONAL DE CORDOBA:
Rector: Hugo Oscar Juri
Vicerrector: Ramón Pedro Yanzi Ferreira
Secretario General: Roberto Terzariol

AUTORIDADES DE LA FACULTAD DE CS. EXACTAS FÍSICAS Y NATURALES:
Decano: Pablo Recabarren
Vice‐decana: Adriana Cerato
Secretario General: Daniel Lago
Secretario de Extensión: Luis Bosch

COMITÉ PERMANENTE DE LOS CONGRESOS NACIONALES DEL AGUA
Presidente: Juan Carlos Bertoni
Vicepresidente: Héctor Daniel Farías
Secretario: Antonio Milesi
Tesorero: Andrés Rodríguez
Vocal: Eric Zimmerman
Comisión revisora de cuentas: Cristóbal Lozeco, Raúl Lopardo, Eduardo
Zamanillo. Suplente: Gabriel Caamaño Nelli.

COMITÉ ORGANIZADOR LOCAL:
Álvarez J., Baraquet M. M, Camponovo D., Camurri C., Díaz Lozada, J.M,
Eder M., Flores Nieto F., Ingaramo R., Kelly Percichelli C., Menajovsky S.,
Rodríguez A., Soria A. y Vaschalde T.

‐6‐


COORDINACION COMITÉ CIENTIFICO:
Héctor Daniel Farías, Ricardo Ingaramo, Andrés Rodríguez y Juan Carlos
Bertoni

DIFUSIÓN, COMUNICACIÓN Y DISEÑO
Javier Álvarez, Andrea Soria, Celeste Camurri y Agustina Sastre

INFRAESTRUCTURA Y LOGISTICA
Sergio Menajovsky y Andrea Soria

CULTURA DEL AGUA Y REVISTA CETA
Coro de la FCEFYN de la UNC, Zuzana Boneu y Marcelo García

PAGINA WEB
Lucas Gianre, Agustin Martina y Javier Álvarez

EXPO CONAGUA 2017
Diego Camponovo, Matías Eder, Nicolás Guillen y Andrea Soria

AUSPICIANTES
INTA – Instituto Nacional de Tecnología Agropecuaria
INA – Instituto Nacional del Agua
IAHR – International Association for Hydro‐Environment Engineering
COHIFE – Consejo Hídrico Federal

‐7‐


COMITÉ CIENTIFICO Laboranti, Claudio
Larrosa, Nancy
Abril, Ernesto
Llop, Armando
Alonso, Facundo
Lopardo, Raúl A.
Álvarez, Javier
Menajovsky, Sergio
Araujo, Héctor Ricardo
Menéndez, Ángel
Bachiega, Daniel
Merg, Carlos
Basan Nickisch, Mario
Millón, Jorge
Basile, Pedro
Morabito, José
Bazán, Raquel
Moya, Gonzalo
Bertoni, Juan Carlos
Niño, Yarko.
Bocanegra, Emilia
Olmos, Luis
Cardini, Julio Cesar
Oroná, Claudia
Carro Pérez, Magalí
Pagot, Mariana
Catalini, Carlos
Paoli, Carlos Guillermo
Chreties, Christian
Patalano, Antoine
Cioccale, Marcela
Paz, María Eugenia
Collins, Jorge
Pedocchi, Francisco
Corral, Mariano
Pertusi, Laura
Cosavella, Ana
Pilar, Jorge
Currie, Héctor
Plencovich, Gonzalo
Díaz, Eduardo Luis
Pozzi Piacenza, Cecilia
Díaz, Érica
Prieto Garra, Daniel
Díaz, Leandro Raúl
Pusineri, Graciela
Díaz Lozada, José
Ragessi, Matías
Dolling, Oscar
Ramonell, Carlos
Duarte, Oscar C.
Reyna, Santiago
Eder, Matias.
Riccardi, Gerardo
Farías, Héctor Daniel
Rodríguez, Andrés
Fernández Cirelli, Alicia
Rodríguez, Leticia
Flores Nieto, Federico
Rohrman, Hugo
García, Carlos Marcelo
Romagnolli, Martín
Guillén, Nicolás.
Ruiz, Marcia
Gyssels, Paolo
Rujana, Mario
Herrero, Horacio
Scacchi, Graciela
Hillman, Gerardo
Scavuzzo, Marcelo
Ingaramo, Ricardo
Schneider, Dagni
Iturraspe, Rodolfo
Schreider, Mario
‐8‐


Seoane, Rafael
Serra, Juan José
Silber, Mario
Spalleti, Pablo
Stenta, Hernán
Szupiany, Ricardo
Tarrab, Leticia
Testa, Alejo
Toselli, Luis
Tuchneider, Ofelia
Valiente, Miguel
Vanlesberg, Susana
Vicario, Leticia
Villanueva, Adolfo
Vives, Luis
Weber, Juan F
Zamanillo, Eduardo
Zimmerman, Eric
Zucarelli, Viviana

‐9‐

CÓRDOBA, REPUBLICA ARGENTINA
PROLOGO
Sobre el XXVI Congreso Nacional del Agua
Los factores motivadores fundamentales de la realización del Congreso Nacional del

Agua de Argentina (CONAGUA) surgieron de la intensa actividad de ingeniería asociada
a los recursos hídricos y de un ferviente historial hidráulico de los profesionales de la
Dirección General de Hidráulica de la Provincia de Córdoba en los inicios de los años
60.
A partir de ese momento y con el transcurrir del tiempo, los Congresos Nacionales del
Agua se han ido convirtiendo en el encuentro técnico-científico y de gestión del agua
más tradicional, numeroso y completo (por su transversalidad y cantidad de ejes
temáticos) de la Argentina, por lo cual ha cobrado trascendencia a nivel Regional y
Latinoamericano.
A partir del año 1963 y hasta el momento la historia registra 25 ediciones realizadas, en
la mayoría de los casos con frecuencia bianual. El Comité Permanente se ha ocupado
a lo largo de 54 años de mantener la vigencia del Congreso Nacional del Agua e
estrecha colaboración con los organizadores provinciales y locales de cada Congreso.
Tiene un carácter amplio: en lo territorial recorriendo casi todas las Provincias

Argentinas, y países tales como Bolivia, Brasil, Colombia, Ecuador, México, y Uruguay,
en lo político por su carácter federal, y en lo temático cubriendo prácticamente todas las
especialidades asociadas al agua.
En esta oportunidad bajo el lema “La gestión del agua ante los desafíos climáticos
y ambientales" reunirá a cerca de 1000 profesionales del sector para compartir y
discutir los problemas que nuestra sociedad y país tienen alrededor del agua. Esto se
promueve a través de las propias presentaciones orales (cerca de 280) y en poster
(cerca de 40), de 3 mesas redondas, 5 sesiones especiales y 3 conferencias plenarias,
todas con profesionales reconocidos de la materia.
La difusión del material del Congreso incluye la publicación del libro (con ISBN) de los
Resúmenes Extendidos evaluados previamente por el Comité Científico, la publicación
de los artículos completos en libro con formato digital, y la publicación de los mejores
artículos de cada eje temático y del artículo del Premio INA en la Revista (con ISSN)
Ciencia Tecnología e Innovación del CETA de la FCEFyN de la Universidad Nacional
de Córdoba (retomando la tradición iniciada en el XXIV CONAGUA de Resistencia).
El presente libro digital contiene los trabajos completos in-extenso, que complementa a
la versión impresa de los resúmenes extendidos, e incluye los textos completos de las
323 contribuciones aceptadas para el presente Congreso. A continuación se presenta
la cantidad de trabajos según el área temática:
Eje temático A: HIDRÁULICA FLUVIAL Y MARÍTIMA 28
Eje temático B: OBRAS HIDRÁULICAS 22
Eje temático C: LEGISLACIÓN DEL AGUA, PLANIFICACIÓN Y ECONOMÍA DEL AGUA 46
-10-
Eje temático D: AGUAS SUBTERRANEAS 22
Eje temático E: HIDROLOGIA URBANA Y RURAL 62
Eje temático F : RIEGO Y DRENAJE 31
Eje temático G: INGENIERIA SANITARIA, AMBIENTAL Y CALIDAD DEL AGUA 67
Eje temático H: AGUA, SOCIEDAD, SALUD, CULTURA Y EDUCACIÓN 16
Eje temático I: SENSORES REMOTOS Y SIG 19
Eje temático J: VARIABILIDAD Y CAMBIO CLIMATICO 10
Se estima que tanto en el libro de memorias, como en las presentaciones queda

sintetizado el estado del arte de los estudios e investigaciones en el área de recursos
hídricos en Argentina.
Se espera que los trabajos publicados puedan resultar útiles para aportar elementos
que contribuyan a la solución de diversos problemas con los que se enfrentan a diario
técnicos, profesionales, investigadores y funcionarios que habitualmente tienen que
tratar con temas vinculados al aprovechamiento, gestión, control y preservación de los
recursos hídricos.
En esta XXVI edición agradecemos a las 4 Instituciones organizadoras, a las

auspiciantes –especialmente al INA y al COHIFE-, y particularmente a todo el personal
involucrado que desinteresadamente ha trabajado y hecho posible el CONAGUA.
Comité Organizador
-11-
VARIABILIDAD Y CAMBIO CLIMÁTICO

EJE TEMATICO J: VARIABILIDAD Y CAMBIO CLIMATICO

Análisis de estadística inferencial de información pluviométrica histórica en
presencia de efectos de cambio y variabilidad climática - Baraquet, María
Magdalena..................................................................................................................... Pág.14
Análisis de tendencia de caudales en cuencas hidrogréçaficasde la patagonia
austral. – Díaz, Boris G. ................................................................................................. Pág.30
Uso de precipitaciones mensuales del proyecto global de precipitación
climatológica para el desarrollo de tendencias bimestrales en Argentina –
Flamenco, Eduardo A. ................................................................................................... Pág.32
Análisis de algunas estrategias de adaptación al cambio climático en drenaje urbano
- Concordia, ER - Garat, Eugenia ................................................................................... Pág.48
Plan de adaptación de la subcuenca del arroyo Tortugas ante un escenario de
cambio climático - Giraudo, Lucila ................................................................................ Pág.53
Variabilidad del caudal anual en cuencas del oeste argentino entre los 22º-52º S y
su relación con forzantes climáticos. – Lauro, Carolina ............................................... Pág.97
Escenarios hidroclimáticos futuros en la región núcleo de cultivos de Argentina. -
Lovino, Miguel A. ......................................................................................................... Pág.100
Evaluación de modelos del CMIP5 en la región núcleo de cultivos de Argentina. -
Lovino, Miguel A. ......................................................................................................... Pág.110
Tendencias en los índices de sequías para las principales cuencas hídricas de la
región tropical-subtropical de la tierra y su vinculación con el cambio climático. -
Minetti, Juan L. ............................................................................................................ Pág.121
La influencia de la variabilidad del océano Atlántico sobre la precipitación de
Argentina. - Oliveri, Paula Carolina ............................................................................. Pág.136
13
CONAGUA 2017 XXVI Congreso Nacional del Agua
ANÁLISIS DE ESTADÍSTICA INFERENCIAL DE INFORMACIÓN

PLUVIOMÉTRICA HISTÓRICA EN PRESENCIA DE EFECTOS DE
CAMBIO Y VARIABILIDAD CLIMÁTICA
María Magdalena Baraquet1, 2; Nicolás F. Guillén1, 2; Carlos M. García1, 2
1CETA. Centro de Estudios y Tecnología del Agua-Laboratorio de Hidráulica-Facultad de Ciencias Exactas, Físicas y
Naturales-Universidad Nacional de Córdoba-Av. Filloy s/n, Ciudad Universitaria, Córdoba, Argentina.
2Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina
magdalena_baraquet@hotmail.com
RESUMEN
El cambio climático se define como un cambio en los promedios de las variables climáticas a lo largo de un
período de tiempo. Por otro lado, el concepto de variabilidad climática se define como la variación de una
variable climática alrededor de su valor medio. En este trabajo, se evalúa la presencia de efectos de cambio y
variabilidad climática sobre el régimen pluviométrico en diferentes regiones de Argentina analizando variables
que se extraen de información pluviométrica histórica, tales como lluvia máxima diaria anual, lluvia total anual,
días lluvioso al año, días lluviosos al mes y días consecutivos con lluvia. Generalmente el análisis de estadística
inferencial de la información pluviométrica histórica se utiliza, en ausencia de información histórica de caudales
escurridos superficialmente, para definir las medidas estructurales y no estructurales requeridas para mitigar el
riesgo hídrico. Sin embargo, la presencia de efectos de cambio y variabilidad climática en el régimen
pluviométrico afecta las predicciones realizadas a través del análisis de estadística inferencial. En ese marco, en
este trabajo se implementó una metodología de análisis de estadística inferencial para series estacionarias y para
series no estacionarias. La diferencia básica entre ambos enfoques reside en que, en el caso de analizar
estadísticamente una serie histórica no estacionaria, el periodo de retorno (recurrencia) de las variables máximas
anuales es dinámico y es función del tiempo, es decir que para un horizonte de tiempo dado existe una relación
entre la variable y la recurrencia, pero al variar ese horizonte la relación cambia. Este trabajo pretende avanzar
en esta área de vacancia; ilustrando el análisis de estadística inferencial de variables pluviométricas requeridas
para el diseño hidrológico en casos de que se utilicen series históricas afectadas por variabilidad y cambio
climático.
INTRODUCCIÓN
Generalmente el análisis de estadística inferencial de la información pluviométrica histórica

se utiliza, en ausencia de información histórica de caudales escurridos superficialmente, para
definir las medidas estructurales y no estructurales requeridas para mitigar el riesgo hídrico.
Sin embargo, la presencia de efectos de cambio y variabilidad climática en el régimen
pluviométrico afecta las predicciones realizadas a través del análisis de estadística inferencial.
El cambio climático se define como un cambio en los promedios de las variables climáticas a
lo largo de un período de tiempo. Por otro lado, el concepto de variabilidad climática se
define como la variación de una variable climática alrededor de su valor medio (IPCC,
2001b).
14

Figura 1.- Arriba, izquierda: Ejemplo cambio en la media de una variable; Arriba, derecha: Ejemplo de cambio en la
varianza de una variable; Abajo: Ejemplo de cambio en la media y la varianza de una variable. (Tercer Informe IPCC)
Hasta no hace mucho tiempo, muchos de los usos de la información climática, se basaba en la
premisa que el clima era estacionario, al menos en la escala de décadas, y que por lo tanto el
clima futuro sería igual al del pasado inmediato. Así, las series de los elementos climáticos y
de sus derivados hidrológicos eran tratadas estadísticamente como estacionarias.
Hoy, la hipótesis de que las series climáticas o de sus derivados son estacionarias no siempre
es apropiada. Las acciones antrópicas generan y han generado variaciones en los parámetros
climáticos que hacen que la hipótesis casi siempre implícita de que las estadísticas del clima
pasado pueden representar las del clima futuro ya no siempre sea válida. Esto hace que todas
las metodologías basadas en la presunción de estacionariedad para el cálculo de parámetros de
diseño de infraestructuras, la planificación del uso de los recursos hídricos, del territorio, de la
actividad forestal o de la agricultura a mediano plazo deben ser revisadas. A la hora de
estimar alguna o varias características del clima futuro para algún requerimiento de
planificación se debe ser cuidadoso antes de emplear a priori la hipótesis de que el clima es
estacionario y por lo tanto se requieren de nuevos métodos tanto para la detección de la
existencia de estacionariedad como para el análisis de los datos no estacionarios. A pesar de
esta necesidad, no hay aún una metodología totalmente desarrollada y segura para estimar el
clima futuro. En rigor, el gran desafío para la climatología mundial durante los próximos años
será desarrollar los métodos que permitan anticipar el clima de las próximas décadas en el
contexto del intenso cambio climático en curso.
OBJETIVOS
Objetivo general:
En este trabajo, se evalúa en primera instancia la presencia de efectos de cambio y

variabilidad climática sobre el régimen pluviométrico en diferentes regiones de Argentina
analizando variables que se extraen de información pluviométrica histórica, tales como lluvia
máxima diaria anual, lluvia total anual, días lluvioso al año, días lluviosos al mes y días
consecutivos con lluvia. Finalmente se implementa una metodología de análisis de estadística
inferencial para series estacionarias y para series no estacionarias (con efectos de cambio y
variabilidad climática).
Objetivos particulares:
 Profundizar sobre los conceptos de cambio y variabilidad climática.
 Profundizar sobre conceptos básicos de estadística hidrológica, haciendo hincapié en
la distinción entre el análisis que se debe hacer sobre una serie estacionaria (análisis
de frecuencia clásico) y una serie no estacionaria (nuevo paradigma de análisis de
frecuencia).
15
 Recopilar información pluviométrica actualizada de distintas zonas de Argentina para

ser analizada al detalle.
 Analizar la evolución temporal de diferentes variables para determinar la existencia de
patrones que demuestren la presencia o no de variabilidad climática en diferentes
zonas de la provincia.
 Analizar los casos particulares en que se presenten series no estacionarias para definir
una metodología de trabajo que pueda ser aplicada al diseño hidrológico de
infraestructura hídrica.
MATERIALES Y MÉTODOS
A continuación, se detalla de la metodología empleada con la finalidad de cumplimentar los

objetivos citados. El proceso se puede resumir de la siguiente manera:
1. Recopilación y pre-procesamiento de series pluviométricas de distintas estaciones en
diferentes regiones de Argentina. Se recopiló información actualizada de la lámina de
lluvia diaria de la base de datos de la Subsecretaría de Recursos Hídricos de la Nación
(http://bdhi.hidricosargentina.gov.ar).
2. Ubicación espacial de las distintas estaciones pluviométricas preseleccionadas.
3. Determinación del año hidrológico para cada región.
4. Generación de la serie hidrológica de cada una de las variables que serán analizadas
(lluvia máxima diaria anual, lluvia total anual, días lluvioso al año, días lluviosos al
mes y días consecutivos con lluvia).
5. Verificación de hipótesis estadísticas de las series seleccionadas tales como
independencia, estacionariedad y homogeneidad, además de la detección de datos
atípicos en las diferentes series. El análisis de estacionariedad tiene relevancia para
este estudio ya que proveerá información sobre la presencia de efectos del cambio y
variabilidad climática en las series.
6. Determinación de los parámetros provenientes del análisis de estadística descriptiva
(media y desvío estándar).
7. Análisis de estadística inferencial mediante el ajuste de distribución de probabilidad.
El objetivo de la estadística inferencial es relacionar la variable en estudio con el
período de retorno. En este estudio, se aplican dos metodologías: a) la primera cuando
se está en presencia de series estacionarias: este es el caso del análisis de frecuencia
clásico en el cual se relaciona la variable analizada con una recurrencia dada; es decir
para cada tiempo de retorno existe un valor de la variable con su respectivo intervalo
de confianza y; b) cuando existen series no estacionarias, a diferencia del caso
anterior, el análisis arroja para un tiempo de retorno, el valor de la variable con su
respectivo intervalo de confianza, pero esto es variable para distintos horizontes de
tiempo, es decir, que la recurrencia de un evento ya no es estática en el tiempo, sino
que es una variable dinámica.
EVALUACIÓN DE RESULTADOS
A continuación, en este resumen se presentan los principales resultados alcanzados en una

estación pluviométrica de la provincia de Salta y otra correspondiente a la provincia de
Córdoba.
 Estación Iruya Poscaya – Salta
16
Esta estación se encuentra en la provincia de Salta a una latitud de -22.46 y a una longitud de
-65.08. Cuenta con registros históricos de precipitación diaria desde el año 1984 hasta el año
2014 sin datos faltantes (31 años de datos).
A continuación, se presentan cada uno de los análisis realizados sobre las diferentes variables
de interés.
1. Precipitación Máxima Diaria Anual.
La serie hidrológica de precipitaciones máximas diarias anuales analizada es la que se
muestra en la Figura 2:
Figura 2.-Serie de precipitaciones máximas diarias anuales, Iruya Poscaya.
Los valores de esta serie varían entre un mínimo de 15 mm el año 1992 y un máximo de 66
mm en el año 1999. El valor promedio de la serie es de 37 mm y posee un desvío estándar de
12 mm.
Al aplicar las diferentes pruebas estadísticas a la serie se encontró un dato atípico

correspondiente a 15 mm en el año 1992. Este dato atípico puede deberse a que ese año
hidrológico fue demasiado seco o bien que hay faltante de datos pluviométricos registrados en
ese periodo. Este último dato fue eliminado de la serie y se aplicó nuevamente el test el cual
no arrojó ningún otro dato atípico. En base a esto último, la serie que finalmente fue analizada
contaba 30 datos, con un mínimo de 25 mm en el año 1995 y un máximo de 66 mm en el año
1999. El valor promedio de la serie es de 38 mm y posee un desvío estándar de 12 mm.
Por otro lado, se verificó la hipótesis de independencia, pero no se verificaron las hipótesis de
estacionariedad y homogeneidad.
Luego de que la serie rechazó el test de estacionariedad de Mann-Kendall, se sometió a la

misma a la prueba de Mann-Kendall modificada y a la técnica de pre-blanqueo de manera tal
de verificar si la no estacionariedad arrojada por Mann-Kendall era correcta. Tanto la prueba
de Mann-Kendall modificada como la técnica de pre-blanqueo indicaron que existe una
tendencia en la serie analizada, por lo tanto, se procedió a realizar el análisis de serie no
estacionaria mediante la utilización del Software NEVA.
En la Figura 3 se muestra la variación de los valores medios de las diferentes recurrencias en

el tiempo al realizar el análisis no estacionario de la serie:
17
Figura 3. -Precipitación máxima diaria anual asociada a distintos períodos de retorno, Iruya Poscaya.
En la Figura 3 se puede ver con una línea negra la misma serie histórica de precipitaciones
máximas diarias anuales que la mostrada en la Figura 2. Además, se ve cómo se va
modificando el valor medio del período de retorno a medida que pasa el tiempo. Por ejemplo,
un valor de 50 mm tenía un período de retorno de 25 años en el año 1985; mientras que en el
año 2010 la recurrencia de este valor bajó a 5 años.
A continuación, en la Figura 4 se muestran para 2 horizontes de tiempo dados como varía la

relación entre la variable y el tiempo de retorno con su respectivo intervalo de confianza:
Figura 4. -Comparación de periodos de retorno de la precipitación máxima diaria anual, Iruya Poscaya.
De la última figura se puede ver que en la actualidad (año 2017) para un período de retorno de
50 años se asocia un valor de precipitación máxima diaria anual de 70 mm, mientras que para
el año 2050 se espera que este valor aumente a 90 mm. Es decir, para un mismo período de
retorno el valor de precipitación máxima diaria anual aumenta.
2. Precipitación Total Anual.
La serie hidrológica de precipitaciones totales anuales analizada es la que se muestra en la
Figura 5.
18
Figura 5. -Serie de precipitaciones totales anuales, Iruya Poscaya.
Los valores de esta serie varían entre un mínimo de 248 mm en el año 1992 y un máximo de
1115 mm en el año 2011. El valor promedio de la serie es de 575 mm y posee un desvío
estándar de 191 mm.
Al aplicar las diferentes pruebas estadísticas a la serie no se encontró ningún dato atípico y se
verificaron las hipótesis de independencia, estacionariedad y homogeneidad. Por lo tanto, no
se encontró ningún patrón que muestre variabilidad en el tiempo.
Debido a que se detectó que la serie era estacionaria mediante la prueba de estacionariedad
Mann Kendall, se procedió al análisis de estadística inferencial clásico, que consiste en
relacionar los diferentes valores de la variable con un período de retorno. En primer lugar, se
aplica la función de distribución de probabilidad empírica de Weibull y luego a partir de los
datos obtenidos se determinó que la función de distribución de probabilidad teórica que mejor
ajusta es Gumbel por el método de máxima verosimilitud. Se puede ver la relación entre la
variable y las diferentes recurrencias con su respectivo intervalo de confianza en la Figura 6
que se muestra a continuación.
Figura 6. -Distribución de probabilidades de la precipitación total anual, Iruya Poscaya.
Al analizar la relación existente entre la recurrencia y la precipitación total anual se puede ver
que la FDP Teórica Gumbel por el método de máxima verosimilitud arroja valores de
precipitación menores a los de la FDP empírica de Weibull para tiempos de retorno mayores a
los 10 años. Esto puede deberse a que el valor máximo de la serie (1115 mm) es muy
probable que corresponda a una recurrencia del 100 años o aún mayor; y por razones de falta
19
de muestreo (extensión de la serie) al aplicar la fórmula de Weibull aparece erróneamente

asociado a 32 años
Otra aclaración que vale la pena realizar es que además se calcularon los intervalos de
confianza (95%) y los mismos se muestran en la figura anterior. Se observa que a medida que
la recurrencia crece la incertidumbre también lo hace y este grado de incertidumbre también
tiene que ver con la longitud de la serie de la muestra (a más datos siempre es menor el
intervalo de confianza). Se puede ver que para 100 años la incertidumbre relativa (que surge
de calcular la diferencia entre el valor del intervalo sobre el medio y dividir esa diferencia por
el valor medio) es del 23%, para 50 años es del 21%, para 25 años es del 20%, para 20 años
es del 19%, para 10 años es del 17%, para 5 años es del 15% y para 2 años es de 11%.
3. Días lluviosos al año.
La serie hidrológica de los días lluviosos al año analizada es la que se muestra en la Figura 7:
Figura 7. -Serie de días lluviosos al año, Iruya Poscaya.
Los valores de esta serie varían entre un mínimo de 29 días en el año 1997 y un máximo de 98
días en el año 1990. El valor promedio de la serie es de 57 días y posee un desvío estándar de
15 días.
Debido a que se detectó que la serie era estacionaria mediante la prueba de estacionariedad de
variable y las diferentes recurrencias con su respectivo intervalo de confianza en la Figura 8.
20
Figura 8. -Distribución de probabilidades de los días lluviosos al año, Iruya Poscaya.
Al analizar la relación existente entre la recurrencia y los días lluviosos al año se puede ver
que la FDP Teórica Gumbel por el método de máxima verosimilitud ajusta bien a los datos
empíricos (Weibull). Se observa que el valor máximo (98 días) tiene una recurrencia del
orden de los 25 a 50 años.
4. Días lluviosos al mes.
La serie hidrológica de días lluviosos al mes analizada es la que se muestra en la Figura 9:
Figura 9. -Serie de días lluviosos al mes, Iruya Poscaya.
Los valores de esta serie varían entre un mínimo de 8 días en el año 1997, y un máximo de 27
5 días.
21
Al aplicar las diferentes pruebas estadísticas a la serie no encontraron datos atípicos, se

variable y las diferentes recurrencias con su respectivo intervalo de confianza en la Figura 10:
Figura 10. -Distribución de probabilidades de los días lluviosos al mes, Iruya Poscaya.
Al analizar la relación existente entre la recurrencia y los días lluviosos al mes se puede ver
que la FDP Teórica Gumbel por el método de máxima verosimilitud ajusta bien a los datos
empíricos (Weibull). Se observa que el valor máximo (27 días) tiene una recurrencia del
orden de los 20 a 30 años.
5. Días consecutivos con lluvia
La serie hidrológica de días consecutivos con lluvia es la que se muestra en la Figura 11.
22
Figura 11. -Serie de días consecutivos con lluvia, Iruya Poscaya.
Los valores de esta serie varían entre un mínimo de 1 día en los años 1998 y 2000, y un
máximo de 18 días en el año 1989. El valor promedio de la serie es de 6 días y posee un
desvío estándar de 4 días.
Al aplicar las diferentes pruebas estadísticas a la serie no se encontró ningún dato atípico,
pero no se verificó la hipótesis de independencia. Por lo tanto, esta serie se descartó y no se
llevó a cabo el análisis.
 Estación El Durazno – La Florida - Córdoba
Esta estación se encuentra en la provincia de Córdoba a una latitud de -32.23 y a una longitud
de -64.78. Cuenta con registros históricos de precipitación diaria desde el año 1958 hasta el
año 2015 con datos faltantes en los años 1984, 1985, 1988, 1989, 1990, 1991 y 1992 (51 años
de datos).
A continuación, se presentan cada uno de los análisis realizados sobre las diferentes variables
de interés.
1. Precipitación Máxima Diaria Anual.
La serie hidrológica de precipitaciones máximas diarias anuales analizada es la que se
muestra en la Figura 12.
Figura 12. -Serie de precipitaciones máximas diarias anuales, El Durazno-La Florida.
23
178 mm en el año 1999. El valor promedio de la serie es de 87 mm y posee un desvío estándar
de 34 mm.
ajusta es la Gumbel por el método de máxima verosimilitud. Se puede ver la relación entre la
variable y las diferentes recurrencias con su respectivo intervalo de confianza en la Figura 13.
Figura 13. -Distribución de probabilidades de precipitación máxima diaria anual, El Durazno-La Florida.
Al analizar la relación existente entre la recurrencia y la precipitación máxima diaria anual

puede verse que la FDP Teórica Gumbel por el método de máxima verosimilitud arroja
valores de precipitación menores a los de la FDP empírica de Weibull para tiempos de retorno
mayores a los 6 años. Esto puede deberse a que el valor máximo de la serie (178 mm) es muy
probable que corresponda a una recurrencia del orden de 100 años o aún mayor; y por razones
de falta de muestreo (extensión de la serie) al aplicar la fórmula de Weibull aparece
erróneamente asociado a 52 años.
de calcular la diferencia entre el valor del intervalo y el valor medio y dividir esa diferencia
por el valor medio) es del 18%, para 50 años es del 17%, para 25 y 20 años es del 16%, para
10 años es del 14%, para 5 años es del 12% y para 2 años es de 10%.
2. Precipitación Total Anual.
La serie hidrológica de precipitaciones totales anuales analizada es la que se muestra en la
Figura 14.
24
Figura 14. -Serie de precipitaciones totales anuales, El Durazno-La Florida.
1727 mm en el año 1999. El valor promedio de la serie es de 973 mm y posee un desvío
estándar de 265 mm.

correspondiente a 304 mm en el año 1968. Este dato atípico puede deberse a que ese año
arrojó un nuevo dato atípico (409 en el año 1963), por lo tanto, esta serie se descartó y no se
llevó a cabo el análisis.
3. Días lluviosos al año.
La serie hidrológica de días lluviosos al año analizada es la que se muestra en la Figura 15.
Figura 15. -Serie de días lluvioso al año, El Durazno-La Florida.
Los valores de esta serie varían entre un mínimo de 22 días en el año 1962 y un máximo de 90
15 días.

correspondiente a 22 días en el año 1962. Este dato atípico puede deberse a que ese año
25
arrojó un nuevo dato atípico (27 días en el año 1963), por lo tanto, esta serie se descartó y no
se llevó a cabo el análisis.
4. Días lluviosos al mes.
La serie hidrológica de días lluviosos al mes analizada es la que se muestra en la Figura 16.
Figura 16. -Serie de días lluvioso al mes, El Durazno-La Florida.
Los valores de esta serie varían entre un mínimo de 6 días en el año 1962, y un máximo de 16
días en los años 1979 y 1980. El valor promedio de la serie es de 12 días y posee un desvío
estándar de 3 días.
verificaron las hipótesis de independencia y homogeneidad, pero no se verificó la hipótesis de
estacionariedad.
Luego de que la serie rechazó el test de estacionariedad de Mann-Kendall, se sometió a la

misma a la prueba de Mann-Kendall modificada y a la técnica de pre-blanqueo de manera tal
de verificar si la no estacionariedad arrojada por Mann-Kendall era correcta. Tanto la prueba
de Mann-Kendall modificada como la técnica de pre-blanqueo indicaron que existe una
tendencia en la serie analizada, por lo tanto, se procedió a realizar el análisis de serie no
estacionaria mediante la utilización del Software NEVA.
En la Figura 17 se muestra la variación de los valores medios de las diferentes recurrencias en

el tiempo al realizar el análisis no estacionario de la serie.
26
Figura 17. – Días lluviosos al mes asociados a distintos períodos de retorno, El Durazno-La Florida.
En la Figura 17 se puede ver con una línea negra como la serie de días lluviosos al año se
comporta a lo largo del tiempo, desde el año 1958 hasta el año 2015 (registro muestreado).
Además, se ve cómo se va modificando el valor medio del período de retorno a medida que
pasa el tiempo. Por ejemplo, un valor de 15 días lluvioso al mes anuales tenía un período de
retorno de 50 años en el año 1960, mientras que en el año 2010 el período de retorno de este
valor bajó a 5 años.
A continuación, en la Figura 18 se muestran para 3 horizontes de tiempo dado como varía la

relación entre la variable y el tiempo de retorno con su respectivo intervalo de confianza.
Figura 18. -Relación entre días lluviosos al mes y período de retorno para diferentes horizontes de tiempo, El Durazno-La
Florida.
De la última figura se puede ver que en la actualidad (año 2017) para un período de retorno de
50 años se asocia un valor de 15 días lluviosos al mes, mientras que para el año 2050 se
espera que este valor aumente a 18 días lluviosos al mes y para el año 2100 llegue a 20 días
lluviosos al mes. Es decir, para un mismo período de retorno el valor de días lluviosos al mes
aumenta.
5. Días consecutivos con lluvia.
La serie hidrológica de días consecutivos con lluvia analizada es la que se muestra en la
Figura 19.
27
Figura 19. -Serie de días consecutivos con lluvia, El Durazno-La Florida.
Los valores de esta serie varían entre un mínimo de 2 días en los años 1959, 1962, 1968 y
1988, y un máximo de 8 días en el año 2002. El valor promedio de la serie es de 5 días y
posee un desvío estándar de 2 días.
Debido a que se detectó que la serie era estacionaria mediante la prueba de Mann Kendall, se
procedió al análisis de estadística inferencial clásico, que consiste en relacionar los diferentes
valores de la variable con un período de retorno. En primer lugar, se aplica la función de
distribución de probabilidad empírica de Weibull y luego a partir de los datos obtenidos se
determinó que la función de distribución de probabilidad teórica que mejor ajusta es la
Gumbel por el método de Máxima Verosimilitud. Se puede ver la relación entre la variable y
las diferentes recurrencias con su respectivo intervalo de confianza en la Figura 20.
Figura 20. -Distribución de probabilidades de días consecutivos con lluvia, El Durazno-La Florida.
Al analizar la relación existente entre la recurrencia y los días consecutivos con lluvia se
puede ver que la FDP Teórica Gumbel por el método de máxima verosimilitud ajusta bien a
los datos empíricos (Weibull). Se observa que el valor máximo de la serie (8 días) tiene una
recurrencia del orden de los 50 años.
28
de calcular la diferencia entre el valor del intervalo y el valor medio y dividir esa diferencia
por el valor medio) es del 17%, para 50 años es del 16%, para 25 y 20 años es del 15%, para
10 años es del 13%, para 5 años es del 11% y para 2 años es de 9%.
CONCLUSIONES
Se implementó en este trabajo una metodología de análisis de estadística inferencial para

series tanto estacionarias (análisis clásico de datos) como para series no estacionarias (con
efectos de cambio y variabilidad climática). Cuando se realiza estadística inferencial sobre
una serie estacionaria, para cada tiempo de retorno el análisis arroja el valor de la variable con
su respectivo intervalo de confianza. A diferencia del caso anterior, cuando se realiza
estadística inferencial sobre una serie no estacionaria, el análisis arroja para un tiempo de
retorno, el valor de la variable con su respectivo intervalo de confianza, pero para distintos
horizontes de tiempo; es decir que la recurrencia de un evento ya no es fija en el tiempo, sino
que es variable. Es importante destacar esta conclusión para el análisis de estadística
inferencial de variables pluviométricas requeridas para el diseño hidrológico en casos de que
se utilicen series históricas afectadas por variabilidad y cambio climático.
Actualmente se está aplicando este análisis sobre toda la provincia de Córdoba, con el
objetivo de verificar si existen o no efectos que puedan asociarse al cambio y a la variabilidad
climática. Además, se prevé analizar si los casos de no estacionariedad se presentan en ciertas
zonas o son casos aislados en el espacio.
REFERENCIAS BIBLIOGRÁFICAS
Rudolf, Juan Emilio. (2017). “Análisis de información pluviométrica y estudio de

variabilidad climática en la provincia de Salta”. Práctica Supervisada de la carrera de grado
Ingeniería Civil. Facultad de Ciencias Exactas, Físicas y Naturales – Universidad Nacional de
Córdoba.
Intergovernmental Panel on Climate Change - IPCC. (2001b). “Climate change 2001:

impacts, adaptation, and vulnerability. Contribution of Working Group II to the third
assessment report of the intergovernmental panel on climate change.” J.J. McCarthy, O.F.
Canziani, N.A. Leary, D.J. Dokken, & K.S. White (editors). Cambridge University Press,
United Kingdom.
29
XXVI CONGRESO NACIONAL DEL AGUA
CÓRDOBA, ARGENTINA, 2017
ANÁLISIS DE TENDENCIAS DE CAUDALES EN CUENCAS HIDROGRÁFICAS DE LA PATAGONIA

AUSTRAL
DIAZ Boris G. 1,2, María C. MONSERRAT 1,3
1
Área Manejo de Recursos Hídricos, INTA EEA Santa Cruz. Mahatma Gandhi 1322 (CP9400) Río Gallegos, Santa Cruz, Argentina. Tel: +54
2966 442305/306/014 int.123. Correo–e: diaz.boris@inta.gob.ar; 2 Grupo de Investigación en Climatología e Hidrogeología, UNPA–UARG;
3
Cámara de Diputados de Santa Cruz, Correo–e: monserrat.maria@inta.gob.ar
Introducción Objetivo
Existe un fuerte consenso en relación al cambio acelerado del En el presente trabajo se estudia la variabilidad temporal en la
clima a escala global, particularmente a través de la variación producción de caudal de los ríos más importantes de la
en patrones y tendencias de algunos parámetros climáticos Patagonia Austral continental a fin de contribuir a una mejor
como la precipitación y la temperatura. La Patagonia Austral comprensión de su dinámica hidrológica y las perspectivas
experimenta en décadas recientes importantes cambios en futuras.
algunos de ellos aún no apropiadamente cuantificados ni
estudiados debido principalmente a la falta de estaciones
meteorológicas con densidad suficiente en el territorio, Materiales y métodos
continuidad temporal y confiabilidad metodológica en su Se analizaron series históricas de caudales (Q) de 24 estaciones
operación y registro de datos (Monserrat et al., 2016). Estos instaladas en 20 ríos con diversos regímenes de alimentación y
cambios comienzan a evidenciar condicionamientos en las cuencas vertientes en la Patagonia Austral, comprendiendo las
economías regionales, particularmente en el sector regiones hidrográficas (RH) de los ríos Santa Cruz (RH09) y
agropecuario. La escasez de datos y análisis disponibles en la Gallegos (RH13), de vertiente atlántica, y Vizcachas–Serrano
actualidad crea incertidumbre sobre la realidad de recursos (RH11), de vertiente pacífica, en un rango latitudinal
estratégicos como el agua de superficie en la región, altamente comprendido entre –48°57’ y –52°33’, desde el centro de la
influenciado por el cambio climático que experimenta la región provincia de Santa Cruz (Argentina) y hasta la Región de
en décadas recientes, así como sobre escenarios futuros Magallanes (Chile). Se trabajó con caudales medios mensuales,
relacionados con su disponibilidad, todos aspectos que estacionales y anuales correspondientes a series históricas de
demandan acciones inmediatas en términos de anticipación y temporalidad diversa entre 1956 y 2015. Los ríos estudiados
adaptación a sus posibles impactos. fueron: Gallegos superior (RGs), Penitente en tramos superior
Cambios en el clima repercuten decididamente en la hidrología (RPs) e inferior (RPi), Rubens superior (RRs), Ci Aike o Chico sur
regional, por lo que el monitoreo de parámetros asociados a la (CK), Centinela (CN), Pratt (PT), Don Guillermo (DG), Santa Cruz
dinámica del recurso hídrico, como las tendencias y patrones (CZ), Mitre (MT), La Leona (LE), Las Vueltas (VU), Baguales (BG),
en los regímenes de caudales, resulta de gran valor durante la Grey (GY), Tres Pasos (TP), Chorrillos (CH), Paine (PN), Chalia
planificación del acceso y aprovechamiento del recurso hídrico (CL), Las Chinas superior (LCs) e inferior (LCi), Serrano superior
como también así para el aporte de una herramienta de (SRs) e inferior (SRi), Vizcachas superior (VZs) e inferior (VZi).
evaluación permanente de la integridad de los ecosistemas Se utilizó el test no paramétrico de Mann-Kendall (MK) para la
fluviales (Martínez Santa María y Fernández Yuste, 2006). detección y descripción de tendencias anuales y estacionales
en series disponibles de caudales (Tabla 1), (Salmi et al., 2002;
López et al., 2007). Los diferentes análisis se agruparon según
el régimen de caudales (K) de cada río, aplicando una versión
simplificada de la clasificación propuesta por Musy and Higy
(2011) a partir del cálculo de coeficientes mensuales de
descarga, en :(a) nivales, (b) nivo-pluviales, (c) pluvio-nivales y
(d) pluviales. Estos regímenes se han definido a partir de la
distribución estacional de caudales en relación al módulo
anual.
Resultados
En términos generales todos los ríos de la región, con la
excepción de aquellos de régimen pluvial, ubicados en la
Patagonia extrandina (CK, CN y CH), evidencian en años
recientes tendencias crecientes en la producción de Q medios
anuales, si bien el grado de significación en éstos es variable en
las diferentes secciones estudiadas y sin un patrón específico
según su ubicación geográfica o régimen de alimentación. Un
caso particular lo presentaron los ríos de régimen nival (como
CZ, GY, VU, entre otros) en los cuales la prueba de MK resultó
significativa en tendencias crecientes no solo para los Q medios
anuales sino para los diferentes Q medios estacionales en casi
Figura 1.- Área de estudio. Adaptado de Diaz y Giménez (2015). todos los ríos con la excepción del verano y la primavera para
30
dos cursos cordilleranos, VU y PN.

Conclusiones
TABLA 1.- Series de registros mensuales medios de caudal utilizados:
número de meses y años disponibles; fecha de inicio de cada serie; Se observaron tendencias claras, mayormente positivas en
proporción porcentual de datos faltantes y modelizados; caudal medio décadas recientes, en la producción de caudales anuales y
anual del curso principal y RH de pertenencia. estacionales de los ríos más importantes de la Patagonia
Años %.Vacíos Módulo Austral tanto por su descarga anual como por su relevancia
CURSO Inicio RH
(Meses) (%.Model) (m3/s) para las socioeconomías regionales. El régimen de
RGs 24 (301) 1993 4,0 (0,3) 32,2 13 alimentación fluvial permitió discriminar comportamientos
RPs 36 (437) 1980 2,7 (2,7) 13,9 13 específicos en términos de tendencias de caudales estacionales
RPi 22 (349) 1988 18,6 (0,0) 14,6 13 si bien no puede descartarse que parte de la importante
RRs 34 (420) 1981 4,0 (1,2) 11,8 13 variabilidad observada en éstos, y por consecuencia de los
CK 12 (157) 2005 15,3 (3,2) 0,3 13
análisis realizados, resulte de la clasificación aplicada de
CN 21 (289) 1993 10,5 (10,5) 3,9 13
regímenes demasiado simple y que podría demandar de un
PT 11 (144) 2005 8,3 (1,4) 2,8 11
DG 34 (408) 1980 22,3 (1,7) 0,7 11
más detallado tratamiento futuro para lograr una mayor
CZ 61 (745) 1955 5,6 (2,8) 685,2 09 precisión en la descripción de tendencias y patrones en los
MT 23 (277) 1993 1,4 (1,4) 4,7 09 caudales.
LE 56 (733) 1956 19,9 (8,1) 253,9 09 Por otra parte, la ubicación geográfica de algunos cursos
VU 26 (312) 1991 12,5 (9,6) 52,3 09 clasificados con igual régimen de alimentación presentaron una
BG 36 (438) 1981 2,5 (0,9) 3,04 11 diversidad de comportamientos que podrían explicarse a partir
GY 47 (564) 1970 21,3 (0,4) 120,4 11 de la hidroclimatología regional, una disciplina de compleja
TP 11 (144) 2005 6,9 (0,0) 3,58 11
aplicación en un territorio con escasa densidad de estaciones
CH 34 (432) 1982 6,3 (1,2) 0,4 09
meteorológicas, de corta vida y escasa confiabilidad como
PN 35 (432) 1981 7,6 (0,4) 48,9 11
LCs 37 (444) 1980 3,6 (0,0) 8,1 11
Patagonia Austral, en especial el sector argentino (Monserrat
LCi 25 (312) 1990 1,3 (0,0) 16,0 11 et al., 2016).
CL 7 (83) 2010 0,0 (0,0) 1,6 11 Las diferencias en la longitud de las series de datos disponibles
SRs 31 (372) 1986 2,4 (1,9) 83,2 11 para los diferentes ríos no permitieron análisis comparativos
SRi 22 (262) 1994 3,4 (0,0) 400,5 11 detallados entre las estaciones si bien lo crítico de algunos
VZs 6 (66) 2010 10,6 (10,6) 1,5 11 resultados si permitió, aún con pocos años de datos, establecer
VZi 33 (396) 1981 2,3 (0,3) 5,2 11
tendencias fuertes en algunos cursos con caudales que podían
estar acusando un impacto importante del cambio climático,
Entre los ríos de régimen nivo–pluvial se presentaron como los ubicados en zonas de estema, de alimentación
situaciones contrastantes, resultando el comportamiento de pluvio–nival y pluvial.
ríos ubicados en cordillera (p.ej. BG) similar a ríos de régimen
nival, y otros desplazados hacia la transición entre cordillera y
Referencias Bibliográficas
estepa en el Este (p.ej. CN), evidenciaron tendencias más afines
a los de régimen pluvio–nival (p.ej. CK y CH). Diaz, B.G. y Giménez M. (2015). “Zonificación y codificación
hidrográfica en Santa Cruz (Patagonia Austral, Argentina).” Actas
Con la única excepción del río CZ, el otoño resulta la estación
Congreso Nacional del Agua, 15 al 19 de Junio. Paraná, Entre
en la que todos los ríos de la región experimentan tendencias
Ríos. 12p.
crecientes, y de alta significación en la producción de caudales, López, P.; Seoane, R.S.; Fornero, L.A.; Rodríguez, J.L. y Núñez, M.S.
cuando menos desde inicios de la década de 1990 hasta el (2007). "Análisis de tendencia en series autocorrelacionadas".
presente. De igual forma y con la excepción de ríos de régimen XXI Congreso Nacional del Agua, Tucumán (CONAGUA 2007),
pluvio–nival ubicados en áreas extrandinas, los Q de verano Actas. 8p.
acusaron una tendencia creciente importante, si bien Martínez Santa María, C. y Fernández Yuste, J.A. (2006). “El régimen
concentrado en general solo en uno o dos meses de la natural de caudales: una diversidad imprescindible, una
estación. Ríos como RG, CL y CK (pluvio–nivales) revelan diversidad predecible”. Invest Agrar: Sist Recur For., España.
Fuera de serie, 153-165
fuertes tendencias decrecientes en los caudales de verano. Monserrat, M.C.; Diaz Boris, G.; Bonfili, O. y Almonacid, L. (2016).
Las tendencias observadas en los regímenes de alimentación "Banco de datos hidrometeorológicos de Santa Cruz". 3er.
(K) resultaron muy variables para las diferentes estaciones y Encuentro de Formadores en Recursos Hídricos IFRH2016. 6 y 7
grupos de ríos siendo evidentes algunos cambios en décadas de Octubre, Ezeiza, provincia de Buenos Aires. Organizado por
Instituto Nacional del Agua (RS-TC). Submission 65. Acta en:
recientes y con significancia si bien no como parte de patrones
http://www.ina.gov.ar/ifrh-2016/RESUMENES_IRFH2016.pdf.
generalizables. Así por ejemplo en la casi totalidad de ríos con Musy, A. and Higy. C. (2011). Hydrology: A science of nature. Ch.10:
la excepción de CZ, los valores de K en otoños manifestaron “Hydrological regimes”, p263-274. CRC Press Taylor & Francis Gr.
tendencias crecientes y mayormente significativas, 326p.
determinando que la estación comienza a posicionarse como la Salmi, T.; Määttä, A.; Anttila, P.; Tuija-Ruoho, A. and Amnell, T.
de mayor producción de caudales en ríos de la región en (2002). "Detecting trends of annual values of atmospheric
independencia de su clasificación por régimen de alimentación. pollutants by the Mann-Kendall test and Sen´s slope estimates –
En ríos de alimentación nival resultó interesante una tendencia The Excel template application Makesens". Publications on air
quality No.31, Finnish Meteorological Institute. ISBN 951-697-
creciente en el aporte de caudales de invierno.
563-1. 35p.
31
USO DE PRECIPITACIONES MENSUALES DEL PROYECTO GLOBAL DE

PRECIPITACIÓN CLIMATOLÓGICA PARA EL DESARROLLO DE TENDENCIAS
BIMESTRALES EN ARGENTINA
Eduardo Adrián Flamenco1, María Paula Hobouchian2, Roberto De Ruyver1
1Instituto
Nacional de Tecnología Agropecuaria, 2Servicio Meteorológico Nacional
Nicolás Repeto y Los Reseros s/n – 1686 – Hurlinghan (Buenos Aires, Argentina), 4621-0125
flamenco.eduardo@inta.gob.ar - http://climayagua.inta.gob.ar
RESUMEN
El pronóstico de precipitación estacional es un gran desafío en hidrología operativa, a pesar de muchos avances en las
últimas décadas. El objetivo de este estudio es desarrollar modelos de tendencia de lluvias bimestrales en Argentina, sobre
la base de series temporales continuas sin datos faltantes, y con una distribución espacial ordinaria pero homogénea. Se
utilizaron los datos de precipitación generados por el Proyecto Global de Precipitación Climatológica (GPCP por su sigla en
inglés), establecido en 1986 por el Programa Mundial de Investigaciones del Clima (World Climate Research Program). Esta
información mensual considera una combinación de información satelital y estaciones de superficie. Para evaluar la calidad
de los datos de precipitación del GPCP, se realizó una comparación con datos de precipitación de la red pluviométrica
operativa en el Servicio Meteorológico Nacional. Los predictores son forzantes del sistema océano-atmósfera; y la técnica
para el desarrollo de los modelos que vinculen éstos y las lluvias estacionales es la de Redes Neuronales Artificiales. Además
se cuenta con la ventaja y oportunidad de poder en el futuro verificar con datos del GPCP la bondad y credibilidad de las
tendencias estimadas, dado la continuidad de disponer de observaciones de las precipitaciones del GPCP.
.
ABSTRACT
The forecast of seasonal precipitation is a great challenge in operational hydrology, despite many advances in
the last decades. The objective of this study is to develop trend models of bimonthly rainfall in Argentina, based
on continuous time series with no missing data, and with an ordinary but homogeneous spatial distribution. It
was considered opportune to use precipitation data generated by the Global Precipitation Climatology Project
(GPCP), established in 1986 by the World Climate Research Program. This monthly information considers a
combination of satellite information and surface stations. To evaluate the quality of GPCP precipitation data, a
comparison was made with precipitation data from the operational rain gauge at the National Meteorological
Service. Predictors are forcing the ocean-atmosphere system; and the technique for the development of the
models that link these and the seasonal rains is Artificial Neural Networks. We will also have the advantage and
opportunity of being able in the future to verify with the data of the GPCP the goodness and credibility of the
estimated trends, given the continuity of having observations of precipitations of the GPCP.
INTRODUCCIÓN
La información de lluvias es esencial para la planificación y manejo de los recursos hídricos

en áreas agrícolas y urbanas. La lluvia es una de las variables del ciclo hidrológico más
compleja y dificultosa de entender y pronosticar, debido a la complejidad de los procesos
atmosféricos que las generan y su gran variabilidad en diferentes escalas temporales y
espaciales (French et al., 1992). El pronóstico de lluvias estacionales es un gran desafío en
hidrología operativa, a pesar de muchos avances en las últimas décadas (Gwangseob and Ana,
2001).
Con la finalidad de evitar las dificultades que implica trabajar con información faltante y la
distribución heterogénea de lluvias, en este estudio se utilizaron datos generados por el
Proyecto Global de Climatología de Precipitación en una resolución ordinaria de 2.5° x 2.5°
de latitud-longitud. Por lo tanto, estos datos fueron comparados con registros observados en
32
superficie en estaciones pluviométricas oficiales del SMN e INTA, aplicando indicadores

estadísticos y así verificar la calidad espacio-temporal de los datos obtenidos por el GPCP.
Los nodos con datos de lluvia, son 63, y cubren el área entre 70° - 53° Oeste y 21° - 42° S;
abarcando Argentina al Norte del río Colorado, la República Oriental del Uruguay, la
República del Paraguay, y el estado de Rio Grande do Sur (Brasil). Para reducir esta cantidad
de nodos con lluvias bimestrales, se ha aplicado la técnica estadística de Análisis de
Componentes Principales, rotación varimax, y son 3 las regiones identificadas con diferente
variabilidad estacional-espacial; pero además en el análisis inter-regional cada una está
representada por un conjunto de componentes principales, no superando la cantidad de 5
componentes.
Los posibles predictores elegidos por la técnica de modelado, son variables que representan el
sistema acoplado océano-atmósfera, por tanto, se identificaron las teleconexiones (Giddings
et al., 2006) más significativas entre la variable dependiente (lluvia) y las que representan la
variabilidad del océano global y la atmósfera.
La técnica de Redes Neuronales Artificiales (RNA) se usó para modelar los procesos no
lineales entre las lluvias y las variables que representan la interacción mar-atmósfera. Un
trabajo pionero en aplicar RNA en el pronóstico de lluvias de 1 hora en adelante fue French et
al. (1992). Las RNA están ganando popularidad, como lo evidencia el incremento en el
número de artículos sobre este tema apareciendo en revistas de hidrología. La comunidad
hidrológica está tomando conciencia del potencial de las RNA como una herramienta
alternativa de modelado.
Como algoritmo de entrenamiento de la RNA se usó el de back-propagation, siendo el más

usado entre otros: Quick-Prop (QP), Orthogonal Least Square (OLS), Levemberg-Marquart
(LM) y Resilient Propagation Algoritm (RPROP). Coulibaly et al. (2000) declaró que el 90%
de los modelos en RNA aplicados en hidrología usaron este algoritmo.
La eficiencia de los modelos de pronóstico estacional se evaluó con los estadísticos

coeficiente de correlación (R), raíz del error cuadrático medio (RSME), error en porcentaje
(MAPE) y error absoluto (MAE).
DATOS Y METODOLOGÍA
Datos
Si bien en el pasado se han desarrollado modelos de pronóstico bimestral de lluvias en

Argentina (Flamenco E. et al, 2000), sobre la base de una red de estaciones pluviométricas del
SMN e INTA, estas presentaban una densidad muy diferente según la provincias. Por ejemplo
Buenos Aires (18), Santa Fe (6), Entre Ríos (4), Corrientes (5), Santiago del Estero (1),
Córdoba (3). En consecuencia realizar la regionalización mediante Análisis de Componentes
Principales, resultaba sesgado hacia las zonas con mayor cantidad de información no solo
espacial sino temporal.
Las investigaciones llevadas a cabo con la finalidad de encontrar bases de datos más
consistentes, dio como resultado la obtención de datos de lluvias en escala mensual y en una
resolución bastante ordinaria de 2.5° x 2.5° de latitud-longitud.
33
Los datos fueron obtenidos del Proyecto Global de Climatología de Precipitación (GPCP) en
su versión 2.3. El GPCP existe desde hace más de 20 años y fue establecido en 1986 por el
Programa Mundial de Investigaciones del Clima (World Climate Research Program), para
resolver el problema de datos faltantes y cuantificar la distribución espacial de lluvias. Esta
información es sumamente necesaria (Arkin and Xie, 1994) para estudios de diagnóstico del
clima, aplicaciones sociales tales como manejo del agua para agricultura, energía, sequías,
pronóstico y control de inundaciones. El enfoque general del GPCP consistió en combinar las
estimaciones de precipitación derivadas de diferentes sensores instalados en distintos tipos de
satélites de órbita baja, geoestacionaria y polar. Este proyecto considera una integración de
varios conjuntos de datos de satélites con observaciones de pluviómetros y/o pluviógrafos.
Las estimaciones de microondas están basadas en un sensor de microondas/imagen instalado
en un satélite de órbita baja y sol sincrónico. La versión 1 consideraba en éste análisis de
combinación de fuentes, 6700 pluviómetros, mientras que actualmente ha llegado a relevar
40.000 pluviómetros. El primer producto de estos datos fue una fusión incorporando
estimaciones de precipitación de datos de microondas de satélites de órbita baja; datos
infrarrojos de satélites de órbita geo sincrónica y datos de estaciones pluviométricas
(Huffman et al., 1997). Sucesivas mejoras fueron hechas en intervalos regulares sobre los
pasados años (Adler et al., 2003) con la versión 2.2. Luego, mediante nuevos procedimientos
de calibración cruzada (cross-calibration) se verificaron y aplicaron correcciones y se logró la
versión 2.3, que es usada en esta investigación.
La Figura 1 muestra los nodos con datos de lluvia entre las coordenadas geográficas 70° - 53°
Oeste y 21° - 42° Sur, con un total de 63 celdas con información al Norte del río Colorado.
Los datos publicados están en formato netCDF. La información espacio-temporal es en la
actualidad un elemento clave en disciplinas como la Climatología y la Meteorología. Un
formato de uso muy extendido es el de las bases de datos netCDF, que permiten obtener una
estructura multidimensional e intercambiar los datos de forma independiente al sistema
operativo empleado. El formato binario NetCdf permite incluir, junto a los datos, gran
cantidad de meta-información (nombre de proyecto, tipo de boya, sensores,...). Esto hace que
los ficheros NetCdf sean prácticamente autosuficientes, ya que contienen la información
necesaria para leer los datos sin incrementar extraordinariamente su tamaño. Los ficheros en
este formato tiene la extensión *.nc.
Para la selección de los datos se utilizó la herramienta de libre distribución y multiplataforma
Weather and Climate Toolkit (WCT) que permitió visualizar y exportar los archivos NetCDF
de la colección GPCP a diferentes formatos. Estas características de exportación de datos
facilitan la interoperabilidad de la información meteorológica y climática con las herramientas
de análisis de datos. En https://www.ncdc.noaa.gov/wct/install.php, se encuentra la
herramienta que ha facilitado la transformación del formato *.nc a *.csv y de allí a ascii, para
un fácil manejo de los datos numéricos. La Figura 1 muestra los nodos con datos de lluvias en
escala mensual, y que abarcan gran parte de Argentina al Norte del río Colorado, Uruguay y
Paraguay.
34
Figura 1. Regiones analizadas y distribución espacial de los nodos con datos del GPCP.
Tabla 1. Indicadores estadísticos entre observaciones del SMN y los nodos del GPCP.
Estadísticos clásicos bimestre enero-febrero de 1979-2014
N=1408 Promedio Máximo CORR BIAS RMSE
Observación 198.44 820.5
0.79 13.34 83.63
GPCP 211.77 652.56
Figura 2.- Distribución de precipitaciones medias del GPCP de toda el área estudiada y datos de estaciones pluviométricas
del SMN.
35
Análisis de Componentes Principales de las lluvias estacionales

En esta investigación se analizó la Región I (Figura 1), y se aplicó la técnica de Análisis de
Componentes Principales “ACP” (Davis J. C., 1973; Philippe I., 1990) con el objetivo de
reducir la información del predictando, que en este estudio son los nodos con información de
lluvias bimestrales Enero-Febrero del período 1979-2014, a un menor número de nodos, y que
se denominan Componentes Principales. En esta región resultaron ser 5 las Componentes
Principales que representan la variabilidad intra-regional de las precipitaciones observadas.
Estas componentes son obtenidas mediante combinaciones lineales, y tratando de perder la

menor cantidad de información posible en lo referente a la variabilidad espacio – temporal. Se
reconocen dos tipos de ACP para analizar una variable hidrológica y meteorológica en
espacio o tiempo: el modo S y el modo T. El primero involucra el análisis de series de tiempo
correspondientes a diferentes puntos en el espacio (enfoque del análisis de lluvias
estacionales), permitiendo la identificación de zonas homogéneas con respecto a la
variabilidad temporal de un parámetro. El modo T analiza campos espaciales en diferentes
tiempos (Compagnucci y otros, 2001). La determinación del número de componentes a
retener es, en parte, arbitraria y queda a juicio del investigador. Un criterio es retener las
componentes con valor propio superior a 1. Antes de aplicar el ACP debe comprobarse si la
correlación entre las precipitaciones analizadas en los nodos es lo suficientemente grande
como para justificar la aplicación de ACP de la matriz de coeficientes de correlación. Se
observa en la Tabla 2 que hay correlaciones significativas en el 95% (números en rojo) entre
los nodos-lluvias que hacen conveniente la aplicación del ACP.
Con el fin de facilitar la interpretación del significado de las componentes seleccionadas se

suele llevar a cabo una rotación de los ejes de las componentes principales. Uno de los
métodos más corrientes es el Varimax, desarrollado por Kaiser (1958), que efectúa una
rotación ortogonal de los ejes. El objetivo de la rotación Varimax es conseguir que la
correlación de cada una de las variables sea lo más próxima a 1 con sólo una de las
componentes y próxima a cero con todas las demás.
El resultado de la aplicación de esta técnica, con rotación varimax, en el período común 1979
- 2016 se muestra en la Tabla 3, donde las lluvias estacionales de 26 nodos de la Región I, que
representan el litoral de Argentina, se reducen a sólo cinco Componente Principales (CP), las
que explican el 83.7% de la varianza total de las precipitaciones del bimestre Enero-Febrero.
Para evaluar la calidad de los datos GPCP en el centro y norte de Argentina, se realizó una
comparación para el período 1979-2014, con las observaciones de la red pluviométrica
operativa del SMN, considerando las estaciones más próximas al nodo del GPCP. La
validación se realizó a partir del cálculo de indicadores estadísticos y del análisis de la
distribución de las precipitaciones medias observadas y las estimadas por el GPCP, teniendo
en cuenta la resolución temporal del pronóstico estacional. El análisis de los resultados de
esta evaluación muestra una buena correlación de los datos GPCP con las observaciones en
superficie con un coeficiente de correlación de 0.79 (Tabla 1). El resultado del BIAS 13.34
mm marca una ligera sobrestimación de GPCP en los datos, que también se observa en el
promedio para cada año de los 63 nodos mostrado en el gráfico de barras de la Figura 2.
36
Tabla 2. Matriz de correlaciones de las lluvias bimestrales de la retícula.

Nodo 19 20 21 26 27 28 33 34 35 40 41 42 46 47 48 49 52 53 54 55 56 59 60 61 62 63
19 1.00 0.77 0.61 0.76 0.66 0.58 0.38 0.43 0.40 0.17 0.11 0.07 0.33 0.09 -0.04 -0.14 0.26 0.29 0.28 0.11 -0.27 0.05 0.11 0.14 -0.27 -0.08
20 0.77 1.00 0.86 0.63 0.77 0.73 0.34 0.45 0.52 0.06 0.07 0.14 0.18 -0.06 -0.15 -0.16 0.07 0.20 0.13 0.06 -0.19 -0.16 0.05 0.18 -0.27 -0.06
21 0.61 0.86 1.00 0.55 0.76 0.76 0.26 0.39 0.52 -0.02 0.03 0.12 0.14 -0.02 -0.10 -0.18 0.07 0.27 0.24 0.19 -0.18 -0.07 0.13 0.32 -0.26 0.10
26 0.76 0.63 0.55 1.00 0.83 0.77 0.75 0.78 0.71 0.47 0.48 0.41 0.37 0.27 0.24 0.11 0.42 0.41 0.40 0.12 -0.15 0.14 0.15 0.17 -0.24 -0.05
27 0.66 0.77 0.76 0.83 1.00 0.92 0.66 0.78 0.81 0.29 0.33 0.36 0.25 0.09 0.07 0.10 0.28 0.38 0.25 0.14 -0.05 -0.06 0.22 0.32 -0.19 0.02
28 0.58 0.73 0.76 0.77 0.92 1.00 0.65 0.74 0.82 0.38 0.39 0.39 0.31 0.18 0.15 0.05 0.25 0.34 0.25 0.14 -0.08 0.02 0.22 0.35 -0.25 0.04
33 0.38 0.34 0.26 0.75 0.66 0.65 1.00 0.94 0.80 0.77 0.79 0.68 0.53 0.55 0.56 0.42 0.39 0.45 0.42 0.15 0.04 0.10 0.08 0.13 0.00 0.14
34 0.43 0.45 0.39 0.78 0.78 0.74 0.94 1.00 0.92 0.68 0.74 0.73 0.41 0.41 0.47 0.43 0.33 0.41 0.36 0.15 0.07 -0.03 0.11 0.16 -0.03 0.12
35 0.40 0.52 0.52 0.71 0.81 0.82 0.80 0.92 1.00 0.61 0.67 0.75 0.32 0.38 0.45 0.42 0.19 0.35 0.32 0.24 0.16 -0.06 0.16 0.25 -0.07 0.18
40 0.17 0.06 -0.02 0.47 0.29 0.38 0.77 0.68 0.61 1.00 0.92 0.77 0.65 0.79 0.83 0.54 0.31 0.31 0.41 0.16 0.10 0.15 -0.01 -0.05 -0.02 0.16
41 0.11 0.07 0.03 0.48 0.33 0.39 0.79 0.74 0.67 0.92 1.00 0.87 0.45 0.69 0.82 0.67 0.13 0.20 0.33 0.11 0.18 -0.01 -0.13 -0.12 -0.03 0.17
42 0.07 0.14 0.12 0.41 0.36 0.39 0.68 0.73 0.75 0.77 0.87 1.00 0.27 0.55 0.74 0.73 0.07 0.18 0.29 0.19 0.34 -0.06 -0.10 -0.12 -0.07 0.13
46 0.33 0.18 0.14 0.37 0.25 0.31 0.53 0.41 0.32 0.65 0.45 0.27 1.00 0.79 0.53 0.07 0.63 0.68 0.71 0.36 -0.01 0.40 0.19 0.30 0.11 0.19
47 0.09 -0.06 -0.02 0.27 0.09 0.18 0.55 0.41 0.38 0.79 0.69 0.55 0.79 1.00 0.89 0.48 0.36 0.46 0.69 0.49 0.33 0.39 0.09 0.11 0.17 0.38
48 -0.04 -0.15 -0.10 0.24 0.07 0.15 0.56 0.47 0.45 0.83 0.82 0.74 0.53 0.89 1.00 0.67 0.13 0.23 0.48 0.34 0.38 0.20 -0.06 -0.09 0.11 0.29
49 -0.14 -0.16 -0.18 0.11 0.10 0.05 0.42 0.43 0.42 0.54 0.67 0.73 0.07 0.48 0.67 1.00 -0.05 0.05 0.19 0.32 0.70 -0.14 -0.10 -0.11 0.14 0.24
52 0.26 0.07 0.07 0.42 0.28 0.25 0.39 0.33 0.19 0.31 0.13 0.07 0.63 0.36 0.13 -0.05 1.00 0.79 0.56 0.24 -0.09 0.60 0.47 0.42 0.02 0.11
53 0.29 0.20 0.27 0.41 0.38 0.34 0.45 0.41 0.35 0.31 0.20 0.18 0.68 0.46 0.23 0.05 0.79 1.00 0.81 0.50 0.07 0.51 0.41 0.51 0.25 0.37
54 0.28 0.13 0.24 0.40 0.25 0.25 0.42 0.36 0.32 0.41 0.33 0.29 0.71 0.69 0.48 0.19 0.56 0.81 1.00 0.75 0.28 0.54 0.37 0.44 0.32 0.48
55 0.11 0.06 0.19 0.12 0.14 0.14 0.15 0.15 0.24 0.16 0.11 0.19 0.36 0.49 0.34 0.32 0.24 0.50 0.75 1.00 0.64 0.32 0.48 0.46 0.49 0.63
56 -0.27 -0.19 -0.18 -0.15 -0.05 -0.08 0.04 0.07 0.16 0.10 0.18 0.34 -0.01 0.33 0.38 0.70 -0.09 0.07 0.28 0.64 1.00 -0.03 0.17 0.17 0.41 0.45
59 0.05 -0.16 -0.07 0.14 -0.06 0.02 0.10 -0.03 -0.06 0.15 -0.01 -0.06 0.40 0.39 0.20 -0.14 0.60 0.51 0.54 0.32 -0.03 1.00 0.64 0.40 0.20 0.29
60 0.11 0.05 0.13 0.15 0.22 0.22 0.08 0.11 0.16 -0.01 -0.13 -0.10 0.19 0.09 -0.06 -0.10 0.47 0.41 0.37 0.48 0.17 0.64 1.00 0.80 0.35 0.45
61 0.14 0.18 0.32 0.17 0.32 0.35 0.13 0.16 0.25 -0.05 -0.12 -0.12 0.30 0.11 -0.09 -0.11 0.42 0.51 0.44 0.46 0.17 0.40 0.80 1.00 0.32 0.43
62 -0.27 -0.27 -0.26 -0.24 -0.19 -0.25 0.00 -0.03 -0.07 -0.02 -0.03 -0.07 0.11 0.17 0.11 0.14 0.02 0.25 0.32 0.49 0.41 0.20 0.35 0.32 1.00 0.66
63 -0.08 -0.06 0.10 -0.05 0.02 0.04 0.14 0.12 0.18 0.16 0.17 0.13 0.19 0.38 0.29 0.24 0.11 0.37 0.48 0.63 0.45 0.29 0.45 0.43 0.66 1.00
Tabla 3. Análisis de Componentes Principales. Correlación entre las series de CPs y las lluvias bimestrales en cada nodo de
la región I.
Nod CP1 CP CP3 CP4 CP5
o 19 -0.03 2
0.79 0.31 - -
20 -0.05 0.94 0.04 0.13
- 0.08
-
21 -0.11 0.91 0.06 0.02
0.10 -0.11
26 0.41 0.74 0.24 - 0.03
0.15
27 0.30 0.89 -0.02 0.19
- 0.23
28 0.34 0.84 0.03 -0.03 0.22
33 0.78 0.42 0.22 0.05
- 0.20
34 0.75 0.56 0.06 0.09
- 0.21
35 0.69 0.64 -0.04 0.03
0.11 0.19
40 0.87 0.06 0.38 - -
41 0.94 0.10 0.16 0.05
0.02 0.03
-
42 0.90 0.17 0.00 0.13 0.10
-
46 0.33 0.16 0.84 0.01 0.09
0.07
47 0.61 -0.06 0.67 0.28 -
48 0.80 -0.13 0.38 0.24 0.08
-
49 0.76 -0.13 -0.14 0.43 -0.17
52 0.12 0.11 0.65 - 0.12
0.55
53 0.13 0.27 0.69 0.19
0.17 0.42
54 0.21 0.19 0.77 0.43 0.19
55 0.06 0.13 0.40 0.81 0.16
56 0.29 -0.17 -0.12 0.81 0.02
59 -0.04 -0.17 0.62 0.00 0.55
60 -0.11 0.11 0.18 0.28 0.84
61 -0.15 0.27 0.19 0.34 0.73
62 -0.02 -0.28 0.08 0.63 0.33
63 0.10 -0.03 0.19 0.74 0.30
Para el desarrollo del modelo estadístico de pronóstico se utiliza como predictando o variable
a pronosticar la serie temporal del índice estandarizado de cada Componente Principal
obtenida. Una vez obtenido el modelo estadístico de mejor ajuste, se determinan las
ecuaciones de regresión lineal entre cada CP y las lluvias bimestrales de cada nodo. Por lo
37
tanto, a partir del pronóstico de las CP se obtiene el pronóstico estacional de las

precipitaciones de cada nodo de la retícula.
Teleconexiones
El objetivo es identificar áreas oceánicas donde las temperaturas de la superficie del mar
(SST) y las presiones a nivel del mar (SLP) estén vinculadas en forma remota tanto en tiempo
como en espacio (teleconexión) con la variabilidad temporal de las precipitaciones del
bimestre Enero-Febrero del período 1979 - 2014. Existen antecedentes en la búsqueda de
teleconexiones con variables climáticas, para tratar de explicar relaciones entre fenómenos
hidrometeorológicos y variables del sistema acoplado océano – atmósfera (Giddings y Soto,
2006; Méndez González J. y Coautores, 2010; Quereda J. y Coautores, 2011)
Para identificar estas teleconexiones (Giddings y Soto, 2006) con las Temperaturas de la
Superficie del Mar (SST), se aplicó el programa – Climate Laboratory (Tanco y Berri, 2000).
Las SST son obtenidas del “Climate Diagnostic Center” (CDC) de la “National Ocean and
Atmospheric Administration” (NOAA) para el período 1950-2016 (Reynolds y Smith, 1994);
accediendo al servidor ftp://ftp.emc.ncep.noaa.gov/cmb/sst/oisst_v2/ASCII_UPDATE/.
Para investigar la influencia de anomalías de circulación atmosférica se usaron teleconexiones

con las presiones a nivel del mar “SLP” y alturas geopotenciales “HG” en los niveles de 850
hPa, 700 hPa, 500 hPa y 200 hPa (Kalnay et. al, 1996), utilizando la base publicada en
https://www.esrl.noaa.gov/psd/cgi-bin/data/getpage.pl.
Otros posibles predictores en escala mensual, cuya influencia como forzantes del sistema
océano-atmósfera en las lluvias del NE de Argentina, se identifican con la técnica de
modelación. Estos son:
Índice de Oscilación del Sur (SOI).

Temperatura de la superficie del mar en la franja del Pacífico Ecuatorial: Niño1+2, Niño3,
Niño3.4, Niño4.
Oscilación del Atlántico Norte (North Atlantic Oscillation: NAO).
Oscilación Decadal del Pacífico Norte (Pacific Decadal Oscillation: PDO).
Oscilación Antártica
Dipolo Atlántico Tropical de las temperaturas de la superficie del mar. Índice producto de la
diferencia de las anomalías de las SST del Océano Atlántico Sur (10° W- 5° E; 5° - 20° S) y
Norte (35° - 20° W; 25° - 10° N)
Área mensual de cobertura del hielo Antártico (SIC por su sigla en inglés Sea Ice Cover)
La información es obtenida de la NOAA para período 1950-2016 y se encuentra en

http://www.cpc.ncep.noaa.gov/; y la información del hielo antártico mensual está disponible
en https://nsidc.org/data/seaice_index/
Como el período de pronóstico es Enero-Febrero; de cada una de estas variables o forzantes,

se han considerado dos meses anteriores al período de pronóstico, es decir, Octubre y
Noviembre, ya que el objetivo es tener estos pronósticos durante los primeros días de
Diciembre de cada año.
38
Aplicación de Redes Neuronales Artificiales (RNA) para el desarrollo de los modelos de

pronóstico
Las RNA han sido aplicadas a una variedad de problemas hidrológicos y meteorológicos, tal
como el pronóstico de precipitación (Kuligowski and Barros, 19981, b; Hall et al., 1999);
predicción de inundaciones (Campololo et al., 2003); predicción de tornados (Marzban and
Gregory, 1996); predicción de manchas solares (Koons and Gorney, 1990) y predicción de
parámetros de calidad de agua (Maier and Dandy, 1996). Estos trabajos han mostrado que
esta técnica de modelación es adecuada para capturar la compleja no linealidad de la
variabilidad de estas variables (Hsu et al., 1997; Minns and Hall, 1996).
Para construir los modelos de pronóstico de las Componentes Principales, se usó un esquema
de Red Neuronal Artificial, siendo la información de entrada los forzantes del sistema
océano-atmósfera ya identificados como potenciales predictores, ya que la técnica permitirá
sólo incluir los de mayor peso en la explicación de la variabilidad de los caudales. La técnica
de Redes Neuronales Artificiales, forma parte de una rama de la Inteligencia Artificial, donde
el conocimiento se incorpora mediante el aprendizaje a partir de ejemplos e intentan simular
la estructura y funcionamiento de las neuronas biológicas.
Las redes generalmente consisten de un número de elementos de procesamiento
interconectados, llamados neuronas. Hay varias estructuras de redes neuronales artificiales
(RNA), pero las más usadas son las redes con conexión hacia delante (feedforward) con
múltiples capas ocultas de neuronas (en nuestro caso sólo una), llamadas perceptrón
multicapa. Las señales fluyen desde la capa de entrada hasta la capa de salida mediante
conexiones unidireccionales llamadas sinapsis que conectan cada neurona con las de las capas
vecinas (Haykin, 1994). La Figura 3 presenta una red neuronal artificial donde las entradas
(xi) son ponderadas por valores asociados con cada sinapsis (wij) llamados pesos sinápticos.
Todos los valores son sumados y comparados con un umbral (bj). Esta suma es el nivel de
activación de la neurona (vj). La salida de una neurona es finalmente computada por una
función de activación ((vj)), que generalmente puede ser lineal o no-lineal (sigmoidea).
Figura 3.- Partes de una red neuronal artificial
Durante la fase de entrenamiento se usó el algoritmo de backpropagation (Rumellhart et al.,

1986) debido a la capacidad que este presenta de auto-adaptar los pesos de las neuronas de
capas intermedias para aprender la relación entre una serie de patrones ejemplos y sus salidas
correspondientes. Para cada iteración la salida producida con un conjunto de entradas es
comparada con la salida deseada (o esperada) que en este caso es la CP1 y una corrección
incremental es calculada para cada parámetro de la red, logrando reducir el error en la salida.
39
Una muestra independiente de datos no usada en el aprendizaje conforma el período de

validación para verificar la bondad de ajuste de la red. Esta verificación permite chequear la
capacidad de generalización a lo largo del entrenamiento y determinar automáticamente el
momento apropiado para parar el aprendizaje evitando sobre-ajuste de los parámetros. Una
vez finalizado el proceso de entrenamiento, la red está lista para ser usada en la simulación de
las lluvias estacionales. Una arquitectura de Red Neuronal Artificial, es usada para vincular el
predictando, con los predictores descriptos más arriba (indicadores climáticos del estado
océano – atmósfera) y que representan en este esquema las neuronas de la capa de entrada.
En la etapa de entrenamiento se aplicó el algoritmo de backpropagation (Rumellhart et al.,

1986) debido a la capacidad que este presenta de auto-adaptar los pesos de las neuronas de
capas intermedias para aprender la relación entre una serie de patrones ejemplos y su salida
correspondiente. Para cada iteración la salida producida con un conjunto de entradas es
comparada con la salida deseada (o esperada) que en este caso es la lluvia bimestral y una
corrección incremental es calculada para cada parámetro de la red, logrando reducir el error
en la salida.
Una muestra independiente de datos no usada en el aprendizaje conforma el período de

validación para verificar la bondad de ajuste de la red. Esta verificación permite chequear la
capacidad de generalización a lo largo del entrenamiento y determinar automáticamente el
momento apropiado para parar el aprendizaje evitando sobre-ajuste de los parámetros.
Una vez finalizado el proceso de entrenamiento, la red está lista para ser usada en la
simulación histórica y pronóstico de la CP1 en este caso de estudio. El desempeño del modelo
fue verificado con el coeficiente de correlación “r” y los test estadísticos: Error Medio
Absoluto en porcentaje “MAPE” y la Raíz del Error Cuadrático Medio “RMSE”, siendo:
MAPE 1/ n   Po  Pe / Po100 (1)
RMSE  (1 / n  ( Po  Pe) 2 )1 / 2 (2)
Po: CP1 observada Pc: CP1 estimada n: número total de observaciones
A continuación se mostrará el resultado obtenido en el bimestre Enero-Febrero, para la

Componente Principal CP1, de la Región I ya que para el resto de las Componentes
Principales (en total son 5) los pasos de la metodología es la misma. Una vez que se tienen los
modelos de todas las componentes y las 3 regiones, se determinan con ecuaciones de
regresión múltiple la relación entre las lluvias en cada nodo y las componentes principales
correspondientes.
Aplicando la función de distribución Gumbel a la serie histórica de las precipitaciones

bimestrales del GPCP de cada nodo, se determinan las probabilidades de ocurrencia del 80%,
60%, 40% y 20%, que corresponden a los límites de las categorías: " Muy Húmedo, Húmedo,
Normal, Seco y Muy Seco". Esta clasificación permite caracterizar qué régimen de
precipitaciones es de esperar para cada bimestre en función del pronóstico cuantitativo. Con
40
los valores de probabilidad de ocurrencia del pronóstico, se trazan los mapas de isolíneas y
sedelimitan de esta forma los escenarios antes mencionados.
RESULTADOS Y DISCUSIÓN
Teleconexiones
La Figura 4 muestra las regiones en los Océanos Pacífico y Atlántico donde las temperaturas
de la superficie del mar (SST) de Noviembre, del período 1978-2013, presentan
teleconexiones con respecto a la serie temporal de la CP1 del período 1979 – 2014. Estas se
ubican geográficamente en el Océano Pacífico SE y, en el Océano Atlántico Tropical y que de
acuerdo al test de hipótesis de “r”, estas correlaciones son significativas en el nivel del 99%.
La Figura 5, muestra también en el nivel de 200 hPa de la atmósfera, conexiones remotas

entre la CP1 y la región austral de nuestro país. Se calcularon todas las teleconexiones entre
la CP1 y las alturas geopotenciales en 850 hPa, 700 hPa, 500 hPa, como así también con las
SLP de Noviembre, que no se presentan en el presente artículo.
Figura 4.- Mapa de correlaciones entre la CP1 del período 1979-2014 y las SST de Noviembre del período 1978-2013.
Figura 5.- Mapa de correlaciones entre la CP1 del período 1979-2014 y las alturas geopotenciales en 200 hPa de Noviembre
del período 1978-2013.
Modelo estadístico de pronóstico de la Componente Principal CP1
41
El esquema de red neuronal entrenada ha considerado tres capas, la de las neuronas de entrada
que son los forzantes climáticos, una capa oculta y la capa de salida que es la CP1. Se
tomaron estas entradas con uno y dos meses previos al período de pronóstico, es decir,
Octubre y Noviembre, con la finalidad de realizar el cálculo de estos pronósticos los primeros
días de Diciembre de cada año. Durante el entrenamiento, se van cambiando en la capa oculta
el número de nodos ocultos, y la función de transferencia (lineal/sigmoide), variando éstas
según la experiencia adquirida de trabajos realizados en hidrología operativa. Se determina
finalmente, en función de los estadísticos r y RSME el mejor modelo, eliminando aquellas
neuronas cuyos pesos sinápticos no son significativos, se reiteran los pasos mencionados y se
continúa así hasta determinar el mejor modelo. Como resultado se obtuvo que la mejor red
entrenada presentó 7 neuronas en la capa de entrada, 10 nodos en la capa oculta, y la función
de activación sigmoide. Estas neuronas de entrada a la red neuronal son:
OAT11: SST (°C) del mes de Noviembre en los Océanos Atlántico Tropical (Figura 6);
GH2_OPS :GH11: altura geopotencial (m.s.n.m.)) del mes de Noviembre en el nivel de 200
hPa, en el Sur del Océano Pacífico (Figura 7);
DAT10: dipolo de las SST del mes de Octubre, en el Océano Atlántico Tropical; calculado
como la diferencia de anomalías de una región del Atlántico Norte y Atlántico Sur;
N1+210: SST Niño 1+2 del mes de Octubre;
PDO11: Oscilación del Pacífico Norte del mes de Noviembre;
SIC10: Área cubierta de hielo del mes de Octubre en el sector Antártico (km2)
OAA10: Oscilación Antártica del mes de Octubre
Figura 6.- Series de la CP1 observada, estimadas en la etapa de entrenamiento y en la etapa de validación.
La Figura 6 muestra la serie observada de la CP1, y la obtenida durante la etapa de

entrenamiento y validación, donde esta última corresponde a la serie resultante independiente
de la etapa de calibración o entrenamiento de la red neuronal. Los parámetros estadísticos
obtenidos aplicando las expresiones (1) y (2) se encuentran en la Tabla 4:
Tabla 4. Parámetros estadísticos obtenidos en las etapas de entrenamiento y validación.

Etapa N (años) r RMSE (mm) MAPE (%)
Entrenamiento 1979–2002 24 0.81 0.52 99
Validación 2003 –2013 11 0.69 0.79 256
Cálculo del pronóstico de las lluvias de Enero-Febrero de los nodos de la región I
42
Una similar metodología de pronóstico se ha realizado para las 4 componentes principales

restantes de la Region I. Luego a partir de ecuaciones de regresión múltiple lineal RML
(stepwise) se establecen las relaciones entre las precipitaciones observadas de cada nodo del
bimestre Enero-Febrero (63 nodos en total) y las componentes principales CP1, C2, CP3, CP4
y CP5. La expresión general en cada nodo de la región I es:
PNiEF    CP1   CP2...   CPn  
Siendo PNiEF la precipitación de Enero-Febrero pronosticada en el nodo i, donde i es la

numeración de los nodos detallada en la Tabla 2, CP1…CPn son las componentes principales,
seleccionadas por la técnica de RML. Si bien esta ecuación es general, no siempre intervienen
en el cálculo de pronóstico todas las componentes principales, sino aquellas de mayor
significancia estadística.
Para caracterizar el régimen de precipitaciones del bimestre Enero – Febero, en cada nodo se
aplicó la distribución de Gamma Incompleta obteniendo los límites de probabilidad de
ocurrencia del 80, 60, 40, 20%, que se corresponden con las categorías Muy Húmedo,
Húmedo, Normal, Seco y Muy Seco.
El pronóstico bimestral se convierte en porcentaje de probabilidad de ocurrencia, para poder

ubicar la clasificación, y asignar las categorías Muy Seco, Seco, Normal, Húmedo y Muy
Húmedo. Con esta información se conforma una tabla con los 63 nodos de las tres regiones
estudiadas y de esta forma es posible trazar los mapas tanto de pronóstico como observación
en la zona estudiada, es decir, Argentina al Norte del río Colorado, como se muestra en la
Figura 10.
Figura 10.- Mapas de observaciones y tendencias de precipitación para el bimestre de Enero-Febrero 2015 (expresado en
probabilidad de ocurrencia). La correlación entre observaciones y pronóstico es 0.89 y la RMSE es de 57 mm
CONCLUSIONES
Debido a que las precipitaciones observadas en Argentina, presentan una distribución espacial
heterogénea, así como registros faltantes difíciles de completar, se utilizaron bases de datos de
precipitación publicadas por el Proyecto Global de Climatología de Precipitación (GPCP por
sus siglas en inglés); información mensual que consideran una combinación de información
satelital y estaciones de superficie. La mayor desventaja de este tipo de información es su
43
resolución muy ordinaria de 2.5 x 2.5° de latitud-longitud, ya que los modelos de pronóstico
en esta resolución pierden detalles dentro de cada celda de trabajo.
Para evaluar la calidad de los datos de precipitación del GPCP, se realizó una comparación
con datos de precipitación de la red pluviométrica operativa en el Servicio Meteorológico
Nacional. El análisis de los resultados de esta evaluación muestra una buena correlación de
los datos GPCP con las observaciones en superficie con un coeficiente de correlación de 0.79.
Luego, se logra a partir de teleconexiones con indicadores del sistema océano-atmósfera
desarrollar modelos no lineales con la aplicación de la técnica de redes neuronales artificiales.
Tabla 5. Resultados comparativos entre observaciones y pronósticos.
Enero-Febrero r rmse (mm) Bias (mm)
1979 0.82 70 -42
1980 0.83 62 -9
1981 0.94 47 3
1982 0.91 42 -10
1983 0.95 49 8
1984 0.95 48 17
1985 0.84 62 -15
1986 0.91 44 -7
1987 0.91 51 -4
1988 0.93 42 -16
1989 0.82 85 -29
1990 0.9 63 29
1991 0.84 58 -17
1992 0.85 57 5
1993 0.93 54 -40
1994 0.92 44 -11
1995 0.96 42 -19
1996 0.94 51 7
1997 0.95 39 15
1998 0.93 65 13
1999 0.96 36 -12
2000 0.92 43 -10
2001 0.96 37 2
2002 0.94 36 8
2003 0.95 51 16
2004 0.72 119 -85
2005 0.8 66 -26
2006 0.79 66 -18
2007 0.92 59 15
2008 0.84 72 9
2009 0.91 51 -19
2010 0.9 82 36
2011 0.89 63 13
2012 0.86 70 -34
2013 0.87 60 -36
2014 0.92 63 29
2015 0.89 57 4
2016 0.84 82 -58
2017 0.83 92 0
Media 0.89 58 -7
La Tabla 5 resume los resultados obtenidos de la modelación de lluvias de Enero-Febrero. En

la Figura 10 se muestra un año en particular, luego para cada año se calcularon los
estadísticos r, rsme y sesgo, pero del conjunto observado y pronosticado, de los 63 nodos,
tanto para la etapa de validación como la de entrenamiento; es decir, aquí estamos
involucrando las tres regiones estudiadas, con 5, 4 y 4 Componentes Principales,
respectivamente. Los valores de estos estadísticos para ambas etapas resultaron muy
significativos, y se observa que la mayoría de los modelos tienen una ligera tendencia a
sobreestimar los pronósticos (sesgo negativo). Como referencia el mínimo de lluvia bimestral
observada para el período 1979-2017 fue de tan sólo 3 mm, la media de 211 mm y la máxima
de 687 mm, como datos para comparar el rsme y sesgo.
Agradecimiento. Este trabajo fue financiado con aportes del Proyecto PNAGUA-1133024 “Estudio del impacto
de escenarios futuros sobre los recursos hídricos”, del Programa Nacional Agua del Instituto Nacional de
Tecnología Agropecuaria.
44
Adler, R. F., Gu G., and Huffman G. (2012). “Estimating Climatological Bias Errors for the
Global Precipitation Climatology Project (GPCP)”, Journal of Applied Meteorology and
Climatology, 51, 84-99.
Ansari, S., Del Greco, S., & Hankins, B. (2010). “The weather and climate toolkit”, In AGU
Fall Meeting Abstracts.
Arkin, P.A., and Xie P. (1994). “The Global Precipitation Climatology Project: First
Algorithm Intercomparison Project”, Bull. Amer. Meteor. Soc., 75, 401-419.
Compagnucci R.H., Araneo, D., Canziani O. (2001). “Principal sequence pattern analysis:
a new approach to classifying the evolution of atmospheric systems”, Int. J. Climatol.21:197-
217.
Coulibaly, P.; Anctil, F., and Bobee, B. (2000). “Daily reservoir inflow forecasting using
artificial neural networks with stopped training approach”, J. Hydrol., 230, 244–257.
Davis J. C. (1973). Statistics and Data Analysis in Geology, pp. 473 – 533.
Flamenco E.; Rebella C.; Carballo E.; Rodriguez R. (2000). “Metodología de pronóstico
estacional de lluvias en regiones de Argentina”. XIX Congreso Nacional del Agua, Villa
Carlos Paz, Agosto de 2002.
Flamenco E.; Rebella C.; Carballo E.; Rodriguez R (2006). “Seasonal rainfall forecast
methodology in regions of Argentina”, 8th International Conference on Southern Hemisphere
Meteorology and Oceanography. Foz do Iguazu, 24 al 28 de Abril 2006.
French M.N.; Krajewski W. F. and Cuykendall R. R. (1992). “Rainfall forecasting in

space and time using neural network”, J. Hydrology, 137, 1-31.
Giddings L.; Soto M. (2006). “Teleconexiones y precipitación en América del Sur”, Revista
de Climatología, Vol. 6 (2006), 13-20.
Gwangseob K. and Ana P. B. (2001). “Quantitative flood forecasting using multisensory

data and neural network”, Journal of Hydrology, 246, 45-62.
Hall T., Brooks H., Doswell C. (1999). “Precipitation forecasting using a neural network”,
Weath. Forecast. 14, 338-345.
Huffman, G.J., Adler R.F., Arkin P., Chang A., Ferraro R., Gruber A., Janowiak J.,
McNab A., Rudolf B., Schneider U. (1997). “The Global Precipitation Climatology Project
(GPCP) Combined Precipitation Dataset”, Bull. Amer. Meteor. Soc., 78(1), 5-20.
Haykin, S. (1994). “Neural networks: a comprehensive foundation”, New York, Macmillan

College Publishing Company.
45
Hsu K., Gao X., Sorooshian S. (1997). Precipitation estimation from remotely sensed
information using artificial neural networks. Journal of applied meteorology. Vol. 36, No. 9
Imrie, C., Durucan S., Korre, A. (2000). “River flow prediction using artificial neural
network: generation beyond the calibration range”, J. Hydrol. 233, 138-153.
Kalnay, E. and Coauthors (1996). “The NCEP/NCAR Reanalysis 40-year Project”, Bull.
Amer. Meteor. Soc., 77, 437-471.
Koons H., Gorney D. (1990). “A sunspot maximum prediction using neural network”. Earth
and Space Science News & Trans. AGU 71 (18), 677.
Kuligowski R., Barros A., (1998a). “Experiments in short-term precipitation forecasting

using artificial neural networks”, Mon. Weath. Rev. 126, 470-482.
Kuligowski R., Barros A. (1998b). “Localized precipitation forecasts from a numerical

weather prediction model using artificial neural networks”. Weath. Forecast. 13 (4), 1194-
1204.
Marzban C., Gregory J. (1996). “A neural network for tornado prediction based on
Doppler-radar derived attributes”, J. Appl. Meteorol. 35, 617-616.
Maier H., Dandy G. (1996). “The use of artificial neural network for the prediction of water
quality parameters”, Water Resour. Res. 32 (4), 1013-1022.
Minns A. W. and Hall M. J. (1996). Artificial neural network as rainfall-runoff models.

Hydrological Sciences Journal. Volume 41 (3), 399-417.
Philippe Iuliano (1990). “Etude de l’onde de fusion de la neige en vue de l’etablissement

d’une prevision des debits sur la periode printemps – ete”. Publicación de la empresa
Électricité de France.
Reynolds R.W. and Smith T.M. (1994). “Improved global sea surface temperature analyses
using optimum interpolation”, J. Climate, 7, 929-948.
Rumelhart, D., Hinton G., Williams R. (1986). “Learning representations by back-

propagation errors”, Nature, 323, 533-536.
Tanco R. A., Berri G. J. (2000). “CLIMLAB2000, Version 1.1.0, A Statistical Software

Package for Climate Applications”, IRI-TR-00/1, International Research Institute (IRI) for
Climate Prediction, LDEO, Palisades, N.Y.,10964 USA.
46
ANÁLISIS DE ALGUNAS ESTRATEGIAS DE ADAPTACIÓN AL

CAMBIO CLIMÁTICO EN DRENAJE URBANO – CONCORDIA, E.R.
Eugenia Garat1, Adolfo Villanueva2 y Gerardo Riccardi3
1
UTN, Concordia, Entre Rios, Arg.; 2INA-CRL, Santa Fe, Arg.; 3Fceia, UNR, Rosario, Arg.
EUGARAT@YAHOO.COM.AR, AONVILLA@GMAIL.COM, GARICCARDI@GMAIL.COM
RESUMEN
La gestión de los recursos hídricos debe trabajar sobre los problemas para la situación actual y desarrollar
herramientas de planeamiento para escenarios de cambio climático, que incorporen el aumento de incerteza.
Como posibles formas de lidiar con los potenciales impactos del cambio climático se plantean cuatro estrategias
de planeamiento de los sistemas de drenaje urbano: ignorar el impacto futuro, proyecto basado en los máximos
incrementos previstos, adaptación por etapas, e incorporación de medidas de control en la fuente a lo largo del
tiempo.
Se simuló el funcionamiento de un sistema urbano para tres escenarios hipotéticos de impacto del cambio
climático. Fueron cuantificados los costos de implementación de cada estrategia y los daños directos atribuibles
a pérdidas por inundación. A partir de eso se estimaron los resultados económicos de cada estrategia y se realizó
un análisis comparativo de las ventajas y desventajas de adoptar cada una de ellas.
Un aspecto interesante del trabajo es que los resultados también son, al menos parcialmente, aplicables a las
incertezas generales relacionadas a la lluvia, que van más allá de las originadas por el cambio climático, y ya se
encuentran en condiciones de afectar los proyectos. Por ejemplo la utilización de series de lluvias muy cortas y
poco representativas, o la variabilidad climática.
ABSTRACT
Water resources management must work on the problems for the current situation and develop planning tools for
scenarios of climate change, incorporating the increase of uncertainty that it generates. Possible ways to deal
with the potential impacts of climate change are four strategies for planning urban drainage systems: ignoring the
future impact, project based on the maximum expected increases, project adaptation by stages, and incorporation
of source control measures.
The operation of an urban system was simulated for three hypothetical climate change impact scenarios. The
costs of implementing each strategy and the direct damages due to flood losses were quantified. From that, the
economic results of each strategy were estimated and a comparative analysis was made of the advantages and
disadvantages of adopting each one.
An interesting aspect of this work is that the results are also at least partially applicable to general uncertainties
related to rainfall, which go beyond those caused by climate change, and are already in a position to affect
projects; for example, the use of very short and unrepresentative rainfall series or climatic variability.
INTRODUCCIÓN
El actual contexto de variación temporal de las características estadísticas de las variables
climáticas causada por el cambio climático constituye un escenario de incerteza profunda o
incerteza severa (deep uncertanty). Eso tiene un efecto directo sobre los recursos hídricos.
Es necesario incorporar consideraciones sobre la incerteza del cambio climático en las etapas
de planeamiento y toma de decisiones, y definir estrategias de adaptación a los impactos, para
mejorar la eficiencia y resiliencia de las inversiones en programas, proyectos e infraestructura.
Como respuestas a los impactos del cambio climático han sido propuestas una amplia
variedad de estrategias de adaptación (e. g. Hallegatte, 2009), que si bien pueden
implementarse individualmente, han demostrado un mejor desempeño cuando se enmarcan en
47
un conjunto planificado de medidas.

En este trabajo se comentan brevemente algunos de los tipos de estrategias para lidiar con
incerteza y adaptación, y se presentan algunos indicadores económicos que resultarían de la
aplicación de 4 estrategias diferentes en el drenaje urbano de la cuenca del arroyo Manzores
(figura 1), Concordia, E.R. (Garat, 2017).
Figura 1 – Cuenca del arroyo Manzores

ALTERNATIVAS DE ADAPTACIÓN
En situaciones de planeamiento bajo incerteza profunda (planning under deep uncertanty) es
previsible que ocurran cambios en el futuro; sin embargo no es posible definir en qué
momento los mismos ocurrirán, ni predecir con precisión su magnitud. Por lo tanto, el
planeamiento de los sistemas y de estrategias de adaptación debe contemplar un amplio
espectro de posibles escenarios futuros y de medidas de adaptación.
El cambio climático genera una situación de ese tipo. Hallegatte (2009) sugiere algunos tipos
de estrategias para lidiar con esa incerteza:
1.- Estrategias No-Regret: decisiones de adaptación al cambio climático, que tienen
justificación en sí mismas desde el punto de vista de la situación actual, aun si la amenaza
climática específica no se concretara. Por ejemplo las políticas de uso del suelo, destinadas a
limitar la urbanización y el desarrollo en áreas inundables; ya son necesarias, y el contexto de
cambio climático potencial las hace aun más convenientes.
48
2.- Estrategias Reversibles: Las políticas de adaptación deben favorecer las estrategias de tipo
reversible y flexible sobre las opciones irreversibles. El objetivo es minimizar el costo de los
errores de predicción sobre el futuro cambio climático. Por ejemplo, la implementación de
sistemas de alerta temprana, que pueden ajustarse periódicamente en función de nueva
información.
3.- Estrategias de margen de seguridad: cuando el sobredimensionamiento de la
infraestructura, basado en criterios de diseño conservadores, reduce su vulnerabilidad a costos
muy bajos o nulos. E. g., diseñar para el máximo impacto previsible.
4.- Estrategias Blandas: implican un aumento de la eficiencia de la adaptación al cambio
climático a partir de la implementación de herramientas institucionales o financieras. Las
estrategias blandas son a su vez estrategias de tipo reversible.
5.- Estrategias que reducen los horizontes de toma de decisiones: una opción para limitar los
costos asociados a la incerteza del cambio climático es la reducción de la vida útil de la
infraestructura.
APLICACIÓN EN LA CUENCA DEL ARROYO MANZORES

La metodología utilizada para análisis de diferentes estrategias de adaptación al impacto del
cambio climático sobre el drenaje urbano consistió en adoptar una cuenca real, con algunas
simplificaciones y simular esa cuenca para condiciones de lluvias extremas superiores a los
actuales valores de proyecto. Las lluvias extremas afectadas por cambio climático fueron
definidas en función de los impactos previsibles según el estado actual del conocimiento
(CIMA, 2015).
Sobre los resultados de las simulaciones se utilizó un análisis económico, relación Beneficio-
Costo (B/C y Valor Presente Neto (VPN), considerando diferentes estrategias de adaptación y
diferentes combinaciones de cambio climático previsto y realmente ocurrido. Por brevedad,
aquí solo serán comentados los valores de B/C.
Para contemplar la incorporación de la incerteza del cambio climático en el drenaje urbano se
implementaron los pasos metodológicos presentados a continuación:
1. Los sistemas de micro y macrodrenaje fueron proyectados para la tormenta de proyecto
estacionaria (PE, IDF actuales), considerando las condiciones futuras de urbanización, para
las recurrencias de diseño y verificación del sistema.
2. Se analizó el desempeño hidráulico de la red en escenarios hipotéticos de cambio climático,
que cubren el rango presentado por CIMA (2015). Se adoptaron tres escenarios hipotéticos de
crecimiento de la precipitación máxima (1,10PE, 1,20PE y 1,30PE). Se asumió que el
máximo incremento se alcanza al final de un período de 90 años, dividido en 3 etapas de 30
años. En ese análisis se utilizaron indicadores estandarizados sugeridos por la Comisión
Europea.
3. Se seleccionaron cuatro estrategias de planeamiento de los sistemas de drenaje urbano para
el manejo del incremento potencial de las precipitaciones:
E1: Proyecto de la red para la tormenta estacionaria.
E2: Proyecto de la red para los máximos incrementos previstos en el fin del período de
análisis.
E3: Adecuación o reemplazo parcial/total de las obras.
49
E4: Implementación de tecnologías LID (SWMM barrels).

5. Se calcularon los costos de implementación de cada estrategia (como diferencia en relación
a E1) y se cuantificaron los daños directos atribuibles a pérdidas por inundación de los
inmuebles en las áreas afectadas, aplicando la metodología FLEMOps(+) (Thieken, 2008).
Los beneficios económicos fueron estimados por la diferencia de daños entre las estrategias
de planeamiento propuestas y la estrategia que representa las condiciones actuales de diseño
(estrategia E1).
6. Para la evaluación económica de las estrategias de planeamiento, se calcularon el valor
presente neto VPN y la relación beneficio-costo B/C. En base a estos indicadores económicos,
se efectuó un análisis exploratorio del desempeño de las estrategias de planeamiento en los
escenarios hipotéticos considerados.
En la tabla 1 se presenta un panorama resumido de la magnitud de los impactos de los
aumentos en las lluvias extremas. En la cuenca analizada, para Tr 5 años (proyecto
microdrenaje) la inundación de calles es nula, así como la inundación en el macrodrenaje para
Tr 25 (proyecto macrodrenaje). Los indicadores utilizados son: el porcentaje de inundación de
calles y la mediana del tirante, el caudal máximo en el arroyo y el valor esperado de daños
(Expected Anual Damage - EAD). Para poner en contexto los valores monetarios, el costo del
sistema de micro y macrodrenaje es de $97.000.000.
Tabla 1.- Algunos indicadores de impacto

Inundación Qmax
IDF EAD 30 años
calles Manzores
1,10 PE 2 %, h~ 7cm + 18 % +7% ($ 1.600.000)
1,20 PE 17 %, h~15 cm + 40% +30% ($ 7.000.000)
1,30 PE 35 %, h~20 cm + 48 % +47% ($ 11.000.000)
Se utilizó la metodología de análisis Beneficio-Costo para los 3 horizontes temporales futuros

(H1, 2013-2043; H2, 2013-2073 y H3, 2013-2103) de los escenarios de cambio climático.
Para ello se definieron los beneficios como costos netos evitados por implementación de cada
estrategia con respecto a la situación de no acción (E1), y los costos de implementación son
las diferencias de valor presente del costo de construcción con respecto a la situación de no
acción (E1). Cabe acotar que E1 no tiene beneficios, solo costos. A partir de la comparación
de resultados de costos y beneficios es posible presentar una primera estimación del impacto
económico de las tres estrategias de planeamiento en contextos climáticos variables. La tabla
2 presenta los valores de costos y beneficios para el escenario de 20% de aumento de las
lluvias extremas.
Tabla 2.- Costos y beneficios de las estrategias. Escenario de cambio climático 1.20PE
Costos Beneficios
(106 $ - 2013) (106 $ - 2013)
Horizonte E2-2 E3-2 E4-2 E2-2 E3-2 E4-2
H1 (2013-2043) 8.00 2.84 22.69 20.06 4.72 6.66
H2 (2013-2073) 8.00 6.27 23.07 29.53 12.78 12.70
H3 (2013-2103) 8.00 6.93 23.19 36.20 19.45 16.25
50
En el corto plazo (los primeros 30 años), la estrategia E3 tiene la relación B/C más favorable.
A mediano y largo plazo (60 y 90 años), la estrategia E2 presenta mejores relaciones costo
beneficio que la estrategia E3. Esto es debido a que al inicio los costos de E2 son mayores,
pero no crecen en el tiempo, como si lo hacen los costos de E3. Los beneficios de E2 son
siempre mayores que los de E3
La estrategia E4 presenta relaciones B/C inferiores a 1 en todas las situaciones, en el rango
0,10-0,80, debido principalmente a el alto costo de implementación de la LID seleccionada.
En la figura 1 se presentan las relaciones B/C para el escenario 1,20PE.
Figura 1.- Relación B/C para las estrategias de adaptación en el escenario 1,20PE.
El análisis anterior está hecho considerando que el impacto que causa el cambio es igual al
previsto en proyecto. Eso es solo una de las situaciones posibles, casi ciertamente el impacto
va a ser diferente al previsto, menor o mayor, en algún porcentaje desconocido. Para
contemplar esos casos se hizo un análisis de las situaciones resultantes de la combinatoria de
impactos previstos y acontecidos. La figura 2 presenta el espectro de combinaciones posibles.
Figura 2.- Combinatoria de impactos de cambio climático, previstos en el proyecto y

realmente acontecidos.
51
En el caso de las combinaciones entre impactos previstos en el proyecto e impactos realmente

acontecidos, presentar la nube de resultados no es posible en este texto. En términos
generales, los resultados siguen la misma lógica que el caso ya presentado. Las estrategias E2
y E3 son las más ventajosas, mientras que la E4 tiene una relación B/C menor que 1 en todos
los casos., como se puede ver en la figura 3
Figura 3.- Relación B/C para combinatoria de impactos previsto y ocurrido, horizonte de
proyecto mediano plazo.
Los análisis comentados aquí han sido hechos considerando que el canal principal de
macrodrenaje se mantiene a cielo abierto y en estado semi-natural. El costo de entubamiento
sería del orden de $ 54 millones (2013). Un análisis que considerara el macrodrenaje entubado
podría dar un resultado diferente en relación a las estrategias de adaptación.
En los análisis de largo plazo (H2 y H3), el valor de daños evitados aumenta
“vegetativamente” generando cierta distorsión de los resultados. Por eso, es preciso ser
cuidadoso al definir la ponderación de los horizontes en la toma de decisiones.
Los costos de implementación (sobredimensionamiento) de E2 y E3 en los escenarios
analizados no superan el 15 % del costo de construcción de la red para la precipitación
estacionaria. Ya en el corto plazo ese incremento en el costo es compensado con la
disminución de los daños (beneficios) para ambas estrategias.
Garat, E., (2017). “Incorporación de la incerteza del cambio climático en la gestión del
drenaje urbano”. Tesis de doctorado, FCEIA, UNR, Rosario
Hallegatte, S., (2009). “Strategies to adapt to an uncertain climate. Global Environmental
Change 19.
52
PLAN DE ADAPTACIÓN DE LA SUBCUENCA DEL ARROYO TORTUGAS ANTE UN

ESCENARIO DE CAMBIO CLIMÁTICO. CÓRDOBA, ARGENTINA, 2017
Lucila Giraudo1, Carla Valdivia1 3, Rocío Villarreal1 4, Diego Pons1 2, Eugenia Alaniz1
1 Universidad Blas Pascal- Avenida Donato Álvarez 380,
2 INTA EEA Manfredi, Cambio Climático, Ruta 9, Km 636, Manfredi, Córdoba, 1Argentina, 3Bolivia
4Monte Grande, Buenos Aires, Argentina, 03541-305153, rocioyvillarreal@gmail.com
RESUMEN
En la región central de la llanura pampeana argentina, el manejo del uso del suelo junto a características
naturales de anegamiento y variaciones en las precipitaciones, han resultado en inundaciones. Una de las cuencas
más afectadas ha sido la del Arroyo Tortugas (Córdoba, Argentina), donde dichos eventos, afectaron los sectores
urbanos. A pesar de la importancia y frecuencia de los mismos, los cuales se prevén se incrementen en un
contexto de creciente variabilidad climática, no ha sido propuesto la adaptación de los municipios dentro de la
cuenca. En consecuencia, el objetivo del siguiente trabajo propone un plan de gestión integral para la adaptación
del sistema urbano de la Subcuenca Arroyo Tortugas (SAT).
Se analizaron las características generales de la cuenca y su comportamiento climatológico e hidrológico, así
como proyecciones de eventos extremos (temperatura y precipitaciones), como ejes orientadores de la gestión de
cuencas y la elección de medidas de adaptación al cambio climático del sector urbano, ante potenciales eventos
de inundación y temperaturas elevadas en la SAT. Se proponen medidas que permitan la reducción de la
velocidad de escorrentía, aumento de infiltración, y reducción de temperatura a partir de la implementación de la
“Infraestructura Verde”.
.
ABSTRACT
In the central region of plain pampas Argentinean, the land use management together natural features of
waterlogging and variation of precipitation are resulting in flooding. The Sub-basin Tortuga Stream (SAT), in
the southeast of Córdoba, has been one of the most affected basins, where successive events of flooding affected
urban activities. Despite the importance and frequency of these events, which will likely increase in a context of
climate variability increase; it hasn't been proposed an integral plan for adaptation to the basin. It is therefore
proposed as main goal an integrated management plan for adaptation of the agricultural and urban sub-basin
system Tortugas Arroyo (SAT).
It has analyzed the general features of basin and it the climatological and hydrological behavior, as well
projections of extreme events (temperature and precipitations), as guiding axes of watershed management and
the choice of measures to adapt to climate change in the urban sector, in the face of potential flood events and
elevated temperatures in the SAT. Measures are proposed that allow the reduction of the runoff velocity,
increase of infiltration, and reduction of temperature from the implementation of the "Green Infrastructure".
INTRODUCCIÓN
Las inundaciones han sido siempre parte integral del proceso de renovación de la naturaleza,
proporcionando muchos efectos positivos como conectividad hidrológica garantizando el
transporte de agua, materia y los organismos vivos, contribuyendo en los procesos ecológicos
(Kuppel, S. et al., 2015). Pero no solo han sido un beneficio para la naturaleza, sino que han
estado presentes en la historia de las civilizaciones desde sus inicios; en algunos casos han
sido aprovechadas por numerosas civilizaciones que vivían de la producción de cultivos en
terrenos inundados, como en el caso del Nilo (Bolaños, J. 2003).
Sin embargo, su conversión en catástrofe resulta sobre todo de la acción humana, por una
parte, debido al descontrol de las aguas producido por la deforestación y manejo inadecuado
de cuencas y planos de inundación y, por otra, a causa de desequilibrios sociales y
económicos, que obligan a la población a ocupar zonas de riesgo. Además existe una
creciente influencia de cambios climáticos globales, que irán agravando la situación, aunque
estos no explican todos los sucesos de inundaciones recientes (Mejía L. & Chicue D. 2014).
53
Las inundaciones, definidas como el resultado de lluvias fuertes que sobrepasan la capacidad
de carga de los ríos, y la capacidad de absorción del suelo (Organización de los Estados
Americanos OEA, 1993), están entre las amenazas derivadas de los fenómenos
meteorológicos que más daños provocan a nivel mundial (EM-DAT International Disaster
Database, 2014), generando alteraciones ambientales en el ámbito rural y urbano, de difícil
reversión (Montico, S. 2002) tales como, localidades anegadas con alta tasa de evacuados,
daños en la infraestructura, interrupción de las vías de comunicación, canalizaciones
clandestinas y graves problemas sanitarios.
En muchas regiones, se presentan superficies sedimentarias con gradientes topográficos bajos

y redes de drenaje poco desarrolladas limitando el drenaje superficial, lo que conduce a
sistemas hidrológicos relativamente estancados lo cual lleva a niveles freáticos altos e
inundaciones largas y duraderas (Kuppel, S. et al., 2015).
El nivel freático, sufre ascensos que responden a causas naturales (aumento de

precipitaciones) y causas antropogénicas (Gómez, M. et al., 2006), como los cambios
producidos a nivel de sistemas productivos agrícolas, por ejemplo, el reemplazo de pasturas
perennes y pastizales por cultivos anuales. La actividad antropogénica, además influye en la
impermeabilización progresiva del suelo por el deterioro físico del mismo, debido a un
erróneo manejo de los recursos naturales (Jobbagy, E. et al., 2010).
El exceso de agua en una llanura puede manifestarse por dos situaciones de creciente
gravedad. Una es el anegamiento de la tierra y afloramiento de agua freática en la superficie
del terreno y la otra es la inundación, debido a la ocupación temporaria del terreno por una
capa de agua que puede ser aportada directamente por la lluvia o por escurrimiento superficial
(Abraham, S. 2007). Ambos casos se presentan en la llanura pampeana Argentina, donde el
escurrimiento lento y dificultoso lleva a que los excesos hídricos se almacenen en lagunas o
elevando los niveles freáticos. La napa freática lentamente sube de nivel por lo que cobra gran
importancia el control de la recarga, a fin de evitar llegar a ese umbral crítico, en el que
aumenta el riesgo de inundación (Mercau, J; Jobbagy, E. & Viglizzo, E. 2013).
Sin embargo, la topografía de la llanura pampeana Argentina no es la única contribuyente al

aumento en la napa freática, sino también, el cambio en el uso del suelo. El avance agrícola en
esta región puede tener múltiples efectos sobre la evapotranspiración. Se puede especular que
existe una tendencia a generar mayores excesos hídricos en la trayectoria histórica que va
desde pastizales naturales (dominantes hasta principios del siglo XX) a rotaciones de pasturas
y cultivos anuales (típicas hasta a la década del ochenta) a cultivos anuales continuos
(preponderantes en la actualidad) (Jobbágy, E. & Nosetto, M., 2009).
Otro factor que podría agravar la frecuencia e intensidad de eventos de precipitaciones

extremas, es el Cambio Climático (CC) (Panel Intergubernamental sobre el CC (IPCC),
2014). Según el Programa de Naciones Unidas para el Desarrollo, el CC es la variación
estadísticamente significativa, ya sea de las condiciones climáticas medias o de su
variabilidad, que se mantiene durante un período prolongado, generalmente durante decenios
o por más tiempo (PNUD, 2009). En la Convención Marco de las Naciones Unidas sobre el
Cambio Climático (CMNUCC, 1992), se hace una distinción entre "cambio climático",
atribuible a actividades humanas que alteran la composición de la atmósfera, y "variabilidad
del clima", atribuible a causas naturales, lo cual expresa que el cambio del clima es atribuido
directa o indirectamente a actividades humanas que alteran la composición de la atmósfera
54
mundial, y que viene a añadirse a la variabilidad natural del clima observada durante períodos
de tiempo comparables (IPCC, 2014).
La fluctuación en la temperatura media del planeta está dando lugar a modificaciones en la

relación océanos-atmósfera, alterando los patrones climáticos a nivel global, los ciclos
hidrológicos, y por ende las precipitaciones (IPCC, 2014). Según las proyecciones, la
frecuencia de episodios de precipitación intensa aumentará muy probablemente en la mayoría
de las áreas durante el siglo XXI, repercutiendo así en el riesgo de inundaciones provocadas
por lluvias (IPCC, 2008, IPCC 2014).
Sobre las proyecciones y tendencias de cambio climático en Argentina, de acuerdo a la

Tercera Comunicación Nacional sobre el Cambio Climático (TCNCC, 2014), en casi toda la
región centro del país, se espera un aumento de las precipitaciones extremas y/o incremento
de temperaturas ya sea por la cantidad de días cálidos o duración de las olas de calor.
Esto marca la necesidad de comenzar a diagramar programas de Adaptación al cambio

climático en la región. Según la definición dada por el IPCC, la adaptación al cambio
climático es aquel conjunto de cambios, iniciativas, medidas encaminadas a la reducción de la
vulnerabilidad tanto en los sistemas naturales (ecosistemas) como en los humanos (viviendas,
colegios, empresas, cultivos) ante los efectos que el cambio climático pueda generar. Dicha
adaptación implica modificaciones sostenibles, integrales y permanentes en el tiempo en
respuesta a las nuevas condiciones ambientales que puedan presentarse (Ministerio de
Ambiente y Desarrollo Sostenible Colombia (MADS), 2015)
Para conocer las condiciones ambientales futuras se utilizan Modelos Climáticos Globales
(MCG). Los MCG son la herramienta más confiable actualmente disponible para simular el
sistema climático y sus variaciones. Son adecuados para desarrollar escenarios climáticos
globales futuros, los cuales trabajan con diferentes hipótesis sobre futuras concentraciones de
Gases de Efecto Invernadero (GEI) (TCNCC, 2014).
Sin embargo, los modelos no son perfectos, sino que tienen limitaciones relacionadas con los
procesos físicos de las nubes, o con los flujos de calor y vapor entre la superficie y la
atmósfera. Una de las mayores limitaciones de los MCG es que no siempre hacen una
representación adecuada del clima a nivel regional, por los errores en la cuantificación de las
precipitaciones (TCNCC, 2014).
El cambio climático en conjunto con los cambios en el uso de suelo (aumento de las áreas
construidas, la deforestación, agricultura, ganadería, etc), están perturbando en forma
dramática la respuesta hídrica natural, alterando el ciclo de lluvia y la capacidad de absorción
del suelo (Centro Nacional de Prevención de Desastres, CENAPRED, 2013)
La Sub-cuenca del arroyo Tortugas (SAT), ubicada en el centro-este de la provincia de

Córdoba, particularmente abarcando las localidades de Corral de Bustos, Oliva, Marcos
Juárez, San Francisco, Alicia entre otras, es un importante aporte a la cuenca baja del río
Carcarañá (Díaz, J. et al., 2014).
El Arroyo Tortugas fue canalizado para transportar el agua proveniente de desagües pluviales
urbanos y del escurrimiento superficial en campos de la región, por lo cual presenta en
determinadas épocas del año caudales importantes (Díaz, J. et al., 2014), lo cual conlleva a un
impacto hídrico significativo.
55
Un proyecto del Servicio de Conservación y Ordenamiento de Tierras (SECYOT) de la

Universidad de Río Cuarto, menciona que las inundaciones y anegamiento están afectando a
la sub-cuenca del arroyo Tortugas. De la misma manera, el Instituto Nacional de Tecnología
Agropecuaria (INTA) observa un cambio en la tendencia del uso del suelo, ya que desde hace
muchas décadas este sector era fundamentalmente agrícola-ganadero, pero en los últimos años
la tendencia se inclinó hacia el aumento de la mecanización agrícola, y la producción de
cultivos anuales (Canale, A. et al., 2011). Esto produjo la disminución de la superficie de
praderas implantadas, el cambio de actividad ganadera por agricultura e inexistencia de
rotaciones, lo que ha provocado un ascenso de las napas freáticas (INTA, 2014).
Otro de los motivos ante esta problemática es la construcción de canales-desagües para

desagotar los excedentes pluviales que formaban pequeñas lagunas o humedales en la zona.
Sin embargo, no se consideró que los canales en períodos de excesos hídricos difícilmente
pudieran evacuar los grandes volúmenes de agua. Actualmente, el problema cobra más
importancia debido a las predicciones climáticas y la inestabilidad hidrológica (SECYOT,
2014).
Sumada a las causas anteriores, encontramos la transformación en el suelo urbano, con

aumento de calles pavimentadas y edificios, lo que evita la infiltración del agua. Este factor
hace que el rango de infiltración sea sustantivamente menor en los asentamientos urbanos,
debido fundamentalmente a la cantidad de superficies asfaltadas, las cuales contribuyen a una
menor recarga a los acuíferos en esos sectores y a una mayor escorrentía en superficie las que
finalmente pueden llegar a producir inundaciones al converger todos los flujos de aguas
(Rodríguez, L. et al., 2005).
La vulnerabilidad a eventos de inundación se podría ver acentuada en un futuro debido al

cambio climático. En base a esto, el objetivo del presente trabajo fue proponer un plan de
gestión integral para la adaptación del sector agropecuario y urbano de la Subcuenca Arroyo
Tortugas (SAT), ante eventos de exceso hídrico y temperaturas extremas.
DISEÑO METODOLÓGICO
ESTUDIO DESCRIPTIVO Y EXPLORATORIO DE CARÁCTER BIBLIOGRÁFICO SOBRE LAS

CARACTERÍSTICAS GENERALES DE LA SAT.
La unidad de análisis fue la Subcuenca del Arroyo Tortugas y las variables utilizadas fueron:
Ubicación, Hidrología, Relieve, Uso del suelo, Fluctuaciones de la napa, Área Urbana, entre
otras.
Se realizó un análisis y descripción de las variables ambientales de la cuenca, a través de fotos
aéreas, imágenes satelitales, cartas topográficas, mapas de suelos, gráficos, cuadros y estudios
hidrológicos, sistematizando y procesando la información mediante Sistemas de Información
Geográfica (QGIS).
ANÁLISIS DEL COMPORTAMIENTO CLIMÁTICO E HIDROLÓGICO DE LA SAT
Mediante el uso de Sistemas de Información Geográfica (SIG), se analizaron los datos de

precipitaciones e índices climáticos extremos obtenidos del modelo CSIRO de la Tercera
Comunicación Nacional para la Convención Marco de Naciones Unidas para el Cambio
Climático para el año 2039. A partir de ello se analizó el comportamiento climático actual y
56
futuro de la cuenca, y luego se identificaron las zonas más afectadas por potenciales excesos
hídricos y futuras fluctuaciones de temperatura en la cuenca.
PLAN INTEGRAL DE ADAPTACIÓN AL CAMBIO CLIMÁTICO PARA EL SECTOR URBANO, ANTE

POTENCIALES EVENTOS DE INUNDACIÓN Y TEMPERATURAS ELEVADAS EN LA SAT.
A partir del análisis de los escenarios climáticos de la Tercera Comunicación Nacional, junto
a la búsqueda bibliográfica, se propusieron una serie de proyectos de adaptación de la cuenca
ante la variabilidad climática y potenciales eventos de exceso hídrico y temperaturas elevadas,
considerando los aspectos ambientales, sociales y económicos.
CARACTERÍSTICAS DE LA SAT
La Subcuenca del Arroyo Tortugas (SAT) es una importante cuenca de aporte a la cuenca baja
del Río Carcarañá, la cual se extiende hacia el Centro-Este de la provincia de Córdoba, al
Oeste de la provincia de Santa Fe y al norte hasta la ciudad de San Francisco (Diaz, J. et al.,
2015) (Figura 1 y 2).
Figura 1.-Ubicación de la Subcuenca del Arroyo Tortugas.

Fuente: Díaz, J., et al., 2015
57
Figura 2.-Ubicación de la Subcuenca del Arroyo Tortugas dentro de la cuenca del Carcarañá.
Fuente: Díaz J., et al, 2015
La cuenca de estudio pertenece a la unidad ambiental denominada Llanuras mal Drenadas del
Sudeste de Córdoba (Becerra et al., 1999; citado en Degioanni, A. et al., s.f). Las
características que presenta son las siguientes: una red de drenaje de dificultoso escurrimiento
(Figura 3), donde proliferan humedales en conto con los niveles freáticos, que favorece la
concurrencia de flujos superficiales y subterráneos en las zonas más deprimidas. Se produce
así una deficiencia en el sistema de drenaje natural que, en circunstancias de lluvias altas,
puede conllevar auténticos problemas de inundación en todo el sector (Degioanni A. et al.,
s.f).
58
Figura 3.-Capacidad de drenaje de la SAT

Fuente: Elaboración propia con datos del Instituto Nacional de Tecnologías Agropecuarias (INTA)
La SAT actualmente se encuentra cubierta por cultivos anuales, que han ido desplazando a las
pasturas perennes y pastizales nativos (que consumían agua durante todo el año). A partir de
los años 70, debido a ciertas medidas político-económicas, los productores se han visto
incentivados a reemplazar sus producciones por la soja hasta llegado el día de hoy, en donde
ocupa casi el 80% de la superficie sembrada (Bollati, P., 2016).
Este cambio en el uso del suelo en el sector agropecuario generó excedentes hídricos en la
capa freática (Bertram N. & Chiacchiera S., 2013). Y la disminución de las rotaciones
también provocó cambios en la infiltración.
En la actualidad, en el sudeste de la SAT, los suelos se encuentran prácticamente saturados de

agua. Bollatti P. (2016) determinó variaciones en la profundidad de la napa freática va de 0,3
metros a no más de 4 metros. Para niveles freáticos menores a los 0,5 49 metros de
profundidad, el suelo permanecerá anegado y no existen perspectivas de recuperación, al
menos hasta el siguiente año. Mientras que, en suelos con napas por debajo de 1,50 metros,
están en situación de bajo riesgo y alto potencial de producción.
Otro factor relacionado con el cambio del uso de suelo es la aparición de más superficies no
infiltrantes y cauces artificiales como canales, calles y cunetas, que modificaron el
59
escurrimiento; produciendo un cambio significativo las características hidrológicas y

ambientales en la SAT (Ministerio de vivienda y urbanismo (MINVU). s.f. :47).
La subcuenca del Arroyo Tortugas abarca las siguientes localidades por departamento (Figura
4):
Tercero Arriba: Oliva, James Craik y Corralito.
▪ General San Martín: La Playosa y Arroyo Algodón
▪ Unión: San Antonio de Litin, Noetinger, Chilibroste y Cintra.
▪ Marcos Juárez: Saira, Marcos Juárez, Leones y General Roca.
▪ Río Segundo: Pozo del Molle y Colazo.
▪ San Justo: Devoto, Saturnino María Laspiur, Las Varas, Las Varillas, Alicia, San
Francisco y El Fortín.
▪ Belgrano: Bouquet, Montes de Oca y Tortugas.
Figura 4.-Localidades abarcadas por la SAT

Fuente: Elaboración propia
De acuerdo con los datos del último Censo Nacional de Población, Hogares y Viviendas 2010
(INDEC), la población de la cuenca que se encuentra dentro de la provincia de Córdoba
cuenta con 174.131 habitantes, constituyéndose como urbano 92% (159.851 hab.) y 8% como
rural (14.270 hab.) (Figura 5) estando esta última comprendida por población rural agrupada,
aquella que reside en localidades de menos de 2.000 habitantes, y por la población rural
dispersa.
60
Figura 5.-Población Urbana/Rural

Fuente: Elaboración propia con base en Censo Nacional de Población, Hogares y Viviendas 2010 (INDEC)
Las localidades que concentran mayor población en la SAT son (Figura 43): San Francisco
(36%), Marcos Juarez (16%), Las Varillas (9%) y Oliva (7%).
Figura-Porcentaje de población aportada por localidad a la SAT

61
La población de la SAT está compuesta de 48% hombres y 62% mujeres. En cuanto a la

composición poblacional por edades, en la pirámide (Figura 6), se puede observar un
comportamiento estable, en donde la natalidad y la mortalidad se mantienen constantes, es
decir, se encuentra en un estado de población adulta. El índice de mortalidad infantil es bajo,
por otro lado, se puede observar que existe una disminución de población entre los 20 a 30
años debido a la emigración hacia las ciudades para realizar sus estudios universitarios. Estos
escalones están seguidos por una población adulta que mantiene cantidades constantes desde
los 35 a 60 años.
*No se incluyó el departamento Belgrano

Figura 6.-Pirámide poblacional de la SAT año 2010
Fuente: Elaboración propia con datos del INDEC, 2010
Con respecto a algunos departamentos de manera individual, cabe agregar que General San
Martín, Marcos Juárez y Unión presentan una fuerte oleada de migración en las edades de 25
a 45 años. Otro rasgo que destacar es que los departamentos que presentan una mayor
cantidad de población infantil y anciana son Marcos Juárez (9.262 niños y 5.792 ancianos),
Tercero Arriba (4.887 niños y 2.955) y San Justo (21.097 niños y 13.330 ancianos). Estos
departamentos son los que concentran la mayor cantidad de población vulnerable.
De acuerdo con Comisión Económica para América Latina y el Caribe (Cepal) (2000) el
concepto de Necesidades Básicas Insatisfechas (NBI) permite la delimitación de grupos de
pobreza estructural y representa una alternativa a la identificación de la pobreza considerada
únicamente como insuficiencia de ingresos. Por medio de este abordaje se identifican
dimensiones de privación absoluta y se enfoca la pobreza como el resultado de un cúmulo de
privaciones materiales esenciales. Usualmente utiliza indicadores directamente relacionados
con cuatro áreas de necesidades básicas de las personas (vivienda, servicios sanitarios,
educación básica e ingreso mínimo), información que se obtiene de los censos de población y
vivienda.
62
El INDEC (2010) considera hogares con NBI aquellos en los cuales está presente al menos
uno de los siguientes indicadores de privación:
▪ Hacinamiento: Hogares que tienen más de tres personas por cuarto (hacinamiento
crítico)
▪ Vivienda inadecuada: Hogares que habitan en una vivienda de tipo inconveniente
pieza de inquilinato o vivienda precaria por estar construida con materiales frágiles o
inseguros (por ejemplo, cartón, chapa).
▪ Condiciones sanitarias: Hogares que no tienen retrete o tienen retrete sin descarga de
agua.
▪ Menores no escolarizados: la presencia en el hogar de al menos un niño de 6 a 12 años
que no asiste a la escuela.
▪ Capacidad de subsistencia: Cuatro o más personas por jefe de hogar que no haya
completado el tercer grado de escolaridad primaria y, según su edad, debería haberlo
hecho.
En la cuenca SAT hay 171.771 personas que viven en hogares de las cuales el 5% (8.655
hab.) tienen al menos una NBI y 95% (163.116 hab.) no tienen NBI. Mediante la Figura 7 se
puede observar que dentro del 5% con NBI, las localidades de mayor porcentaje y por lo tanto
las más vulnerables son: San Francisco, Marcos Juárez, Las Varillas, James Craik, Leones y
Pozo del Molle.
Figura 7.- Porcentaje de población SAT- Necesidades básicas insatisfechas (NBI) en localidades
Fuente: Elaboración propia con base en Censo Nacional de Población, Hogares y Viviendas 2010 (INDEC), CEPAL,
Dirección de Estadísticas Socio-demográficas y Dirección General de Estadística y Censos de la Provincia de Córdoba, 2010
El acceso a la electricidad es un parámetro de del desarrollo económico y social (INDEC,

2010). En la cuenca de en estudio el 99,8% de la población cuenta con acceso a energía
63
eléctrica, ya sea por red o por generación propia con motor u otros medios; y el 0,2% restante
no tiene acceso a este servicio.
Las localidades que representan el mayor porcentaje sin acceso a electricidad son San
Francisco, Devoto, Marcos Juárez, Pozo del Molle y, compartiendo el mismo porcentaje,
Oliva, James Craik y Corralito (Figura 8).
Figura 8. -Porcentaje de población sin acceso a electricidad de las localidades de la SAT

La información que brinda esta temática permite caracterizar a la población con y sin
cobertura y el tipo de cobertura en función de una variedad de atributos que releva el censo,
entre ellos la edad. Vale la pena destacar que la información que reporta este apartado es de
suma importancia como indicador de las condiciones de vida de la población de los adultos y
niños mayores, que sin protección previsional constituyen un grupo altamente vulnerable que
es prioritariamente objetivo de protección (INDEC, 2012).
En la SAT el 75% de las personas cuenta con cobertura de salud, mientras que el 25% aun no
la tiene, principalmente el grupo de personas que se encuentran entre los 15-64 años (Figura
9).
64
Figura 9. -Porcentaje de población total con/sin cobertura de salud la SAT

Fuente: Elaboración propia con base en Censo Nacional de Población, Hogares y Viviendas 2010 (INDEC) y CEPAL
Las localidades que reúnen mayor población sin cobertura de salud son: San Francisco (8%),
Marcos Juárez (4%), Las Varillas (2%), Leones y Oliva (1,7), y Pozo del Molle (1%)
(INDEC, 2010)
Las localidades que poseen una mayor superficie son: San Francisco (48,80 km²), Marcos
Juárez (20,70 km²), Las Varillas (15,12 km²), (Oliva 6,56 km²) y por último Pozo del Molle
(4,41 km²) (Tabla 1).
Tabla 1.-Superficie de las localidades de la SAT
Departamento Localidad Superficie Km2
General San Martín La Playosa 3,07 km²
Arroyo Algodón 1,16 km²
Marcos Juárez Marcos Juárez 20,70 km²
General Roca 2,84 km²
Saira 0,85 km²
Leones 9,21 km²
San Justo Alicia 6,48 km²
65
El Fortín 1,89 km²
Las Varillas 15,12 km²
San Francisco 48,80 km²
Las Varas 0,91 km²
Saturnino María Laspiur 1,42 km²
Devoto 4,13 km²
Tercero Arriba Oliva 6,56 km²
Corralito 2,08 km²
James Craik 2,56 km²
Los Zorros 0,39 km²
Pampayasta Sur 1,39 km²
Pampayasta Norte 0,37 km²
Unión Cintra 0,58 km²
San Antonio de Litin 0,79 km²
Noetinger 3,89 km²
Chilibroste 1,84 km²
Río Segundo Pozo del Molle 4,41 km²
Colazo 0,87 km²
Fuente: Elaboración propia con datos de ING y Open Street Map
La vulnerabilidad social es un componente clave para comprender la configuración del riesgo

desastre. En un contexto de cambio en las variables climáticas, analizar y entender los
diferentes grados de vulnerabilidad de un grupo social determinado, permite evaluar con qué
recursos materiales y no materiales cuentan las personas para enfrentar los desafíos que
imponen los riesgos de desastre climático eventual (Natenzon, C., s.f).
66
Los elementos para analizar la vulnerabilidad de un sector son: Exposición (distribución de lo

potencialmente afectable), Sensibilidad (dificultad ex-ante de hacer frente a un evento) y
resiliencia (capacidad ex-post de afrontarlo) (Figura 10).
Figura 10.- Componentes de Vulnerabilidad actual y futura.

Fuente: IPCC (2007).
En base a las temáticas abordadas en la tercera Comunicación Nacional (TCN) se realizó un

estudio del riesgo, amenaza y vulnerabilidad social de diferentes regiones de Argentina, el
cual consistió en la aplicación de un índice de vulnerabilidad frente a desastres (IVSD)
combinado con información de estudios climáticos suministradas por el Centro de
Investigaciones del Mar y la Atmósfera (CIMA) y datos de los Censos Nacionales de
Población, Hogares y Vivienda 2001 y 2010 (Natenzon, C., s.f). Esto dio como resultado
diferente tipos de mapas entre ellos la síntesis de vulnerabilidad social para el año 2001 y
2011 (Figura 11).
67
Figura 11.- Síntesis del índice de vulnerabilidad social frente a riesgo de desastre. Censo 2001 y 2010
Fuente: CIMA & TCN en Natenzon, C., s.f
En el siguiente mapa se puede observar las tendencias de Vulnerabilidad Social ante eventos
extremos de todo el país y específicamente de los departamentos de la SAT. Para el año 2001
los departamentos de San Justo, Tercero Arriba, Río Segundo, Unión y General San Martín se
observa una alta vulnerabilidad social, mientras que para el año 2010 estos redujeron su IVSD
a medio exceptuando el departamento de Río segundo que se mantuvo en alto. Para el caso de
Marcos Juárez el índice se mantuvo para ambos años en vulnerabilidad media.
VARIABILIDAD CLIMÁTICA
Se realizó la comparación de las precipitaciones y temperaturas a futuro (2015-2039) con las

pasadas para analizar el comportamiento climatológico de la SAT. Para los pasados la fuente
utilizada fue WordClim de la Organización Meteorológica Mundial. Para los datos futuros se
utilizó el modelo climático global (CSIRO MK 3-6-0) el cual fue obtenido por la TCNCC.
El análisis comparativo entre precipitaciones pasadas y futuras mostró además de una

variación en la cantidad de milímetros caídos, una diferencia dentro de las diversas zonas de
la cuenca, con menos lluvias hacia el Oeste en el futuro (reducción de 100 mm
aproximadamente), mientras que en partes del centro de la cuenca lloverán 200 mm más en
relación con el periodo histórico ( Figura 12).
68
Figura 12. – Diferencia entre Promedios Anuales de Precipitación (Futuras-Históricas)

Fuente: Elaboración propia con datos de la TCNCC y WordClim
Para conocer el comportamiento de la Temperatura y las Precipitaciones se realizó el análisis

de los siguientes eventos de índices climáticos extremo.
PRECIPITACIONES EN 5 DÍAS CONSECUTIVOS
Este índice representa la cantidad de lluvia caída durante 5 días consecutivos de precipitación.
El incremento podría ser de un 13% en los casos más extremos como en la localidad de Las
Varillas, Pozo del Molle y San Francisco; y un aumento del 6 al 8% en la región sureste y
oeste de la cuenca (Figura 13).
69
Figura 13.-Mapa Px5días Futuro-Pasado.

Fuente: Elaboración propia con datos de la TCNCC
La variabilidad de los eventos puede ser mayor en los seis casos estudiados y se denota una
diferencia considerable entre los máximos, inclusive dichos máximos superan eventos
extremos del periodo histórico en San Francisco, Las Varillas, Pozo del Molle y Alicia
(Figura 14).
70
Figura 14.-Precipitación máxima en 5 días consecutivos (PX5 día) histórica y proyectada en las principales localidades de la
SAT
RACHA CÁLIDA (OLAS DE CALOR)
Índice entendido como la duración de las olas de calor mostró en los mapas que en el periodo
de (1961-1990) existieron entre 1 a 4 olas de calor. Mientras que con los promedios de
proyecciones futuras (2015-2039), muestra un importante aumento de olas de calor: 5 olas de
calor en el Oeste de la cuenca y de 6 a 7 en el Centro y Este (Figura 15).
71
Figura 15-Indicador de duración Racha Cálida (IDRC)

RACHA SECA
Representa el número de días consecutivos con precipitaciones menores a 1 mm es decir días

secos.
En la mayoría de las localidades analizadas vemos, que la cantidad de días secos posiblemente
disminuya en los próximos años, lo cual es congruente con el aumento de precipitaciones en
la cuenca (Figura 16).
72
Figura 16.-Longitud máxima de la racha seca (LMRS)

Fuente: Elaboración propia con datos de TCNCC
ANÁLISIS DE ESCURRIMIENTO E INUNDACIONES - ÁREA URBANA
Al igual que el sector agropecuario de la SAT, los asentamientos urbanos se han visto
afectados por las inundaciones, provocando otro tipo de pérdidas que están relacionadas a los
daños en la infraestructura de las ciudades.
A diferencia del sector agrícola - ganadero, como se especificó en la introducción, a lo largo

de la cuenca se ha producido una alteración en el uso del suelo. Algunos de estos cambios
fueron y son la aparición de más superficies no infiltrantes como techos y pavimentos, pero
sobretodo innumerables cauces artificiales como canales, calles y cunetas, que modificaron el
escurrimiento; produciendo un cambio significativo en las condiciones naturales, y en
particular las características hidrológicas y ambientales en la SAT (Ministerio de vivienda y
urbanismo (MINVU). s.f.).
Es por ello que en este apartado se describió el comportamiento del escurrimiento en la

cuenca para con las ciudades, y para poder entender por qué hubo ingreso de agua a las
ciudades. Cabe agregar y destacar que la problemática a nivel de las urbes no es por la el
ascenso de napa en sí misma (como en el área agrícola), sino por la aceleración y cambios de
dirección del escurrimiento aguas abajo, que se da lugar a causa de la impermeabilización
(rutas, calles, etc.) y de las canalizaciones mencionadas.
Para realizar la descripción del escurrimiento se realizó una serie de superposiciones de capas
73
vectoriales de líneas de escurrimiento, ejidos urbanos, canales, curvas de nivel; con capas
ráster de inundaciones pasadas y con imágenes satelitales.
En primera instancia, se observa las inundaciones pasadas con respeto a las ciudades
anteriormente seleccionadas, donde se identificó qué localidades se inundaron o son
propensas a inundarse, en caso de presentarse a futuro un evento más extremo que los ya
acontecidos. Dichas localidades son Las Varillas, San Francisco, Marcos Juárez, Alicia y
Pozo del Molle (Figura 17).
Figura 17.- Inundaciones pasadas (2000-2015) y localidades propensas

Fuente: Elaboración propia con datos obtenidos del ING y de Global Flood Partnership
Teniendo como base el anterior mapa, se expone el primer esquema en el cual se identifica la
relación del escurrimiento con la topografía (curvas de nivel) y a las canalizaciones, lo cual
nos permitió observar los diferentes rumbos en los que se dirige el agua de localidad a
localidad, y aproximar el lugar de ingreso de ésta a las urbes (Figura 18).
74
Figura 18.- Dirección del escurrimiento localidad a localidad

Fuente: Elaboración propia en base a datos de ING y Secretaría de recursos hídricos Córdoba
El esquema nos da un panorama general, sin embargo, se vió necesario observar a detalle el
escurrimiento respecto a los ejidos urbanos que son propensos a inundaciones.
A continuación, se presenta el ejemplo de Las Varillas.
La ciudad de las Varillas cuenta con numerosos canales que redirigen el escurrimiento, el
principal es proveniente del Oeste, adyacente a la Ruta Nacional Nº 158, el cual atraviesa la
ciudad llevando el escurrimiento en dirección a las Varas y por lo tanto a San Francisco; el
mismo canal a la vez se conecta con tres canales: uno de ellos ubicado al Noroeste que
conduce el agua a un escurrimiento natural, otro al Sur que se empalma con el canal de la
Ruta Provincial Nº 3-13 en dirección a la localidad de Alicia, por último un canal contiguo al
mismo que proviene desde la localidad de Pozo del Molle.
Si llegaran desbordarse, al menos la periferia de la ciudad queda más expuesta, en especial el
ingreso por Ruta Nacional Nº158, ya que ese canal podría saturarse al recibir aportes
importantes del canal proveniente de Pozo del Molle, aun así se tenga la presencia del área de
amortiguamiento que se encuentra antes de ingresar a la ciudad (Figura 19).
75
Figura 19.-Dirección del escurrimiento-Las Varillas

Fuente: Elaboración propia en base a datos de ING, Secretaría de recursos hídricos Córdoba y OpenStreetMap
PLAN DE GESTIÓN INTEGRAL DE LA SUBCUENCA ARROYO TORTUGAS
OBJETIVOS
Se plantearon objetivos que dieron forma a distintos proyectos, para cada uno de ellos se han
contemplado: lineamientos de aplicabilidad, beneficiarios, financiamiento, indicadores de
éxito e incentivos.
OBJETIVO GENERAL
Adaptar la Subcuenca Arroyo Tortugas ante eventos climáticos extremos, como ser excesos
hídricos e incremento de temperaturas.
OBJETIVOS ESPECÍFICOS
- Proponer la creación de un Comité para la SAT y establecer su estructura.

- Proponer medidas de adaptación ante Inundaciones y Temperaturas en Zonas Urbanas.
- Crear un sistema de alerta temprana para la SAT
CREACIÓN DE UN COMITÉ PARA LA SAT
Al no existir un Comité de Cuenca para la región de estudio se propuso el mismo, el cual se

encargará de gestionar la cuenca, coordinar políticas de actores estatales y no estatales (Figura
20), y administrar los fondos que se utilizarán para la aplicación de medidas.
76
Figura 20.-Principales Actores del Comité de la SAT.

Fuente: Elaboración Propia
Los consorcios canaleros que abarcan el territorio de la SAT están avalados por la legislación
vigente de la provincia de Córdoba y su objetivo es la realización de obras y trabajos de
construcción, conservación, mejoramiento, mantenimiento, rehabilitación y limpieza de
canales de la red principal y secundaria de desagües o drenajes de cuencas rurales o urbanas.
Este sector está compuesto principalmente por productores que ven afectados sus terrenos de
cultivos por el anegamiento, por lo tanto, su participación será fundamental al momento de
tomar decisiones dentro de la SAT.
La SAT está constituida por más de 21 localidades conformadas en municipios y en comunas.

Las autoridades de las mismas formarán parte del Comité. La actuación por parte de este
sector es el de proteger los intereses de las comunidades de la subcuenca, así como velar por
el cumplimiento de las leyes o reglamentos establecidos en la subcuenca.
La sociedad civil deberá participar, informarse activamente y asumir responsabilidad

individualmente. Para tener una visión más integradora la participación de la comunidad
dentro del comité será un eje fundamental. Este grupo está compuesto por: productores,
ciudadanos rurales y urbanos, y ONG´s. Para formar parte deberán asistir a las capacitaciones,
y a los encuentros que se realizarán para poder dar a conocer sus intereses.
El rol del sector académico dentro del comité es el de proveer de información y análisis de
datos; y realizar trabajos de investigación en el ámbito social, ambiental y económico, que
contribuyan a mejorar la calidad de vida de los habitantes de la subcuenca del Arroyo
Tortugas.
Instituciones Públicas tendrán como fin promover la institucionalización y el fortalecimiento
77
de organizaciones de cuencas Interjurisdiccionales, para facilitar la coordinación de la gestión

hídrica de diferentes jurisdicciones.
El objetivo principal será promover la cooperación entre las jurisdicciones, en el marco de la

realización de emprendimientos conjuntos que beneficien a todas las partes. Evitarán los
conflictos mediante la generación de propuestas superadoras, antes que ayudar a resolverlos.
También junto con el Sector académico brindarán asesoramiento técnico e información.
Además, se proporcionarán incentivos los cuales son aquellas medidas que motivan a los
actores, que se ven afectados por determinadas propuestas, a que cumplan con los objetivos
que se establezcan en forma conjunta. Los mismos estarán a cargo del Comité de la SAT.
PROYECTO 2: CONTROL DE INUNDACIONES Y TEMPERATURAS EN ZONAS URBANAS
OBJETIVO GENERAL
Proponer medidas de adaptación estructurales basadas en Infraestructura Verde (IV) y

lineamientos para su aplicabilidad, que optimicen la resiliencia de las localidades ante sucesos
de inundaciones e incrementos de temperatura.
OBJETIVOS ESPECÍFICOS
1. Clasificar el uso de suelo urbano

2. Caracterizar y analizar el inmueble urbano de las ciudades.
3. Proponer medidas de adaptación estructurales basadas en IV.
4. Proponer lineamientos de aplicación de IV.
VISIÓN INTEGRAL Y ESTRUCTURA DEL PROYECTO
De acuerdo con los datos arrojados por las modelizaciones de la metodología 2, las
diferencias de precipitaciones en los distintos trimestres, proyectadas para el periodo 2015-
2039 y precipitaciones pasadas se observa un considerable incremento de las precipitaciones,
particularmente en los periodos estacionales primavera-verano, donde el aumento oscila entre
un 100% a un 150%.
En el caso de las temperaturas, los diferentes índices han pronosticado un incremento de

temperatura en la cuenca. Los datos expuestos permitieron contemplar los impactos y riesgos
que tienen las áreas urbanas de sufrir daños en su infraestructura y en la población.
Por otro lado, los antecedentes de inundaciones descritos en las localidades muestran que las
capacidades estructurales instaladas actualmente pueden ser sobrepasadas por eventos
extremos.
Esto incentivó a realizar una búsqueda de medidas que refuercen las medidas actuales
(infraestructura gris), para que contribuyan a amortiguar en mayor magnitud dichos eventos.
Tarea que se realizó mediante la metodología 3, donde se infirió que las medidas que
complementan a las medidas ingenieriles son las basadas en IV.
Cabe agregar que si bien los tipos de IV son aplicables en todo tipo de ciudades, el proyecto
78
busca que las medidas propuestas sean las más adecuadas para las localidades y la cuenca, es
decir, no adaptar las ciudades de manera aislada y unitaria sino tomar en cuenta todas las
características de SAT haciendo hincapié en el control del escurrimiento.
Es por ello que se analizaron una serie de aspectos como ser: localización de las ciudades
respecto a la SAT, los rasgos físicos de las ciudades, y sobre todo el análisis de la escorrentía
de la metodología 2.
Por otra parte, también se busca para la aplicabilidad futura del objetivo del proyecto, la
participación de entes nacionales y privados, como también los ciudadanos.
En resumen, se buscó involucrar todos los aspectos necesarios para proporcionar propuestas
de medidas de adaptación lo más aptas posibles para las urbes que podrían verse más
afectadas por eventos de exceso hídrico (San Francisco, Las Varillas, Marcos Juárez, Pozo del
Molle y Oliva), pero a la vez son propuestas que benefician a toda la cuenca.
El proyecto se organiza de la siguiente manera: en primera instancia, se clasifica el uso de

suelo para determinar la dominancia de áreas. Seguido a esto se realiza un análisis del
relevamiento fotográfico de las localidades, lo cual permitirá evaluar qué medidas de IV son
más aplicables acorde a las características del soporte físico urbano existente. Por último, se
efectúa una vinculación de ambos análisis para proponer las medidas de adaptación en base a
IV acompañado de sus lineamientos para las localidades de San Francisco, Las Varillas,
Marcos Juárez, Pozo del Molle y Oliva (Figura 21).
Figura 21 .-Organización y composición
79
Fuente: Elaboración propia.
CLASIFICACIÓN DE USO DE SUELO
La delimitación del uso de suelo realizada tiene como finalidad dar pie a la identificación de
la predominancia edilicia en las distintas localidades. El procedimiento se realizó mediante
Sistemas de Información Geográfica (SIG) (Qgis 2.10.1), clasificando de manera visual,
imágenes satelitales de Digitalglobe disponibles en Google Earth.
Asimismo, se obtuvo apoyo con información de mapas e imágenes de las páginas:

GoogleMaps, GoogleStreetView y OpenStreetMap (OSM) que contienen datos de
información geográfica capturada con dispositivos GPS móviles, fotografías y otras fuentes
libres; además de datos vectoriales almacenados en su base de datos, entre ellos uso de suelo.
De forma complementaria se usaron planos urbanos, extraídos de páginas de las distintas
municipales.
La división de los usos de ocupación del suelo se englobó dentro de 7 áreas (Figura 22):
1. Área residencial consolidada y comercial, la cual se caracteriza por ser un área que cuenta
con los servicios infraestructurales completos.
2. Un segundo grupo, de conformación mixta, que involucra dos tipos de áreas que se suelen
encontrar en la periferia de la ciudad. La primera denominada Área residencial no
consolidada, que consta de terrenos baldíos o donde la urbanización en la manzana no está
completa y/o contiene posibles carencias de servicios; y la segunda el Área agrícola,
compuesta por campos de cultivos dentro del ejido urbano. Este grupo es de gran relevancia
tenerlo delimitado, principalmente para prever aspectos legales de derecho de propiedad
puesto que pueden ser de carácter público o privado, y por otro lado por ser lugares altamente
potenciales para la implantación de estructuras de adaptación;
3. Industria: independientemente de la finalidad de la producción;
4. Espacios verdes, espacios -no cementados- que conservan ciertas características de

naturalidad (plazas, plazoletas, parques, etc).
5.Área institucional- administrativa conformada por los sectores académicos ya sean colegios,
universidades, clubes etc., y por los sectores de administración como ser bancos y las
municipalidades, entre otros entes;
6. Área de servicios es el sexto grupo el cual incluye a los servicios básicos que requiere una
sociedad, como ser: hospitales, plantas de tratamientos cloacales y de electricidad. En este
apartado se incluyen también los hoteles. En algunos casos los servicios, como por ejemplo
plantas de tratamiento cloacales, aún se encuentran en proceso de construcción en algunas de
las localidades;
7. “Otros”, engloba a los lugares donde se encuentran la terminal de buses y estación de

ferrocarril. A continuación, se presentan como modo ejemplo los usos de suelo en la localidad
de Las Varillas:
80
Figura 21.-Usos de ocupación del suelo localidad de Las Varillas

Fuente: Elaboración propia con datos de OpenStreetMap, Google Earth, organismos municipales.
Análisis de usos de ocupación del suelo: De acuerdo con la representación de usos de suelo de
cada localidad se puede observar que la traza urbana y la lotificación se desarrolla sin
consideración o estrategia ambiental o criterio preestablecido. Los usos del suelo son mixtos,
teniendo como grupo predominante el área mixta residencial-comercial, seguido del grupo
que conforma el área residencial no consolidada-agrícola. En tercer lugar (en las localidades
más grandes) el grupo de área industrial y por último las áreas verdes.
Si bien se ha identificado el uso de suelo y se infirió la composición edilicia de las ciudades,

esto sólo ayuda a aproximar, las características de las estructuras de las ciudades.
DESCRIPCIÓN DEL INMOBILIARIO URBANO POR LOCALIDAD
Dada la conclusión del análisis previo, para proponer las medidas de adaptación más
adecuadas a las localidades; también es necesario poseer un panorama de las características
internas; en otras palabras, es necesario observar y cualificar el inmobiliario urbano, con el fin
de destacar rasgos que nos permitan apuntar a medidas más específicas y más aptas.
Para poder cumplir con lo anteriormente mencionado, se trabajó en base al soporte fotográfico
de la plataforma Google-Streetview y con fotografías tomadas “in situ”.
Mediante el siguiente esquema (Figura 22) se muestran los puntos para la captura de las
fotografías y el motivo de selección de estos puntos.
81
Figura 22.- Esquema de justificación para la selección de puntos estratégicos

Fuente: Elaboración propia.
VINCULACIÓN DE INFORMACIÓN Y PROPOSICIÓN DE MEDIDAS DE IV
El conjunto de los diferentes ingresos a las ciudades, tienen la característica común de tener
campos agrícolas o terrenos baldíos junto a las rutas. En muchos de los casos, son zonas que
se encuentran inundadas o se inundan debido a los canales colindantes a las rutas, o por ser
zonas por donde pasa el escurrimiento natural.
Independientemente de los casos, estas zonas sirven de caminos para que el agua fluya hacia
la ciudad, por lo tanto, colocar un tipo de barrera en base al origen del escurrimiento, es una
manera de afrontar esa problemática. El Anillo verde es una medida que actúa en forma de
barrera para proteger a las ciudades, lo cual lo vuelve ideal para implantarlo en las zonas
mencionadas.
Las localidades de la SAT se caracterizan, como se vio, por poseer grandes áreas residenciales
que se encuentran conformadas por barrios que llevan características similares en el diseño de
sus casas. Se denota que en la mayoría de los casos las edificaciones llevan principalmente
techos planos o ligeramente inclinados, lo que resulta ser una ventaja, ya que vuelve factible
proponer techos verdes, siendo ésta una medida ideal para disminuir los volúmenes de
escorrentía.
Es de conocimiento que las calles, avenidas, aceras e industrias, contribuyen a que la lluvia se
convierta rápidamente en escorrentía, en especial cuando son mayormente de cemento. Al
momento de realizar ambos análisis, se encontró que las localidades tienen una cantidad
82
considerable de superficies verdes, pero sin una distribución planificada a lo largo de la

localidad; es decir, existen sectores tales como barrios no consolidados y áreas periféricas
donde las superficies impermeables predominan. Sin embargo, dicha ausencia de áreas verdes
en aquellos sectores se transforma en una oportunidad para implantar medidas de la trama
verde y de esta manera potenciar la disminución del volumen de escurrimiento en la localidad.
Cabe agregar que estas zonas de impermeabilidad presentan dimensiones adecuadas (2 a 3 m
según CONAFOVI, 2005) para la implementación de la trama verde, por lo cual no será un
impedimento para la arborización.
En síntesis, las medidas de adaptación propuestas son “Anillo verde” y “trama verde” dado
que son las más óptimas para aplicar en las localidades. Es importante recordar, que si bien
dentro de la categoría de trama verde existen varios tipos de medidas, se proponen
específicamente las de techo verde y superficies verdes.
PROPUESTA DE LINEAMIENTOS DE APLICACIÓN DE IV
Previamente a los lineamientos y propuesta de aplicación de IV es necesario considerar al

menos tres grandes variables: objetivos, características de las especies y características del
sitio, esto nos ayudará a las medidas propuestas sean sustentable en el tiempo.
La primera variable está claramente definida, que es la reducción del escurrimiento y la

captura de agua de lluvia. La segunda variable hace referencia a las plantas y sus
características y requerimientos; ya sea los requerimientos de la planta (agua, nutrientes, etc.),
altura en estado adulto, agresividad de raíces, etc. Mientras que la tercera variable hace
referencia los sitios de plantación, a cuáles son las características del lugar de plantación, ya
sea suelo, disponibilidad de agua para épocas sin lluvia, tamaño de la copa, presencia de
cables u otros objetos de un ecosistema urbano.
La interrelación de las variables estará directamente relacionado a la determinación y

cumplimiento de un marco legal, el cual es un requisito fundamental para la aplicación de la
IV en las localidades. Dicho marco legal será dictado por ordenanzas municipales; las cuales
deberán contemplar, además de las tres variables mencionadas, aspectos como planificación,
uso y conservación, mantenimiento y control; y regímenes de sanciones.
A su vez, deberá detallar el posicionamiento y distribución de la IV en las ciudades tomando

basado en los siguientes puntos: tejido urbano dominante, uso del suelo, ocupación del suelo,
morfología, accesibilidad e infraestructura.
También, la legislación, tendrá que contemplar un listado de especies nativas y exóticas, las
cuales deberán contar con las características y capacidades necesarias que permitan cumplir
con el objetivo de la IV. En el caso de las especies exóticas la ordenanza deberá ser rigurosa
en las condiciones para su aplicación, ya que el objetivo será la reforestación con especies
nativas, con algunas excepciones debido meramente a cuestiones ético-paisajísticas.
Para la selección de las especies a implantar, sean nativas o exóticas, se deben considerar
diferentes aspectos:
▪ Clima y luz: algunas especies no pueden sobrevivir en un lugar sombreado.
▪ Superficie y espacios disponibles para el crecimiento: extensión del espacio disponible
83
para el crecimiento, desarrollo vertical del tallo y la raíz de un árbol adulto para
asegurar que llegue a su madurez sin toparse con obstáculos aéreos ó subterráneos
durante su crecimiento. Como ser cableados eléctricos ó telefónicos, daños en el
pavimento o problemas a las podadoras de césped, así como, romper o tapar tuberías y
drenaje.
▪ Forma de la planta: debe ser siempre tomada en cuenta en los lugares urbanos por
cuestiones de espacio y para que la planta no obstaculice el libre tránsito de personas y
vehículos.
▪ Calidad de la planta: Se adquirirán plantas de vivero, por ello es recomendable que

tengan buena calidad
▪ Funcionalidad: Entre las principales capacidades que deben tener las especies para el
cumplimiento del objetivo de la IV son la Adaptabilidad a excesos hídricos,
temperaturas altas y alta capacidad de absorción de agua. Debe recordarse que estas
variables siempre requieren ser guiadas por un cuerpo multidisciplinario de
profesionales.
Tomando en cuenta todas estas consideraciones, las medidas seleccionadas se presentan a

continuación con sus lineamientos para su posterior aplicación en cada localidad.
ANILLO VERDE
Esta medida puede evitar el ingreso de agua a las ciudades y prevenir las inundaciones en las
periferias, este sistema de espacio verde libre conformará una base para ordenar los usos que
se den en el territorio a futuro. Los aspectos que se deberán tener en cuenta para su
implementación son los siguientes:
UBICACIÓN
Se debe ubicar el AV en las zonas con antecedentes de inundación cerca de la periferia de la

ciudad. Dicha ubicación requerirá tener en cuenta la dirección del escurrimiento, los cauces y
paleocauces de la cuenca. También se debe determinar las áreas de vulnerabilidad, por
ejemplo, barrios periféricos, áreas de concentración de población con NBI o áreas sensibles
(basurales).
Será importante identificar la presencia de canales y reservorios en el lugar de implantación

del AV y en el caso de ser necesario se sugiere realizar expropiaciones de terrenos privados o
campos a cambio de remuneración por la pérdida del terreno.
Se debe realizar un mapeo de la ubicación del AV para tener un seguimiento del mismo.
PLANTACIÓN
Se deberá delimitar la extensión del Área total del anillo lo cual facilitará el control y
monitoreo de la zona, así como la cantidad de árboles plantados.
Será necesario realizar la plantación y expansión del anillo en etapas y plazos marcados,
empezando por los lugares de donde provienen los mayores volúmenes de escorrentía.
84
Es imprescindible realizar un mapeo de la plantación y listado de las especies, para el control

y cuidado de las mismas.
Otras consideraciones Entre los materiales en la ejecución del inmobiliario y equipamientos

del Anillo deberán priorizarse la piedra, el acero y la madera, con el fin de mantener y evitar
impactos al medio natural. Como criterios de diseño se debe tener en cuenta la economía de
recursos, la durabilidad y la facilidad de mantenimiento. Será necesario realizar tareas de
control de la frecuentación y del uso público en el Anillo Verde, las cuales deberán ser
realizadas por un servicio de guardería, que se encargue además de realizar el seguimiento de
la evolución ecológica y paisajística de los diferentes espacios, que sin duda será de gran
ayuda en la gestión técnica del Anillo Verde.
TRAMA VERDE (TV)
Consistirá en realizar corredores o tramos verdes compuestos por calles y avenidas que
contengan las superficies verdes. Estos corredores estarán conectados al anillo verde
dispuestos en base a la dirección del escurrimiento y a la conformación actual de espacios
verdes (Figura 23), cada uno de estos elementos disminuirá el volumen de escorrentía por
absorción o retención de agua. La TV que se propone contempla dos medidas aplicables en la
cuenca SAT, que son los techos verdes y las superficies verdes o calles verdes.
Figura 23.-Esquema explicativo de la trama verde respecto a la escorrentía

Fuente: Alvarado Ojeda A, et al., 2007
Es necesario tener en cuenta que al momento de realizar los inventarios de materiales que se
utilizaran en la construcción de la trama verde los mismos sean amigables con el
medioambiente.
TECHOS VERDES
85
Para áreas residenciales, comerciales, e industriales la utilidad de los techos es alta, pero para
áreas como carreteras o calles es nula.
La función que tendrá principalmente esta medida será la retención de agua de lluvia para
disminuir el escurrimiento, ya que la reducción que provee en los picos de crecidas es alta. A
su vez la implementación de los mismos generará efectos de aislamiento térmico en los
hogares contrarrestando en parte los eventos de Temperaturas extremas cálidas.
Para su aplicación se tendrán que tener en cuenta las siguientes características para la
selección del soporte (Figura 24):
Figura 24.-Características para tener en cuenta para la implementación del Techo Verde.
Fuente: Elaboración propia con datos obtenidos de Castañeda Vega M, 2011
Los factores climáticos y medioambientales que se deberán tener en cuenta son los siguientes:
▪ Intensidad y duración a la exposición solar
▪ Precipitaciones anual y mensual.
▪ Intensidad de la lluvia
▪ Humedad relativa
▪ Temperatura promedio
▪ Proyecciones climáticas
Los requerimientos de la futura cobertura vegetal son los siguientes:
▪ El medio del cultivo debe tener un alto contenido de mineral y de 5-15cm de espesor
▪ Se debe utilizar especies que no requieran riego ni fertilizantes
86
▪ Se deberán realizar seguimientos de los techos implantados y realizar actividades para

su mantenimiento.
SUPERFICIES VERDES
Con la ayuda de un Arquitecto-urbanista en conjunto con hidrólogos e ingenieros forestales se

debe realizar el diseño de una red de vías de superficies verdes que una los espacios verdes
urbanos con el Anillo verde, pero contemplando la dirección del escurrimiento y los espacios
verdes actuales.
Las superficies verdes que se implantaran en el tejido urbano de las localidades deben ser:
jardines en veredas y arbolado urbano.
▪ Jardines en veredas
De acuerdo con lo establecido por la United States Department of Agriculture and Natural
Resources Conservation Service (USDA & NRCS, 2011). Los jardines deben de estar
localizados en veredas para capturar la escorrentía de áreas impermeables.
Pueden ser establecidos en cualquier lugar en donde existan buenos suelos con tasas de
percolación adecuadas. Es mejor mantener los jardines de lluvia alejados de los cimientos de
edificios, servicios eléctricos y sistemas sépticos.
Para los jardines de veredas de calles de una vía se recomienda que estos sean de un ancho
mínimo de 1.5m (Figura 25). Y para el caso de avenidas o bulevares entre 3 a 4 m de ancho
(Figura 26). O que representen de 7 a 20% del tamaño de la superficie impermeable que
genera la escorrentía.
Para hallar este porcentaje se debe medir los metros cuadrados del área impermeable (largo x
ancho) y luego multiplique esto por 0.07 (7 por ciento).
La vegetación factible para estos lugares es los cubre pisos, pastos, mayor proporción de
arbustos y elementos vegetales bajos, en algunos casos se puede usar árboles medianos o
pequeños. Debido a que no se puede tener pasto o cubre-pisos bajo grandes árboles, ya que la
vegetación pequeña también busca luz, si no la obtiene no se desarrollará, especialmente la
vegetación perenne.
87
Figura 25.- Esquema mínimo recomendado para la implantación de jardines para calles (vías locales)
Fuente: Elaboración propia con datos obtenidos de Alvarado Ojeda A, et al., 2007
Figura 26.-Esquema mínimo para la implantación de jardines en avenidas o bulevares

Fuente: Elaboración propia con datos obtenidos de Alvarado Ojeda A, et al., 2007
88
Es recomendable considerar pocas especies para otorgar identidad. Si no se cuenta con un

diseño específico, es preferible colocar una sola especie con el fin de lograr identidad y
armonía de la trama urbana.
Un jardín típico tiene una profundidad entre 15 y 22 cm de profundidad. Debe estar nivelado
de lado a lado y de extremo a extremo; los bordes deben estar a nivel para que el
escurrimiento de aguas pluviales se extienda de manera uniforme.
Los jardines o parques pueden ser privados y estar al cuidado de un grupo comunitario, o
públicos.
▪ Arbolado Urbano
El arbolado urbano es propuesto para los lugares donde es escaso, que de acuerdo al análisis
realizado, serían los sectores cerca de los barrios periféricos o para calles y avenidas que no
tengan el suficiente número de árboles.
Previo a la forestación se debe consultar y contar con personal y profesionales necesarios para
realizar las tareas de: elección de la especie, preparación del terreno, marcación, ahoyado,
atado, plantado, fertilización, etc.
Una vez obtenido lo anterior se deben tomar en cuenta también las siguientes consideraciones:
- Se debe definir las especies a implantar acorde a las características físicas del lugar a
implantar.
- Una vez ya definida la especie a plantar se recomienda considerar el área que ocupará la
fronda del árbol adulto en correlación con el área donde quedará plantado..
- Sea cualquiera de las zonas donde se reforestará, se deberá dejar un porcentaje de área libre
en la cual, es recomendable sembrar árboles (espacio verde) en el 30% del área.
- Se debe confeccionar una taza (área que circunda el tronco del árbol) de al menos 1-2 metros
de diámetro para que pueda acumularse suficiente agua producto de las lluvias. En su sección
más profunda la taza debe tener al menos 15 cm.
- Cada vez que se plante un árbol éste deberá tener un mínimo de 2.5 a 3 m de altura y se
procurará que las especies seleccionadas le den una identidad particular a la cuadra o avenida
donde estén ubicadas, ya que será de ayuda al momento de realizar la trama hacia el Anillo
verde.
- En veredas de hasta 2 m de ancho se recomiendan especies pequeñas como arbustos, en las

de más de 3 m de ancho se aceptan árboles.
- Durante el proceso de crecimiento del árbol se debe mantener a la planta con una rejilla de
protección.
PLANIFICACIÓN DE INFRAESTRUCTURA VERDE
89
A continuación, se propone una estructura básica para la ubicación idónea del anillo verde en
cada localidad en base a los resultados obtenidos en la metodología 2 (índices climáticos
extremos) y al análisis de escurrimiento. Se complementa con la delineación de la trama verde
mediante: la creación de grandes corredores verdes viales y ferroviarios, que favorezcan la
retención de caudales pico y a la vez promuevan la conformación de un sistema de áreas
verdes; la recuperación de grandes espacios vacantes y la aplicación sectorial de techos verdes
en los barrios que puedan complementar el sistema de conexiones biofísicas (áreas verdes)
dentro del tejido urbanizado.
Se presenta como ejemplo, la localidad de Las Varillas (Figura 27).
Figura 27.-Infraestructura Verde en la Localidad de las Varillas

Fuente: Elaboración propia
La localidad de Las Varillas se encuentra en una región de considerable vulnerabilidad debido

al drenaje deficiente de sus suelos, las inundaciones ocurridas en los últimos años y la
posibilidad de aumento del índice “precipitaciones en 5 días consecutivos” del 12,4%, como
así también un leve incremento del índice “precipitación máxima en un día” de 2mm. Por ello
se ha propuesto el AV con el fin de demorar la escorrentía proveniente del Noroeste y del
Sudoeste. Será primordial comenzar con el AV principalmente en aquellos sectores por donde
vienen los mayores volúmenes de escorrentía.
90
En este caso por el Sudoeste, dados los antecedentes de inundación en esta la localidad a
causa del aumento del escurrimiento por canalizaciones realizadas desde pozo del molle.
Además de complementar al reservorio que se encuentra actualmente cerca de la ruta nacional
N° 158.
La Trama Urbana verde está compuesta por:
▪ Arbolado y Jardines
Serán tomados como corredores las siguientes calles y avenidas:

- Escorrentía Sudoeste: Perpendicular Av Chacabuco-Maipú
- Escorrentía Noroeste: Perpendicular RN N°158 y Av. Avellaneda- DF Sarmiento
En ambos deben reforzar las salidas en dirección al anillo verde con arbolado para evitar la
escorrentía aguas abajo hacia las localidades de Alicia y San Francisco. Y a la entrada
▪ Área de Techos Verdes
El índice Tx90 arrojó un incremento de días cálidos, en los que el 50% de los años podrían
tener aproximadamente 20 días cálidos más que el periodo pasado. Por lo tanto para atenuar el
impacto del aumento de días con altas temperaturas, la propuesta debe ir expandiéndose hasta
cubrir la mayor parte de la ciudad. La medida también tendrá como fin la maximización de la
retención de agua.
▪ Otros: Superficies verdes
Se propone aumentar las superficies verdes coincidentes con áreas industriales, ya que
estos sectores son los que poseen por lo general superficie impermeable que favorece el
proceso de escorrentía.
CONCLUSIONES
Las inundaciones son parte de un proceso natural que contribuye de manera beneficiosa a los
91
ecosistemas. Sin embargo, pueden convertirse en una gran amenaza para los sistemas urbanos
y agropecuarios, cuando hay una falta de coordinación en la toma de decisiones, debido a que
la cuenca hidrográfica no es considerada como un todo, sino que las decisiones se limitan a la
jurisdicción de cada municipio.
Existe también una creciente influencia por parte del Cambio Climático, que irá agravando la
situación, siendo indispensable hoy en día relacionar la Gestión Integral de Cuencas con
medidas que las adapten para afrontar las catástrofes de tales eventos.
En la trayectoria hacia el cumplimiento del objetivo del presente Trabajo Final de Carrera, es
decir, “desarrollar un Plan de Gestión Integral para la Subcuenca del Arroyo Tortugas”, se
obtuvieron las siguientes conclusiones:
El intenso cambio en la matriz productiva de la SAT, debido al avance de los cultivos anuales
sobre los perennes, ha provocado una disminución en la tasa de evapotranspiración, y
reducción en la capacidad de infiltración del suelo, lo que actualmente se traduce en el
ascenso de napa freática y aumento de la escorrentía superficial. Esta situación se agrava al
considerar las características intrínsecas del terreno como ser el relieve de llanura, los sectores
de poco drenaje y las zonas de lagunillas que han sido drenadas para aumentar la superficie
agrícola.
Según los datos arrojados por la Tercera Comunicación Nacional sobre el Cambio Climático,
se concluyó que en la SAT podría haber un aumento de precipitaciones principalmente en el
Centro-Este de la cuenca e incremento de temperaturas extremas a lo largo de la misma,
siendo más notable al Oeste.
El relevamiento a campo, permitió reconocer la situación real de daño en la que se encuentran

algunas de las localidades de la cuenca. Los sucesos más problemáticos, son las frecuentes
inundaciones, lo que ha resultado en el deterioro de la infraestructura urbana, hundimiento de
edificios públicos y privados, pérdidas económicas de bienes muebles, etcétera. El daño
también se registró en los campos agrícolas y ganaderos, generando grandes pérdidas en el
rendimiento de los cultivos, y mortandad de animales, lo que impacta en la economía, no sólo
del productor, sino también de la región.
Se constató que ante esta problemática, existen diversas medidas para adaptar sectores
agrícolas y urbanos ante eventos de exceso hídrico y temperaturas extremas. Sin embargo,
estas medidas se suelen tomar de forma aislada basadas en soluciones inmediatas sin una
visión integral. Esta problemática inspiró a desarrollar un plan que mantenga como eje
principal una visión holística al momento de proponer las medidas que podrían ser una
solución para la SAT.
Se concluyó que la diversificación de la matriz productiva en forma conjunta en toda la

cuenca, con actividades que permitan un mayor consumo de agua, podrían generar suficiente
absorción para mantener los niveles de napa freáticas más profundos y evitar la escorrentía
superficial. Esta metodología de gestión integral es más efectiva que realizar cambios
productivos de forma aislada.
Se demostró que la restauración de humedales permitirá no sólo atenuar la escorrentía e

inundaciones sino también actuaría como reservorio de agua para épocas de sequía; además
trae
92
Licenciatura en Gestión Ambiental – Universidad Blas Pascal
233
consigo múltiples beneficios ecosistémicos como por ejemplo, la captación del CO2, la
protección de biodiversidad, la mejora de la calidad paisajística, etc.
Se ha puesto en evidencia la existencia de eventos extremos que sobrepasan la capacidad de

las medidas contra inundaciones actualmente implementadas en las localidades. Por lo cual,
se plantea a la Infraestructura Verde (IV) como alternativa factible y complementaria para
ayudar a maximizar el amortiguamiento de los sistemas actuales de atenuación de
inundaciones, disminución de escorrentía, aumento de retención de agua y regulación térmica
en sectores urbanos; además de contribuir a la salud y bienestar humano. Las medidas de IV
que se proponen para la Subcuenca son los techos verdes, anillo verde, arbolado urbano y
jardines en veredas, ya que estas son las más viables para implementar en ciudades
pequeñas/medianas como las de la SAT, que aún no cuentan con problemas propios de las
ciudades desarrolladas. Por otro lado, la infraestructura y composición edilicia y de las
ciudades facilitan la instauración de las medidas.
El comité de cuenca que se ha plateado, proporciona una estructura organizacional para que
las entidades sociales puedan tener un espacio de diálogo e integración de acuerdo a sus
necesidades y puntos de vista al momento de realizar la gestión.
Se ha comprobado la necesidad de poner en funcionamiento un Sistema de Alerta Temprana

que permita a los pobladores de la SAT conocer con anticipación la ocurrencia de una
inundación, permitiéndoles prepararse para tal evento.
La capacitación y la actuación conjunta de los actores sociales y entes públicos en este tipo de
planes son vitales para la aplicabilidad de los proyectos, ya que los mismos van a ser artífices
en la toma de decisiones, en cuanto a qué medida preferirán aplicar.
Para finalizar, cabe destacar que el presente Trabajo Final de Carrera representa la primera
propuesta de planificación integral de la cuenca basada en la adaptación en un escenario de
cambio climático, que contiene la Adaptación Basada en Ecosistemas, Infraestructura Verde y
gestión de riesgo.
Abraham S, 2007. Bases para un ordenamiento territorial-ambiental en la región del

departamento Marcos Juárez (Tesina de Grado). Universidad Blas Pascal. Córdoba,
Argentina. Recuperado el 12 de Mayo de 2016
93
Alvarado Ojeda A, et al., (2007). “MANUAL DE PLANTACIÓN DE ÁRBOLES EN ÁREAS

URBANAS”.
http://www.conaf.cl/cms/editorweb/institucional/Manual_de_Plantacion_de_Arboles_en_Are
as_Urbanas.pdf Recuperado el 23 de Mayo del 2016.
Bertram, N. & Chiacchiera, S. (2013). Ascenso de napas en la Región Pampeana:

¿Consecuencia de los cambios en el uso de la tierra?. http://inta.gob.ar/documentos/ascenso-
de-napas-en-la-region-pampeana-bfconsecuencia-de-los-cambios-en-el-uso-de-la-tierra
Recuperado 5 de Abril del 2016
Bolaños J, 2003. Cuadernos Geográficos, Universidad de Granada, España. De

http://www.redalyc.org/pdf/171/17103305.pdf. Recuperado el 30 de Octubre.
CENAPRED. (2013). Centro Nacional de Prevención de Desastres. Inundaciones. De

http://www.files.cenapred.gob.mx/es/publicacionesRelevantes/FASCICULO_INUNDACIONE
S_2013.pdfRecuperado el 16 de Junio de 2015.
CEPAL (2000). Las necesidades básicas insatisfechas: Sus deficiencias técnicas y su

impacto en la definición de de políticas sociales.
http://www.cepal.org/deype/mecovi/docs/taller5/10.pdf Recuperado el 23 de Junio de 2016.
CMNUCC. (1992). Convención Marco de las Naciones Unidas sobre Cambio Climático.
Obtenido de http://unfccc.int/resource/docs/convkp/convsp.pdf Recuperado el 13 de Mayo de
2015
Degioanni A.; Cisneros J.; Cantero Gutiérrez A. (s.f) Las inundaciones en la provincia de
Córdoba Argentina- Breve descripción del problema y síntesis de la cartografía disponible.
http://www.seyd.unrc.edu.ar/seyd/descargas/CIR/Informacion%20Ambiental%20del%20Sur
%20de%20CBA/Informacion%20Cartografica%20de%20los%20ambientes%20inundables.p
df Recuperado el 23 de Octubre de 2015.
Diaz Lozada, J., Barchiesi, G., Herrero, H., García, C., Castello, E., Romagnoli, M., &
Portapila, M. (2015). Cuantificación del escurrimiento superficial de la cuenca del Río
Carcarañá. http://www.ina.gov.ar/ifrh-2014/Eje3/3.16.pdf Recuperado 10 de Mayo del 2016.
Díaz Lozada, J., Barchiesi, G., Herrero, H., García, C., Castello, E., Romagnoli, M. &
Portapila, M. (2014). Cuantificación del escurrimiento superficial de la cuenca del Río
Carcarañá. Obtenido de http://www.ina.gov.ar/ifrh-2014/Eje3/3.16.pdf. Recuperado el 5 de
Noviembre de 2015
EM-DAT (2014). International Disaster Database. Obtenido de

http://www.emdat.be/project/em-dat Recuperado el 2 de Octubre de 2015
Gómez, M., (2006). Variaciones de Nivel Freático y Contaminación del Acuífero en la zona
de Coronel Moldes, Córdoba. Obtenido de
http://www.ambiente.gov.ar/archivos/web/salud_ambiente/File/GOMEZ.pdf Recuperado el 2
de Octubre de 2015
94
INDEC (2012). Censo Nacional de Población, Hogares y Viviendas 2010: Censo del
Bicentenario: Resultados definitivos Serie B Nº 2. Buenos Aires: Autor. Recuperado el 2 de
Febrero de 2016.
IPCC. (2014). Panel Intergubernamental sobre el Cambio Climático. De

https://www.ipcc.ch/pdf/assessment-report/ar5/wg2/ar5_wgII_spm_es.pdf Recuperado el 18
de Abril de 2015.
Jobbágy, E. & Nosetto, D. (2009). Napas freáticas: pautas para comprender y manejar su
impacto en la producción. http://gea.unsl.edu.ar/pdfs/Jobbagy_et_al_aapresid_2009.pdf
Recuperado 8 de Abril del 2016
Jobbagy, E., Nosetto, M., Mercau, J. (2010). Interacción entre napas freáticas y cultivos: la
agricultura de precisión como fuente de información y herramienta de manejo. Obtenido de
http://gea.unsl.edu.ar/pdfs/Jobbagy_Agric_precision_y_Napas_2010.pdf Recuperado el 2 de
Octubre de 2015
Kuppel, S., Houspanossian, J., Nosetto, M., and Jobbagy, E. (2015). What does it take to
flood the Pampas? : Lessons from a decade of strong hydrological fluctuations: Floods and
the water cycle in the Pampas. De gea.unsl.edu.ar/pdfs/Kuppel_WRR_2015.pdf. Recuperado
el 30 de Octubre de 2015
Mejía, L. & Chicue, D. (2014). Análisis de Vulnerabilidad Territorial por Inundación en el

Municipio de Chía, Cundinamarca. De
http://repository.ucatolica.edu.co/jspui/bitstream/10983/1789/2/RAE-
An%C3%A1lisis%20de%20Vulnerabilidad%20Territorial%20por%20Inundaci%C3%B3n%
20en%20el%20Municipio%20de%20Ch%C3%ADa,%20Cundinamarca..pdf. Recuperado el
30 de Octubre.
Mercau, J., Jobbagy, E., & Viglizzo, E. (Mayo de 2013).Sequía e inundación en la

hiperllanura pampeana. Obtenido de
http://ri.agro.uba.ar/files/download/revista/agronomiayambiente/2013mercau.pdf
Recuperado el 2 de Octubre de 2015
Minetti J. (s.f.) “LA SEQUIA 2003-2004 EN ARGENTINA”

http://agro.unc.edu.ar/~clima/AADA/Congresos/MDQ/27.htm. Recuperado 10 de Mayo del
2016.
Ministerio de Ambiente y Desarrollo Sustentable Colombia (MADS), (2015). "Adaptación

basada en ecosistemas". 3st ed. Bogotá:MADS
Ministerio de vivienda y urbanismo (MINVU,s.f.). Externalidades negativas del desarrollo

urbano. Pag. 47.
http://pavimentacion.metropolitana.minvu.cl/doc/MPALL/MANUAL%20PAV.-ALL.-2008.pdf
Recuperado el 15 de Abril de 2016.
NASA. (2015). Global Flood Partnership. Global Atlas of Floodplains, Sheet 070W030S:
http://floodobservatory.colorado.edu/GlobalFloodplains/070W030S.html Recuperado el 15
de Abril de 2016.
95
Natenzon, C. (s.f) Vulnerabilidad Social, Amenaza y Riesgo frente al Cambio Climático. 3ra
ed.
Organización de los Estados Americanos (OEA) (2010). Manual para el diseño,

instalación, operación y mantenimiento de sistemas comunitarios de alerta temprana ante
inundaciones. http://www.rimd.org/advf/documentos/4ce3f9086d6db.pdf Recuperado el 6 de
Mayo de 2016.
Organización Mundial de la Salud (OMS) (Septiembre 2015). Cambio Climático y Salud.

http://www.who.int/mediacentre/factsheets/fs266/es/ Recuperado el 10 de Junio de 2016.
PNUD. (Julio de 2009). Glosario corto de términos y conceptos importantes relacionados

con el cambio climático. De
http://www.pnud.org.co/img_upload/61626461626434343535373737353535/CAMBIOCLIM
ATICO/2.%20Memorias%20Di%C3%A1logo%20Nacional%20Lucha%20contra%20la%20p
obreza%20y%20adaptaci%C3%B3n%20al%20cambio%20clim%C3%A1tico/2.2.%20Materi
al%20Mesas%20trabajo/Glosario%20te Recuperado el 18 de Abril de 2015.
Pons, D.; Mari, N.; Muñóz, S.; Bollati, P. & Andreucci, A. (2016). Informe de
Inundaciones de la Provincia de Córdoba. Equipo de Evaluación de Emergencias
Agropecuarias-EEA Manfredi y Marcos Juarez.
Rodriguez, L. et al. (2005). Hidrología Urbana: Una Aproximación Transdiciplinaria hacia

la Re-estructuración de las Ciudades Hídricas
http://mingaonline.uach.cl/scielo.php?pid=S0718-025X2005000100005&script=sci_arttext
Recuperado el 20 de Marzo de 2016.
SECYOT. (Mayo de 2014). Estado actual, pronósticos y propuestas de control de

inundaciones en el centro-este de la provincia de Córdoba. De http://www.proin-
unrc.com.ar/pdf/pdf/Informe%20Inundacion%20SeCyOT%202014.pdf Recuperado el 14 de
Junio de 2015.
Subsecretaría de recursos hídricos (SsRH) (,s.f). "Organizacion de

cuencas"http://www.hidricosargentina.gov.ar/cuencas_cuencas.php?seccion=cuencas
Recuperado 10 de Mayo del 2016.
Subsecretaria de Recursos Hídricos. Obtenido de http://www.hidricosargentina.gov.ar

Recuperado el 20 de Noviembre del 2015.
TCNCC (2014). Tercera Comunicación Nacional sobre Cambio Climático. Obtenido de

http://3cn.cima.fcen.uba.ar/TCN_CIMA_Vbarros_2015.pdf Recuperado el 20 de Noviembre
del 2015.
TCNCC (2015). Base de Datos Climáticos 3ra. Comunicación Nacional de la República

Argentina a la Convención Marco de las Naciones Unidas sobre Cambio Climático
http://3cn.cima.fcen.uba.ar/ Recuperado el 16 de Febrero de 2016
96
VARIABILIDAD DEL CAUDAL ANUAL EN CUENCAS DEL OESTE ARGENTINO ENTRE LOS 22°‐52°S
Y SU RELACIÓN CON FORZANTES CLIMÁTICOS
Carolina Lauro 1, Alberto I.j. Vich 1,2, Stella Maris Moreiras 1,3
1
CONICET‐CCT‐Mendoza, Mendoza, Argentina
2
UNCUYO‐Facultad de filosofía y Letras, Mendoza, Argentina
3
UNCUYO‐Facultad de Ciencias Agrarias, Mendoza, Argentina
Av. Ruiz Leal s/n Parque Gral. San Martin, Mendoza. Te: 2615244219. clauro@mendoza‐conicet.gob.ar

Introducción Tunuyán TVU 1944‐11 Escondido EEF 1977‐11
Diamante DLJ 1971‐11 Raquel REA 1993‐11
El escurrimiento de las cuencas con nacientes en la cordillera
Atuel APS 1972‐11 Azul AEA 1970‐11
de los Andes y serranías del oeste argentino, se ve alterado con
los actuales cambios en el uso del suelo y cambios en la Atuel ALN 1982‐11 Epuyén ELA 1951‐11
circulación atmosférica y condiciones climáticas regionales. Atuel ALA 1931‐11 Manso MLM 1946‐11
Como consecuencia se modifica el régimen y magnitud del Salado SCA 1939‐11 Manso MLA 1951‐11
escurrimiento, generando inconvenientes en la disponibilidad y Pincheira PIN 1967‐11 Manso MLS 1956‐11
distribución del recurso hídrico.
Cobre CVH 1950‐78 Manso MCO 1965‐11
Por lo tanto, comprender dichos cambios es necesario para
determinar los efectos de la variabilidad climática en los Tordillo TVH 1950‐75 Carrileufú CCH 1957‐11
sistemas hídricos, y lograr una correcta planificación de los Valenzuela VVN 1977‐11 Fontana FEA 1956‐11
mismos. Chico CLL 1991‐11 Futaleufú FEM 1979‐11
El presente trabajo pretende realizar aportes al conocimiento Poti Malal POG 1971‐11 Bagglits BRC 1977‐11
del régimen hidrológico de los ríos con nacientes en la
Grande GLE 1977‐11 Hielo HCO 1964‐11
Cordillera de los Andes y Serranías del oeste argentino entre
los 22° S y 52° S, con especial énfasis en el análisis de la Grande GLG 1971‐11 Huemul HUC 1990‐11
respuesta del caudal anual ante fluctuaciones en las Barrancas BAR 1960‐11 Carrenleufú CCA 1963‐11
características climáticas regionales. Colorado CBR 1939‐11 Carrenleufú CLV 1954‐11
Para ello se plantean los siguientes objetivos específicos: Currileuvú CLM 1989‐11 De Las Vueltas VLG 1992‐11
‐ Detectar tendencias y cambios abruptos en el caudal anual Nahueve NLC 1974‐11 La Leona LLL 1956‐11
‐ Identificar la relación entre el caudal anual y diversos índices
Neuquén NVA 1981‐11 Santa Cruz SCF 1955‐11
climáticos.
Neuquén NAN 1971‐11 Centinela CRP 1993‐11
Materiales y Métodos Neuquén NPI 1902‐11 Mitre MRP 1993‐11
Neuquén NDB 1990‐11 Gallegos GPB 1993‐11
Las series de caudal medio anual se elaboraron a partir de
Aluminé ALS 1978‐11 Penitentes PRM 1993‐11
caudales medios diarios de 79 estaciones de aforo localizadas
entre los 22‐52°S. Los datos fueron extraídos de la base de Malleo MMA 1973‐11
datos de la Secretaría de Recursos Hídricos de la Nación. En la
tabla 1 se encuentra la lista de los ríos analizados y la longitud Para la detección de tendencia lineal los test aplicados fueron:
de registro empleada. En la figura 1 se presenta la distribución el test paramétrico t student (Remington y Schork, 1974), y los
geográfica de las estaciones de aforo. test no paramétricos: Spearman Rank Order Correlation
(Kundzewicz y Robson, 2000), Mann‐Kendall (Hirsch et al.,
Tabla 1.‐ Estaciones de aforo y longitud de registro empleado en el 1982; Westmacott y Burn, 1997) y sus correcciones por pre‐
análisis. blanqueo (Yue et al., 2002) y por varianza (Hamed y Rao, 1998).
Rio Sigla Serie Rio Sigla Serie Para detectar la presencia de cambios abruptos se aplicaron el
Bermejo ABL 1944‐11 Chimehuín CNA 1971‐11 test paramétrico t de Student y diversos test no paramétricos:
Mann Whitney (1947), Pettitt (1979), Buishand (1982), Cusum
Bermejo PSA 1940‐11 Quilquihue QJA 1962‐11
test, Worsley (1979) y el test desarrollado por Taylor (2000).
Pescado PCC 1956‐11 Limay LPL 1903‐11
Estos test detectan un solo punto de cambio y en algunos casos
Cuyín debe eliminarse previamente la tendencia y las series deben
San Francisco SFC 1946‐11 CCM 1971‐11
Manzano
tener distribución normal. Tanto en la detección de tendencias
Lules LPT 1953‐11 Alto Chubut ACN 1967‐11 como de cambios abruptos se trabajó con un α= 0,05.
Los Sosas LSR 1953‐11 Chubut CEM 1943‐11 Las conexiones entre el caudal y las variables climáticas, fueron
Las Cañas LCP 1953‐11 Chubut CGU 1990‐11 examinadas por medio de análisis de correlación lineal de los
Jáchal JPA 1937‐89 Chubut CLA 1943‐11 caudales anuales con los índices climáticos anuales
San Juan SJ1 1971‐11 Chubut CVI 1993‐11
representativos de los patrones de circulación regional.
Los índices climáticos utilizados fueron la temperatura
San Juan SJ4 1951‐11 Chubut CHA 1992‐11
superficial del mar anual en la región Niño 3.4 (Trenberth,
Los Patos LPP 1951‐11 Gualjaina GUA 1956‐11 1997), el índice de oscilación decenal del pacífico (Mantua et
Los Patos LPA 1951‐11 Lepa LGU 1956‐11 al, 1997) y el índice de oscilación antártica (Marshall, 2003).
Vacas VPV 1949‐11 Senguer SNA 1952‐11
Cuevas CPV 1949‐11 Senguer SLM 1987‐11
Tupungato TPV 1949‐11 Mayo MPM 1980‐11
Mendoza MEG 1956‐11 Villegas VRN 1957‐11
97

Figura 1.‐ Distribución espacial de las estaciones de aforo empleadas
en el análisis.

Resultados
De los 79 casos analizados el 85 % no presenta tendencias
significativas. Las tendencias significativas encontradas
corresponden; el 58 % a tendencias positivas y el 42 % a Figura 1.‐ A y B: Distribución espacial de tendencias y saltos
tendencias negativas. Las tendencias negativas se observan respectivamente. C, D y E: correlaciones con TSM Niño 3.4, PDO y SAM
principalmente al sur de la cuenca del río Atuel. Mientras que respectivamente.
las positivas al norte de la misma. Conclusiones
El 58 % de los casos analizados presenta saltos significativos, de
Es importante recordar que la detección de tendencias
los cuales el 54 % son saltos positivos mientras que el 46 % son
depende del período de análisis utilizado. El presente estudio
saltos negativos. La distribución espacial de tendencias y saltos
no se realiza sobre un período de base común, por lo que las
se muestra en la figura 2.A y B, el período de análisis empleado
diferencias encontradas entre los distintos sitios de aforo
es el de la tabla 1. En la figura 2.A se presenta el coeficiente de
analizados en principio pueden deberse a la diferencia en la
tendencia en m3/s.año y en la figura 2.B el año de salto.
longitud de los registros empleados. A pesar de ello, fue
No se encontraron correlaciones significativas entre el caudal
posible identificar un patrón de comportamiento regional. Las
anual y la TSM anual en la región Niño 3.4 para los sitios
tendencias positivas de caudal se encuentran en las cuencas al
pertenecientes a las cuencas del río Bermejo y Lules. Los sitios
norte de los 35° S y al sur de esta latitud las mismas son
de la región de Cuyo y en las cuencas del río Neuquén, Limay,
principalmente negativas. Este mismo comportamiento se ve
Senguer, del río Carrenleufú y del Santa Cruz se correlacionan
reflejado en las tendencias de precipitación, mientras que la
positiva y significativamente, los coeficientes de correlación se
temperatura tiende a aumentar en todo el oeste argentino
encuentran entre 0,20 y 0,50.
(SAyDS, 2015; Nuñez et al., 2008). También se encuentra un
El índice de la PDO anual se correlaciona significativamente con
patrón similar respecto de la distribución espacial de los saltos
el caudal anual del río Bermejo, Lules, Jáchal, San Juan,
positivos y negativos. En el NOA y centro oeste se encontraron
Mendoza, Atuel, Colorado, Neuquén y Santa Cruz con
saltos positivos en la década del 70. Mientras que en la
coeficientes de correlación positivos. Con el sitio VRN se
Patagonia se encontraron saltos negativos en las décadas del
correlaciona significativamente de manera negativa.
70, 80, 90.
Se encuentran correlaciones negativas significativas entre el
La mayoría de las cuencas estudiadas tienen un bajo impacto
índice SAM anual con el QA en el río Chubut, Senguer,
antrópico, por lo que se sugiere que la falta de estacionariedad
Escondido, Epuyén, Manso y Futaleufú. Los coeficientes se
encontrada puede ser causada por fluctuaciones en la
encuentran entre ‐0,27 y ‐0,49. En la figura 2.C, D y E se
temperatura y precipitación, que tienen su origen en
muestran las correlaciones significativas entre el caudal y los
variaciones en los patrones de circulación océano‐atmósfera.
índices TSM región Niño 3.4, PDO y SAM.
98
La variabilidad del régimen fluvial en las cuencas del oeste
argentino, se encuentra asociada a fenómenos de circulación
atmosférica. En Cuyo y Patagonia se encuentra una relación
directa entre el caudal y TSM región 3.4. Los saltos
encontrados se asocian a cambios de fase de la PDO. Al sur de
los 37°S los caudales tienen una relación inversa con el índice
SAM.

Referencias
Buishand, E. (1982). “Some methods for testing the homogeneity of
rainfall records”. Journal of Hydrology. 58:11‐17.
Hamed, K.H. y Rao, A.R. (1998). “A modified Mann‐Kendall trend test
for autocorrelated data”. J. of Hydrology. 204(1‐4):182–196.
Hirsch, R., Snack J. y Smith, R. (1982). “Techniques of Trend Analysis
for Monthly Water Quality data”. Water Resources Research,
18(1):107‐121.
Kundzewicz, Z., y Robson, A. (2000). “Detecting trend and other
changes in hydrological data”. WCDMP‐45. WMO/TD, 1013. Geneva.
Mann, H.B. y Whitney, D.R. (1947). “On a Test of Whether one of Two
Random Variables is Stochastically Larger than the Other”. The Annals
of Mathematical Statistics. 18(1):50‐60. Published by: Institute of
Mathematical Statistics.
Nuñez, M.N., Ciapessoni, H.H., Kalnay, A.R.E., y Ming Cai. (2008)
“Impact of land use and precipitation changes on surface temperature
trends in Argentina”. Journal of geophysical research. 113:1‐11. DOI:
10.1029/2007JD008638.
Pettitt, A.N. (1979). “A nonparametric approach to the change‐point
problem”. Applied statistics, 28:126‐135.
Remington, R.D. y Schork, M.A. (1974) Estadística Biométrica y
Sanitaria. Editorial Prentice/Hall International, Bogotá.
Secretaría de Ambiente y Desarrollo Sustentable de la Nación
(SAyDS), (2015) Tercera Comunicación Nacional de la República
Argentina a la Convención Marco de las Naciones Unidas sobre Cambio
Climático. Cambio climático en Argentina; tendencias y proyecciones.
Buenos Aires: Secretaría de Ambiente y Desarrollo Sustentable de la
Nación.
Taylor, W. (2000). “Change‐Point Analysis: A Powerful New Tool For
Detecting Changes”. Disponible en:
http://www.variation.com/cpa/tech/changepoint.html. (Consultado,
15/03/2013).
Westmacott, J. y Burn, D. (1997). “Climate Change Effects on the
Hydrologic Regime within the Curchill Nelson River Basin”. Journal of
Hydrology. 202:263‐279.
Worsley, K.J. (1979). “On the likelihood ratio test for a shift in location
of normal populations”. Journal of American Statistic Associations.
74:365‐367.
Yue S. y Wang, C.Y. (2002). “The influence of serial correlation on the
Mann‐Whitney test for detecting a shift in median”. Advances in Water
Resources. 25:325–333.
99
ESCENARIOS HIDROCLIMÁTICOS FUTUROS EN LA REGIÓN NÚCLEO DE

CULTIVOS DE ARGENTINA
Miguel A. Lovino1, Omar V. Müller1, E. Hugo Berbery2, Gabriela V. Müller3, María del
Valle Venencio1,4
1 CONICET, Centro de Estudios de Variabilidad y Cambio Climático (CEVARCAM), FICH – UNL, Santa Fe, Argentina.
2Earth System Science Interdisciplinary Center/Cooperative Institute for Climate and Satellites-Maryland, University of
Maryland, USA.
3 Centro de Investigaciones Científicas y Transferencia de Tecnología a la Producción (CICYTTP/CONICET), Diamante,
Argentina.
4 Instituto Nacional del Agua, Centro Regional Litoral, Santa Fe, Argentina.
E-mail del autor: mlovino@unl.edu.ar Web: http://www.unl.edu.ar/cevarcam/mlovino
RESUMEN
En este trabajo se crean y analizan escenarios futuros de precipitación y temperatura simulados por Modelos
Climáticos Globales (GCMs) que representan apropiadamente el clima regional. Se aplican métodos estadísticos
de reducción de escala a los GCMs: (1) un modelo de regresión con un Análisis de Correlación Canónica y (2)
un método de escalamiento local. El método de regresión se valida con simulaciones de largo período (1901-
2005) y decadales (1961-2010). Se proyectan escenarios futuros de cambio climático cercano (2015-2035). Se
evalúan los posibles cambios en los escenarios de concentración representativa RCP4.5 (de estabilización) y
RCP8.5 (con un nivel muy alto de gases de efecto invernadero).
El proceso de reducción de escala estadístico permitió corregir los errores sistemáticos de las variables
simuladas por los GCMs. Los cambios medios espaciales proyectados indicaron incrementos de la temperatura
media y la precipitación en las próximas décadas. La precipitación media regional aumentaría aproximadamente
70 mm en los próximos 20 años. Los modelos decadales expusieron cambios menos significativos, con
incrementos de aproximadamente 20 mm. Esto sugiere un impacto de la variabilidad decadal natural del clima
en las proyecciones de cambio climático regional. La temperatura media aumentaría hasta 1º C en los próximos
20 años.
ABSTRACT
This study develops and evaluates future scenarios of precipitation and temperature simulated by Global Climate
Models (GCMs) that appropriately represent the regional climate. Statistical downscaling methods are applied to
GCMs: (1) a regression model performed using Canonical Correlation Analysis and (2) a local scaling method.
The regression method is validated with historical long-period simulations (1901-2005) and decadal simulations
(1961-2010). Future scenarios for near-term climate change are projected (2015-2035). Possible changes in the
scenarios of representative concentration RCP4.5 (stabilization) and RCP8.5 (with a very high level of
greenhouse gases) are evaluated.
The statistical downscaling method allowed us to correct the systematic errors of the variables simulated by the
GCMs. Area-averaged mean changes projected increases in mean temperature and precipitation in the coming
decades. Regional average precipitation would increase by approximately 70 mm over the next 20 years. The
decadal models exhibited less significant changes, indicating increases closely to 20 mm of precipitation. These
results suggest an impact of natural decadal climate variability on projections of regional climate change. The
average temperature would increase to 1 ºC in the next 20 years.
INTRODUCCIÓN
El cambio climático regional puede alterar los sistemas socioeconómicos y naturales de la

región núcleo de cultivos de Argentina. La estimación de los potenciales impactos futuros del
cambio climático se sustenta en el desarrollo de escenarios que permitan denotar un estado
plausible del sistema climático ante diferentes tipos de forzantes. Estos escenarios se
construyen con proyecciones a escala reducida de Modelos Climáticos Globales (GCMs, por
su sigla en inglés).
100
En el sudeste de Sudamérica se evidencia un escaso desarrollo de métodos estadísticos de

reducción de escala aplicados a GCMs, que se emplearon exitosamente en otras partes de
mundo (e.g., Moron et al., 2008; Verbist et al., 2010). Actualmente, los GCMs simulan la
temperatura superficial y la precipitación exitosamente a escala regional (Flato et al., 2013).
Existe, entonces, un importante potencial para el desarrollo de métodos estadísticos de
regionalización de GCMs que complementen los avances logrados con los Modelos
Regionales del Clima (RCMs).
En los últimos años, una gran cantidad de estudios se ha focalizado en los métodos y las
aplicaciones de procesos de reducción de escala dinámica y estadística a GCMs, muchos de
los cuales se presentan en un grupo acotado de trabajos de revisión (e.g. Christensen et al.,
2007; Maraun et al., 2010). Particularmente para el caso de los procesos estadísticos, se
sugiere una categorización basada en la naturaleza de los predictores seleccionados, que
distingue entre el “pronóstico perfecto” (PP, del inglés “perfect prognosis”) y el pronóstico
por estadísticas de salidas de los modelos (MOS, por su sigla en inglés). Un enfoque de PP se
lleva a cabo cuando se establece una relación entre la variable observada (predictando) y
predictores de larga escala observados simultáneamente, que luego se aplica a los predictores
simulados en el futuro. El proceso de MOS requiere una relación estadística entre la variable
observada y la simulada por los modelos, que luego se aplica al predictor simulado. En
principio, MOS ofrece ciertos beneficios potenciales por sobre PP. Ésta técnica puede dar
cuenta de los errores inherentes de los modelos y corregir los sesgos (Eden y Widmann,
2014). La principal e importante desventaja es la escasa habilidad de los GCMs para
representar la evolución temporal de los procesos de larga escala del clima.
El proceso de MOS se ha aplicado para la predicción estacional (e.g., Landmann y Goddard,

2002; Shongwe et al., 2006). Sin embargo, Widmann et al. (2003) demostraron que es posible
aplicar MOS en un contexto en que cada evento simulado pueda ser relacionado directamente
con el evento observado para el mismo período. Eden y Widmann (2014) presentaron y
evaluaron un enfoque extendido de MOS para reducir la escala de precipitación mensual de
simulaciones de GCMs, basado en correcciones por validación cruzada utilizando el análisis
de máxima covarianza y la regresión por componentes principales. El Análisis de Correlación
Canónica que se utiliza en este trabajo ha sido aplicado en varios estudios previos de
reducción de escala con métodos estadísticos (e.g., Tippet et al. 2005; Recalde et al., 2014).
A pesar de la incertidumbre que se deriva de las proyecciones climáticas globales y

regionales, surge la necesidad de formular políticas que atiendan un posible aumento en la
variabilidad climática y los eventos extremos. El desarrollo de actividades de investigación
que transfieran conocimiento científico a los tomadores de decisiones y sustenten la
generación de políticas públicas (evaluación y gestión de riesgos) adquiere significativa
relevancia en la región. Estas investigaciones deben sostenerse en la mejora de la
modelización del clima y la generación de escenarios regionales de alta resolución para el
desarrollo de estudios integrados de impacto y evaluación de la vulnerabilidad del cambio
climático.
Este trabajo se propone desarrollar y analizar escenarios futuros a escala reducida de

precipitación y temperatura. Estos escenarios son simulados por GCMs que representan
apropiadamente el clima actual e histórico de la región núcleo de cultivos de Argentina.
101
DATOS Y MÉTODOS
El estudio se focaliza en la región núcleo de cultivos de Argentina delimitada

geográficamente entre 26ºO – 36ºO y 58ºS – 65ºS. Se emplearon datos simulados de
precipitación y temperatura de los GCMs del CMIP5 (ver Flato et al. 2013 para sus
definiciones) que demostraron mejor rendimiento para representar el clima regional (análisis
y selección en Lovino 2015). Se utilizó la base de datos observada grillada a 0.5º de
resolución CRU TS 3.2 (Harris et al. 2014). Se utilizaron datos observados de niveles
freáticos medidos en la estación Rafaela del Instituto Nacional de Tecnología Agropecuaria.
El clima regional se considera condicionado por el estado de larga escala según R = F(X),
donde R representa la variable local, X las variables de larga escala y F es una Función de
Transferencia que se establece por la calibración y validación de modelos utilizando
observaciones o datos grillados de reanálisis. Para la reducción estadística de escala de los
campos mensuales retrospectivos y futuros de GCMs, en este trabajo se utilizó un modelo de
regresión a través de un Análisis de Correlación Canónica (CCA; Wilks, 2006) aplicado con
un método MOS. El CCA es una técnica estadística multivariada que se puede usar para
determinar la combinación lineal entre un campo predictor (datos de los GCMs) y un
predictando (variables locales), procurando encontrar la óptima combinación entre los grupos
de datos y produciendo la máxima correlación (e.g., Verbist et al., 2010). Los principales
tópicos del método de regresión aplicado se pueden ver en Lovino (2015).
Una alternativa simple para la corrección de los errores sistemáticos de los GCMs es el
escalamiento local (LS, por su sigla en inglés; Maraun et al., 2010). Para su desarrollo, se
deriva un factor de escalamiento que se aplica a cada punto de grilla, definido como la razón
entre la variable media mensual observada y simulada para el período estimado en el
escenario histórico. Así, la variable corregida al tiempo t en el futuro se representa por el
valor del predictor en el futuro , escalado por la relación entre la variable media
observada y el valor medio simulado .
Los resultados del método de regresión con MOS se validaron en escenarios retrospectivos
simulados para el quinto informe del IPCC (AR5): de largo período (1901-2005) y decadales
(1961-2010) y se proyectaron en escenarios futuros de cambio climático cercano (2015-
2035). Se evaluaron los posibles cambios en las proyecciones de los escenarios de
concentración representativa (RCP por su sigla en inglés) RCP4.5 (de estabilización) y
RCP8.5 (con un nivel muy alto de gases de efecto invernadero). Los valores numéricos de los
escenarios suponen el forzamiento radiativo total proyectado en el año 2100 (en W/m2) en
relación con la era preindustrial (año 1750).
REDUCCIÓN DE ESCALA A CAMPOS RETROSPECTIVOS DE GCMS
Se presentan aquí solo los resultados obtenidos con las simulaciones de largo período. Los
resultados de las simulaciones decadales han sido muy similares a los obtenidos en los
escenarios históricos de largo período (ver Lovino 2015 para mayor información).
102
PRECIPITACIÓN
Para el proceso de reducción de escala se seleccionaron los modelos NorESM1-M e INM-

CM4, por ser dos de los modelos que mejor capacidad presentaron para representar la
precipitación histórica regional (ver Lovino 2015). La Tabla 1 muestra que el método de
reducción de escala aplicado a los campos simulados de precipitación mejora los errores
estadísticos, principalmente el error medio (MBE), ajustando así los valores medios de la
serie y reduciendo los errores sistemáticos que presentan los modelos analizados. Los
coeficientes de correlación de Pearson se incrementan desde aproximadamente 0.62 a 0.71.
La principal desventaja del método es la reducción de la variabilidad temporal, que se
manifiesta a través de los valores del desvío estándar. Para reducir esta falencia, se aplicó un
factor de corrección mensual estimado en base a los datos observados y que se puede
extrapolar a las proyecciones futuras dentro de los mismos GCMs (ver Lovino 2015). La
Tabla 1 muestra que esta corrección mejora el rendimiento del método de reducción de escala.
Tabla 1.- Métricas estadísticas de verificación entre las series medias areales de precipitación observada y simulada por los
GCMs a escala reducida en el escenario de largo período (1901-2005). MBE: error medio, MAE: error medio absoluto,
RMSE: error medio cuadrático, E: coeficiente de eficiencia, r: coeficiente de correlación de Pearson.
Errores estadísticos
Modelo Desvío r RMSE MAE MBE E
NorESM1-M 54.65 0.63 43.6 33.4 5.12 0.04
Downscaling 24.68 0.65 34.2 27.0 -0.16 0.41
Downscaling
33.93 0.71 31.3 24.1 -0.21 0.51
corregido
INM-CM4 38.07 0.62 42.0 32.2 -20.58 0.11
Downscaling 24.07 0.64 34.5 27.1 -0.17 0.40
Downscaling
34.50 0.71 31.6 24.1 -0.21 0.50
corregido
a) b) c)
d) e) f)
Figura 1: Diagramas de dispersión de la precipitación mensual media areal simulada por NorESM1-M e INM-CM4
y la observada, en el período 1901-2005: a) NorESM1 original b) campo de validación cruzada a escala reducida de
NorESM1 c) ídem b) pero con factor de corrección mensual, d) INM-CM4 original, e) campo de validación cruzada
a escala reducida de INM-CM4, f) ídem e) pero con factor de corrección mensual.
103
La Figura 1 presenta los diagramas de dispersión correspondientes a los valores medios

areales mensuales de validación cruzada de precipitación a escala reducida, que se pueden
comparar con los de los modelos originales (Figuras 1a y 1d). Estos resultados sugieren, junto
con las apreciaciones de los desvíos en la Tabla 1, que la principal desventaja del método es
la reducción de la variabilidad temporal. El método de reducción de escala sobreestima los
valores mínimos mensuales de precipitación y subestima los valores máximos (Figuras 1b y
1e), originando diagramas de dispersión aplanados y alejados de la línea de regresión 1-1. La
dispersión mejora sensiblemente al aplicar el factor de corrección mensual, tal como lo
muestran las Figuras 1c y 1f.
TEMPERATURA
Para el proceso de reducción de escala se seleccionaron los modelos CMCC-CM y CESM1-

BGC, por ser dos de los modelos que mejor capacidad presentaron para representar la
temperatura media histórica regional (ver Lovino 2015). La Tabla 2 muestra que la
temperatura media regional está correctamente representada por los GCMs a escala reducida,
logrando correlaciones mayores a 0.94. El método de reducción de escala permite, además,
ajustar los valores medios, como se observa en el decrecimiento del MBE. Nuevamente, como
en el caso de la precipitación, se reduce la variabilidad, aunque no tan significativamente. Los
campos de downscaling corregidos reducen a 0 el MBE, mejoran la eficiencia del modelo y
aumentan considerablemente los desvíos estándar, acercándolos a los valores de los modelos
originales.
Tabla 2.- Métricas estadísticas de verificación entre las series medias areales de temperatura media observada y simulada
por los GCMs a escala reducida en el escenario de largo período (1901-2005). MBE: error medio, MAE: error medio
absoluto, RMSE: error medio cuadrático, E: coeficiente de eficiencia, r: coeficiente de correlación de Pearson.
Errores estadísticos
Modelo Desvío r
RMSE MAE MBE E
CMCC-CM 5.00 0.93 1.91 1.50 -0.25 0.84
Downscaling 3.85 0.94 1.71 1.37 -0.06 0.87
Downscaling corregido 4.69 0.95 1.46 1.15 0.00 0.91
CESM1-BGC 5.19 0.94 1.78 1.41 0.31 0.86
Downscaling 3.89 0.95 1.61 1.27 -0.06 0.89
Downscaling corregido 4.50 0.96 1.38 1.08 0.00 0.92
Los diagramas de dispersión entre la temperatura media simulada y observada (Figuras 2a-f)
muestran que esta variable se encuentra aceptablemente bien representada por los GCMs
analizados a escala reducida en la región. El método de reducción de escala minimiza la
dispersión de los datos (mejoran los coeficientes de determinación R2), aunque provoca una
leve subestimación de los valores máximos de verano y una sobreestimación de los mínimos
invernales (Figuras 2b y 2e). Este desvío se corrige al aplicar el factor de corrección mensual
para cada GCM, ajustando la dispersión de los datos nuevamente a la línea 1:1 (Figuras 2c y
2f). Los coeficientes de determinación de los campos de temperatura media corregidos
adoptan valores mayores a 0.9, indicando la bondad del ajuste obtenido con los GCMs
utilizados para el proceso de reducción de escala.
104
a) b) c)
d) e) f)
Figura 2: Diagramas de dispersión de la temperatura media mensual promedio areal simulada por CMCC-CM y
CESM1-BGC (escenario histórico retrospectivo de largo período) y la observada, en el período 1901-2005: a)
CMCC-CM original, b) campo de validación cruzada a escala reducida de CMCC-CM, c) ídem b) pero con factor
de corrección mensual, d) CESM1-BGC original, e) campo de validación cruzada a escala reducida de CESM1-
BGC, f) ídem e) pero con factor de corrección mensual.
ESCENARIOS HIDROCLIMÁTICOS REGIONALES FUTUROS
La Figura 3 exhibe los cambios medios de precipitación anual entre los períodos históricos
analizados y los futuros hasta 2035, tanto para los escenarios RCP4.5 y RCP8.5 como para los
decadales (que solo se proyectan con RCP4.5). Los modelos RCPs del escenario de largo
período, asociado a cambios antrópicos del sistema, muestran un incremento leve de las
precipitaciones para la región (aprox. 70 mm en 20 años), según los resultados del proceso de
reducción de escala MOS. La aplicación del LS sugiere un incremento similar al del modelo
MOS para INM-CM4 y muy escaso para el NorESM1-M, de tan solo 11 mm para el RCP4.5
y 42 mm para el RCP8.5. Los modelos decadales, asociados a la variabilidad natural del
sistema, que incluyen condiciones iniciales dependientes de las observadas, muestran cambios
menos significativos que los modelos del escenario de largo período, con valores positivos de
entre 20 y 30 mm para los modelos MOS y LS de CCSM4, respectivamente y de 13 y -8 mm
para CanCM4. Estos resultados sugieren que las proyecciones asociadas a la variabilidad
decadal de la región no presentarían cambios significativos. Los cambios asociados a los
GCMs de largo período indican cambios positivos de mayor cuantía, aun cuando se evalúan
en un período cercano (hasta 2035). Estas variaciones no representarían un importante
incremento para las precipitaciones regionales, cuyos valores medios espaciales históricos en
el período normal 1981-2010 fueron de aproximadamente 1050 mm. Se debe resaltar que, si
bien los GCMs analizados son del grupo de modelos que mejor representaron el clima
histórico y presente en la región, se requiere aumentar el número de modelos empleados para
poder obtener resultados más robustos, ya que las simulaciones ensambladas mejoran las
predicciones.
105
Figura 3: Cambios medios de precipitación anual promedio espacial entre los períodos 1901-2005 y 2006-2035 para
INM-CM4 y NorESM1-M y entre 1961-2010 y 2011-2035 para las simulaciones decadales de CCSM4 y CanCM4.
Los modelos analizados predicen un incremento en la temperatura media regional para el

período 2006-2035, en comparación con los períodos de referencia utilizados en las
simulaciones históricas y decadales (Figura 4). Los cambios que sugieren los modelos a
escala reducida para el escenario de estabilización RCP4.5 y RCP8.5 no son importantes, de
solo 0.2º C en los 30 años, tanto para las simulaciones de largo período como para las
decadales. Por su parte, el método LS predice cambios más relevantes, con valores entre 0.6
ºC y 1 ºC de aumento de temperatura promedio regional para el escenario de largo período y
para el modelo decadal MIROC4h. No se aprecian diferencias importantes entre las
proyecciones asignadas al cambio climático antrópico y las asociadas al comportamiento
natural del sistema, simuladas por el escenario decadal hasta 2035, aunque se debe aumentar
la masa crítica de modelos analizados para aseverar esto con mayor confianza.
Figura 4: Cambios medios de temperatura media anual promedio espacial entre los períodos 1901-2005 y 2006-2035
para CESM1 y CMCC-CM y entre 1961-2010 y 2011-2035 para las simulaciones decadales de los modelos CMCC-
CM y MIROC4h.
TENDENCIAS DEL ACUÍFERO LIBRE: POSIBLES IMPACTOS FUTUROS
El acuífero libre en la Provincia de Santa Fe ha sido afectado por fluctuaciones climáticas

significativas en los últimos treinta años. El análisis del comportamiento espacio-temporal de
los campos acoplados de la precipitación y el nivel freático en la región y su relación con el
cambio climático se expusieron en Venencio y García (2012). A modo de ejemplo, la Figura 5
muestra la asociación entre la precipitación y la respuesta del nivel freático en Rafaela, donde
se observa la vulnerabilidad del sistema subterráneo a eventos de lluvia. Particularmente, se
ha observado una importante tendencia positiva desde 1970 que se acentuó en los últimos
años, con niveles freáticos muy próximos a la superficie que se mantienen sin variaciones
106
importantes desde 2014.
600 0
1
2
Profundidad Nivel Freático (m)

500
3
Precipitación (mm) 400 4
5
6
300
7
8
200 9
10
100 11
12
0 13
1970
1975
1980
1985
1990
1995
2000
2005
2010
2015
Figura 5.- Relación entre la precipitación (P) y el nivel freático (NF) mensual en
Rafaela entre enero de 1970 y diciembre de 2016.
Como los escenarios de precipitación predicen incrementos para los próximos años, las
tendencias de los últimos años en el acuífero libre podrían permanecer, aún con la gran
variabilidad espacio-temporal conocidas de ambas variables en las zonas de llanura. Estas
condiciones más húmedas producirían importantes impactos en la agricultura y la ganadería,
aumentando considerablemente el riesgo a inundaciones locales en las zonas de llanura.
DISCUSIÓN Y CONCLUSIONES
La mayor incertidumbre para la aplicación del método MOS en escenarios futuros, sumada a
las incertidumbres propias de los GCMs, es la asunción de estacionariedad en la relación
estadística a través de las funciones de transferencia establecidas en el pasado, es decir, que la
relación establecida para los datos históricos sea válida para el futuro (Barsugli et al., 2013;
Baethgen y Goddard, 2013). Como contrapartida, el método MOS permite ajustar
proyecciones divergentes a una regresión más sensata de los modos dominantes hallados en
los patrones principales de las variables históricas, aunque puede subestimar los cambios de
baja frecuencia. Como complemento al método de MOS aplicado en este trabajo y para
obtener información suplementaria en las simulaciones futuras, se empleó una técnica de
escalamiento local, que ajusta los valores medios de los campos de GCM a los observados,
sin modificar los parámetros estadísticos y espaciales de las proyecciones.
El proceso de reducción de escala estadístico con MOS aplicado a los GCMs que mejor
representan el clima regional permitió corregir los errores sistemáticos de los modelos y
mejorar la distribución espacial de los campos medios mensuales simulados de precipitación y
temperatura media. La principal desventaja del método resultó ser la disminución de la
variabilidad temporal. Esta falencia se redujo sensiblemente con la aplicación de un factor de
corrección lineal mensual.
La precipitación media regional se incrementaría aproximadamente 70 mm en los próximos

20 años (20% de desvío estimado), según los resultados obtenidos con simulaciones de largo
período para 2015-2035. Los modelos decadales expusieron cambios menos significativos,
con aumentos de aproximadamente 20 mm (15% de desvío estimado). Esto sugiere un
impacto de la variabilidad decadal natural del clima en las proyecciones de cambio climático
regional. Los incrementos de precipitación afectarían la respuesta del acuífero libre, que hasta
107
la actualidad muestra tendencias hacia condiciones más húmedas. Esta situación podría
favorecer el desarrollo de inundaciones pluviales, aunque es conocido que estos eventos están
fuertemente influenciados por la gran variabilidad hidroclimática regional. Para el caso de la
temperatura media, el incremento sería más significativo e independiente de la influencia de
la variabilidad decadal, con valores promedios de hasta 1º C en los próximos 20 años (15% de
desvío estimado).
Los GCMs utilizados para las proyecciones representaron adecuadamente el clima histórico
regional. En trabajos futuros se aumentará el número de modelos estudiados para poder
obtener resultados más robustos con ensambles multimodelos.
Agradecimientos. Agradecemos el subsidio recibido del Programa de Difusión de los Resultados de la

Actividad Científico-Técnica (PRODACT 2017) de la Secretaría de Ciencia y Técnica de la FICH - Universidad
Nacional del Litoral. Parte del trabajo fue realizado con fondos provenientes del C.A.I. + D. 2011: “Búsqueda
de comportamientos futuros del acuífero libre ante eventos meteorológicos adversos y sus efectos ambientales
vinculados al cambio climático”.
Baethgen, W. E, Goddard, L., (2013). Latin American Perspectives on Adaptation of

Agricultural Systems to Climate Variability and Change. IN: D. Hillel and C. Rosenzweig
(Eds.): Handbook of Climate Change and Agroecosystems: Global and Regional Aspects and
Implications. pp 57-72. ICP Series on Climate Change Impacts, Adaptation, and Mitigation
Vol. 2. Imperial College Press.
Barsugli, J. J. y coautores, (2013). The Practitioner's Dilemma: How to Assess the

Credibility of Downscaled Climate Projections, Eos Trans. AGU, 94(46), 424.
Christensen, J. y coautores, (2007). Regional climate projections. In: Climate Change 2007:
The Physical Science Basis. Contribution of Working Group I to the AR4 of the IPCC.
Solomon, S. et al (Eds.) Cambridge Univ. Press, UK, pp. 847-940.
Eden, J. M., Widmann, M., (2014). Downscaling of GCM-Simulated Precipitation Using

Model Output Statistics. J. Climate, 27, 312–324. doi: http://dx.doi.org/10.1175/JCLI-D-13-
00063.1.
Flato, G., and coauthors (2013). Evaluation of Climate Models. In: Climate Change 2013:
The Physical Science Basis. [Stocker, T.F et al (eds.)]. Cambridge University Press, UK.
Harris, I., Jones, P.D., Osborn, T.J. and Lister, D.H., (2014). Updated high-resolution
grids of monthly climatic observations - the CRU TS3.10 Dataset. International Journal of
Climatology 34, 623-642
Landmann, W. A., Goddard, L., (2002). Statistical recalibration of GCM forecasts over
southern Africa using model output statistics. J. Clim., 15, 2038–2055.
Lovino MA. (2015). Impacto ambiental de la variabilidad climática y los eventos extremos
en la provincia de Santa Fe, en el contexto del cambio climático. Tesis Doctoral, FICH –
108
UNL, 238 pp.
Maraun, D., y coautores (2010). Precipitation downscaling under climate change: Recent
developments to bridge the gap between dynamical models and the end user, Rev.
Geophys., 48, RG3003, doi:10.1029/2009RG000314.
Moron, V., Robertson, A., Ward, M., Ndiaye, O. (2008). Weather Types and Rainfall over
Senegal. Part II: Downscaling of GCM Simulations. J. Climate, 21, 288–307.
Recalde-Coronel, G. C., Barnston, A. G., Muñoz, A. G., (2014). Predictability of

December–April Rainfall in Coastal and Andean Ecuador. J. Appl. Meteor. Climatol., 53,
1471–1493.
Shongwe, M. E., Landman, W. A., Mason, S. J., (2006). Performance of recalibration

systems for GCM forecasts for southern Africa, Int. J. Climatol., 26, 1567–1585.
Tippett, M. K., Goddard, L., Barnston, A. G., (2005). Statistical–dynamical seasonal

forecasts of central-southwest Asian winter precipitation. J. Climate, 18, 1831–1843,
doi:10.1175/JCLI3371.1
Venencio, M. V., García, N. (2012). Interannual variability and predictability of water table
levels at Santa Fe Province (Argentina) within the climatic change context. Journal of
Hydrology. 409, 62–70.
Verbist, K., Robertson, A., Cornelis, W., Gabriels, D., (2010). Seasonal Predictability of
Daily Rainfall Characteristics in Central Northern Chile for Dry-Land Management. J. Appl.
Met. Climatol. 49, 1938–1955.
Widmann, M, Bretherton, C. S., Salathe, E. P., (2003). Statistical precipitation

downscaling over the Northwestern United States using numerically simulated precipitation
as a predictor. J. Climate, 16, 799–816.
109
EVALUACIÓN DE MODELOS DEL CMIP5 EN LA REGIÓN NÚCLEO DE CULTIVOS

DE ARGENTINA
Miguel A. Lovino1, Omar V. Müller1, E. Hugo Berbery2, Gabriela V. Müller3, María del
Valle Venencio1,4
1 CONICET, Centro de Estudios de Variabilidad y Cambio Climático (CEVARCAM), FICH – UNL, Santa Fe, Argentina.
2Earth System Science Interdisciplinary Center/Cooperative Institute for Climate and Satellites-Maryland, University of
Maryland, USA.
3 Centro de Investigaciones Científicas y Transferencia de Tecnología a la Producción (CICYTTP/CONICET), Diamante,
Argentina.
4 Instituto Nacional del Agua, Centro Regional Litoral, Santa Fe, Argentina.
E-mail del autor: mlovino@unl.edu.ar Web: http://www.unl.edu.ar/cevarcam/mlovino
RESUMEN
Este trabajo evalúa la habilidad de 25 GCMs del Proyecto de Intercomparación de Modelos Acoplados Fase 5
(CMIP5, por su sigla en inglés) para representar el clima medio histórico y presente de la región núcleo de
cultivos de Argentina. Se evalúan estadísticamente simulaciones mensuales de precipitación y temperatura para
modelos individuales y sus ensambles. Se consideran dos tipos de simulaciones: (a) de largo período (1901-
2005), en las que los modelos responden a forzantes climáticos (e.g., cambios de la composición atmosférica y
de usos del suelo), y (b) decadales (1961-2010) que también son inicializadas con estados climáticos
observados. Referente a las simulaciones de largo período, se identificaron los 9 modelos que mejor representan
los campos de temperatura observada y su ciclo anual. Las series temporales de los modelos están en fase con
las observadas (r> 0.92). Se identificaron 7 GCMs que representan adecuadamente las características de la
precipitación regional, reconociendo el ciclo anual de precipitación (aunque subestimando la precipitación de
verano y sobreestimado levemente la de invierno). Los ensambles multimodelos con los GCMs seleccionados
logran las mejores medidas de verificación estadística. La habilidad de las simulaciones decadales para
representar el clima regional mostró ser muy similar a la de las simulaciones de largo período.
ABSTRACT
This study describes the ability of 25 global climate models (GCMs) of the Coupled Model Inter-comparison
Project Phase 5 (CMIP5) to represent the historical and current mean climate over the core crop region of
Argentina. Monthly simulations of precipitation and temperature are statistically evaluated for individual models
and their ensembles. Two types of simulations are considered: Long-term simulations for 1901-2005 in which
the models respond to climate forcing (e.g., changes in atmospheric composition and land use) and decadal
simulations for 1961-2010 that also are initialized from observed climate states. Within the long-term
simulations, we identify a subset of 9 models that best represents the observed temperature fields and its annual
cycle. The models temperature time series are in phase with those observed (r> 0.92). A subset of 7 models is
also found to adequately represent regional precipitation features. Most GCMs are able to reproduce the annual
precipitation cycle, although they underestimate summer precipitation and slightly overestimate winter rains.
The multimodel ensemble means computed using the selected GCMs reach the best evaluation metrics. The
performance of decadal simulations is similar to that of the historical long-term simulations as seen in the
individual GCMs and their ensembles.
110
INTRODUCCIÓN
El sudeste de Sudamérica tiene una gran variabilidad hidroclimática con frecuentes eventos
extremos, incluyendo inundaciones, sequías y olas de calor, que afectan los sistemas humanos
y naturales (Magrin et al, 2014). Los eventos extremos han incrementado su frecuencia e
intensidad; incluso es posible que esta tendencia se exacerbe en las próximas décadas (e.g,
Carril et al. 2016). Si esto sucede, estos cambios afectarán los sistemas hidrológicos y la
producción de alimentos en una de las llanuras más fértiles del mundo.
Para estimar los impactos de la variabilidad y el cambio climático regional se requieren

proyecciones climáticas confiables. Estas proyecciones se producen con simulaciones
numéricas basadas en modelos climáticos globales (GCMs). La hipótesis asume que aquellos
GCMs que representen adecuadamente escenarios climáticos históricos deberían tener mayor
capacidad para simular el clima futuro. Bajo esta premisa, se desarrolló un grupo de
experimentos que comprende la quinta fase del Proyecto de Intercomparación de Modelos
Acoplados (CMIP5, por su sigla en inglés; Taylor et al., 2012). Los modelos del CMIP5
reproducen adecuadamente los patrones de temperatura superficial global y la precipitación
de gran escala (Flato et al., 2013).
A escala regional, focalizando el análisis en el sudeste de Sudamérica, la mayor parte de los

modelos del CMIP5 son capaces de simular adecuadamente la temperatura media y capturar
las tendencias positivas (de Barros Soares et al., 2017). Otro grupo de estudios ha demostrado
que los modelos del CMIP5 mejoran la representación de la precipitación regional en
comparación a anteriores versiones (Gulizia y Camilloni, 2015; Díaz y Vera, 2017). En
general, los modelos subestiman el ciclo anual de precipitación (Penalba y Rivera, 2016;
Maenza et al., 2017).
Estudios previos han demostrado que la variabilidad decadal observada presenta un rol
fundamental en el clima regional (e.g., Baethgen y Goddard, 2013; Grimm y Saboia, 2015).
Sin embargo, la mayor parte de los estudios solo evalúan el rendimiento de los modelos con
simulaciones de largo período. Debido a que las simulaciones decadales del CMIP5 no solo
responden a forzantes externos, sino que también consideran las interacciones internas del
sistema climático, son capaces de evaluar la trayectoria actual del cambio climático y explorar
la predictabilidad del clima regional en escalas temporales de decadales a multidecadales.
Este trabajo se propone evaluar la habilidad de GCMs del CMIP5 para representar
apropiadamente el clima actual e histórico de la región. Para ello, se aplican y evalúan
métricas estadísticas y propiedades climatológicas de simulaciones históricas de largo período
y decadales y se identifican los grupos de modelos de mejor rendimiento.
REGIÓN NÚCLEO DE CULTIVOS
El estudio se focaliza en la región núcleo de cultivos de Argentina delimitada

geográficamente entre 26ºO – 36ºO y 58ºS – 65ºS (ver Figura 1). La región concentra el 80%
de la producción de cereales del país y tiene una importancia estratégica en la seguridad
alimentaria global. La agricultura en la región núcleo es de secano y está muy influenciada
por los recursos hídricos de la cuenca inferior del Río de la Plata. Además, agrupa el 90% de
la población del país, lo que junto a la gran concentración de actividades económicas la hace
111
particularmente vulnerable a la variabilidad hidroclimática y los eventos extremos.
Figura1.- Mapa topográfico de la porción sur de América del Sur junto con los principales ríos que desembocan en el Río de
la Plata. El recuadro destaca la región núcleo de cultivos en Argentina.
DATOS Y MÉTODOS
Este trabajo evalúa un grupo de 25 GCMs del CMIP5 de varios centros de modelado del
mundo (la lista de modelos usados se puede ver en Lovino, 2015). Se analizaron dos tipos de
simulaciones: (a) de largo período (1901-2005), que proporcionan una proyección de las
respuestas forzadas del clima por cambios de la composición atmosférica y de usos del suelo,
y (b) decadales (1961-2010), que consideran la variabilidad interdecadal observada como
componente no forzado de la evolución climática. Se evaluaron estadísticamente las
simulaciones mensuales de precipitación y temperatura de las simulaciones de largo período y
las decadales, tanto de los modelos individuales como de ensambles multimodelos. Los datos
observados utilizados para la evaluación son del CRU TS 3.2 (Harris et al., 2014).
El rendimiento de los modelos se evaluó mediante métricas estadísticas: error medio, error
absoluto medio, error medio cuadrático, coeficiente de eficiencia y coeficiente de correlación
(definiciones en Déqué, 2012). Además, se contrastan los ciclos anuales simulados con los
observados en el último período normal común disponible en ambos tipos de experimentos,
1971-2000.
SIMULACIONES HISTÓRICAS DE LARGO PERÍODO

TEMPERATURA
La temperatura media está considerablemente bien simulada por los modelos analizados en
los escenarios históricos de largo período (Tabla 1). Todos los modelos tienen correlaciones
superiores a 0.92 y bajos errores promedios (MAE = 2.3 ºC y RMSE = 2.7 ºC). Los 9 modelos
seleccionados (sombreados en la Tabla 1) tienen una eficiencia superior a 0.8. El ensamble de
estos 9 GCMs logra las mejores métricas, excediendo aquellas de los miembros individuales y
del ensamble con los 25 GCMs. De los modelos individuales, CCSM4 y CESM1-BGC (filas
5 y 6) muestran el mejor rendimiento.
Tabla 1.- Métricas estadísticas de rendimiento entre las series medias areales de temperatura media observada y simulada en
el escenario de largo período (1901-2005). GCMs con las mejores métricas en sombreado. MBE: error medio, MAE: error
medio absoluto, RMSE: error medio cuadrático, E: eficiencia, r: coeficiente de correlación.
112
Modelo MBE MAE RMSE E r 14 GFDL-ESM2M 3.27 3.49 4.06 0.27 0.92
1 ACCESS 1.0 0.87 1.70 2.10 0.81 0.94 15 GISS-E2-R 3.49 3.76 4.42 0.14 0.93
2 BCC-CSM1.1 -1.40 2.01 2.51 0.71 0.94 16 HadGEM2-CC -0.01 1.69 2.09 0.81 0.94
3 BNU-ESM 0.25 2.46 2.97 0.61 0.94 17 HadGEM2-ES 0.22 1.78 2.21 0.79 0.94
4 CanESM2 -1.25 1.80 2.31 0.77 0.94 18 INM-CM4 -3.81 3.90 4.67 0.04 0.94
5 CCSM4 0.12 1.40 1.81 0.86 0.94 19 MIROC4h 2.84 3.11 3.58 0.44 0.94
6 CESM1-BGC 0.31 1.41 1.78 0.86 0.94 20 MIROC5 4.05 4.08 4.45 0.13 0.94
7 CESM1-FAST 0.06 1.44 1.85 0.85 0.94 21 MIROC-ESM 1.06 1.72 2.10 0.81 0.94
8 CMCC-CM -0.26 1.50 1.91 0.84 0.93 22 MPI-ESM-LR 1.74 2.23 2.73 0.67 0.93
9 CNRM-CM5.2 0.47 1.74 2.18 0.79 0.93 23 MPI-ESM-MR 2.03 2.48 3.08 0.58 0.92
10 CSIRO-Mk3 1.64 2.59 3.08 0.58 0.94 24 MRI-CGCM3 1.70 2.21 2.67 0.69 0.93
11 EC-EARTH 0.21 1.57 2.00 0.82 0.92 25 NorESM1-M 0.23 1.41 1.79 0.86 0.93
12 FGOALS-g2 -3.12 3.16 3.57 0.44 0.94 Ensamble 25 0.68 1.40 1.70 0.87 0.94
13 GFDL-CM3 1.54 2.30 2.82 0.65 0.93 Ensamble 9 0.02 1.08 1.39 0.92 0.96
La Figura 2 muestra un diagrama de Taylor para la temperatura media regional. Los

diagramas de Taylor resumen el grado de correspondencia entre los campos simulados y
observados en función de sus correlaciones, sus errores medios cuadráticos y el radio de sus
varianzas (Taylor, 2001). El punto de referencia “a” indica que las observaciones tienen un
desvío estándar de 4.8 ºC. El diagrama muestra gráficamente que el ensamble de los 9
modelos seleccionados (punto 2) presenta las mejores métricas y representa correctamente el
desvió estándar de referencia. El ensamble de los 25 modelos (punto 1) exhibe un rendimiento
similar al de los modelos individuales con mejores métricas estadísticas. Todos los GCMs
están en fase con las observaciones, con coeficientes de correlación que varían entre 0.92 y
0.94. Además, la mayor parte de los modelos forman un conjunto de puntos ya que exhiben
desvíos estándar entre 5 ºC y 7 ºC y errores cuadráticos medios cercanos a 2 ºC. En este grupo
de modelos, los modelos CCSM4 y CESM1-BGC (puntos azules) sobresalen como los GCMs
más cercanos al punto de referencia, ya que presentan los mejores rendimientos.
Figura 2.- Diagrama de Taylor de la temperatura media simulada con experimentos históricos de largo período (1901-2005).
Solo los GCMs distantes del grupo de puntos centrales se identifican con letras. CRMS: Centered root mean squared error
(error medio cuadrático centrado).
La Figura 3a muestra que el ensamble de los 25 modelos ajusta correctamente el ciclo anual
de temperatura, sobreestimando levemente la temperatura desde noviembre hasta abril. El
rango inter-modelos tiene una amplitud media de 8 ºC que se incrementa a 10 ºC en invierno.
La Figura 3c indica que el rango inter-modelos se reduce considerablemente al promediar los
9 mejores GCMs, especialmente en los meses cálidos. Todos los modelos analizados
reconocen correctamente el ciclo anual con diferentes errores sistemáticos que son
113
cuantificados en la Tabla 1 por las métricas de error medio (MBE). La Tabla 1 muestra que 19
de los 25 modelos tienen errores medios positivos, indicando una tendencia a sobreestimar la
temperatura media regional. Consistentemente, la Figura 3b muestra que la mayoría de los
modelos sobreestima la temperatura, especialmente en los meses cálidos. La Figura 3d indica
que la mayor parte de los modelos seleccionados reducen este error, ajustando precisamente
los valores medios observados entre marzo y diciembre y sobreestimando levemente los
valores observados entre enero y febrero. Estos resultados sugieren que los 9 modelos que
logran el mejor rendimiento y su ensamble multimodelo son capaces de simular
apropiadamente la temperatura media regional.
Figura 3.- Ciclo anual de la temperatura media observada y simulada por los experimentos históricos de largo período de
modelos individuales y los ensambles multimodelos en el período 1971-2000: (a) y (b) los 25 modelos analizados; (c) y (d)
los 9 GCMs con las mejores métricas de evaluación.
PRECIPITACIÓN
La precipitación está simulada con menor eficiencia que la temperatura por los modelos
globales, como era de esperar, ya que la precipitación resulta de una deficiente
parametrización que aproxima los procesos actuales, mientras que la temperatura es obtenida
por balances termodinámicos más sencillos y precisos. Las métricas de la evaluación de la
temperatura media areal se presentan en la Tabla 2. Los coeficientes de correlación varían
entre 0.31 y 0.64. Las simulaciones tienden a subestimar la precipitación, ya que 18 de los 25
modelos tienen errores medios negativos. Se seleccionaron 7 GCMs con coeficientes de
correlación mayor a 0.6, ya que si las series se encuentran en fase, es posible corregir los
errores por métodos estadísticos. Sus métricas estadísticas son marcadamente mejores que el
resto de los modelos. Esta mejora se traduce al ensamble de los 7 mejores GCMs, que logra
los mejores resultados.
Tabla 2.- Métricas estadísticas de rendimiento entre las series medias areales de precipitación observada y simulada en el
escenario de largo período (1901-2005). GCMs con las mejores métricas en sombreado. MBE: error medio, MAE: error
medio absoluto, RMSE: error medio cuadrático, E: eficiencia, r: coeficiente de correlación.
114
Modelo MBE MAE RMSE E r 14 INM-CM4 -20.6 32.2 42.0 0.11 0.62
1 ACCESS 1.0 3.5 34.4 45.3 -0.03 0.47 15 MIROC5 -27.7 36.6 47.8 -0.15 0.52
2 BCC-CSM1.1 -10.9 32.3 42.3 0.10 0.47 16 MIROC-ESM-CH -29.4 36.0 47.5 -0.13 0.56
3 BNU-ESM -21.1 35.9 46.5 -0.09 0.44 17 MPI-ESM-LR -13.6 35.0 45.9 -0.06 0.37
4 CanESM2 7.5 36.0 47.8 -0.15 0.60 18 MPI-ESM-MR -15.9 36.9 48.5 -0.18 0.31
5 CESM1-BGC 14.6 34.8 45.3 -0.03 0.60 19 MRI-CGCM3 -5.3 35.8 46.5 -0.09 0.40
6 CESM1-FAST 14.8 34.0 45.4 -0.04 0.62 20 NorESM1-M 5.1 33.4 43.6 0.04 0.64
7 CNRM-CM5.2 -19.5 32.6 43.5 0.05 0.54 21 CCSM4 14.5 33.9 44.1 0.02 0.62
8 CSIRO-Mk3.6.0 -22.3 37.7 48.2 -0.17 0.56 22 CMCC-CM 8.6 35.7 47.8 -0.15 0.48
9 GFDL-CM3 -12.2 34.0 44.0 0.03 0.52 23 EC-EARTH -2.7 33.0 42.5 0.09 0.46
10 GFDL-ESM2M -19.8 36.5 47.6 -0.14 0.47 24 FGOALS-g2 -23.8 35.7 47.2 -0.13 0.41
11 GISS-E2-R -29.5 38.3 51.0 -0.31 0.43 25 MIROC4h -22.7 35.3 46.1 0.08 0.62
12 HadGEM2-CC 11.9 37.4 47.2 -0.12 0.45 25-model ensemble -9.0 24.3 32.5 0.47 0.72
13 HadGEM2-ES 9.0 36.0 46.1 -0.07 0.46 7- model ensemble -0.4 24.9 32.3 0.48 0.71
La Figura 4 resume el rendimiento de las simulaciones de precipitación en un diagrama de

Taylor. El diagrama muestra que el ensamble con los 25 modelos (punto 1) mejora el error
medio cuadrático y los valores de correlación de cada GCM pero subestima el desvío estándar
de referencia. El ensamble con los 7 mejores modelos (punto 2) reduce notablemente la
diferencia en el desvío estándar mientras que mantiene el rendimiento en correlación y error
cuadrático. Este ensamble logra el mejor rendimiento, ya que tiene una correlación mayor a
0.7, un desvío estándar similar al de referencia y un error cuadrático medio cercano a 30 mm.
Si bien estos errores son altos, están en el rango de los hallados en otras regiones del mundo;
e.g., son menores que en África pero levemente mayores que en Norteamérica (Kumar et al.,
2014). De los modelos individuales, el CCSM4 es el que mejor ajusta las observaciones con
una leve sobreestimación de la variabilidad temporal indicada por un mayor desvío estándar
que el del punto “a”.
Figura 4.- Diagrama de Taylor de la precipitación regional simulada con experimentos históricos de largo período (1901-
2005). Los puntos azules corresponden a los modelos que logran las mejores métricas de evaluación.
El ciclo anual de la precipitación observada y simulada se grafica en la Figura 5. La Figura 5a

muestra que el ensamble con los 25 modelos subestima las observaciones durante la mayor
parte del año, excepto en invierno. Es evidente en la Figura 5b que la mayor parte de los
modelos individuales subestiman la precipitación mensual durante todo el año. Este error y la
gran dispersión que muestran los 25 modelos se reduce notablemente con el ensamble de los 7
mejores modelos (ver Figura 5c y 5d). La Figura 5c indica que el ensamble de los 7 mejores
modelos reproduce adecuadamente el ciclo medio anual de precipitación.
115
Figura 5.- Ciclo anual de la precipitación regional observada y simulada por los experimentos históricos de largo período de
modelos individuales y los ensambles multimodelos en el período 1971-2000: (a) y (b) los 25 modelos analizados; (c) y (d)
los 7 GCMs con las mejores métricas de evaluación.
SIMULACIONES HISTÓRICAS DECADALES
La inclusión de los estados observados del sistema climático en la inicialización de las

simulaciones decadales puede ofrecer una mejora en la representación del clima pasado
reciente (Meehl et al., 2014). La Tabla 3 presenta los GCMs que se evalúan con simulaciones
decadales. Se debe notar que un grupo más reducido de estos modelos han ejecutado
simulaciones decadales, por ese motivo, es menor el número de modelos evaluados. De estos,
las simulaciones se focalizan en los modelos que mostraron mejor rendimiento con las
simulaciones históricas de largo período.
En este trabajo, las métricas de las simulaciones decadales (Tabla 3) no muestran diferencias
notables en comparación con los resultados de las simulaciones históricas de largo período
(Tablas 1 y 2). En el caso de la precipitación, los coeficientes de eficiencia muestran una leve
mejora con valores positivos entre 0.1 y 0.25; aunque los errores estadísticos y las
correlaciones permanecen en el rango de las simulaciones históricas. En el caso de la
temperatura, se debe notar que los máximos errores estadísticos de las simulaciones decadales
(MAE = 2.99 ºC y RMSE = 3.43 ºC, Tabla 3) son menores que los máximos errores de las
simulaciones históricas de largo período (MAE = 4.08 ºC y RMSE ) 4.67 ºC, Tabla 1). Por
ello, la magnitud de los errores se reduce levemente en las simulaciones decadales de la
temperatura media regional.
Tabla 3.- Métricas estadísticas de evaluación entre las series temporales medias areales de precipitación y temperatura media
mensual observada y simulada por experimentos decadales (1961-2010). Las unidades del error medio (MBE), el error
absoluto medio (MAE) y el error medio cuadrático (RMSE) son ºC/mes para temperatura y mm/mes para precipitación. Los
coeficientes de eficiencia (E) y correlación (r) son adimensionales.
Modelo MBE MAE RMSE E r
116
CanCM4 -1.69 2.22 2.88 0.63 0.94

CCSM4 0.76 1.53 1.90 0.84 0.94
CFSv2-2011 0.17 1.48 1.87 0.85 0.93
Temperatura CMCC-CM 0.17 1.48 1.87 0.85 0.92
EC-EARTH 0.23 1.54 1.99 0.83 0.92
FGOALS-g2 -2.61 2.73 3.19 0.55 0.93
MIROC4h 2.73 2.99 3.43 0.48 0.95
Ensamble -0.13 1.13 1.46 0.91 0.96
CanCM4 4.23 34.52 44.97 0.16 0.65
CCSM4 11.32 33.10 43.48 0.22 0.66
Precipitación
CFSv2-2011 -3.44 34.23 45.46 0.11 0.48

CMCC-CM 6.97 37.16 48.25 0.03 0.54
EC-EARTH -8.53 34.28 45.29 0.15 0.48
FGOALS-g2 -29.55 38.95 51.74 -0.11 0.51
MIROC4h -19.42 34.49 44.94 0.16 0.63
Ensamble -5.52 25.57 33.80 0.53 0.74
Como en las simulaciones de largo período, los ensambles multimodelos mejoran las métricas
de evaluación de los modelos individuales (Tabla 3). El modelo CCSM4 nuevamente presenta
la mayor habilidad para simular la temperatura media regional. Los modelos CFSv2-2011 y
CMCC-CM también exhiben buenos rendimientos para temperatura, mientras que el modelo
CanCM4 se destaca para simular precipitación.
Figura 6.- Ciclo anual de la temperatura (a,b) y la precipitación regional (c,d) observada y simulada por los experimentos
decadales de modelos individuales y los ensambles multimodelos en el período 1971-2000.
La Figura 6a muestra que la temperatura del ensamble multimodelo ajusta muy bien el ciclo
anual observado, consistentemente con el bajo valor de MBE de solo -0.1 ºC (Tabla 3). La
mayor parte de los GCMs (Figura 6b) reproducen el ciclo anual, aunque con errores
sistemáticos que son cuantificados por el MBE de la Tabla 3. Cinco de los siete modelos
analizados presentan errores positivos menores a 1 ºC. El ensamble multimodelo de
precipitación (Figura 6c) subestima la precipitación observada durante la estación lluviosa (de
septiembre a abril) mientras que sobreestima levemente la lluvia de invierno. El ciclo anual de
precipitación es simulada por cada GCM con diferente éxito; algunos GCMs reproducen
117
adecuadamente el ciclo anual (e.g, CCSM4 y CanCM4) mientras que otros se alejan
considerablemente de la distribución observada (e.g., FGOALS-g2, CMCC-CM).
CONCLUSIONES
La temperatura media regional está considerablemente bien simulada por los modelos
analizados en el escenario histórico de largo período. Todos los modelos ajustan
correctamente el ciclo anual de temperatura, aunque con ciertos errores estadísticos leves. La
precipitación regional está simulada con distintas eficiencias. La mayor parte de los modelos
reconocen el ciclo anual, aunque subestiman la precipitación en la temporada de lluvias y la
sobreestiman levemente en invierno. Tanto para precipitación como para temperatura, los
ensambles multimodelos logran mejores rendimientos que los modelos individuales.
Nuestros resultados muestras que las simulaciones decadales no mejoran las métricas de
evaluación logradas por las simulaciones de largo período. Esto sugiere que las
inicializaciones de las simulaciones decadales con observaciones climáticas no conducen a
una mejor representación del clima regional. Sin embargo, algunos modelos individuales
tuvieron éxito. El modelo CCSM4 logró las mejores métricas tanto para temperatura como
para precipitación, demostrando gran habilidad para simular el clima regional en escalas
temporales decadales. Este modelo también presentó uno de los mejores rendimientos con las
simulaciones históricas de largo período.
Se seleccionaron 9 modelos que reproducen adecuadamente los campos de temperatura media

y 7 GCMs capaces de representar adecuadamente la precipitación regional. Es esperable que
estos GCMs, con mayor capacidad para representar el clima pasado, otorguen mayor robustez
a las simulaciones futuras, disminuyendo la dispersión asociada a los errores cuantificados en
este trabajo.
Agradecimientos. Agradecemos el subsidio recibido del Programa de Difusión de los Resultados de la

Actividad Científico-Técnica (PRODACT 2017) de la Secretaría de Ciencia y Técnica de la FICH - Universidad
Nacional del Litoral. Parte del trabajo fue realizado con fondos provenientes del C.A.I. + D. 2011: “Búsqueda
de comportamientos futuros del acuífero libre ante eventos meteorológicos adversos y sus efectos ambientales
vinculados al cambio climático”.
Baethgen W.E., Goddard L. (2013). Latin American Perspectives on Adaptation of

Agricultural Systems to Climate Variability and Change. In Handbook of Climate Change
and Agroecosystems: Global and Regional Aspects and Implications, Hillel D, Rosenzweig C
(Eds.), pp. 57-72. ICP Series on Climate Change Impacts, Adaptation, and Mitigation Vol. 2.
Imperial College Press: London, UK.
Carril A. F y coautores (2016). Extreme events in the La Plata basin: a retrospective analysis
of what we have learned during CLARIS-LPB project. Climate Research, 68: 95-116.
de Barros Soares D, Lee H, Loikith P.C., Barkhordarian A., Mechoso C.R.. (2017). Can
significant trends be detected in surface air temperature and precipitation over South America
in recent decades? International Journal of Climatology 37: 1483–1493.
118
DOI:10.1002/joc.4792
Déqué M. (2012). Continuous variables. In Forecast Verification—A Practitioner’s Guide in

Atmospheric Science, Second Edition, Jolliffe IT, Stephenson DV (Eds.). John Wiley and
Sons, England. pp. 97–120.
Díaz L.B., Vera C.S., (2017). Austral summer precipitation interannual variability and trends
over Southeastern South America in CMIP5 models. International Journal of Climatology.
DOI:10.1002/joc.5031
Flato G, y coautores (2013). Evaluation of Climate Models. In Climate Change 2013: The
Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of
the Intergovernmental Panel on Climate Change, Stocker TF, Qin D, Plattner G.-K, Tignor M,
Allen SK, Boschung J, Nauels A, Xia Y, Bex V, Midgley PM (Eds.). Cambridge University
Press: Cambridge, United Kingdom and New York, NY, USA.
Grimm A, Saboia J. (2015). Interdecadal Variability of the South American Precipitation in

the Monsoon Season. Journal of Climate 28(2): 755-775. DOI: 10.1175/jcli-d-14-00046.1.
Gulizia C, Camilloni I. (2015). Comparative analysis of the ability of a set of CMIP3 and
CMIP5 global climate models to represent precipitation in South America. International
Journal of Climatology 35: 583-595. DOI: 10.1002/joc.4005.
Harris, I., Jones, P.D., Osborn, T.J. and Lister, D.H., (2014). Updated high-resolution
grids of monthly climatic observations - the CRU TS3.10 Dataset. International Journal of
Climatology 34, 623-642
Kumar D, Kodra E, Ganguly A. (2014). Regional and seasonal intercomparison of CMIP3

and CMIP5 climate model ensembles for temperature and precipitation. Climate Dynamics
43(9-10): 2491-2518.
Lovino M.A., (2015). Impacto ambiental de la variabilidad climática y los eventos extremos
en la provincia de Santa Fe, en el contexto del cambio climático. Tesis doctoral. Universidad
Nacional del Litoral, Argentina, 238 pp. Disponible en:
http://bibliotecavirtual.unl.edu.ar:8080/tesis/handle/11185/707
Maenza R.A., Agosta E.A., Bettolli M.L., (2017). Climate change and precipitation
variability over the western ‘Pampas’ in Argentina. International Journal of Climatology.
DOI: 10.1002/joc.5014.
Magrin G.O. y coautores, (2014). Central and South America. In Climate Change 2014:
Impacts, Adaptation, and Vulnerability. Part B: Regional Aspects. Contribution of Working
Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change,
Cambridge University Press: Cambridge, United Kingdom and New York, NY, USA, pp.
1499-1566.
Meehl G, y coautores, (2014). Decadal Climate Prediction: An Update from the

Trenches. Bulletin of the American Meteorological Society 95(2): 243-267. DOI:
10.1175/bams-d-12-00241.1.
119
Penalba O, Rivera J. (2013). Future Changes in Drought Characteristics over Southern

South
America Projected by a CMIP5 Multi-Model Ensemble. American Journal of Climate Change
2: 173-182. DOI: 10.4236/ajcc.2013.23017.
Taylor K, Stouffer R.J., Meehl G. (2012). An Overview of CMIP5 and the Experiment
Design. Bull. Am. Meteorol. Soc 93: 485-498.
120
TENDENCIAS EN LOS ÍNDICES DE SEQUIAS PARA LAS

PRINCIPALES CUENCAS HIDRICAS DE LA REGIÓN TROPICAL-
SUBTROPICAL DE LA TIERRA Y SU VINCULACIÓN CON EL
CAMBIO CLIMÁTICO
Juan L. Minetti ¹, Darío P. Ovejero¹ y Walter M. Vargas²
¹ Laboratorio Climatológico Sudamericano y Departamento de Geografía de la Facultad de Filosofía y Letras de
la UNT. ²Laboratorio Climatológico Sudamericano
Tel.381-156785188- minettil@arnet.com.ar, climamietti@gmail.com
RESUMEN
En la región Tropical-Subtropical de la Tierra tienen ubicación las principales cuencas hidrográficas fuentes del
agua y alimentos del planeta. Esta región está siendo afectada por cambios importantes de circulación
atmosférica y generación de precipitación. En las últimas décadas se han observado sequias persistentes sobre
Chile Central, Sur de África y zona mediterránea. Estas regiones son periféricas a otras más húmedas,
proveedora de agua a los ríos importantes y generadora de alimentos. En el estudio se muestra la relación
existente entre estos fenómenos y el calentamiento global destacándose: I) Tendencias permanentes o
persistencia crecientes de las precipitaciones, II) ídem con tendencias decrecientes, y III) larga oscilación con
tendencias a las sequías en la primera mitad del siglo pasado y las precipitaciones abundantes en la segunda
mitad.
ABSTRACT
In the Tropical-Subtropical region of the Earth are located the main water sources and food of the planet. This
region is being affected by major changes in atmospheric circulation and precipitation generation. In recent
decades persistent droughts have been observed over Central Chile, Southern Africa and the Mediterranean area.
These regions are peripheral to others more humid, providing water to the important rivers and generating food.
The study shows the relationship between these phenomena and global warming: (i) Increasing permanent trends
or persistence of precipitation, (ii) those with decreasing trends, and (iii) a long oscillation with drought trends in
the first half of the Last century and abundant rainfall in the second half.
INTRODUCCIÓN
Las regiones continentales intertropicales y templadas del planeta son las principales áreas,
fuente de agua y alimentos en el planeta. Estas han sido objeto de abundantes estudios por el
impacto económico y mantenimiento de la sociedad humana, hoy afectada supuestamente por
el Cambio Climático (IPCC, 2001). Según Basaure (2007) la superficie de la Tierra es de 510
millones de kilómetros cuadrados, de las cuales están cubiertas por aguas el 70.7%. Del 30%
de la superficie de tierra firme, está cultivada el 9.3%. De esta superficie EUA y la India
juntos, cultivan de la superficie total en esta actividad un 23%, siguiéndole Rusia y China.
Entre estos cuatro países la superficie agrícola es de un 40% del total.
Si bien es cierto que la mayor parte de los cultivos se ubican sobre la zona templada, muchos
de ellos están en la periferia de regiones de clima húmedo o semiárido subtropical afectados
por persistentes sequías en franca expansión observados a través de sus tendencias. Motivados
por el impacto que el calentamiento global (CG) y Cambio Climático (CC) asociado sobre las
precipitaciones y otras variables, los investigadores como Chen y otros (2002) justifican la
posibilidad de ocurrencia de una intensificación de la Circulación de Hadley (CH) con su
respectivo secado en la banda subtropical y crecimiento de las precipitaciones en la zona
Ecuatorial en la Convergencia Intertropical (CIT). Esto ha sido mostrado con datos empíricos
para el Hemisferio Sur (HS) por Minetti y otros (2014 a) advirtiendo sobre la intensificación
de las sequías en el centro de Chile. Por otro lado haciendo uso de modelos climáticos, Dai
(2013) muestra que el CG generaría en un futuro cercano un incremento de las sequías sobre
121
la región subtropical, potenciadas por un aumento en la tasa de evapotranspiración,

aumentando el déficit hídrico. Otros investigadores han trabajado con la hipótesis de un
reforzamiento de la CH, expansión de la zona anticiclónica subtropical y corrimiento hacia
latitudes más altas de la misma con los años (Xiao-Wei Quan y otros, 2004; Hu y Fu, 2007;
Quan y otros, 2002; Mitas y Clement, 2005: y Minetti y otros, 2009).
Esta última hipótesis colisionaría con la posición de los tecnólogos agrícolas quienes se
encuentran incrementando la superficie de producción en las regiones semiáridas marginales
de las principales áreas productoras de granos, de por ejemplo: Pampa Húmeda Argentina,
USA, Europa, Australia y Sur de África entre otras (Minetti y Sierra, 1984; Minetti y otros,
2007). Estos graneros húmedos del mundo de clima C (Koeppen, W. 1948) poseen bastas
zonas áridas (BW) y semiáridas (BS) lindantes, que ejercen una presión natural sobre ellas, y
por carácter transitivo sobre los niveles de productividad agrícola (rindes en Kg/Ha) y
también sobre los derivados climáticos (Mussio, 2009). Esta presión también se incrementa
por acción antrópica por el uso de modernos recursos tecnológicos para sus fines (Houghton,
1994; Reboratti, 2010). Esta presión también se ejercería sobre los climas tropicales (A de
Koeppen) ya sea por un aumento de frecuencia de las sequías como por aumento en la tasa de
evaporación de los ecosistemas naturales (Marengo, 2009).
Gran parte de la producción agrícola mundial se generan en regiones subtropicales donde en
las últimas décadas se han observado intensas sequías en el espacio-tiempo generando un
impacto severo y transitorio en los precios internacionales de granos (Ferrelli, 2012; Ortega
Gaucin, 2014; y Moreno Muñoz, 2010; entre otros) poniendo a la sociedad bajo un riesgo de
inseguridad alimentaria (Viñas, 2011). La condición opuesta generando tormentas con lluvias
de gran volumen en corto tiempo asociados a la destrucción de vías de comunicaciones,
puentes, caminos principales y secundarios (municipales o comunales) se han observado
asociados con circulaciones extremas de humedad del océano al continente con la generación
de tormentas severas grupales o de escala regional del monzón en Asia o en Sudamérica
(Minetti y otros, 2014 b; Minetti y otros, 2005 y Minetti y otros, 2013).
Por ahora esto parece ser un juego de intereses a escala global-regional-local donde la
expansión demográfica (Dovers y otros, 1988; Flores de la Peña, 1954) brindan un marco de
condiciones ambientales crecientemente adversas o sistema no sustentable (Minetti y otros,
2007; Viñas, 2011; Moreno Muñoz, 2010) también interrelacionados con la oferta-demanda
de energía (Munier, 2012) y negocios financieros (Dabat, 2009; Munier, 2012) que convergen
hacia escenarios más complicados que los actuales. En general la idea de estas complejas
interacciones terminaron en el pasado por ser descriptas como camino al colapso por
ecologistas como Diamond (2006) y Motesharrei y otros, (2014). Diamond aclara en su
exposición que entre los cinco puntos que generan inestabilidad favorables al colapso se
encuentra el CC, y que para que ocurra un colapso se requiere más de un factor
desencadenante entre los cinco mencionados. Esto es fácilmente comprensible si vemos que
otro de los puntos de su consideración tiene que ver con un desarrollo no armonioso con la
naturaleza (actividad no sostenible). Por su extensión espacial, las sequías a diferencia de los
excesos de agua dentro del sistema climático son unas de las peores disparadoras de colapsos
económicos-sociales regionales, y si su expansión es persistente como la observada en el
centro de Chile y Subtrópico del HS (Minetti, 2014 a), el colapso es ineludible o con baja
probabilidad de adaptación y mitigación.
El análisis de las sequías regionales en la región Subtropical de la Tierra mostradas como
tendencias o baja frecuencia, y fluctuaciones más rápidas o de alta frecuencia serían tratadas
en este análisis, tratando de cubrir a regiones de alto interés en la generación de alimentos. En
todos los casos se tratará de encontrar alguna conexión entre el CC con ellas. Gran parte de la
actual investigación climatológica empírica se ha desarrollado a partir del año 1948 cuando la
122
comunidad científica generó una nueva base de datos globales en un grillado de latitud y
longitud (Kalnay y otros, 1996), que sirvió para obtener información regular en el tiempo y
espacio, para poder diagnosticar el pasado climático y proyectar hacia el futuro el
comportamiento de un planeta calentándose (CG) bajo diversos escenarios (supuestos). En
este caso Dai (2013) utilizando modelos CMIP3, A1B, CMIp5, y RCP4.5, muestra a las áreas
bajo aridez en la Tierra y cómo se incrementarían con el tiempo bajo el efecto de un CG con
una tasa de +20% entre la actualidad y el año 2100, con el impacto que esto generaría.
La información reciente desde 1948 a la actualidad no es suficiente para abordar el estudio del
CC y su impacto en el espacio geográfico. Para esto se ha requerido construir una base ad-
hoc de datos pluviométricos longevos y controlados sobre la banda subtropical y algunos en
zonas templadas (USA), debido al interés que presenta lo que ocurre en este país de gran
capacidad de producción y almacenaje (stocks) para el comercio exterior y fijamiento de
precios de alimentos. Los primeros resultados obtenidos por este grupo muestran tendencias
de las precipitaciones anuales casi estacionarias en Chile desde fines del siglo XIX hasta
1950-80 y un crecimiento de las condiciones secas a partir de esa fecha, coincidentes con la
intensificación del calentamiento global a partir de 1980 (Minetti et al 2014-a).
Es objetivo de este trabajo verificar también el impacto del CG en las condiciones hídricas de
la región subtropical de la Tierra. Para ello es necesario: a) Presentar las tendencias regionales
de las precipitaciones en el Subtrópico del Hemisferio Norte, Sur y en su conjunto, b)
Analizar regionalmente el comportamiento de las sequías y c) Relacionar el CG con las
condiciones hídricas del área de estudio. La hipótesis de esta investigación es que el CG
impactaría negativamente en las condiciones hídricas de la región subtropical, y de manera
menos homogénea, en el HN.
DATOS Y MÉTODOS
La región estudiada es la comprendida entre los paralelos +/- 40º donde el balance de energía
es positivo (Barry y Chorley, 1972). Esto incluye a la Circulación de Hadley (CH) y la
Convergencia Intertropical (ITCZ) como manifestaciones de la convección global en gran
escala. Sus irregularidades estacionales son debidas a la circulación monzonal de verano
(CM) y hacia el N y S respectivamente comienza el dominio de la circulación de latitudes
medias, incluidas en este trabajo como circulación periférica. Los datos térmicos tratados aquí
corresponden a las series mensuales-anuales recopiladas y analizadas globalmente por la
NASA (https://data.giss.nasa.gov/gistemp) cuya base ha sido construída con información de
los Servicios Meteorológicos de los respectivos países del planeta. La serie anual de esta
variable ha sido interrelacionada con los índices hídricos tratados para este análisis en
diversas regiones del planeta descriptas en la Figura 1. Las localidades con series
investigadas se muestran en la Tabla 1.
Cada región bajo análisis ha sido construida con alrededor de cinco localidades de cada
región (4 en el NE de Brasil y 6 en el centro de Sudamérica), cuyos índices hídricos han sido
estimados con el índice propuesto por Minetti y otros (2014 a). El índice hídrico de sequía
(IS) estimado en cada región como el porcentaje de localidades secas (referida al valor central
mediano) sobre el total de localidades en cada uno de los meses (1), tiene algunas
propiedades que permiten trabajar en situaciones de falta de datos (no menos de tres
localidades por área), es linealmente relacionado con la intensidad (área-intensidad), su valor
anual es la suma de los valores mensuales, fácil de estimar, la presencia de valores extremos
dudosos (outliers) no afecta a su tratamiento temporal como series, y permite hacer una
Vigilancia Climática Operativa VCO.
ISM = Nº localidades secas/ total de localidades (1) con 0 ≤ ISM ≤ 1 (2) con:
123
ISM = Índice de sequia mensual

ISA = Índice de sequia anual como suma de cada valor mensual (2) con: 0 ≤ 6 ≤ 12 . Seis
es una condición normal que representa a un índice mensual de 0.5 durante 12 meses. Estos IS
anuales han sido tratados como series temporales a los efectos de estimar las tendencias. El
grado del polinomio que mejor ajusta a dichas series es una elección compleja donde
intervienen a) la longitud de las series, b) la presencia de fenómenos climáticos de mediano y
largo plazo que interfieren en el estudio del CC, c) la cantidad de localidades analizadas en
cada región, d) otros factores.
FIGURA 1: Localidades con investigación pluviométrica sobre doce regiones del planeta en el período 1880-2016. En cada
una de las regiones existen series pluviométricas con datos del período 1850-2016.
Tabla 1: Localidades con información pluviométrica analizadas.
ANALISIS DE TENDENCIA EN LOS INDICES REGIONALES

124
Al clima se lo puede representar como el estado medio de la atmósfera (X̅), con sus
variaciones periódicas (Xp) y aperiódicas (X´), como una representación lineal aditiva (3) . A
esta definición de una sola variable se la puede ampliar para un conjunto de variables que
representen al mismo (R, T, P, etc) (4). De esta manera:
X = X̅ + Xp + X´ (3) con:
̅
X variable bajo análisis, X promedio de la variable, Xp variaciones periódicas diurnas, anual,
y X´ perturbación de cualquier escala temporal.
La variable X puede ser representando por R : precipitación, T : la temperatura, P la presión
atmosférica y así sucesivamente a las otras variables que describen al clima. El C
Cambio Climático (CC) puede estar representado por cambios en X̅ a través de los años pero
también a través de cambios en la variabilidad (“s” desvío estándar o momento de segundo
orden) o también en su momento de 3er. orden o sesgo. Las perturbaciones X´ a su vez
pueden representar a las variaciones interanuales de corto, medio y largo plazo según
(Hoskins, 2012), figura 2.
Figura 2: Escalas de los fenómenos de la variabilidad interanual del clima desde 1 a 100 años. Onda Anual; QBO: Cuasi
Bienal Oscillation; ENSO: El Niño Oscilación del Sur; 10 años límite de interés de este análisis; Actividad Undecenal de
Manchas Solares; OST: Oscilación Subtropical; PDO: Pacifical Decadal Oscillation; AMO: Atlantic Multidecadal
Oscillation; ASBF: Oscilación Solar de larga escala o baja frecuencia.
Para representar al promedio X̅ de cualquiera de las variables a tratar, se deben tener en

cuenta los niveles de variabilidad y estabilidad que cada variable representa. Se conoce que la
variable de mayor inestabilidad en el promedio es la precipitación, respecto de la
temperatura, presión y otras. También que las variaciones de corto plazo son más inestables
que las de largo plazo (más inestables son las precipitaciones diarias que las mensuales y
anuales) como así también que la precipitación es la más inestable de todas las variables.
Por otro lado las perturbaciones menores a 11 años (Solar, ENSO y QBO) generan
inestabilidades en las estimaciones de los promedios decadales. A su vez oscilaciones de
escala mayor a 10-11 años como la OST, PDO, AMO y ASBF inestabilizan a los valores
promedios de las series de precipitaciones confundiendo a tales cambios con el CC. Desde el
punto de vista estadístico, para obtener promedios de largo períodos estables con errores
menores que un 5% según Fisher (1963) se requeriría de unos 20 años de datos de
precipitaciones anuales en zonas lluviosas, 35 años en regiones semiáridas y 50 años en zonas
áridas. Esto último se debe a que la variabilidad y el sesgo en las distribuciones de frecuencias
de los datos de precipitaciones anuales van creciendo mientras se pasa de un régimen
climático húmedo a otro seco. Entonces para estudiar el CC se requeriría por lo menos el
125
doble de estas longitudes de períodos si la variable analizada es la precipitación anual. Son

pocas las series de datos que cumplan con esta condición según NASA (2017), figura 3. En la
misma se advierte que no existen más de 1000 localidades que superen los 100 años de
observación. La mayor concentración de datos además se ubica sobre latitudes medias y
subtropicales mientras que los menores están sobre latitudes ecuatoriales y polares.
Figura 3: Cantidad de localidades con información meteorológica en función de la longitud de los records observados.
Un análisis de CC sobre la Tierra con sus impactos deberían tener en cuenta a todos aquellos
cambios superiores a 10 años de longitud (como variaciones interdecadales), que pueden ser
evaluadas mediante un análisis espectral de la varianza (con ciclos/longitud de muestra de 0.1
o mayores), según Tukey, (1950). El cómputo de las varianzas explicadas superiores a 10
años permitiría entonces entender la importancia de los cambios de larga escala en el tiempo y
el espacio. Además de estos hechos, el espectro de la varianza permite entender si las
perturbaciones en las series son persistentes o no (ruido blanco o rojo de Markov, Uriel,
1985), y la longitud-área de las perturbaciones por la conexión entre ambas escalas.
Las regiones analizadas han sido seleccionadas por su ubicación geográfica donde se
producen los máximos descensos y secado subsidente del aire y en aquellas regiones donde la
producción agrícola de granos es muy destacada como para analizar posteriormente los
niveles de impactos.
Con los datos de índices anuales de sequías para las doce regiones se ha calculado una matriz
de correlación a los efectos de regionalizar en escala macro, una o varias súper regiones
homogéneas para analizar los procesos de secado con el tiempo y espacio.
RESULTADOS
Las figuras 4 a,b,c sobre la izquierda muestran a las series temporales de los índices de
sequías estimados según Minetti y otros (2010) en doce regiones que cubren básicamente a la
zona intertropical de ambos hemisferios y cuatro subregiones de USA. Por la derecha de todas
ellas se presentan a los espectros de la varianza de las series temporales de acuerdo a Tukey
(1950) con las prescripciones de la WMO (1966).
126
Figura 4a: Índices de sequía regionales en Sudamérica con tendencia y espectros de la varianza. Figura 4 b: Ídem para
regiones de Norte América.
Figura 4 c: Ídem para otras regiones.
La tabla 2 presenta información variada de los ajustes de tendencias como polinomios de 1er,
2do y 3er grado como proporciones entre las varianzas explicadas por cada tendencia
polinomial, desvíos típicos, varianzas, coeficiente de variación, porcentaje de varianza debida
127
a fluctuaciones o perturbaciones de longitud superior a 10 años y la correlación entre las

series de índices de sequías con las anomalías anuales de la temperatura global proporcionada
por NASA (2017).
De las doce series se destacan por sus variabilidades como Coeficiente de Variación las del
NE de Brasil, Chile Central, Llanura Argentina y W de USA (con 28.5, 22.3, 21.6 y 19.3 en
orden). Cuando se trata de indicar la importancia del espectro acumulado entre variaciones de
largo plazo con longitudes de onda superiores a 10 años (de 0.1 hasta la longitud infinita del
espectro) las series más comprometidas con los cambios de largo alcance serían las del NE de
Brasil, S de África, Chile Central y S de Europa (Zona Mediterránea).
Siete de las doce series temporales regionales analizadas detectan tendencias significativas
como polinomios de 1er, 2do o 3er grado, de las cuáles tres de ellas pueden concebir ajustes
lineales. Estos polinomios admiten algebraicamente en algunos casos raíces reales de grado 1,
2 y 3 interceptando a los valores promedios de los índices (Sagastume Berra y Fernandez,
1960).
Tabla 2: Parámetros de los ajustes por tendencia de 1, 2 y 3er. grado en las series de sequías regionales. Se identifican con
negrita aquellas tendencias que igualan o superan la explicación del 10% de la varianza total. Se muestran las correlaciones
significativas con la variabilidad de la temperatura global (* con significación estadística igual o mayor que 95%, ** máxima
asociación con el modelo).
´a y b´ son los coeficientes de las rectas de regresión (polinomio grado 1). S es el desvío Standard, y CV el coeficiente de
variación (Spiegel, 1969). S² ≥ 0.1 es la sumatoria de las varianzas explicadas en las longitudes del espectro de la varianza
superiores a 10 años. r es el coeficiente de correlación con las anomalías de temperaturas del planeta.
REGION %S² %S² %S² a b S² Cv S² ≥ r con

POL1 POL2 POL3 (%) 0.1 ATºG
(%)
CHI- CENTRO CHILE 22.6 24.5 24.7 5.3 +0.017 2.12 22.3 39 +0.44*
ARG- ARGENTINA 11.1 11.1 16.2 6.6 -0.011 1.65 21.6 34 -0.32*
CSA- CENTRO SUDAMERICA .05 .08 4.8 6.0 -0.0006 0.98 16.5 21 +0.02
NSA- NORTE SUADMERICA .005 6.6 6.71 6.1 -0.001 2.98 28.5 47 +0.07
WUS- OESTE US .01 .06 1.6 6.4 +0.0003 1.54 19.3 20 -0.04
CUS- CONTINENTAL US 0 .04 .04 5.9 +0.00005 1.05 17.2 22 -0.04
SEUS- SUDESTE US 1.07 3.7 24.5 6.2 -0.003 1.31 19.1 35 -0.08
NEUS- NORESTE US 9.5 9.6 14.9 6.5 -0.008 1.08 17.3 30 -0.24*
ME- SUR EUROPA 10.5 12.5 13.0 5.6 +0.008 1.14 17.2 38 +0.32*
MO- SUR ASIA 7.5 7.5 12.9 6.7 -0.005 0.72 13.4 28 -0.32*
SAF- SUR AFRICA 7.4 13.7 17.5 5.4 0.007 1.02 17 46 +0.34*
AUS- AUSTRALIA 4.9 5.1 7.2 6.7 -0.006 1.28 18 28 -0.013
TIPO F 6.8 6.8 6.9 6.31 -0.004 0.38 10.2 37 -0.22*
TIPO K 30.9 32.6 32.8 5.39 +0.011 0.64 12.95 48 +0.56*
Siete de estas series regionales admiten tres raíces detectando claramente una etapa
interdecadal seca y otra lluviosa con máxima amplitud en la del SE de USA (Peterson et al.,
2013). Estas etapas serían de alrededor de 68 años con cuasi período de 136 años superando a
los cambios de 80 años debidos a la actividad solar (Hoskins, 2012 y Herman y Goldberg,
1978 entre otros). La longitud de tales cambios no sería factible de análisis en el período
instrumental por la corta longitud de las series a tratar (136 años). Cambios con expresiones
matemáticas de tendencias lineales (polinomio de 1er.Gr.) o cuadráticas (polinomio de 2do.
GR.) pueden verse claramente en CHI, ME y tal vez SAF. Un análisis múltiple con matriz de
correlación (Lund, 1969) puede verse en la tabla 3, donde se pudo agrupar a cinco tipos de
variabilidades espacio-temporal. Ellas serían las de Tipo F, K, J, L y D. La de tipo F agrupa a
seis regiones americanas (dos de Sudamérica y cuatro de USA). Su principal modelo de largo
plazo es un polinomio de grado 3. El modelo Tipo K agrupa a tres regiones (SAF, CHI y
ME). Este modelo de largo plazo está representado por un polinomio cuadrático. Los
128
modelos Tipo J, L y D representan a cambios independientes no conexionados con el resto de

las regiones.
La figura 5 muestra que la región donde se desarrolla la banda anticiclónica de los HS y HN,
SAF, CHI y ME, las tendencias pueden ser representadas por polinomios de 1, 2 y 3er. grado.
Precisamente, las correlaciones que vincularían a los índices de sequías con la temperatura
global como forzante, última columna a la derecha de la tabla 2, son las de mayor
significación estadística (encima de r=0.32). También se puede inferir que las perturbaciones
menores a 10 años de longitud acumulan importantes varianzas en las regiones del CSA,
WUS, CUS y MO, donde el fenómeno ENSO cobra importancia conectado con la
precipitación.
Figura 5: Tendencias lineal (izquierda), cuadrática (centro) y cúbica (derecha) de los índices de sequías anuales en las cinco
regiones agrupadas.
Tabla 3: Interrelaciones entre las variabilidades interanuales regiones a partir de una matriz de correlación (N: 136 datos, rc
= 0.15-Lund, 1969).
TIPOS CABECERAS LOCALIDADES CORRELACIONADAS

TIPO F (CUS) TIPO B (ARG); TIPO C (CSA);TIPO E (W US); TIPO H
(NEUS);TIPO G (SEUS)
TIPO K (SAF) TIPO A (CHI); TIPO I (SEUS)
TIPO J (MO) INVERSO TIPO K Y TIPO I (SAF)
TIPO L (AUS) INVERSO TIPO A (CHI)
TIPO D (NSA) SIN CORRELACION INTERREGIONAL
Cambios interdecadales de la precipitación global anual sobre estaciones terrestres como

anomalías (GHCN) han sido evaluadas por Peterson y Vose (1997), Chen y otros (2002),
Adler y otros (2003), Rudolf y otros (1994), Mitchel y Jones (2005) entre otros. Esta
información muestra que las precipitaciones en el largo plazo pasaron de condiciones más
secas en los primeros 40 años del siglo pasado a más lluviosas entre 1950-1980 y el retorno a
condiciones más secas a partir de 1990. Estas anomalías se pueden ajustar aceptablemente por
un polinomio de 3er. grado como los presentados por el tipo F que agrupan a la mayor parte
de los índices de sequías regionales.
129
Figura 6: Promedio móvil de cinco años en los índices de sequía del tipo F.
La figura 6 muestra al promedio móvil ordinario de 5 años, a los efectos de mostrar que la
onda observada es real excluyendo a los dos primeros y últimos valores por la limitación
metodológica. En este caso las series globales abarcan al período 1900-2006, mientras que en
el caso aquí analizado en este trabajo cubre al período 1880-2016. Series inversas en los
períodos lluviosos y secos interdecadales pueden observarse en los resultados de
precipitaciones observadas en el Sahel-Centro de África (10º-20ºN, 20ºW-10ºE) entre 1900-
2016 con datos del doi:10.6069/H5MW2F2Q analizados por Janowiak, J.L, (1988),
confirmando la existencia de una intensificación de la HC al ser forzada por el GW. Las
oscilaciones largas del clima también están impactando sobre el S de África en las escalas
superiores a 10 años con importantes cuasi-períodos del 40 años mostradas en la figura 7 y 8
asociadas posiblemente con la Pacifical Decadal Oscillation-PDO (Minetti y otros, 2010), de
acuerdo con (Nicholson y Entekabi, 1986, 1987 a y b, y 1989).
Figura 7: Índice de sequia anual en el Subtrópico terrestre y tendencia como polinomio de 3er. Gr.
Detalles de las tendencias pueden verse en el modelo tipo K de las figuras 7 y 8, con
intensificación de las sequías en los últimos 40 años forzadas aparentemente por el GW. Esta
tendencia se ve mediante un ajuste polinómico de 3er. Gr. en los tipos K y F. La condición
opuesta al tipo K con una tendencia decreciente de las sequías o aumento de la precipitación
puede verse en el tipo J (S de Asia). Este caso sería explicado como el desplazamiento de la
ITCZ hacia Asia en el verano (Loo et al., (2015) y la intensificación de los movimientos
ascensionales correspondidos por los subsidentes en el Subtrópico. Mientras que los
movimientos subsidentes de la HC se ponen de manifiesto en CHI y SAF. En el HN esto se
observa en ME (Philandras et al., 2011).
130
Figura 8: Índice de sequia de la banda Subtropical (Chile Central, S de África y S de Europa) sin tendencia polinómica de
3er. Grado y P.Movil de 5 años (arriba). Abajo espectro de la varianza del índice filtrado y correlograma mostrando una
cuasi-periodicidad de alrededor de 40 años.
Mientras que el tipo D del NE de Brasil no tiene una teleconexion con el resto de los índices
de las regiones marcando un ajuste claramente parabólico (figura 5), el tipo L de AUS
(Makuey et al., 2013) es semejante que el ajuste del SEUS manteniendo una amplitud de onda
baja en contraste con el anterior.
CONCLUSIONES
La región subtropical del planeta presenta un claro incremento en los índices de sequía como
tendencias intensificándose en los últimos 50 años..
Las tres tendencias más destacadas de los índices de sequías anuales se presentan en SAF,
CHI y ME. Estas tendencias positivas se incrementan en la segunda mitad de la centuria.
El índice compuesto por las tres regiones e indicadas como cambio en la banda subtropical,
posee una significativa correlación con el calentamiento global (GW).
Entre el calentamiento e intensificación de los índices de sequías de los extremos N y S de
África con su inversa en la región del Sahel (Ecuatorial) se destaca la intensificación de la
HC. La inhomogeneidad geográfica entre hemisferios continental y marítimo en el rumbo N-S
y la orográfica en el rumbo E-W serían responsables de la irregularidad global de la HC.
131
La circulación monzonal asiática tiene una tendencia negativa en los índices de sequías
anuales debido a que la ITCZ interrumpe a la CH en el Sur de Asia. Se destacan no solo una
tendencia negativa (más lluvioso) con las décadas, sino que además crecen la inestabilidad
interanual con episodios importantes de sequías y lluvias.
En el SE de EEUU se destaca un cambio ondoso de la tendencia (polinomio de grado 3ro). Se
destaca el contraste entre el período seco que incluye al de la Segunda Guerra Mundial a las
décadas de 1960-80 (más lluvioso) después.
Las tendencias hacia las sequías están retornando en las últimas décadas incluyendo a la
ocurrencia de severos episodios principalmente en el año 2012. Este comportamiento también
fue observado en la zona continental de Sudamérica con el período más seco entre los años
2008-13.
Los índices de sequías anuales están correlacionados en forma significativa con los cambios
interanuales de temperatura global en las zonas de Chile central, Sur de África, Zona
Mediterránea, y Zona Monzonal del Sur de Asia, destacándose la primera de todas éstas en su
asociación. En el caso de MO, ésta correlación es inversa (negativa). El índice tipo K en la
banda subtropical ya filtrado por un polinomio de 3er.Gr. muestra una oscilación cuasi-
periódica de casi 40 años muy útil para la predicción estacional de largo plazo.
Agradecimiento. A los Servicios Meteorológicos Nacionales de cada país fuente de los datos originales,
Instituciones que recopilaron y procesaron los mismos (Smithsonian Institution y NOAA-USA). Al Laboratorio
Climatológico Sudamericano que facilitó el armado de la base de datos para el análisis y facilito el
equipamiento necesario.
Adler, R. F., Huffman, G. J., Chang, A., Ferraro, R., Xie, P. P., Janowiak, J. & Gruber,
A. (2003). The version-2 global precipitation climatology project (GPCP) monthly
precipitation analysis (1979–present). Journal of hydrometeorology, 4(6), 1147-1167.
Barry R.G. y R.J. Chorley, (1972): Atmósfera tiempo y clima. Ediciones Omega S.A.. 395
pgs.
Basaure, P. (2007): Tierras de cultivo a nivel mundial. http://manual de
lombricultura.com/foro/dat.pl
Chen J. Y., Clarson B. E. y Genio A. D. (2002). Evidence for strengthening for the tropical
general circulation in the 1990s, Science, vol.295, 838-841.
Dabat, A. (2009). La crisis financiera en Estados Unidos y sus consecuencias internacionales.
Problemas del desarrollo, 40(157), 39-74.
Dai, A. (2013). Increasing drought under global warming in observations and models. Nature
Climate Change, 3(1), 52-58.
Diamond, J. (2006): Colapso. Ed. Debate, 747 pgs.
Dovers, S., Hutchinson, F., & Buzzard, S. (1988). Sustainability: definitions, clarifications
and contexts (No. E10 B662d). BIFAD, Washington, DC (EUA).
Ferrelli, F. (2012). La sequía 2008-2009 en el Sudoeste de la provincia de Buenos Aires
(Argentina).Ecosistemas 21(1-2):235-238.
Fisher, R.A., (1963): Statistical Methods for Research Workers. Hafner Publishing Co.
N.York.
132
Flores de la Peña, H. (1954). Crecimiento demográfico, desarrollo agrícola y desarrollo

económico. Investigación Económica, 14(4), 519-536.
Herman, J.R. y R. A. Goldberg, (1978): Sun Weather and Climate. NASA, W.D.C. 360 pgs.
Janowiak, J.L., (1988). An investigation of interanual rainfall variability in África. J.
Climate 1, 240-255.
Houghton, R. A. (1994). The world wide extent of land-use change. BioScience, 44(5), 305-
313.
Hoskins, B., (2012): Escalas de la variabilidad climática interanual. Boletín de la WMO 61
(1).
Hu,Y., and Q.Fu, (2007): Observed poleward expansión of the Hadley circulation since
1979. Atm.Chem.Phys., vol.7, pp 5229-5236.
IPCC, (2001): Climate Change 2001. Synthesis Report. 397 pgs.
Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., y Zhu, Y.
(1996). The NCEP/NCAR 40-year reanalysis project. Bulletin of the American
meteorological Society, 77(3), 437-471.
Koeppen, W. (1948): Climatología, Gráfica Panamericana, 478 pgs.).
Loo Y.Y., Billa L. & Singh A. (2015). Effect of climate change on seasonal monsoon in Asia
and its impacto n the variability of monsoon rainfall in Southeast Asia. Geoscience Frontiers
6, 817-823.
Lund, I. A., (1969): Map classification by statistical methods. Journal of Applied
Meteorology, v2, 56-65.
Makuey,G. , Mc Arthur L. and Kuleshov Y. (2013). Analysis of trends in temperatura and
rainfall in selected regions of Australia over the last 100 years. 20th International Congress on
Modelling and Simulation, Adelaide, Australia, 1-6 December.
Marengo, J.A. (2009): Long-term trends and cycles in the hydrometeorology of the Amazon
basin since the late 1920s. Hydrol.Process, DOI 10.1002/hyp. 7396.
Minetti, J., & E.Sierra (1984). Expansión de la frontera agrícola en Tucumán y el
diagnóstico climático. RIAT, 61, 109-116.
Minetti, J.L. y otros (2005): El clima del Noroeste Argentino. Ed. Magna, 449 pgs.
Minetti, J. L., Vargas, W. M., Vega, B., & Costa, M. C. (2007). Las sequías en la Pampa
Húmeda: Impacto en la productividad del maíz. Revista Brasileira de Meteorología, 22(2),
218-232.
Minetti, J. L., Vargas, W. M., Poblete, A. G., & Mendoza, E. A. (2009). Latitudinal
positioning of the subtropical anticyclone along the Chilean coast. Australian Meteorological
and Oceanographic Journal, 58(2), 107.
Minetti, J. L., Vargas, W. M., Poblete, A. G., & Bobba, M. E. (2010). Regional drought in
the southern of South America: physical aspects. Revista Brasileira de Meteorologia, 25(1),
88-102.
Minetti J.L. y otros (2013: El clima de Bolivia. Ed. Minetti. 307 pgs.
Minetti J.L., Poblete A.G., Vargas W.M. y Ovejero D. P. (2014a). Trends of the drougth
índices in southern hemisphere subtropical regions. Journal of Earth Science Research, 2 (2),
36-47.
Minetti,J.L., Poblete,A.G. Vargas,W.M. y Ovejero, D.P. (2014b). Saltos climáticos en el
Cuasi Monzón Sudamericano. Breves Contribuciones del I.E.G. Nº 25. UNT. San Miguel de
Tucumán.
Mitas, C. and A.Clement, (2005): Has the Hadley cell been strengthening in recent
decades?. Geophys. Res. Lett. Vol. 32, doi: 10.1029/2004GL0211765.
133
Mitchell, T. D., & Jones, P. D. (2005). An improved method of constructing a database of

monthly climate observations and associated high‐resolution grids. International journal of
climatology, 25(6), 693-712.
Motesharrei S., J. Rivas y E. Kalnay, (2014): Human and nature dynamics (HANDY):
Modeling inequality and use of resources in the collapse or sustainability of societies.
Moreno Muñoz, M. (2010). Justicia global y seguridad humana en el contexto del Cambio
Climático. Isegoría, (43), 589-604.
Munier, B. R. (2012). Global Uncertainty and the Volatility of Agricultural Commodities
Prices. Doi: 10.3233/978-1-61499-037-6-111.
Mussio, V. (2009). Derivados Climáticos Aplicados a la Agricultura. Universidad Nacional
de Rosario, Argentina.
NASA, (2017). Anomalìas térmicas globales por mes y año.
https://data.giss.nasa.gov/gistemp
Nicholson S.E. y Entekabi D. (1986). The quasi-periodic behaviour of rainfall variability in
África and its relationship to the Southern Oscillation. Archives for Meteoro., Geophys and
Violina., Ser. A, 34, 311-348.
Nicholson S.E. y Entekabi D. (1987). African enviro mental and climatice changues and the
general atmospheric circulation in late Pleistocene and Holocene. Climate Change, 2. 313-
348.
Nicholson S.E. y Entekabi D. (1987). Rainfall variability in equatorial and Southern África:
Relationships with sea-surface temperaturas along the southwerstern coast of África.
J.Climate and Appl. Meteorol. 26, 561-578.
Nicholson, S.E. (1989). Long-Term changes in African rainfall. Weather 44 (2), 46-56.
Ortega Gaucin, D. (2014). Sequía en México y Estados Unidos de América: diferencias
esenciales de vulnerabilidad y enfoques en la atención al fenómeno. Frontera norte, 26(spe3),
141-148.
Peterson, T. C., & Vose, R. S. (1997). An overview of the Global Historical Climatology
Network temperature database. Bulletin of the American Meteorological Society, 78(12),
2837-2849.
Peterson T.C., Heim R.R., Hirsch R., Kaiser D.P., Brooks H., Diffenbaugh N.S., Dole
R.M., Giovannettone J.P., Guirguis K., Karl T.R., Katz R.W., Kunkel K., Lettenmaier
D., McCabe G.J., Paciorek C.J. , Ryberg K.R., Schubert S., Silva V.B., Stewar B.C.,
Vecchia A.V., Villarini G., Vose R.S., Walsh J., Wehner M., Wolock D., Wolter K.,
Woodhose C.A., y Wuebbles D. (2013). Monitoring and understanding changes in heat
waves, cold waves, floods, and droughts in the United States. State of Knowledge. American
Meteorological Society. BAMS, June. 821-834.
Philandras C.M., Nastos P.T, Kapsomenakis J., Douvis K.C., Tselioudis G. y Zerefos
C.S., (2011). Long term precipitation trends and variability within the Mediterranean región.
Natural Hazards and Earth System Sciences, 11, 3235-3250.
Quan, X., H.F. Diaz and M.P. Hoerling, (2002): Changes of yhe Hadley circulation since
1950. The Conference on the Hadley circulation: Present, Past and Future, 12-15. November
2002. Honolulu, Hawaii.
Quintana J.M. y P.Aceituno (2012): Changes in the rainfall regime along the extratropical
west coast of South America (Chile): 30-43ºS. Atmósfera 25, Nº1, 1-13.
Reboratti, Carlos. (2010). Un mar de soja: la nueva agricultura en Argentina y sus
consecuencias. Revista de geografía Norte Grande, (45), 63-76.
134
Ropelewski, C.F y Halper M.S. (1987). Global and regional scale precipitation and
temperatura patterns associated with El Niño/Southern Oscillation. Mon.Wea.Rev. 115,1606-
1626.
Rudolf, B., Hauschild, H., Rueth, W., & Schneider, U. (1994). Terrestrial precipitation
analysis: Operational method and required density of point measurements. In Global
Precipitations and Climate Change (pp. 173-186). Springer Berlin Heidelberg.
Sahel precipitation index, (2016): doi: 10.6069/H5MW2F2Q
Sagastume Berra A.E. y G. Fernández (1960): Algebra y Cálculo Numérico. Ed.Kapeluz,
726 pgs. Bs.As.
Spiegel, M. R. (1969). Estadística. Mc Graw-hill. Panamá, 357 pp.
Tukey, J.W., (1950): The sampling theory of power spectrum estimates. Symposium on
Applications of Autocorrelation Analysis to Physical Problems. U.S. Office of Naval
Research. NAVEXOS. P735, 47-67. Washington, DC.
Uriel Jimenez, E. (1985): Análisis series temporales. Modelos ARIMA. Paraninfo SA. 270
pgs. Madrid.
Viñas, J. M. S. (2011). Volatilidad de los mercados agrarios y crisis alimentaria. Revista
española de estudios agrosociales y pesqueros, (229), 11-35.
Word Meteorological Organization (1966). Climatic Change, Technical Note Nº79. Geneve.
Xiao-Wei Quan, H.F., H.F. Diaz, y M.P. Hoerling, (2004): Change of the tropical Hadley
cell since 1950. Adv.Glo.Chan. Res., vol.21, Springer.
135
LA INFLUENCIA DE LA VARIABILIDAD DEL OCÉANO ATLÁNTICO

SOBRE LA PRECIPITACIÓN EN ARGENTINA
P. C.Oliveri 1, E. M. Garbarini 1,2 , M.E Castañeda1,2, S.N. Ayala1, M. Vita Sanchez1,
M.H. González1,2
1 Departamento de Ciencias de la Atmósfera y los Océanos, Facultad de Ciencias Exactas y Naturales, Universidad de
Buenos Aires.
2 Centro de Investigaciones del Mar y de la Atmósfera, CONICET-UBA
Int. Güiraldes 2160, 2do. Piso, Pabellón II, Ciudad Universitaria C1428 EGA - CABA, Argentina. Tel. (54)(011) 4576-3356
oliverihauck@yahoo.com.ar
RESUMEN
El objetivo de este trabajo es investigar la influencia el océano Atlántico, y su variabilidad, sobre la precipitación
estacional en Argentina. Se utilizaron datos de precipitación mensual de 68 estaciones meteorológicas
provenientes de varias fuentes y datos de temperatura de la superficie del mar (TSM) de ERA-INTERIM
(ECMWF). Se analizó el comportamiento medio y la variabilidad de la TSM del Atlántico en escala estacional
obteniendo que los máximos desvíos estándar se encuentran cerca de la costa del sur de Sudamérica en todas las
estaciones del año, aunque con ciertas variaciones en la posición y extensión. La extensión del máximo desvío
estándar es en otoño y primavera, abarcando desde el sur de Brasil hasta 45°S y 50°S en primavera y otoño,
respectivamente. En invierno y verano en cambio, se extiende entre 35 y 45°S. El método de correlación se
aplicó para detectar posibles relaciones entre lluvias estacionales y algunos índices de fenómenos de variabilidad
climática que tienen lugar en el océano Atlántico, y otros especialmente definidos para detectar tanto la posición
como la intensidad del anticiclón semipermanente del océano Atlántico (AA). Los principales resultados
muestran que una fase positiva del Dipolo del Océano Atlántico Sur se asocia a precipitación sub-normal todo el
año, en el centro y este del país en primavera, Comahue en verano, el norte patagónico en otoño y Buenos Aires
en invierno. Cuando el AA está intensificado, la precipitación aumenta en el norte de Cuyo en primavera y en el
centro en invierno y cuando AA se desplaza hacia el norte de su posición media, la precipitación disminuye en
invierno y primavera en el centro y aumenta en otoño en el noreste, centro y sur de la Patagonia.
ABSTRACT
The aim of this work is to study the influence of the Atlantic Ocean (AO), and its variability, over seasonal
rainfall in Argentina. Monthly precipitation data of 68 meteorological stations and sea-surface temperature (SST)
data from ERA-INTERIM (ECMWF) were used. The mean behavior and variability of SST in the Atlantic
Ocean was analyzed and it could be seen that maximum standard deviations can be found near southern South
America in every season, although with some differences in position and extension. The extension of the
maximum standard deviation is in autumn and spring, covering from southern Brazil to 45°S and 50°S in spring
and autumn respectively. However, during winter and summer, it reaches between 35°S and 45°S. The
correlation methodology was used to detect possible relations between seasonal rainfall and some climate
variability indices that characterize several phenomena of climate variability that occur in the Atlantic Ocean. In
addition to this, some indices that characterize the position and intensity of the Atlantic High (AH) located in the
southern AO were used. Results show that a positive phase of the South Atlantic Ocean Dipole is associated with
lower than normal precipitation during the year; in central and eastern Argentina in spring, in the Comahue
region in summer, in northern Patagonia in autumn and in Buenos Aires province during winter. When the AH is
intensified, precipitation increases in northern Cuyo in spring and central Argentina in winter; whereas when the
AH moves northwards, rainfall decreases during spring and winter in central Argentina and increases in autumn
in northeast and central Argentina and southern Patagonia.
INTRODUCCIÓN
El mayor ingreso económico en Argentina proviene en gran medida de actividades altamente

influenciadas por la variabilidad interanual de la precipitación como las agrícolas y la
producción de energía entre las más relevantes. Por lo tanto, realizar un estudio de los
136
forzantes climáticos que influencian las anomalías de precipitación, es de gran importancia

para la toma de decisiones.
A la hora de analizar el comportamiento estacional de la precipitación en la Argentina es

necesario conocer los factores que influencian la variabilidad interanual de la misma en el
país. Los grandes océanos que cubren el planeta actúan como importantes reservorios de calor
y por lo tanto son esenciales al estudiar los forzantes climáticos de la precipitación. En
particular, el océano Atlántico es un importante condicionante de la lluvia ya que su
temperatura superficial (TSM), y la variabilidad de la misma, se puede asociar a la
disponibilidad e ingreso de humedad a la región del sur de Sudamérica.
Con el fin de cuantificar el efecto de los distintos forzantes climáticos de la precipitación, se

suelen definir índices que los identifican y que están relacionados tanto con el
comportamiento de los océanos como de la atmósfera. En el caso de los fenómenos de
variabilidad climática que tienen lugar en el océano Atlántico, se define el forzante
denominado Dipolo del Atlántico Sur (SAODI) (Nnamchi et al., 2011), caracterizado por una
fase positiva definida como el calentamiento de la zona noreste y el enfriamiento de la zona
sudoeste del Atlántico tropical sur. Con respecto a los forzantes atmosféricos se puede
mencionar factores como la posición e intensidad del anticiclón semipermanente del océano
Atlántico (AA), que también colabora en la variabilidad de la lluvia pues se asocia al ingreso
de humedad. Un estudio detallado de estos índices se encuentra en González et al (2016).
El objetivo del presente trabajo es investigar la influencia el océano Atlántico, y su

variabilidad, sobre la precipitación estacional en Argentina. Para ello se han evaluado
diferentes factores. En principio se estudió el comportamiento medio y la variabilidad de la
temperatura de la superficie del mar. Por otro lado se evaluó la relación entre el
comportamiento del Dipolo del Atlántico Sur y el anticiclón semipermanente del Atlántico
sobre la precipitación estacional en Argentina.
DATOS Y METODOLOGÍA
Se utilizaron datos de precipitación mensual de 68 estaciones meteorológicas provenientes de

varias fuentes y datos de temperatura de la superficie del mar (TSM) y de altura geopotencial
en 1000Hpa (G1000) de ERA-INTERIM (ECMWF). Con los datos G1000 se determinó la
posición e intensidad del anticiclón del Atlántico sur (AA) ubicando su máximo valor en toda
el área del Atlántico Sur. Se analizó el comportamiento medio y la variabilidad de la TSM del
Atlántico en escala estacional a través del cálculo de los promedios y los desvíos estándar en
la región delimitada por 20-60º S y 75-30º O, con datos del período 1980-2015. El método de
correlación se aplicó para detectar posibles relaciones entre lluvias estacionales y algunos
índices especialmente definidos para detectar la variabilidad del océano Atlántico.
1. LA CLIMATOLOGÍA Y LA VARIABILIDAD EN EL OCÉANO ATLÁNTICO.
En los campos medios de verano (Fig.1) e invierno (Fig.2) puede observarse un claro
137
gradiente de TSM de dirección sur-norte. Se evidencia en ambas estaciones la presencia de las

corrientes de Brasil y Malvinas, en el sector cercano a la costa atlántica. En verano se observa
un valor de isoterma máximo de 27ºC y un mínimo de 1ºC, mientras que en invierno la
máxima isoterma es de 25º y la mínima de -1ºC. Los máximos valores de desvío estándar de
TSM en la región estudiada del Atlántico se observan en primavera e invierno. En primavera
el máximo se encuentra en la región del estuario del Plata mientras que un máximo de menor
magnitud pero mayor extensión se observa más al este, con orientación NE-SO, abarcando
aproximadamente latitudes entre 35 y 45ºS (Fig.3). Estos máximos aparecen también en los
campos de verano, pero su magnitud es menor. Los máximos con menor extensión se pueden
ver en otoño y junto con el verano son las dos estaciones que poseen más cantidad de
máximos secundarios dispersos hacia el este. En invierno el máximo desvío estándar se
encuentra cercano a la costa, con orientación NE-SO y se extiende aproximadamente entre 30
y 45ºS (Fig.4). Puede observarse que la máxima variabilidad en todos los casos se encuentra
en la zona de convergencia entre la corriente fría de Malvinas y la cálida de Brasil.
Figura 1.- Campo medio de TSM de verano (DEF). Figura 2.-Campo medio de TSM de invierno (JJA).
Figura 3.- Campo de desvío estándar de TSM de primavera Figura 4.-Campo de desvío estándar de TSM de invierno
(SON). (JJA).
2. LA RELACIÓN ENTRE LA PRECIPITACIÓN ESTACIONAL Y LA VARIABILIDAD DEL

ATLÁNTICO.
En la zona tropical del océano Atlántico sur se define el "Dipolo del Atlántico Sur " como la
diferencia entre la TSM media normalizada de los dominios: noreste (NE: 10ºE–20ºW, 0º-
15ºS) y sudoeste (SO: 10º–40ºW, 25º-40ºS). La fase positiva de este dipolo se define cuando
138
la región NE tiene anomalías positivas y la SO negativas. Los principales resultados de la

correlación entre el índice que caracteriza al SAODI y la precipitación estacional muestran
que una fase positiva del SAODI se asocia a precipitación sub-normal todo el año. La mayor
señal se observa en primavera cuando la precipitación se ve muy disminuida en el centro y
este del país (Fig. 5). Además se observa precipitación debajo de lo normal en Comahue en
verano, en el norte patagónico en otoño y en Buenos Aires en invierno.
Figura 5.- Campo de correlación entre el índice del Dipolo del Océano Atlántico Sur (SAODI) y la precipitación estacional para el período
1979-2012. Los valores intensos en rojo (azul) representan las áreas donde la correlación es positiva (negativa) y significativa con un 95% de
confianza.
Por otro lado, la precipitación se ve influenciada por la anomalía en la intensidad y posición

del Anticiclón del Atlántico Sur ya que la advección de humedad se ve muy afectada por esta
variabilidad. Cuando el AA está intensificado (Fig.6), la precipitación se ve disminuida en
algunos sectores limitados del Litoral y de Buenos Aires durante otoño y aumenta en el norte
de Cuyo en primavera y en el centro del país en invierno. En el verano, la intensidad del AA
no muestra influencia significativa sobre la precipitación a excepción de una pequeña región
de Formosa donde se registra menos lluvia de lo normal para esa estación.
Además se observa que cuando AA se desplaza hacia el norte de su posición media (Fig. 7), la
precipitación aumenta en toda la región este del país durante el otoño, incluyendo Buenos
Aires, el Litoral y sur de la Patagonia. En invierno y primavera, la lluvia se ve disminuida en
el centro y parte de Cuyo. Nuevamente en verano no hay señal significativa de este factor
sobre la lluvia.
139
Por último, teniendo en cuenta el desplazamiento longitudinal del AA (Fig. 8), se ve que
cuando el AA se encuentra desplazado hacia el este de su posición media (AALON positivo)
hay una disminución de la lluvia en Comahue y en pequeños sectores de Buenos Aires y
Chubut durante el verano. En el otoño, bajo las mismas circunstancias, la precipitación es por
debajo de lo normal en regiones de Neuquén y Chaco. Durante el resto del año no tiene señal
significativa sobre la lluvia estacional.
Figura 6.- Campo de correlación entre el índice de intensidad del Anticiclón del océano Atlántico (AAINT) y la precipitación estacional para
el período 1979-2012. Los valores intensos en rojo (azul) representan las áreas donde la correlación es positiva (negativa) y significativa con
un 95% de confianza.
140
Figura 7.- Campo de correlación entre el índice de desplazamiento latitudinal del Anticiclón del océano Atlántico (AALAT) y la precipitación
estacional para el período 1979-2012. Los valores intensos en rojo (azul) representan las áreas donde la correlación es positiva (negativa) y
significativa con un 95% de confianza.
Figura 8.- Campo de correlación entre el índice de desplazamiento longitudinal del Anticiclón del océano Atlántico (AALON) y la
precipitación estacional para el período 1979-2012. Los valores intensos en rojo (azul) representan las áreas donde la correlación es positiva
(negativa) y significativa con un 95% de confianza.
141
CONCLUSIONES
Puede observarse que las condiciones tanto del océano Atlántico lejano como las de las aguas
que se sitúan en la costa argentina, influencian la precipitación estacional de Argentina. Frente
a una fase positiva del Dipolo del Océano Atlántico Sur, se registra precipitación sub-normal
a lo largo de todo el año, en áreas que incluyen el centro y este del país, Comahue, el norte
patagónico y Buenos Aires según la estación. También pudo verse que frente a un aumento en
la intensidad del Anticiclón semipermanente del océano Atlántico, la precipitación es superior
a lo normal en el norte de Cuyo en primavera y en el centro del país en invierno. Finalmente,
en cuanto a los desplazamientos latitudinales y longitudinales respecto de su posición media,
al verse el anticiclón desplazado hacia el norte, la precipitación disminuye en invierno y
primavera en el centro y aumenta en otoño en el noreste, centro y sur de la Patagonia. Por ello
resulta importante el estudio de estas relaciones, ya que permiten mejorar los pronósticos
estadísticos de lluvia estacional en la región.
Agradecimiento. Al Servicio Meteorológico Nacional y la Subsecretaría de Recursos Hídricos de la Nación por

la provisión de datos de precipitación y al European Centre for Medium-Range Weather Forecast (ECMWF)
por la provisión de datos de TSM. También a los proyectos CONICET PIP 2015-2017, UBACyT
interdisciplinario 2013-2016 20620120100003BA y 2017-2019 UBACyT 20020160100009BA por la
financiación.
Nnamchi, H.C., Li, J. y Anyadike, R. (2011). Does a dipole mode really exist in the South
Atlantic Ocean? J. Geophys. Res. 116, doi: 10.1029/2010JD015579.
González M.H., Garbarini E. M., Rolla, A. L. (2016). 'Meteorological Indices for rainfall
prediction' en Handbook of Drought and Water Scarcity. Volumen 1, Capítulo 29, Taylor &
Francis Publishing (CRC Group) Editor: Saeid Eslamian. ISBN: 9781498731089
1498731082. Abingdon, Oxfordshire, UK
142

Eje J - Variabilidad y Cambio Climatico

Cargado por

Copyright:

Formatos disponibles

Eje J - Variabilidad y Cambio Climatico

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Eje J - Variabilidad y Cambio Climatico

Cargado por

Copyright:

Formatos disponibles

Sobre el XXVI Congreso Nacional del Agua

Los factores motivadores fundamentales de la realización del Congreso Nacional del

Tiene un carácter amplio: en lo territorial recorriendo casi todas las Provincias

Eje temático A: HIDRÁULICA FLUVIAL Y MARÍTIMA 28

Eje temático B: OBRAS HIDRÁULICAS 22

Eje temático C: LEGISLACIÓN DEL AGUA, PLANIFICACIÓN Y ECONOMÍA DEL AGUA 46

Eje temático D: AGUAS SUBTERRANEAS 22

Eje temático E: HIDROLOGIA URBANA Y RURAL 62

Eje temático F : RIEGO Y DRENAJE 31

Eje temático G: INGENIERIA SANITARIA, AMBIENTAL Y CALIDAD DEL AGUA 67

Eje temático H: AGUA, SOCIEDAD, SALUD, CULTURA Y EDUCACIÓN 16

Eje temático I: SENSORES REMOTOS Y SIG 19

Eje temático J: VARIABILIDAD Y CAMBIO CLIMATICO 10

Se estima que tanto en el libro de memorias, como en las presentaciones queda

En esta XXVI edición agradecemos a las 4 Instituciones organizadoras, a las

VARIABILIDAD Y CAMBIO CLIMÁTICO

EJE TEMATICO J: VARIABILIDAD Y CAMBIO CLIMATICO

ANÁLISIS DE ESTADÍSTICA INFERENCIAL DE INFORMACIÓN

Generalmente el análisis de estadística inferencial de la información pluviométrica histórica

En este trabajo, se evalúa en primera instancia la presencia de efectos de cambio y

 Recopilar información pluviométrica actualizada de distintas zonas de Argentina para

A continuación, se detalla de la metodología empleada con la finalidad de cumplimentar los

A continuación, en este resumen se presentan los principales resultados alcanzados en una

 Estación Iruya Poscaya – Salta

Figura 2.-Serie de precipitaciones máximas diarias anuales, Iruya Poscaya.

Al aplicar las diferentes pruebas estadísticas a la serie se encontró un dato atípico

Luego de que la serie rechazó el test de estacionariedad de Mann-Kendall, se sometió a la

En la Figura 3 se muestra la variación de los valores medios de las diferentes recurrencias en

A continuación, en la Figura 4 se muestran para 2 horizontes de tiempo dados como varía la

Figura 5. -Serie de precipitaciones totales anuales, Iruya Poscaya.

Figura 6. -Distribución de probabilidades de la precipitación total anual, Iruya Poscaya.

de muestreo (extensión de la serie) al aplicar la fórmula de Weibull aparece erróneamente

Figura 7. -Serie de días lluviosos al año, Iruya Poscaya.

Figura 8. -Distribución de probabilidades de los días lluviosos al año, Iruya Poscaya.

Figura 9. -Serie de días lluviosos al mes, Iruya Poscaya.

Al aplicar las diferentes pruebas estadísticas a la serie no encontraron datos atípicos, se

Figura 11. -Serie de días consecutivos con lluvia, Iruya Poscaya.

 Estación El Durazno – La Florida - Córdoba

Figura 12. -Serie de precipitaciones máximas diarias anuales, El Durazno-La Florida.

Al analizar la relación existente entre la recurrencia y la precipitación máxima diaria anual

Figura 14. -Serie de precipitaciones totales anuales, El Durazno-La Florida.

Al aplicar las diferentes pruebas estadísticas a la serie se encontró un dato atípico

Figura 15. -Serie de días lluvioso al año, El Durazno-La Florida.

Al aplicar las diferentes pruebas estadísticas a la serie se encontró un dato atípico

Figura 16. -Serie de días lluvioso al mes, El Durazno-La Florida.

Luego de que la serie rechazó el test de estacionariedad de Mann-Kendall, se sometió a la

En la Figura 17 se muestra la variación de los valores medios de las diferentes recurrencias en

A continuación, en la Figura 18 se muestran para 3 horizontes de tiempo dado como varía la

Figura 19. -Serie de días consecutivos con lluvia, El Durazno-La Florida.

Se implementó en este trabajo una metodología de análisis de estadística inferencial para

Rudolf, Juan Emilio. (2017). “Análisis de información pluviométrica y estudio de

Intergovernmental Panel on Climate Change - IPCC. (2001b). “Climate change 2001:

ANÁLISIS DE TENDENCIAS DE CAUDALES EN CUENCAS HIDROGRÁFICAS DE LA PATAGONIA

dos cursos cordilleranos, VU y PN.

USO DE PRECIPITACIONES MENSUALES DEL PROYECTO GLOBAL DE

La información de lluvias es esencial para la planificación y manejo de los recursos hídricos

superficie en estaciones pluviométricas oficiales del SMN e INTA, aplicando indicadores

Como algoritmo de entrenamiento de la RNA se usó el de back-propagation, siendo el más