CENTRO AGRONÓMICO TROPICAL

DE INVESTIGACIÓN Y ENSEÑANZA
ESCUELA DE POSGRADO

Análisis del comportamiento del recurso hídrico ante cambios

en el uso del suelo y el cambio climático en la cuenca del río
Pejibaye, Costa Rica

por

Carlos Alberto Zuleta Salmon

Tesis sometida a consideración por el Programa de Posgrado

como requisito para optar por el grado de

Magister Scientiae en Manejo y Gestión Integral de Cuencas

Hidrográficas

Turrialba, Costa Rica, 2013

 ORGANIZACIÓN Y ESTRUCTURA DEL DOCUMENTO

El presente documento está constituido por dos secciones. La primera, formada

principalmente por una parte introductoria, donde se definen la importancia, los objetivos y el
alcance del este estudio, y seguidamente se encuentra una revisión del “estado del arte” o
del conocimiento en el tema específico de investigación, incluyendo los abordajes
metodológicos utilizados para su estudio.

La segunda sección (en formato de artículo científico), está integrada por los materiales y
métodos utilizados, los resultados obtenidos y las conclusiones a las que el autor llegó
después del análisis de los resultados arrojados en el presente estudio.

III
 DEDICATORIA

A mis padres y hermana por todo su apoyo en el desarrollo de esta maestría.

A mi familia en Ecuador, quienes siempre confiaron en que alcanzaría mis metas.
A Andrea, mi soporte, felicidad y compañera.
A Misael y Enrique, que Dios los tenga en su gloria.
A la Mandarina Mecánica:
“Con esfuerzo y humildad, todo está al alcance de tus manos”.

IV
 AGRADECIMIENTOS

Al PhD. Jorge Faustino por brindarme su orientación y excelentes consejos, además, por ser
una gran persona y docente. Definitivamente un honor el haber aprendido tanto de usted.

Al MSc. Christian Brenes “El Profe”, al cual agradezco por su paciencia, orientación y apoyo
en este trabajo. De igual manera, por su amistad y compromiso incondicional dentro y fuera
de la cancha.

Al MSc. José Ney Ríos, infinitas gracias por el apoyo y el tiempo invertido, la gran
predisposición, sus valiosos consejos, su amistad y por compartir conmigo de manera
desinteresada sus conocimientos. Gracias por enseñarme que “No son las pérdidas, ni las
caídas, las que hacen fracasar la vida del hombre, si no la falta de coraje y humildad, para
levantarse y seguir adelante…” VM S.A.W

Al PhD. Francisco Jiménez, profesor y amigo, gracias por sus consejos, sencillez y apoyo
durante estos dos años de maestría.

A la familia Zamora Trejos (Mi familia en Costa Rica), quienes siempre me recibieron con
agrado y me brindaron su apoyo.

Al MSc. Freddy Argotty, infinitas gracias por tu paciencia y apoyo técnico desinteresado en la
consecución de este trabajo. Además, por tu sincera amistad, sencillez y consejos.

Al ICE y la COMCURE por brindarme la información necesaria para desarrollar esta

investigación.

A mis amigos dentro y fuera del CATIE, el tiempo compartido con ustedes ha sido
sumamente enriquecedor, gracias por su apoyo y amistad.

A todos los que hicieron posible mi estancia en Costa Rica para realizar mi maestría,
especialmente para el Programa de becas de la Secretaría Nacional de Educación Superior,
Ciencia Tecnología e Innovación del Ecuador (SENESCYT).

V
 CONTENIDO

DEDICATORIA ..................................................................................................... IV

AGRADECIMIENTOS ............................................................................................... V

CONTENIDO ........................................................................................................ VI

LISTA DE CUADROS ........................................................................................... VIII

LISTA DE FIGURAS .............................................................................................. IX

LISTA DE ACRÓNIMOS, ABREVIATURAS Y UNIDADES .............................................. X

RESUMEN ............................................................................................................ XI

SUMMARY........................................................................................................... XII

1. INTRODUCCIÓN ........................................................................................... 1

1.1 Objetivos del estudio..................................................................................... 2

1.1.1 Objetivo general .................................................................................. 2

1.1.2 Objetivos específicos ............................................................................ 2

1.2 Preguntas de investigación ............................................................................ 3

2. MARCO REFERENCIAL ................................................................................... 3

2.1 El ciclo hidrológico en la cuenca ..................................................................... 3

2.2 Modelamiento hidrológico .............................................................................. 6

2.3 Cambios de uso del suelo .............................................................................. 7

2.4 Cambio climático........................................................................................... 7

2.5 Sistemas de Información Geográfica (SIG) Aplicados al Recurso Hídrico ........... 9

2.6 Modelos de cambio de uso del suelo ............................................................ 10

2.6.1 CA_MARKOV (Cellular Automata Markov) ............................................... 11

2.7 Modelo hidrológico ...................................................................................... 11

2.7.1 Modelo hidrológico SWAT ..................................................................... 11

2.7.2 Calibración del modelo SWAT ................................................................ 13

2.8 Resultados y conclusiones relevantes ........................................................... 15

VI
 2.9 Literatura citada ......................................................................................... 16

3. ARTICULO: ESTIMACIÓN DE LOS EFECTOS DEL CAMBIO CLIMÁTICO Y EL

CAMBIO EN EL USO DEL SUELO EN EL CAUDAL DE LA CUENCA DEL RÍO PEJIBAYE – COSTA
RICA, MEDIANTE EL MODELO HIDROLÓGICO SWAT. ....................................................... 21

3.1 Introducción ............................................................................................ 23

3.2 Materiales y métodos ............................................................................... 24

3.2.1 Área de estudio .................................................................................. 24

3.3 Procedimiento metodológico..................................................................... 24

3.3.1 Modelo hidrológico SWAT ................................................................... 24

3.3.2 Modelo de elevación digital (DEM)....................................................... 26

3.3.3 Mapa de suelos .................................................................................. 26

3.3.4 Mapas de uso del suelo ...................................................................... 27

3.3.5 Mapa de uso del suelo proyectado al 2030........................................... 30

3.3.6 Datos climáticos ................................................................................. 31

3.3.7 Configuración del modelo SWAT ......................................................... 33

3.3.8 Calibración del modelo SWAT.............................................................. 34

3.3.9 Escenarios de cambio climático para el modelo SWAT .......................... 37

3.4 Resultados y discusión ............................................................................. 38

3.4.1 Cambio de uso del suelo ..................................................................... 38

3.4.2 Modelación de mapa de uso del suelo para el 2030 .............................. 39

3.4.3 Calibración del modelo SWAT.............................................................. 41

3.4.4 Efectos del cambio climático y el cambio de uso del suelo en los caudales
de la cuenca del río Pejibaye al 2030 ........................................................................ 45

3.5 Conclusiones ........................................................................................... 59

3.6 Recomendaciones .................................................................................... 61

3.7 Literatura citada ...................................................................................... 62

VII
 LISTA DE CUADROS

Tabla A. 1 Cambios proyectados en temperatura y precipitación para Costa Rica (B2) ........... 9

Tabla B. 1 Cambios proyectados en temperatura y precipitación para Costa Rica (A2) ........... 9

Tabla 1. Categorías de uso de suelo en la cuenca del río Pejibaye años 1998 y 2011. ......... 28
Tabla 2. Datos Hidrometeorológicos para la Cuenca del río Pejibaye. ................................. 31
Tabla 3. Estaciones Hidrometeorológicas usadas para el estudio de la Cuenca. ................... 32
Tabla 4.Uso del Suelo (2011), Suelo y Pendientes reclasificados para el modelo SWAT. ...... 34
Tabla 5.Valores de ajuste de parámetros para calibración del modelo por estaciones. ......... 36
Tabla 6.Simulaciones con escenarios de Cambio Climático y Cambio de Uso del Suelo ........ 37
Tabla 7. Cambio de Uso del Suelo periodo 1998 - 2011. .................................................... 38
Tabla 8. Cambio de Uso del Suelo periodo 2011 - 2030. ................................................... 39
Tabla 9. Probabilidades de transición de uso del suelo esperadas para el 2030. ................. 40
Tabla 10. Efectos del CC y el CUS en la cuenca del río Pejibaye al 2030. ............................ 51

VIII
 LISTA DE FIGURAS

Figura 1. Ubicación del área de estudio 26

Figura 2.DEM cuenca del río Pejibaye 27
Figura 3.Suelo cuenca del río Pejibaye 27
Figura 4.Uso del Suelo cuenca del río Pejibaye 1998 30
Figura 5.Uso del Suelo cuenca del río Pejibaye 2011 30
Figura 6.Climograma de la Cuenca del río Pejibaye (1980 - 2011) por estaciones. 32
Figura 7. Caudales promedio cuenca del río Pejibaye (1980 - 2011) por estaciones. 33
Figura 8. Uso del Suelo proyectado de la cuenca del río Pejibaye al 2030 40
Figura 9. Calibración de caudales en la cuenca alta (Est. Humo) del río Pejibaye. 43
Figura 10. Calibración de caudales cuenca media-baja (Est. Oriente) del río Pejibaye. 43
Figura 11. Caudales Simulados vs. Observados en la cuenca alta del río Pejibaye. 44
Figura 12. Caudales Simulados vs. Observados. Cuenca media - baja del río Pejibaye. 44
Figura 13. Proyección de precipitación promedio diaria (mm) y temperatura media diaria (ºC)
según GCM HadCM3 al 2030. 45
Figura 14. Proyección de caudal promedio anual (m3) según GCM HadCM3 al 2030. 48
Figura 15. Caudal promedio mensual (m3) HadCM3 al 2030 vs. Escenario BASE (2011). 49
3
Figura 16. Caudal promedio por subcuencas (m ) según GCM HadCM3al 2030 y escenario
BASE (2011) en la cuenca del río Pejibaye. 50
Figura 17. Efectos del CC y el CUS en la cuenca del río Pejibaye al 2030. 52
Figura 18. Efectos del CC y el CUS por subcuenca en el río Pejibaye al 2030. 55
Figura 19. Tasa de cambio promedio por escenario climático al 2030 respecto al 2011. 57

IX
 LISTA DE ACRÓNIMOS, ABREVIATURAS Y UNIDADES

CA_MARKOV Modelo Celular Automata – Cadenas de Markov

CC Cambio Climático
CEPAL Comisión Económica Para América Latina y el Caribe
CIAT Centro Internacional de Agricultura Tropical
COMCURE Comisión de Manejo de la Cuenca Alta del Río Reventazón
CUS Cambio de Uso del Suelo
DEM Modelo de Elevación Digital (Digital Elevation Model)
GCM Modelo de Circulación General (General Circulation Model)
GEI Gases de Efecto Invernadero
GPS Sistema de Posicionamiento Global (Global Positioning System)
ICE Instituto Costarricense de Electricidad
IMN Instituto Meteorológico Nacional
INEC Instituto nacional de Estadística y Censos de Costa Rica
IPCC Panel Intergubernamental para el Cambio Climático
LIDAR Detección y Medición a través de la Luz (Light Detection and Ranging)
MGICH Manejo y Gestión Integrada de Cuencas Hidrográficas
ONU Organización de las Naciones Unidas
PREVDA Programa de Reducción de la Vulnerabilidad y Degradación Ambiental
SIG Sistemas de Información Geográfica
SWAT Herramienta de Evaluación de Suelo y Agua (Soil and Water
Assessment Tool)
SWAT-CUP Procedimientos de Calibración de Incertidumbres del modelo SWAT
(SWAT Calibration Uncertainly Procedures)
SUFI-2 Ajuste Secuencial de Incertidumbres (Sequential Uncertainty FItting
ver. 2)
URH Unidad de Respuesta Hidrológica

X
 RESUMEN

Dentro de la gestión integrada de cuencas hidrográficas, la estimación de los

caudales es esencial para evaluar su rendimiento potencial del agua con la finalidad de
planificar las medidas de conservación del recurso hídrico, incluyendo zonas de recarga
hídrica, , reducción de la sedimentación y riesgos de inundación aguas abajo. Ante este
contexto, es necesaria la modelación de la precipitación y comportamiento de los
caudales por medio de un modelo hidrológico, el cual debe ser calibrado adecuadamente
con el fin de proporcionar información sistemática y coherente sobre la disponibilidad
futura de los recursos hídricos en la cuenca. En el presente estudio se utilizó el modelo
SWAT (Soil and Water Assessment Tool) para la estimación del caudal al año 2030, bajo
diferentes escenarios de cambio climático y cambio del uso del suelo en la cuenca del río
Pejibaye en Costa Rica. Esta cuenca de 250 km2, cubierta principalmente por Bosque
denso (80%), es de gran interés para el sector hidroeléctrico del país, al ser una de las
principales unidades hidrográficas del país con un aporte en caudal promedio anual de
34m3/s al proyecto hidroeléctrico Angostura. El mapa de uso del suelo para el año 2030
fue estimado mediante el modelo CA_Markov utilizando los mapas de uso del suelo del
año 1998 y 2011, generados a partir de fotos aéreas e imágenes satelitales
respectivamente. El modelo SWAT fue calibrado, mediante SWAT-CUP, en dos lugares
(Parte Alta y Media – Baja de la cuenca) con datos mensuales observados de caudal para
el periodo 1980 – 2011, obteniéndose una bondad de ajuste del modelo calificada como
excelente (NSE: 0.8; R2: 0.82). Las simulaciones realizadas, Escenarios A2 y A1B- modelo
de circulación global HadCM3, fueron realizadas para el periodo 2012 – 2030 y con dos
escenarios de uso del suelo (Uso 2011 y Uso 2030). Todas las combinaciones estimaron
un descenso en los caudales para el año 2030 en relación al año 2011 (escenario BASE),
las simulaciones con escenarios A2 muestran reducciones más drásticas (-49.7%) en el
caudal en comparación a la simulación bajo el escenario A1B (-25.3%). Estas variaciones
en el caudal se relacionan principalmente con cambios en la temperatura y la
precipitación, que con los cambios en el uso del suelo en la cuenca. El alto grado en la
incertidumbre de los modelos de circulación global debe tenerse en cuenta al evaluar los
futuros impactos potenciales y la toma de decisiones sobre las acciones para la
adaptación al cambio climático en la zona. Sin embargo, este es un primer buen punto de
partida para la planificación y el manejo integrado de la cuenca.

Palabras clave: SWAT, SWAT-CUP, CA_MARKOV, Manejo Integrado de Cuencas,

Cambio Climático, Cambio de Uso del Suelo, Calibración Multi-sitio, Modelación
Hidrológica, Caudal, Pejibaye, Costa Rica.

XI
 SUMMARY

Within the integrated watershed management, estimation of flows is essential for

evaluating the performance potential of water in a river basin, for planning resource
conservation measures, including the recharge of groundwater areas and reducing
sedimentation and downstream flooding risks. This requires the modeling of precipitation
and flows through a properly calibrated hydrological model in order to provide consistent
and coherent information about the future availability of water resources in the basin. In
the present study used the SWAT model (Soil and Water Assessment Tool) for estimating
flow in 2030, in front of the effects of climate change and land use change in Pejibaye
River watershed in Costa Rica. This watershed, of 250 km2, is mainly dense forest cover
(80 %), is of great interest to the country's hydropower sector, being one of the main
contributors to Angostura hydroelectric project. The land use map for the year 2030 was
estimated by the CA_Markov model using the land use maps of 1998 and 2011,
generated from aerial photographs and satellite images, respectively. The SWAT model
was calibrated in two places (Highlands and Media - Bottom of the watershed) by SWAT-
CUP, with observed monthly flow data for the period 1980-2011, with an efficiency of the
adjusted model rated as excellent (NSE : 0.8 , R2: 0.82) . Subsequently, were performed
simulations with two emission scenarios (A2 and A1B) from the HadCM3 global circulation
model for the period 2012-2030 and with two scenarios of land use (Map 2011 and
2030). All combinations estimated a decrease in flow for the year 2030 compared to 2011
(BASE scenario), the A2 scenario simulations show drastic reductions (-49.7 %) in flow
compared to simulations with A1B scenarios (-25.3 %). These variations in the flow are
mostly related to changes in temperature and precipitation, with the changes in land use
in the watershed. The high degree of uncertainty in global circulation models should be
considered when evaluating potential future impacts and decisions on actions for climate
change adaptation in the area. However, this is a good starting point for planning and
integrated management of the watershed.

Keywords: SWAT, SWAT-CUP, CA_MARKOV, Integrated Watershed Management,

Climate Change, Land Use, Multi-Site Calibration, Hydrologic Modeling, Flow, Pejibaye,
Costa Rica.

XII
 1. INTRODUCCIÓN

El agua es el recurso natural más preciado y es el primer y principal componente

de toda la materia viva en el planeta tierra (ONU-Agua, 2010). Desde el enfoque del
manejo y la gestión de cuencas hidrográficas – MGICH, que reconoce que la cuenca es la
unidad para la gestión de los recursos hídricos, el agua es considerada como el elemento
central a partir del cual se articulan los demás componentes que funcionan como un
sistema interconectado e indivisible en un territorio delimitado naturalmente; bajo este
principio los fines de la MGICH enfatizan acciones tendientes a garantizar el
abastecimiento de agua en calidad y cantidad, la sostenibilidad de los recursos asociados
suelo, bosque y biodiversidad y el mantenimiento de las dinámicas existentes (Cervantes
et al. 2009).

Dentro de la gestión integrada de cuencas hidrográficas, la estimación de los

caudales es esencial para evaluar el rendimiento potencial del agua de una cuenca
hidrográfica, para planificar las medidas de conservación, incluyendo la recarga de las
zonas de agua subterránea, la reducción de la sedimentación y los riesgos de inundación
aguas abajo (Lenhart et al. 2002). La cuenca del río Pejibaye tiene un área de 250 km2,
integra la parte media – alta del sistema hidrográfico del río Reventazón, es de gran
importancia para Costa Rica ya que es una de las principales aportantes (promedio
anual: 34 m3/s) para el proyecto Hidroeléctrico Angostura, el cual, en combinación con el
complejo hidroeléctrico Cachí – Río Macho producen el 32% de la hidroelectricidad
nacional (ICE, 2009). Es por ello la importancia de conocer la modelación del
comportamiento hidrológico en la cueca mediante el uso de un modelo hidrológico
validado y calibrado con el fin de proporcionar información sistemática y coherente sobre
la disponibilidad futura de agua en la cuenca.

Las predicciones de variación climática, son relevantes para una buena

planificación del recurso hídrico (Candela et al. 2009); sin embargo, el comportamiento
futuro de los recursos hídricos en una cuenca debe ser estudiado en base a los efectos
combinados de los cambios del clima y el cambio de uso del suelo (Juckem et al. 2008).
Al analizar los diferentes escenarios de cambio de uso del suelo se pueden entender los
vínculos entre los procesos socioeconómicos y el manejo de los recursos naturales
(Turner y Meyer 1991); los mismos que pueden ser cuantificados eficientemente con
Sistemas de Información Geográfica (SIG) y técnicas de percepción remota (Brown et al.
2000); de igual manera, los modelos estocásticos (como el CA_MARKOV) se convierten
en una herramienta útil para evaluar la dinámica espacial a partir de matrices de
transiciones de coberturas de uso (Aaviksoo 1993; Weng 2002; Ruiz Benito et al. 2010;
Kamusoko et al. 2011); además, estos modelos presentan resultados fiables para simular
los cambios futuros en el uso del suelo (Aaviksoo 1993; Soares-Filho et al. 2004; Teixeira
et al. 2009), proporcionando información visual y cuantitativa (Soares- Filho et al. 2004)
utilizada para la gestión del territorio (Ruiz Benito et al. 2010). Por otro lado, la
modelación hidrológica nos permite comprender los impactos de estos cambios en el uso
1
del suelo sobre los componentes del balance hídrico en una cuenca, proporcionando una
serie de factores que deben ser considerados para el manejo y gestión del recurso hídrico
tanto en el presente como en el futuro.

Bajo este contexto, los estudios hidrológicos son un requisito primordial para la
formulación y desarrollo de proyectos sostenibles con la finalidad de comprenderse la
posible variación del recurso hídrico ante la variabilidad climática, el incremento en la
explotación del recurso hídrico, cambios en el uso del suelo, el crecimiento poblacional y
económico, etc. Además, deben evaluar los impactos que puedan generar las diferentes
alternativas de manejo en la cuenca, permitiendo identificar alternativas en pro de un
efectivo planteamiento de estrategias de adaptación al cambio climático y la gestión
integrada del recurso hídrico.

Actualmente existen diversos modelos hidrológicos, sin embargo, pocos son

capaces de analizar diferentes medidas alternativas que permitan una adecuada gestión
del agua en una cuenca y a su vez, que contribuyan a tomar decisiones para la
planificación del recurso hídrico, mediante la simulación de escenarios climáticos y
cambios en el uso del suelo (Notter et al. 2007). Uno de estos modelos hidrológicos es el
SWAT (Soil and Water Assessment Tool ), el cual se ha venido utilizando en diferentes
cuencas alrededor del mundo a diferente escala y donde se han evaluado impactos
hidrológicos debido al uso del agua y de la tierra (Prochnow et al, 2008; Schilling et al.,
2008), fuentes contaminantes (Schilling y Wolter, 2009), impactos del cambio climático
(Stone et al., 2001), potencial de la energía hidroeléctrica (Kusre et al., 2010), erosión
del suelo (Shen et al., 2009) y buenas prácticas de manejo en los suelos (Gassman et al.,
2007).

El objetivo de esta investigación es analizar el comportamiento futuro del recurso

hídrico en la cuenca del río Pejibaye ante los efectos del cambio climático y el cambio de
uso del suelo con la finalidad de contribuir en el manejo y gestión integrada del recurso
hídrico en la cuenca.

1.1 Objetivos del estudio

1.1.1 Objetivo general

Analizar el comportamiento del recurso hídrico de la cuenca del río Pejibaye, bajo
escenarios de cambio de uso de suelo y climáticos, como un aporte a la posterior
planificación del recurso hídrico en la cuenca.

1.1.2 Objetivos específicos

1. Identificar los cambios en el uso del suelo y en el clima para el año 2030 en la
2
 cuenca del río Pejibaye.

2. Analizar los posibles impactos sobre el caudal de la cuenca del río Pejibaye,
asociados a escenarios actuales y futuros de cambios en el uso del suelo y el
cambio climático.

1.2 Preguntas de investigación

1.2.1 Objetivo 1
• ¿Cuál es la proyección de cambio de uso del suelo en la cuenca del río
Pejibaye para el año 2030?
• ¿Cuál es la proyección de cambio en el clima de la cuenca del río Pejibaye
para el año 2030?

1.2.2 Objetivo 2
¿De qué manera se verá afectado el caudal de la cuenca del río Pejibaye ante
los efectos combinados de los diferentes escenarios de cambio climático y
cambio en el uso del suelo en el año 2030?

2. MARCO REFERENCIAL

2.1 El ciclo hidrológico en la cuenca

Se describe al ciclo hidrológico como el conjunto de cambios que experimenta el

agua en la naturaleza, tanto en su estado (sólido, líquido, gaseoso), como en su forma
(agua superficial, agua subterránea, etc.). El ciclo hidrológico es completamente irregular,
y es precisamente contra estas irregularidades que lucha el ser humano. Una muestra
de ello son los periodos de satisfacción con los requerimientos del agua para las
diferentes actividades, otros periodos de sequías y otros de inundaciones (Villón 2004). El
ciclo hidrológico está conformado por los siguientes componentes:

• Precipitación

Desde el punto de vista hidrológico, la precipitación es la fuente primaria del agua

de la superficie terrestre; sus mediciones y análisis forman el punto de partida de los
estudios concernientes al uso y control del agua (Villón 2004).

No toda el agua precipitada llega a la superficie de forma directa, hay una parte
de ella que es interceptada en su trayecto; esta intercepción la realizan las plantas, por lo
que se puede diferenciar dos términos, la precipitación incidente y la precipitación neta
(Tobón et al 2009).
3
 La precipitación incidente es la cantidad total de lluvia que es medida por encima
de la copa de los árboles o en un terreno abierto adyacente al bosque (De Paula Lima
2008). Mientras que la precipitación neta está compuesta por las gotas de agua que caen
o drenan al suelo desde el follaje y las ramas o que se escurren a través de los troncos.
La diferencia entre la precipitación neta con la incidente es conocida como intercepción
de la precipitación (Tobón et al 2009).

• Evapotranspiración

Es el resultado del proceso en donde el agua cambia de estado líquido a gaseoso

directamente (evaporación) y a través de la actividad metabólica de las plantas y
animales (transpiración). Esta humedad es transferida de regreso a la atmósfera en
forma de vapor. Es pues la suma de la evaporación y de la transpiración y es mayor
cuanto más densa sea la cobertura de vegetación por unidad de área (Mora y Valverde
2005).

• Infiltración y Percolación

La infiltración es el paso del agua a través de la superficie del suelo hacia el

interior de la tierra; mientras que la percolación es el movimiento del agua dentro del
suelo, ambos fenómenos, están íntimamente ligados puesto que, la primera no puede
continuar sino cuando tiene lugar la segunda (Chereque 1996).

• Escorrentía

El escurrimiento se define como el agua proveniente de la precipitación que

circula sobre o bajo la superficie terrestre y que llega a una corriente para finalmente ser
drenada hasta la salida de la cuenca (Villón 2004).

• Flujo Lateral

El flujo lateral es el agua que se mueve por debajo de la superficie del suelo y
sobre el nivel de los acuíferos, la cual fluye subsuperficialmente y alimenta los canales de
drenaje, ríos, lagos. El flujo subsuperficial lateral es calculado simultáneamente con la
percolación para el perfil del suelo entre (0-2m) mediante un modelo de
almacenamiento cinético, que usa la ecuación de conservación de la masa con el perfil
entero del suelo como el volumen de control (Proaño et al. 2006).

El balance hidrológico es la cuantificación de las componentes del ciclo

hidrológico en las cuencas hidrográficas o de cuerpos de agua subterráneas. Su
propósito es determinar los principales flujos hídricos en las cuencas (Jimenez 2011). El
balance hídrico es la aplicación del principio de la igualdad de las masas con respecto al
flujo de agua, en un sistema determinado (Díaz et al 2005), es decir, en un espacio

4
geográfico en el cual se examina el ciclo hidrológico, dado que el agua no puede ser
creada ni destruida en dicho espacio; este balance puede ser expresado en términos de:

Flujo de entrada – Flujo de Salida = Relación de cambio de agua almacenada

La cuantificación del balance hídrico es normalmente complicada, pues la falta de

medidas directas, la variación espacial de las variables (tales como precipitación,
evapotranspiración), las pérdidas profundas (a acuíferos) y las variaciones del agua
almacenada son una limitación en este proceso, sin embargo, como respuesta a estas
dificultades, de manera general se admiten dos premisas: la primera supone que las
pérdidas profundas son despreciables (se considera que una cuenca es impermeable) y
la segunda admite que las variaciones del agua almacenada en la cuenca hidrográfica
son despreciables para un periodo normalmente largo (Faustino 2012).

Así, una forma práctica de calcular el balance hídrico en una cuenca, es

considerar que el agua entra, se almacena y sale de la cuenca de acuerdo a la siguiente
expresión matemática:

De donde, SWt es el contenido de agua en el suelo en el día t medido en mm;

SW es la cantidad inicial de contenido de agua en el suelo (mm); t es el tiempo en días;
R la precipitación diaria (mm), Q la cantidad de escorrentía diaria (mm), ET
evapotranspiración diaria (mm), P percolación diaria (mm) y QR el flujo de retorno o
flujo base (mm) (Bonini y Guzmán 2003).

El clima de una cuenca hidrográfica proporciona las entradas de humedad y

energía, que controlan el equilibrio del agua y determinan la importancia relativa de los
diferentes componentes del ciclo hidrológico. De modo que cuando se produce una
precipitación, esto puede ser interceptado y contenido en el dosel de vegetación o caer a
la superficie del suelo, y esto se infiltra en el perfil del suelo o fluirá sobre el terreno
como escorrentía, moviéndose hacia un cauce y contribuyendo a la formación de los ríos.
Por otra parte, el agua infiltrada puede ser contenida en el suelo y evapotranspirada o
puede avanzar lentamente al sistemas de aguas subterráneos (Neitsch et al. 2005a;b).

La evapotranspiración es un término colectivo para todos los procesos donde el

agua en la fase liquida o sólida o cerca de la superficie terrestre se convierte en vapor
atmosférico. Los que incluye la evaporación de ríos y lagos, suelos desnudos, y
superficies vegetativas; principalmente por efecto de la temperatura del suelo y el aire
(Neitsch et al. 2005a, b).

Por otra parte, el agua subterránea se forma principalmente a través de la

5
infiltración/percolación, también puede ocurrir la recarga por filtración de cuerpos de
aguas superficiales. El agua subterránea puede dividirse en dos sistemas de acuíferos:
un acuífero superficial y libre (acuífero no confinado), cuyo límite es nivel freático, que
contribuye al flujo de regreso a la corrientes dentro de la cuenca hidrográfica y un
acuífero profundo y limitado (acuífero confinado) es aquel que está delimitado por
encima y abajo por formaciones geológica, que contribuye al flujo de regreso a las
corrientes fuera de la cuenca (Arnold et al. 1998; Arnold y Fhorer 2005; Neitsch et al.
2005a, b).

Los acuíferos se recargan principalmente a través de la precipitación en suelos

con alta capacidad de infiltración o rocas superficialmente permeables. Las áreas de
recarga de los acuíferos pueden o no estar a grandes distancias de donde son
explotados (Juckem et al. 2008).

2.2 Modelamiento hidrológico

Se define como un sistema matemático o físico que obedece a ciertas

condiciones específicas y cuyo comportamiento es utilizado para entender un sistema
físico, biológico o social (Solis et al. 1993).

Los modelos hidrológicos constituyen hoy día una de las herramientas más útiles
en la planificación de recursos hídricos. El rápido desarrollo de la industria de la
computación ha hecho posible que los micro-computadores sean cada vez más accesibles
y con mayor capacidad para manejar programas complejos y voluminosas bases de datos
en menor tiempo que lo que era posible en los años sesenta cuando se iniciaron los
primeros modelos digitales (Mattos et al. 2010).

El trabajar con un modelo para simulación hidrológica y la posibilidad de

reproducir todos los componentes del ciclo hidrológico con la ayuda de los sistemas de
información geográfica, permite a los investigadores crear escenarios tanto para
condiciones presentes y/o futuras, determinando cómo afectará el cambio de una u otra
variable en la producción de caudales y sedimentos en determinada cuenca (Proaño et al.
2006).

En la actualidad existen varios modelos hidrológicos, la importancia de estos

radica en que, una vez calibrados o validados, pueden ser utilizados para simular diversas
situaciones o para extender la información existente. En manejo de cuencas tienen gran
utilidad ya que se puede simular la respuesta de la cuenca ante cambios en el uso de la
tierra, cambio climático y prácticas de conservación de suelos dentro de las cuencas
(Mattos et al. 2010).

6
2.3 Cambios de uso del suelo

La humanidad ha mostrado a lo largo de su evolución la tendencia a modificar los

ecosistemas terrestres, los cambios del uso del suelo (CUS) son considerados entre las
principales fuerzas que inciden en los desequilibrios ambientales, por lo que el uso de
herramientas de modelación del cambio de uso del suelo permiten proyectar y explorar
escenarios prospectivos, comprender los procesos clave y su descripción en términos
cuantitativos (Mas y Sandoval, 2011).

El cambio de uso del suelo, consiste en la transición de una categoría por otra,
como es el caso la deforestación, la expansión agrícola o el cambio en la extensión
urbana, y está en función de la presión sobre los recursos, oportunidades, políticas,
vulnerabilidad, y la organización social; estas funciones tienen una fuerte interacción que
causan el cambio de uso del suelo (Lambin et al. 2001, 2006).

Los impactos del cambio de uso del suelo pueden evidenciarse mediante las
variaciones en la hidrología de la cuenca, y su equilibrio está en función de la
distribución de la vegetación y su interacción con el agua y el suelo, d o n d e ,
cualquier alteración v i e n e a modificar el ciclo hidrológico (Guo et al. 2008; Juckem et
al. 2008; Li et al. 2009). De igual manera, la conversión de los bosques para agricultura
o pastos, pueden provocar problemas relacionados con escasez del agua en periodos
de sequía y la erosión de las laderas e inundaciones en estaciones lluviosas (Notter et
al. 2007; Guo et al. 2008; Mango et al. 2011).

Por otro lado, algunos estudios muestran que la disminución del agua puede
estar más afectada por la variabilidad climática que por el cambio de uso del suelo, sin
embargo, la relación de la extensión de los cambios de uso del suelo pueden ser otro
factor determinante (Li et al. 2009). Asimismo, el cambio del uso del suelo en la cuenca
puede impactar directamente en el balance hídrico llegando a disminuir en más de
un 9% las descargas de las aguas subterráneas y en u n 3% del total de producción
de agua superficial (Mango et al. 2011).

2.4 Cambio climático

Según el IPCC (2007), la variabilidad climática está dada por las variaciones en el
“…estado medio u otras características estadísticas del clima (desviaciones típicas,
fenómenos extremos, etc.)…”, lo cual según Lavell (2011), quien señala esta misma
fuente, hace referencia a una escala temporal y territorial, más allá de eventos
individuales del tiempo y que puede relacionarse con procesos internos naturales del
sistema clima (variabilidad interna) o con variaciones en factores naturales o
antropogénicos (variabilidad externa).

La variabilidad climática determina además dos aspectos importantes, el primero

7
dado por los promedios de las variables climáticas que permiten definir el tipo de clima
en un determinado sitio (latitud media templada; trópico-húmedo; trópico-seco, etc.) y
el segundo dado por las facetas del clima que desobedecen la norma, denominados
éstos como “extremos” (huracanes, tornados, sequías etc.), que aun cuando son
procesos naturales, marcan los aspectos más notorios de la variabilidad (Lavell 2011).

En cuanto a cambio climático, éste está definido como el cambio en la tendencia

de las variables climáticas (y en su variabilidad), y es caracterizada por una alteración, ya
sea por encima o por debajo, de su valor promedio, y que generalmente está
acompañada de cambios en los tipos, regularidad y características de las anomalías o
extremos (Lavell 2011; González et al. s.f.).

Para el IPCC (2007), el cambio climático, se refiere a la “variación en el

estado del clima identificable (por ejemplo, mediante el uso de pruebas estadísticas),
en las variaciones del valor medio y/o en la variabilidad de sus propiedades, que
persiste durante un período prolongado, generalmente decenios o incluso más…”;
estos cambios pueden producirse debido a “…procesos internos naturales o a
forzamientos externos o a cambios antropogénicos persistentes de la composición de la
atmósfera o del uso de la tierra”.

Centroamérica ha presentado una alta variabilidad climática en años recientes. En las

últimas décadas se han observado importantes cambios en precipitación y aumentos de
temperatura. Las tendencias de los niveles de precipitación muestran una disminución,
sobre todo en la región oeste del istmo y un aumento de la temperatura en alrededor de 1
°C en Mesoamérica (CEPAL. 2011). Según el IPCC (2007a, b), se pronostican aumentos de
temperatura, avance de tierras áridas, disminución de biodiversidad y bajos niveles de agua
en los suelos, implicando una baja en los diferentes eslabones de las cadenas de
producción. La tendencia de las lluvias producto de la observación de varias estaciones de
datos, indican tendencia hacia veranos con mayores sequías, principalmente en la región de
Centro América y el Caribe. Aguilar et ál. (2005) reafirman esta teoría al señalar que la
temperatura y la precipitación durante los últimos 40 años en América Central y norte de
Sudamérica se ha visto seriamente afectada por la variabilidad que existe en el cambio de
los eventos extremos climáticos.

En las tablas A y B, se presentan los resultados de escenarios de cambio climático en

temperatura y precipitación generados a nivel de Costa Rica según el escenario B2 (que
hace alusiones a un mundo basado en soluciones locales para la sostenibilidad
socioeconómica y ambiental) y A2 (se mantiene igual el crecimiento económico y
poblacional) con los modelos HADCM3, GFDLR30 y ECHAM4 (CEPAL 2011).

8
 Tabla A. 1 Cambios proyectados en temperatura y precipitación para Costa Rica (B2)

Modelos Cambios en temperatura °C

2030 2050 2100
HADCM3 1.0 1.2 3.1
GFDLR30 0.9 1.3 1.9
ECHAM4 0.6 1.2 2.2
Modelos Cambios en precipitación (%)
2030 2050 2100
HADCM3 -9.2 -18.5 -51.3
GFDLR30 -14.5 -7.8 8.7
ECHAM4 8.4 7.1 11.4

Tabla B. 1 Cambios proyectados en temperatura y precipitación para Costa Rica (A2)

Modelos Cambios en temperatura °C

2030 2050 2100
HADCM3 2.7 3.6 3.8
GFDLR30 0.9 1.6 3.7
ECHAM4 0.7 1.6 4.2
Modelos Cambios en precipitación (%)
2030 2050 2100
HADCM3 -22.5 -33.2 -55.9
GFDLR30 12.1 -2.1 -16.2
ECHAM4 2.0 -2.1 -7.5

2.5 Sistemas de Información Geográfica (SIG) Aplicados al Recurso Hídrico

El manejo del recurso hídrico requiere un amplio rango de datos espaciales,

como relieve, clima, suelos, y uso del suelo (Wilson et al. 2000), de modo que los
sistemas de información geográfica (SIG) y la modelación hidrológica son aplicados
para conocer los avances y el manejo de los recursos hídricos, y su contribución es
importante para la gestión y la toma de decisiones (Wilson et al. 2000; Jayakrishnan et
al. 2005).

No obstante, los modelos de elevación digital (DEMs) han tenido grandes

impactos de aplicaciones de SIG en el estudio del recurso hídrico. Actualmente las
nuevas tecnologías como LIDAR (light detection and ranging) y GPS (global positioning
system) ayudan a obtener una cartografía con mayor detalle y precisión, que permite

9
un mejor análisis y predicción del comportamiento hidrológico y la contaminación en
una cuenca hidrográfica (Wilson et al. 2000).

Hoy en día, la evolución de la informática ha revolucionado el estudio de los

sistemas hidrológicos y la gestión de los recursos hídricos a escalas de cuenca
(Jayakrishnan et al. 2005), de modo que la evaluación de los recursos hídricos y la
gestión son actividades que requieren el manejo múltiples formas de datos espaciales.

Los SIG y modelos de simulación han contribuido a la identificación y evaluación

de posibles soluciones al agua en las últimas décadas. Las tecnologías de información
geográfica han jugado un papel importante en el desarrollo modelos hidrológicos.
Estos modelos ofrecen la oportunidad para mejorar nuestra comprensión de los
procesos espaciales y los patrones de afectan a la distribución y movimiento del agua
en los paisajes así como el impacto del uso del suelo sobre el recurso hídrico a largo
plazo (Wilson et al. 2000).

2.6 Modelos de cambio de uso del suelo

En las últimas dos décadas se han incrementado las investigaciones relacionadas

con el análisis y modelamiento del cambio en el uso del suelo, principalmente en países
tropicales, muchos de estos modelos están ligados a estudios del ciclo global del carbono
o impulsados por la búsqueda de las causas y consecuencias del cambio climático,
pérdida de biodiversidad o modelamiento del paisaje. En general, los esfuerzos de
analizar y modelar los procesos de cambio de uso del suelo se orientan a responder las
siguientes interrogantes: ¿Por qué ocurre el cambio en el uso del suelo? ¿Dónde? y
¿Cuándo ocurre el cambio? Estas tres interrogantes fundamentales son abordadas a
través de metodologías apoyadas en el uso de sensores remotos y análisis estadístico
espacial (Lambin et al. 2001).

Los CUS pueden modelarse empíricamente mediante un análisis de los cambios

pasados para desarrollar un modelo matemático que estima la probabilidad de cambio en
función de un conjunto de variables explicativas. En general, el análisis espacial de los
cambios se lleva a cabo a través de la comparación de dos mapas de cobertura/uso del
suelo de dos fechas anteriores. Esta comparación permite estimar los patrones y
procesos de cambio (tipos de transiciones y tasas de cambio) y calibrar el modelo. El
análisis de los cambios pasados en relación con las variables explicativas permite mapear
la probabilidad de las diferentes transiciones (Paegelow et ál 2003).

Los modelos de proyección cartográfica del cambio en el uso del suelo son
herramientas relativamente fiables, dada por la potencia y exactitud espacial que le
otorga el uso de bases de datos geográficos integrados a un Sistema de Información
Geográfico (Schaldach, R y Priess, J. 2008). Una variedad de modelos de simulación se
han desarrollado durante los últimos años para proyectar el cambio de uso del suelo

10
(Lambin et al. 2006), este es el caso de modelos que usan información geográfica,
diseñados para el nivel de escala regional y de cuencas como LAND CHANGE MODELER,
GEOMOD, CLUE, IMAGE, LANDSHIFT, PLM, SITE, SYPRIA, CA_MARKOV, ACCUS, RUSLE,
entre otros, que se encuentran dentro de software especializado (SIG) para la ejecución
de estos modelos, como por ejemplo IDRISI, DINAMICA EGO, GRASS, etc., todos estos
modelos han sido aplicados en innumerables estudios a nivel local, regional y global
(Mas, J. y Sandoval, F. 2011).

2.6.1 CA_MARKOV (Cellular Automata Markov)

El modelo Celular Autómata Markov (CA-Markov), presente en el programa IDRISI

SELVA, integra la modelización realizada por las cadenas de Markov a partir de la serie
cronológica de usos del suelo, y los mapas de capacidad de acogida para cada uno de
esos usos obtenidos según las variables de la base de datos (evaluación multicriterio),
para asignar finalmente a cada píxel una categoría de ocupación del suelo (evaluación
multiobjetivo) en la fecha proyectada. De esta manera, la modelización, al considerar las
variables explicativas de índole natural o humana, mejora los resultados de aquélla
obtenida tan sólo mediante la aplicación de las cadenas de Markov (Eastman 2012).

Es un modelo dinámico empleado para simular la evolución o la dinámica de una

amplia variedad de sistemas naturales y humanos; aplica un algoritmo de automatismo
celular (con filtro medio booleano 5x5), que mide la contigüidad local. El resultado es
multiplicado por los mapas obtenidos en la fase de evaluación multicriterio,
incrementando por ello la probabilidad de pertenecer a una categoría por vecindad. Es
decir, se obtiene un resultado que integra el carácter espacial o la probabilidad
condicionada también por el entorno local, además su operatividad, simplicidad y
capacidad para representar reglas matemáticas y lógicas, lo hace una herramienta
muy exitosa (Ozah et al. 2012).

2.7 Modelo hidrológico

2.7.1 Modelo hidrológico SWAT

SWAT (Soil and Water Assessment Tool) Herramienta de Evaluación de Suelo y

Agua, por sus siglas en inglés, desarrollado por USDA-ARS es una consecuencia directa
del modelo SWRRB (Simulador de Recursos Hídricos en Cuencas Rurales) (Williams et
al.1985; Arnold et al.1990), que fue diseñado para simular los efectos de la gestión del
agua y el movimiento de sedimentos en cuencas rurales. SWAT es un modelo hidrológico
de base física y distribuida desarrollado para predecir los efectos de los cambios en el
paisaje, las prácticas de gestión en materia de agua, sedimentos, y los rendimientos
químicos agrícolas en una cuenca hidrográfica (Arnold et al., 1998). SWAT contiene

11
varios componentes hidrológicos que se han desarrollado y validado en escalas más
pequeñas dentro de la EPIC (Williams et al.1984), GLEAMS (Leonard et al.1987) el
modelo SWRRB.

SWAT está definido por 8 componentes: hidrología, clima, erosión y

sedimentación, temperatura del suelo, crecimiento de plantas, nutrientes, pesticidas y
manejo del suelo (Miller et al. 2007). El presente estudio se enfoca e n los
componentes de hidrología y el clima. El ciclo hidrológico que simula SWAT se basa en la
ecuación de contenido final de agua en el suelo.

𝑆𝑊𝑡 = 𝑆𝑊0 + �(𝑅 − 𝑄𝑠 − 𝐸𝑇 − 𝑤 − 𝑄𝑔 )

𝑖

Donde SWt es el contenido final de agua en el suelo (mm) en el tiempo t, SW0 es el

contenido inicial de agua en el suelo en el día i (mm), t es tiempo (días), R es la
precipitación diaria (mm), Q s es la cantidad de escorrentía superficial en un día i (mm), ET
es la cantidad evapotranspiración en día i (mm), w es la infiltración del agua a la zona no
saturada del perfil del suelo en un día i(mm), y Q g es la cantidad de flujo de retorno en un
día i (mm) (Neitsch et al. 2005b; Miller et al. 2007).

La simulación de la escorrentía en base diaria se obtiene mediante la técnica de

número de curva (USDA-SCS1972) y en cada hora por la ecuación de infiltración de
Green-Ampt (Green y Ampt1911). El modelo ofrece tres opciones para estimar el
potencial de EvapoTranspiración (ET): Hargreaves (Hargreaves y Samani 1985),
Priestley-Taylor (Priestley y Taylor1972) Y Penman-Monteith (Monteith1965) (Arnold y
Fohrer2005). El componente hidrológico de la escorrentía superficial utiliza la fórmula de
Manning para determinar el tiempo de concentración de las cuencas hidrográficas y
considerando tanto por tierra como por el canal de flujo.

SWAT ha sido utilizado por investigadores de todo el mundo para diversas

aplicaciones en pequeñas y grandes cuencas (Srinivasan y Arnold1994; Spruill et al.2000;
Chanasyk et al.2003, Chu y Shirmohammadi2004; Narasimhan y col.2005; Wu y
Johnston2007; Schuol et al.2008; Du et al.2009; Rossi et al.2009). Las ventajas del
modelo SWAT son: cuencas no aforadas se puede modelar, predicción sobre el impacto
relativo de los datos de entrada alternativos (por ejemplo, cambios en las prácticas de
gestión, el clima, la vegetación, etc) sobre la calidad del agua y otras variables de interés
se puede cuantificar.

La calibración y validación del modelo es un factor clave para reducir la

incertidumbre y el aumento en la capacidad de predicción, convirtiéndole en un
modelo más eficaz para análisis de información (White y Chaubey 2005). Por lo tanto,
la calibración hidrológica es el primer paso en la comprensión del complejo proceso

12
hidrogeológica de la cuenca, su análisis de sensibilidad de los parámetros del modelo
ayuda a comprender el comportamiento de la respuesta de la cuenca y sus
interacciones (Jha 2011).

2.7.2 Calibración del modelo SWAT

Beven y Binley, 1992, consideran que es difícil calibrar manualmente un modelo

distribuido en el que hay numerosos parámetros que influyen en una respuesta hidrológica
simulada. El algoritmo SUFI-2 (The Sequential Uncertainty FItting ver. 2), que se
encuentra dentro del programa SWAT-CUP (SWAT – Calibration Uncertainly Procedures),
se utilizó para asistir el análisis de calibración del modelo SWAT (Abbaspour et al., 2004,
2007). En comparación con las técnicas similares, tales como la estimación de la
Probabilidad de Incertidumbre Generlizada (GLUE) (Beven y Bin- Ley, 1992), Solución de
parámetros (ParaSol) (van Griensven y Meixner, 2006), y los métodos de inferencia
bayesiana (Kuczera y Parent, 1998), SUFI-2 requiere un menor número de simulaciones
para lograr el mismo nivel de rendimiento (Yang et al., 2008).

Los modelos hidrológicos no pueden evitar incertidumbres originadas a partir de

datos de entrada, parámetros y la estructura de los modelos (Abbaspour et al, 2007). El
objetivo de SUFI-2 es incluir la mayor parte de los datos medidos con las posibles bandas
de incertidumbre más pequeñas. El proceso de calibración para ajustar los valores de los
parámetros incluye varios pasos: (1) definir la función objetivo, (2) definir el rango inicial
de los parámetros, (3) realizar el análisis de sensibilidad (opcional, pero muy
recomendable); (4) emplear el método Latin Hypercube (Abbaspour et al, 2007) de los
parámetros, el número común de combinaciones de parámetros es N = 500-1000, (5)
ejecutar las simulaciones N veces y guardar las variables de salida simuladas, (6) el
cálculo de la función objetivo, (7) calcular las métricas a finales de incertidumbre y (8)
ajustar el rango de los parámetros y repetir desde el paso '' 1'', de esta manera, se
obtiene el rango óptimo de los parámetros para la simulación posterior.

SUFI - 2 comienza asumiendo una gran incertidumbre de los parámetros (dentro

de una gama físicamente significativa), de modo que los datos medidos inicialmente se
están en el 95PPU, luego disminuye esta incertidumbre en los siguientes pasos
controlando el factor P y el factor R (d). Los intervalos de los parámetros se actualizan
mediante el cálculo de la matriz de sensibilidad (Jacobiana) y equivalente de una matriz de
Hesse, seguido por el cálculo de la matriz de covarianza, el 95 % de los intervalos de
confianza de los parámetros, y la matriz de correlación. Los parámetros se actualizan a
continuación de tal forma que los nuevos rangos son siempre más pequeños que los
rangos anteriores, y se centran en la mejor simulación (para más detalles, véase
Abbaspour et al., 2007).

La bondad de ajuste y el grado en el modelo es calibrado para la incertidumbres

13
son evaluados por las dos anteriores medidas. Una situación ideal sería llevar al factor P
alrededor de 100 % y un factor R cercano a cero. Cuando los valores aceptables de factor
R (d) y factor P se alcanzan, las incertidumbres de los parámetros tienen los rangos
deseados. Además, la bondad de ajuste se puede cuantificar por el R2 y / o de Nash-
Sutcliff (NSE) entre las observaciones y los mejores simulaciones finales. NSE es una
estadística normalizada que determina la magnitud relativa de la varianza residual en
comparación con la varianza de los datos medidos (Nash y Sutcliffe 1970). Se indica la
relación 1:1 entre la línea de ajuste de los datos observados y simulados y se calcula
como:

Donde n es el número total de observaciones, Qsimi y Qobsi son las descargas

simuladas y observadas en la i-ésima observación, respectivamente, y Qmean es la media
de los datos observados en el período de simulación. Los valores del NSE oscilan entre - ∞
a 1, donde 1 representa el valor óptimo (ASCE 1993; Gupta et al. 1999 y Moriasi et al.
2007).

14
2.8 Resultados y conclusiones relevantes

La dinámica de cambio de uso del suelo en la cuenca en los periodos 1998 – 2011 y
2011 – 2030 muestra una predominancia de la cobertura de Bosques Densos (ubicados en
la parte media y alta de la cuenca) a través del tiempo. En la parte baja de la cuenca, donde
se encuentra predominantemente la zona de cultivos, se espera un aumento de las zonas
cubiertas por pastos, zonas de regeneración y los cultivos de caña de azúcar y una
reducción en las áreas cubiertas por cafetales.

Al comparar globalmente el comportamiento de los dos escenarios (A2 y A1B)

podemos decir que para el escenario A2 esperamos una disminución drástica de las
precipitaciones promedio en la cuenca (periodo 2012 – 2030) con un aumento paulatino
de la temperatura, mientras que para el escenario A1B se espera un aumento gradual en
las precipitaciones promedio y un aumento gradual de la temperatura (menor que el
escenario A2) en la cuenca para el periodo 2012 – 2030, sin embargo en los dos
escenarios se espera una reducción en el promedio de las precipitaciones en el año 2030
con relación al promedio del año 2011.

Usando proyecciones del modelo climático HadCM3 (escenarios A2 y A1B) para

impulsar las simulaciones hidrológicas distribuidas, los resultados sugieren la posibilidad
de cambios dramáticos en los caudales de la cuenca del río Pejibaye para el año 2030. En
particular se espera un caudal de 24.7m3 en la cuenca para el año 2030, bajo un
escenario A1B, lo que representa una reducción del 25.3% en relación al año 2011. Bajo
un escenario A2, se espera un caudal de 16.6m3 en la cuenca para el año 2030, lo que
representa una reducción del 49.7% en relación al año 2011.

Los parámetros hidrológicos analizados en este estudio se muestran afectados

principalmente por la incidencia del cambio climático que por el cambio en el uso del
suelo en la cuenca.

15
 2.9 Literatura citada

Aaviksoo, K. 1993. Changes of plant cover and land use types (1950's to 1980's) in three
mire reserves and their neighbourhood in Estonia. Landscape Ecology 8(4):287-301.
Abbaspour, K.C. et al., 2007. Modelling hydrology and water quality in the pre- alpine/alpine
Thur watershed using SWAT. J. Hydrol. 333 (2–4), 413–430.
Aguilar, E; Peterson, T; Ramirez, O; Frutos, R; Retana, J; Solera, M. 2005. Changes in
precipitation and temperature extremes in Central America and northern South America,
1961–2003. Journal of Geophysical Research, Vol. 110.
Arnold, J; Williams, J; Nicks A; Sammons, N. 1990. SWRRB: A basin scale simulation model
for soil and water resources management. A&M University Press, College Station, p 255.
Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large área hydrologic
modeling and assessment – Part 1: Model development. J. Am. Water Resour. Assoc. 34
(1), 73–89.
Arnold, J.G; Fohrer, N. 2005. SWAT 2000: Current capabilities and research opportunities
in applied watershed modeling. Hydrol Process. 19 (3), 563–572.
ASCE. 1993. Criteria for evaluation of watershed models. J Irrig Drainage Eng 119(3):429–
442.
Beven, K; Binley, A. 1992. The future of distributed models: model calibration and
uncertainty prediction. Hydrol Process. 6 (3), 279–298.
Bonini, J; Guzmán, E. 2003. Estimación de caudales y sedimentos en la cuenca del río
Chaguana, mediante el modelo matemático AVSWAT (Soil and Water Assessment Tools).
Guayaquil, EC. 43 p.
Brown, DG; Pijanowski, B; Duh, J. 2000. Modeling the relationships between land use and
land cover on private lands in the Upper Midwest, USA. Journal of Environmental
Management 59(4):247-263.
Candela, L; Igel, Wv; Javier Elorza, F; Aronica, G. 2009. Impact assessment of combined
climate and management scenarios on groundwater resources and associated wetland
(Majorca, Spain). Journal of Hydrology (Amsterdam) 376(3/4):510-527.
CEPAL, (Comisión Económica para América Latina y el Caribe). 2011. La economía del cambio
climático en Centroamérica: Reporte técnico 2011. 419 p.
Cervantes, R; Faustino, J; Jiménez, F; Benegas, L. 2009. Principios y criterios para la
cogestión de cuencas hidrográficas en América Tropical. Recursos naturales y ambiente
56(57):59-65.
Chanasyk, DS; Mapfumo, E; Willms, W. 2003. Quantification and simulation of surface runoff
from fescue grassland watersheds. Agr Water Manag 59(2):137–153.
Chereque, W. (1996). Hidrología para estudiantes de ingeniería civil. Lima, CONCYTEC.
Chu, TW; Shirmohammadi, A. 2004. Evaluation of the SWAT model’s hydrology component in
the piedmont physiographic region of Maryland. Trans ASAE 47(4):1057–1073.
Díaz, C., m. Esteller, et al. (2005). Recursos hídricos: Conceptos básicos y estudios de
caso en iberoamérica. Uruguay, Piriguazú Ediciones - CIRA - UAEM.
Du, B; Ji, X; Harmel, RD; Hauck, LM. 2009. Evaluation of a watershed model for estimating
daily flow using limited flow measurements. J Am Water Resour Assoc 45(2):475–484.
Eastman, JR. 2012. Guía para SIG y procesamiento de imágenes. Clark University 17: 321 p.
16
Faustino, J. 2012. Identificación, evaluación y manejo de zonas de recarga hídrica.
Managua, NI. 114 p.
Gassman, P.W., Reyes, M.R., Green, C.H., Arnold, J.G., 2007. The Soil and Water Assessment
Tool: Historical Development, Applications, and Future Research Directions. Center for
Agricultural and Rural Development. Iowa State Univer- sity. Working Paper 07-WP 443.
González, M; Di Prieto, L; González, M; Argerich, M; Castillo, N. s.f. Vulnerabilidad y
adaptación al cambio climático para la gestión y planificación local. 55 p.
Green, WH; Ampt, GA. 1911. Studies on soil physics: Part 1. The flow of air and water
through soils. J Agr Sci 4:11–24.
Guo, H; Hu, Q; Jiang, T. 2008. Annual and seasonal streamflow responses to climate and
land-cover changes in the Poyang Lake basin, China. Journal of Hydrology (Amsterdam)
355(1/4):106-122.
Gupta HV, Sorooshian S, Yapo PO.1999. Status of automatic calibration for hydrologic
models: comparison with multilevel expert calibration. J Hydrologic Eng 4(2):135–143.
Hargreaves GH, Samani ZA (1985) Reference crop evapotranspiration from temperature. Appl
Eng Agric 1 (2):96–99.
ICE. 2009. La importancia del manejo de la cuenca el Río reventazón. Unidad de Manejo de
Cuencas. Biblioteca ICE. CR. (En línea). Consultado el 30 de Enero de 2013. Disponible
en http://www.grupoice.com/esp/ele/manejo_cuencas/biblio/folletos/importan.html
IPCC, (Intergovernanmental Panel on Climate Change). 2002. Cambio climático y
biodiversidad. 85p.
IPCC (Panel Intergubernamental sobre Cambio Climático). 2007a. Cambio Climático. Base de
las ciencias físicas. Resumen para responsables de políticas. Resumen Técnico. Preguntas
frecuentes. Contribución del Grupo de Trabajo 1 al Cuarto Informe de Evaluación. OMM-
UNEP. 153 p.
IPCC.2007b. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of
Working Group II to the Fourth. 345 p.
Jayakrishnan, R; Srinivasan, R; Santhi, C; Arnold, J. 2005. Advances in the application of the
SWAT model for water resources management. Hydrological Processes 19(3):749-762.
Jha, MK. 2011. Evaluating hydrologic response of an agricultural watershed for watershed
analysis. Water 3(2):604-617.
Jiménez, B; Galizia, J. s.f. Diagnóstico del Agua en las Américas (en línea). Distrito Federal,
MX 445 p. Consultado 15 Oct. 2013. Disponible en
http://www.ianas.org/water/book/costa_rica.pdf
Juckem, PF; Hunt, RJ; Anderson, MP; Robertson, DM. 2008. Effects of climate and land
management change on streamflow in the driftless area of Wisconsin. Journal of
Hydrology (Amsterdam) 355(1/4):123-130.
Kamusoko, C; Oono, K; Nakazawa, A; Wada, Y; Nakada, R; Hosokawa, T; Tomimura,
S;Furuya, T; Iwata, A; Moriike, H. 2011. Spatial Simulation Modelling of Future Forest
Cover Change Scenarios in Luangprabang Province, Lao PDR. Forests 2(3):707-729.
Kuczera, G., Parent, E., 1998. Monte Carlo assessment of parameter uncertainty in
conceptual catchment models: the Metropolis algorithm. J. Hydrol. 211 (1–4), 69–85.

17
Kusre, B.C., Baruah, D.C., Bordoloi, P.K., Patra, S.C., 2010. Assesment of hydropower
potential using GIS and hydrological modeling technique in Kopili River basin in Assam
(India). Appl. Energy 87, 298 - 309.
Lambin, E; Turnerb, B; Geista, H; Agbolac, B; Angelsend, A; Brucee, J; Coomesf, O; Dirzog,
R; Fischerh, G; Folkei, C; Georgej, G; Homewoodk, K; Imbernonl, J; Leemansm, R; Lin,
X; Morano, E; Mortimorep, M; Ramakrishnanq, P; Richardsr, J; Steffent, W; Stoneu, G;
Svedinv, U; Veldkampw, T; Vogelx, C; Xuy, J. 2001. The causes of land-use and land-
cover change: moving beyond the myths. 261- 269 p.
Lambin, E; Geist, H. 2006. Land-Use and Land-Cover Change: Local Processes, Global
Impacts, Global Change - The IGBP Series, Berlin. 44 p.
Lavell, A. 2011. Desempacando la adaptación al cambio climático y la gestión del riesgo:
Buscando las relaciones y diferencias: Una crítica y construcción conceptual y
epistemológica. UICN - FLACSO. 45 p.
Lenhart, T; Eckhardt, K; Fohrer, N; Frede, HG. 2002. Comparison of two different approaches
of sensitivity analysis. Phys Chem Earth 27:645–654.
Li, Z; Liu, W; Zhang, X; Zheng, F. 2009. Impacts of land use change and climate variability
on hydrology in an agricultural catchment on the Loess Plateau of China. Journal of
Hydrology (Amsterdam) 377(1/2):35-42.
Mango, L; Melesse, A; McClain, M; Gann, D; Setegn, S. 2011. Land use and climate change
impacts on the hydrology of the upper Mara River Basin, Kenya: results of a modeling
study to support better resource management. Hydrol. Earth Syst. Sci 15:2245-2258.
Mas, J; Sandoval, F. 2011. Modelacion de los cambios de coberturas/uso del suelo en una
region tropical de Mexico. GeoTropico, 5 (1), Articulo 1: pp. 1-24.
Mattos, S; Gutierrez, L; Parodi, G; Damiano, F. 2010. Análisis De Amenaza Por Inundación En
Área Urbana Empleando Modelos Hidrodinámicos Y Herramientas Sig. Buenos Aires,
Argentina. 45 p.
Miller, SN; Semmens, DJ; Goodrich, DC; Hernandez, M; Miller, RC; Kepner, WG; Guertin, DP.
2007. The automated geospatial watershed assessment tool. Environmental Modelling &
Software 22(3):365-377.
Monteith, JL. 1965. Evaporation and the environment. In: The state and movement of water
in living organisms, XIXth Symposium of the Society for Experimental Biology. Cambridge
University Press. pp 205–234.
Mora, S. and R. Valverde (2005). Geología: Procesos de la dinámica interna y externa.
Cartago, Editorial Tecnológica de Costa Rica.
Moriasi, DN; Arnold, JG; Van Liew, MW; Binger, RL; Harmel RD; Veith, T. 2007. Model
evaluation guidelines for systematic quantification of accuracy in watershed simulations.
Trans ASABE 50(3):885–900.
Narasimhan, B; Srinivasan, R; Arnold, JG; Di Luzio, M. 2005. Estimation of long-term soil
moisture using a distributed parameter hydrologic model and verification using remotely
sensed data. Trans ASAE 48 (3):1101–1113.
Nash, JE; Sutcliffe, JV. 1970. River flow forecasting through conceptual models: Part I. A
discussion of principles. J Hydrol 10(3):282–290

18
Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Srinivasan, R., Williams, J.R., 2005a. Soil and Water
Assessment Tool Input/Output File Documentation. Verison 2005. Blackland Research
Center, Texas Agricultural Experiment Sataion, Temple, Texas.
Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams, J.R., 2005b. Soil and Water Assessment Tool
Theoretical Documentation Verison 2005. Blackland Research Center, Texas
Agricultural Experiment Sataion, Temple, Texas.
Notter, B; MacMillan, L; Viviroli, D; Weingartner, R; Liniger, HP. 2007. Impacts of
environmental change on water resources in the Mt. Kenya region. Journal of Hydrology
(Amsterdam) 343(3/4):266-278.
ONU-AGUA. 2010. Climate change adaptation: The pivotal role of water (en línea). UN-
WATER. p. 16 p. Consultado 1 sep. 2013. Disponible en
http://www.unwater.org/documents.html
Ozah, AP; Dami, A; Adesina, FA. 2012. A Deterministic Cellular Automata Model for
Simulating Rural Land Use Dynamics: A Case Study of Lake Chad Basin. Journal of Earth
Science and Engineering 2(1):22-34.
Paegelow, M; Camacho, M; Menor, J. 2003. Cadenas de Markov, evaluación multicriterio y
evaluación multiobjetivo para la modelización prospectiva del paisaje. Geofocus 3:22-44.
Priestley CHB, Taylor RJ (1972) On the assessment of surface heat flux and evaporation
using large-scale parameters. Mon Weather Rev 100:81–92.
Proaño, M; Gavilanes, M; Valenzuela, P; Cisneros, C. 2006. Aplicación Del Modelo Swat En La
Subcuenca Del Río Ambato: Proyecto Cuencas Andinas – CODESAN - GTZ. Quito,
Ecuador. 44 p.
Prochnow, S.J., White, J.D., Scott, T., Filstrup, C.D., 2008. Multi-scenario simulation analysis
in prioritizing management options for an impacted watershed system. Ecohydrology
Hydrobiology 8, 3e15.
Rossi, CG; Srinivasan, R; Jirayoot, K; Le Due, T. 2009. Hydrologic evaluation of the lower
Mekong River basin with the Soil and Water Assessment Tool model. Int Agric Eng J
18(1–2):1–13.
Ruiz Benito, P; Cuevas, JA; Bravo de la Parra, R; Garcia del Barrio, JM; Zavala, MA.
2010.Land use change in a Mediterranean metropolitan region and its periphery:
assessment of conservation policies through CORINE Land Cover data and Markov
models. Forest Systems 19(3):315-328.
Schaldach, R & Priess, J. 2008. Integrated Models of the Land System: A Review of Modelling
Approaches on the Regional to Global Scale. ISSN. 34 p.
Schilling, KE; Jha, MK; Zhang, YK; Gassman, PW; Wolter, CF. 2008. Impact of land use and
land cover change on the water balance of a large agricultural watershed: historical
effects and future directions. Water. Resour. Res. 44, 1e12.
Schilling, K; Wolter, C. 2009. Modeling nitrate-nitrogen load reduction strategies for the Des
Moines River, Iowa using SWAT. J. Environ. Manage. 44, 671e682.
Schuol, J; Abbaspour, KC; Srinivasan, R; Yang, H. 2008. Estimation of freshwater availability
in the West African sub-continent using the SWAT hydrologic model. J Hydrol 352(1–
2):30–49.

19
Shen, Z; Gong, Y; Li, Y; Hong, Q; Xu, L; Liu, R. 2009. A comparison of WEPP and SWAT for
modeling soil erosion of the Zhangjiachong watershed in the three Gorges reservoir area.
Ag Water Mgmt 96, 1435e1442.
Solis, H; Oreamundo, R; Murrillo, W; Chacon, J. 1993. Modelación hidrológica e hidráulica
para el control de inundaciones en centroamérica. CATIE, Costa Rica.
Soares-Filho, B; Alencar, A; Nepstad, D; Cerqueira, G; Diaz, V; del Carmen, M; Rivero, S;
Solórzano, L; Voll, E. 2004. Simulating the response of land‐cover changes to road paving
and governance along a major Amazon highway: the Santarém–Cuiabá corridor. Global
Change Biology 10(5):745-764.
Spruill, CA; Workman, SR; Taraba, JL. 2000. Simulation of daily and monthly stream
discharge from small watersheds using the SWAT model. Trans ASAE 43(6):1431–1439.
Srinivasan, R; Arnold, JG. 1994. Integration of a basin-scale water quality model with GIS.
Water Resour Bull Am Water Resour Assoc 30(3):453–46.
Stone, M; Hotchkiss, R; Hubbard, C; Fontaine, T; Mearns, L; Arnold, J. 2001. Impacts of
climate change on Missouri River basin water yield. J. Am. Water Resour. Assoc. 37,
1119e1129.
Teixeira, AMG; Soares-Filho, BS; Freitas, SR; Metzger, JP. 2009. Modeling landscape
dynamics in an Atlantic Rainforest region: implications for conservation. Forest Ecology
and Management 257(4):1219-1230.
Tobón, C., M. Barrionuevo, et al. (2009). Los bosques andinos y el agua. Quito, ECOBONA.
Turner, BL; Meyer, WB. 1991. Land use and land cover in global environmental change:
Considerations for study. International Social Science Journal 43(4):669-79.
Van Griensven, A., Meixner, T., 2006. Methods to quantify and identify the sources of
uncertainty for river basin water quality models. Water Sci. Technol. 53 (1), 51–59.
Villón, M. (2004). Hidrología. Cartago, Editorial Tecnológica de Costa Rica.
Weng, Q. 2002. Land use change analysis in the Zhujiang Delta of China using satellite
remote sensing, GIS and stochastic modelling. Journal of Environmental Management
64(3):273-284.
White, KL; Chaubey, I. 2005. Sensitivity analysis, calibration, and validations for a multisite
and multivariable SWAT model. JAWRA Journal of the American Water Resources
Association 41(5):1077-1089.
Williams, JR; Jones, CA; Dyke, PT. 1984. A modelling approach to determine the relationship
between erosion and soil productivity. Trans ASAE 27(1):219–144.
Williams, JR; Nicks, AD; Arnold, JG. 1985. Simulator for water resources in rural basins. J
Hydrol Engr 111 (6):970–986.
Wilson, JP; Mitasova, H; Wright, DJ. 2000. Water resource applications of geographic
information systems. Urisa Journal 12(2):61-79.
Wu, K; Johnston, CA. 2007. Hydrologic response to climatic variability in a Great Lakes
Watershed: a case study with the SWAT model. J Hydrol 337:187–199.
Yang, J., Reichert, P., Abbaspour, K.C., Xia, J., Yang, H., 2008. Comparing uncertainty
analysis techniques for a SWAT application to the Chaohe Basin in China. J. Hydrol. 358
(1–2), 1-23.

20
3. ARTICULO: ESTIMACIÓN DE LOS EFECTOS DEL CAMBIO
CLIMÁTICO Y EL CAMBIO EN EL USO DEL SUELO EN EL
CAUDAL DE LA CUENCA DEL RÍO PEJIBAYE – COSTA RICA,
MEDIANTE EL MODELO HIDROLÓGICO SWAT.

RESUMEN

Zuleta, C. 2013. Estimación de los efectos del cambio climático y el cambio en el

uso del suelo en el caudal de la cuenca del río Pejibaye – Costa Rica, mediante el
modelo hidrológico SWAT. Tesis Mag. Sc. Turrialba, CR. CATIE. 41 p.

En el presente estudio se utilizó el modelo SWAT (Soil and Water Assessment

Tool) para la estimación del caudal al año 2030, ante los efectos del cambio climático y
el cambio del uso del suelo en la cuenca del río Pejibaye en Costa Rica. Esta cuenca de
250 km2, cubierta principalmente por bosque denso (80%), es de gran interés para el
sector hidroeléctrico del país, ya que es uno de los principales aportantes del proyecto
hidroeléctrico Angostura. El mapa de uso del suelo para el año 2030 fue estimado
mediante el modelo CA_Markov utilizando los mapas de uso del suelo del año 1998 y
2011, generados a partir de fotos aéreas e imágenes satelitales respectivamente. El
modelo SWAT fue calibrado en dos lugares (Parte Alta y Media – Baja de la cuenca),
mediante SWAT-CUP, con datos mensuales observados de caudal para el periodo 1980
– 2011, obteniéndose una bondad de ajuste del modelo calificada como excelente
(NSE: 0.8; R2: 0.82). Posteriormente, se llevaron a cabo las simulaciones con dos
escenarios de emisiones (A2 y A1B) a partir del modelo de circulación global HadCM3
para el periodo 2012 – 2030 y con dos escenarios de uso del suelo (mapa 2011 y mapa
2030). Todas las combinaciones estimaron un descenso en los caudales para el año
2030 en relación al año 2011 (escenario BASE), las simulaciones con escenarios A2
muestran reducciones más drásticas (-49.7%) en el caudal en comparación a las
simulaciones con escenarios A1B (-25.3%). Estas variaciones en el caudal están
mayormente relacionadas con los cambios en la temperatura y la precipitación, que
con los cambios en el uso del suelo en la cuenca. El alto grado en la incertidumbre de
los modelos de circulación global debe tenerse en cuenta al evaluar los futuros
impactos potenciales y la toma de decisiones sobre las acciones para la adaptación al
cambio climático en la zona. Sin embargo, este es un buen punto de partida para la
planificación y el manejo integrado de la cuenca.

Palabras clave: SWAT, SWAT-CUP, CA_MARKOV, Manejo Integrado de

Cuencas, Cambio Climático, Cambio de Uso del Suelo, Calibración Multi-sitio,
Modelación Hidrológica, Caudal, Pejibaye, Costa Rica.

21
 ABSTRACT

In the present study used the SWAT model (Soil and Water Assessment Tool)
for estimating flow in 2030, in front of the effects of climate change and land use
change in Pejibaye River watershed in Costa Rica. This watershed, of 250 km2, is
mainly dense forest cover (80 %), is of great interest to the country's hydropower
sector, being one of the main contributors to Angostura hydroelectric project. The land
use map for the year 2030 was estimated by the CA_Markov model using the land use
maps of 1998 and 2011, generated from aerial photographs and satellite images,
respectively. The SWAT model was calibrated in two places (Highlands and Media -
Bottom of the watershed) by SWAT-CUP, with observed monthly flow data for the
period 1980-2011, with an efficiency of the adjusted model rated as excellent (NSE :
0.8 , R2: 0.82) . Subsequently, were performed simulations with two emission
scenarios (A2 and A1B) from the HadCM3 global circulation model for the period 2012-
2030 and with two scenarios of land use (Map 2011 and 2030). All combinations
estimated a decrease in flow for the year 2030 compared to 2011 (BASE scenario), the
A2 scenario simulations show drastic reductions (-49.7 %) in flow compared to
simulations with A1B scenarios (-25.3 %). These variations in the flow are mostly
related to changes in temperature and precipitation, with the changes in land use in
the watershed. The high degree of uncertainty in global circulation models should be
considered when evaluating potential future impacts and decisions on actions for
climate change adaptation in the area. However, this is a good starting point for
planning and integrated management of the watershed.

Keywords: SWAT, SWAT-CUP, CA_MARKOV, Integrated Watershed

Management, Climate Change, Land Use, Multi-Site Calibration, Hydrologic Modeling,
Flow, Pejibaye, Costa Rica.

22
3.1 Introducción

Dentro de la gestión integrada de cuencas hidrográficas, la estimación de los

caudales es esencial para evaluar el rendimiento potencial del agua de una cuenca
hidrográfica, para planificar las medidas de conservación de la misma, incluyendo la
recarga de las zonas de agua subterránea y la reducción de la sedimentación y los
riesgos de inundación aguas abajo (Lenhart et al. 2002). La cuenca del río Pejibaye
forma parte del sistema hidrográfico del río Reventazón, tiene una gran importancia
para Costa Rica, aun cuando es pequeña en área (250 km2), debido a que en materia
de caudales (promedio anual: 34 m3/s) es una de las principales aportantes para el
proyecto Hidroeléctrico Angostura, el cual, en combinación con el complejo hidroeléctrico
Cachí – Río Macho producen el 32% de la hidroelectricidad nacional (ICE, 2009). Esto
exige la modelación de la precipitación y los caudales por medio de un modelo
hidrológico calibrado adecuadamente con el fin de proporcionar información
sistemática y coherente sobre la disponibilidad futura de agua en la cuenca.

Los modelos hidrológicos permiten evidenciar de una manera más comprensible

los problemas en la disponibilidad del recurso hídrico en una cuenca, proporcionando
una serie de factores que deben considerarse para el manejo y gestión del recurso
hídrico tanto en el presente como en el futuro. Actualmente existen diversos modelos
hidrológicos, sin embargo, pocos son capaces de analizar diferentes medidas
alternativas que permitan una adecuada gestión del agua en una cuenca y a su vez,
que contribuyan a tomar decisiones para la planificación del recurso hídrico, mediante
la simulación de escenarios climáticos y cambios en el uso del suelo (Notter et al.
2007).

Las predicciones de variación climática son relevantes para una buena

planificación del recurso hídrico (Candela et al. 2009); sin embargo, el comportamiento
futuro de los recursos hídricos en una cuenca debe ser estudiado en base a los efectos
combinados de los cambios del clima y el cambio de uso del suelo (Juckem et al.
2008). Es por esto que, los estudios hidrológicos son un requisito primordial para la
formulación y desarrollo de proyectos sostenibles, de tal manera que pueda
comprenderse la posible variación del recurso hídrico ante la variabilidad climática, el
incremento en la explotación del recurso hídrico, cambios en el uso del suelo, el
crecimiento poblacional y económico, etc., además, deben evaluar los impactos que
puedan generar las diferentes alternativas de manejo en la cuenca, asegurando así, un
efectivo planteamiento de estrategias de adaptación al cambio climático y la gestión
integrada del recurso hídrico.

En el presente estudio se utilizó el modelo hidrológico SWAT (Soil and Water

Assessment Tool) (Arnold y Fohrer 2005; White y Chaubey 2005; Neitsch et al., 2005a,
b; Li et al. 2009; Vigerstol y Aukema, 2011), con el objetivo de estimar los efectos del
cambio climático y los cambios en el uso del suelo en los caudales de la cuenca; de tal
manera que esta información contribuya a la gestión integrada del recurso hídrico;

23
además, de la aplicación y calibración del modelo hidrológico SWAT en la cuenca del
río Pejibaye.

3.2 Materiales y métodos

3.2.1 Área de estudio

La cuenca del río Pejibaye (Figura 1) tiene un área aproximada de 250 km2 y
está ubicada en el cantón Jiménez en la provincia de Cartago, pertenece al sistema de
la Cuenca Alta del Río Reventazón ubicada en la vertiente del caribe de Costa Rica. Con
coordenadas geográficas 9° 38” y 9° 52” N y 83° 38” y 83° 48” O, presenta un rango
altitudinal de va desde los 570 a los 2680 m.s.n.m. y presenta áreas con pendientes
mayores a 60%. Aproximadamente el 80% de la cuenca se encuentra cubierta por
bosque denso (Parque Nacional Tapanti principalmente) y entre los principales usos del
suelo tenemos la caña de azúcar, pastos, café y charrales. La población estimada
dentro de la cuenca es de 3245 habitantes (INEC 2011), donde el 73% está
representado por población rural y el 27% por la población urbana (ICE 2005).

Según Holdridge la vegetación natural de la cuenca se encuentra localizada en

tres zonas de vida, Bosque Muy Húmedo Premontano, Bosque Pluvial Premontano y
Bosque Pluvial Montano Bajo (Mora 1987). Esta cuenca se caracteriza por tener un
promedio anual de precipitación que oscila entre los 2800 y los 8000 mm. En la zona
centrooeste de la cuenca la precipitación puede ser hasta de 9000 mm/año, lo que la
convierte en una de las zonas más lluviosas de Costa Rica por lo que posee un gran
potencial hidroeléctrico con un caudal promedio anual de 34m3/s, y es uno de los
mayores aportantes para el Proyecto Hidroeléctrico Angostura del ICE (Jiménez et al.
2005).

Por esta razón, es de vital importancia conocer cuál sería el comportamiento del
recurso hídrico en esta cuenca ante los efectos del cambio climático y el cambio del
uso del suelo en los próximos años, ya que estos condicionarán la provisión de
recursos hídricos para la generación hidroeléctrica, el consumo humano, el riego de los
cultivos, etc. Es a partir de esta información que se debe tomar decisiones sobre el
manejo y aprovechamiento de los recursos naturales dentro de la cuenca del Río
Pejibaye.

3.3 Procedimiento metodológico

3.3.1 Modelo hidrológico SWAT

SWAT es un modelo hidrológico de base física y distribuida, desarrollado para predecir

los efectos de los cambios en el paisaje las prácticas de gestión en materia de agua,
sedimentos, y los rendimientos químicos agrícolas en una cuenca hidrográfica (Arnold et al.,
24
1998). Además, SWAT es capaz de evaluar los impactos del cambio climático sobre las
respuestas hidrológicas y las actividades agrícolas mediante el ajuste de las variables
climáticas (Arnold y Fohrer, 2005; Neitsch et al., 2005a, b; Vigerstol y Aukema, 2011).

SWAT opera típicamente en un intervalo de tiempo diario para simulaciones a largo

plazo en las cuencas. SWAT representa heterogeneidades espaciales dividiendo una cuenca
en varias subcuencas, luego divide aún más las sub-cuencas en múltiples unidades de
respuesta hidrológica (HRUs). Cada HRU es una combinación de suelo, cubierta vegetal y
pendientes. La cantidad y calidad de agua simulada de cada subcuenca se enrutan y
distribuyen al caudal de salida de la cuenca (Neitsch et al. 2005b).

Desafortunadamente, aún con el uso de datos climáticos medidos, el usuario del

modelo puede esperar algún error, debido a la inexactitud en la toma de los datos
hidrometeorológicos. La medida de estos datos en calibradores individuales es susceptible
a error por varias causas (error humano, error de calibración de dispositivos de toma de
datos), típicamente las estimaciones totales o medias de datos hidrometeorológicos y
sedimentos de un área por períodos de un año o más producen ciertas inexactitudes
relativas al 10% (Neitsch et al., 2005ª, b).

Una de las virtudes del modelo consiste en utilizar mucha información para realizar
una mejor simulación, requiere datos de entrada relativamente fáciles de disponer y permite
estudiar los impactos a largo plazo, sin embargo en los países poco desarrollados, no existe
toda la información para utilizar el modelo correctamente (Mattos et al. 2010).

Entre las ventajas del modelo SWAT tenemos:

• Base física.
• Gran documentación de aplicaciones.
• Emplea datos de entrada relativamente fáciles de conseguir.
• Detalle con respecto a la base de datos de cultivos para la modelización del
crecimiento de los mismos.
• Base de datos de las características de diferentes coberturas de uso de la tierra.
• Estudio a nivel de cuencas.

Las limitaciones de este modelo son:

• No realiza la simulación de eventos subdiarios (p.ej. ocurrencia de una tormenta)
• Realiza la simulación del direccionamiento de pesticidas, uno por vez, a través de la
red de corrientes.
• Los datos de simulación generados para cada URH no se visualizan automáticamente
de manera espacial, ello se ha superado con el uso de herramientas de Sistemas de
Información Geográfica como ArcGis.

25
 Figura 1. Ubicación del área de estudio

DATOS DE ENTRADA DEL MODELO SWAT

3.3.2 Modelo de elevación digital (DEM)

El Modelo de elevación digital (DEM) por sus siglas en inglés, es una de las principales
entradas del modelo SWAT. El DEM es una matriz de muestreo de elevaciones (Z) que están
espaciados a intervalos regulares en las direcciones X y Y. El DEM del área de estudio (Figura
2) se preparó a partir de una cobertura digital de curvas de nivel con intervalos de 10 metros
a escala 1:25.000 generada por el proyecto TERRA en el año 1998.

3.3.3 Mapa de suelos

El Mapa de suelos de la cuenca del río Pejibaye (Figura 3) fue preparado en base al
mapa de suelos de la cuenca del río Reventazón (PREVDA. 2008), disponible en la Oficina
del Departamento de Estudios del ICE. El suelo juega un papel importante en el modelado
de diferentes procesos hidrológicos como: escorrentía superficial, infiltración, percolación,
flujo lateral sub-superficial, agua disponible para las plantas, etc. En el modelo SWAT, las
diversas propiedades físicas del suelo como la textura del suelo, conductividad hidráulica,
el contenido de carbono orgánico, densidad aparente, contenido de agua disponible, la
profundidad del suelo, etc. deben ser analizados para la simulación, en el presente estudio

26
los parámetros hidrológicos como la conductividad hidráulica y el agua disponible, se
calcularon a partir de la textura y densidad aparente usando el programa SPAW (Soil
Water Characteristics Program), donde, la información mínima necesaria para cada clase
de suelo es la textura y el porcentaje de materia orgánica. Los valores para los demás
parámetros se han obtenido del informe de balance hídrico en las subcuencas de las
partes alta y media del río Reventazón (ProDUS. 2011) y otra literatura disponible.

Figura 2.DEM cuenca del río Pejibaye Figura 3.Suelo cuenca del río Pejibaye

Los principales suelos que se encuentran en la zona de estudio, según PREVDA

(2008), son Inceptisoles los cuales son suelos de desarrollo reciente, profundos, permeables,
de colores oscuros a parduzcos con más de 12 kg de carbono orgánico por m2 y los Ultisoles
que son suelos profundos, arcillosos, moderadamente ácidos, de colores rojizos, muy
susceptibles a la erosión con más de 12 kg de carbono orgánico por m2.

3.3.4 Mapas de uso del suelo

El mapa de uso del suelo es un insumo fundamental para el modelo SWAT. Para
cumplir con los objetivos de este estudio se elaboraron dos mapas de uso del suelo de la
cuenca para años diferentes (1998 y 2011). El primer mapa de uso del suelo de la cuenca
del río Pejibaye (Figura 4) se preparó mediante la fotointerpretación utilizando fotografías
aéreas del Proyecto TERRA del año 1998 a escala 1:40.000. El segundo mapa de uso del
27
suelo de la cuenca del río Pejibaye (Figura 5) se preparó utilizando un mosaico de
imágenes satelitales (RapidEye) del año 2011 con una resolución espacial de 5 metros, las
mismas que fueron proporcionadas por la Universidad de Idaho al CATIE. Para la
generación de estos dos mapas se utilizó la interpretación visual y se utilizó el software
ArcGis (ESRI) versión 10.1 como plataforma para la digitalización de los mapas de uso del
suelo a escala 1:10.000, posteriormente la información del mapa de uso del suelo del año
2011 fue validada in situ para corroborar y verificar los cambios aproximados al 2011.
Siete clases de uso del suelo se identificaron para los dos mapas de uso del suelo (Tabla
1). La principal (y más dominante) categoría de uso del suelo para los dos mapas de la
cuenca es el Bosque denso, y representa aproximadamente el 82.23% y el 82,33% de la
superficie total de la cuenca, respectivamente.

Tabla 1. Categorías de uso de suelo en la cuenca del río Pejibaye años 1998 y 2011.

USO DESCRIPCIÓN* USO SWAT % 1998 %2011

Bosque La vegetación cubre el área de FRST 82.23 82.3
Denso manera regular, densa y con textura
rugosa. La cobertura de copas tiene
85% o más.
Caña de Áreas con más del 85% de SUGC 4.84 5.37
Azúcar cañaverales como cobertura.
Pastos Áreas con más del 85% de gramíneas PAST 2.23 4.08
como cobertura herbácea.
Regeneración Áreas con una densidad de cobertura RNGB 5.87 5.11
arbórea o arbustiva entre el 5 y 40%.
El estrato horizontal de vegetación
corresponde a herbáceas-gramíneas.
Ríos Red Hídrica APPL 0.28 0.28
Sistemas Áreas mayores a 5 hectáreas, COFF 4.41 2.42
Forestales asociadas con café o frutales con o sin
especies forestales como sombra.
Zona Urbana Áreas pobladas con densidad media a URLD 0.14 0.41
baja.
*Categorías de clasificación de uso a criterio personal en base a FAO (2000) y Gallego (2002).

Según Neitsch et al. (2005ª), debido a que SWAT genera la red hídrica con base al
DEM, los ríos no deben ser codificados como cuerpos de agua (WATR) en las coberturas
de uso del suelo que utilizará el modelo para la simulación. Por esta razón, y tomando en
consideración la amplia experiencia del CIAT en la modelación con SWAT, se clasificó a
estas áreas como Bosques de Galería, los cuales existen en la cuenca en los dos lados del
cauce (verificación en campo), asímismo, de acuerdo a las leyes de conservación

28
ambiental de Costa Rica, estos bosques de galería deben existir y ser conservados en
ambas márgenes de los ríos del país, por lo que estas áreas no sufren cambios
importantes (cobertura y estructura) originados por el hombre a través del tiempo (ICE,
2005).

En ese sentido, se clasificó a la cobertura de Red Hídrica de la cuenca (que

representa el 0.28% del área de la cuenca) como Bosques de Galería y se la codificó para
el modelo SWAT como APPL (Manzana). Según la experiencia y recomendaciones del CIAT
se deben modificar los valores originales de APPL (dentro de la base de datos del modelo
SWAT), en cuanto a las características fisiológicas de la planta, para que así, la cobertura
tenga características similares a las de la cobertura que queremos tener dentro del
modelo, en este caso el Bosque de Galería. Todo esto debido a que el modelo SWAT no
posee una cobertura de uso del suelo, dentro de sus bases de datos, que sea similar a los
Bosques de Galería de los trópicos.

Es así que, se utilizaron las características fisiológicas del Prioria copaifera Grisef
(Árbol de Cativo) que es uno de los arboles más representativos de los bosques de galería
de los trópicos y de Costa Rica principalmente. De acuerdo a esto se modificó, a la
cobertura APPL, dentro de la base de datos de SWAT de la siguiente manera:

• Número de Curva - CN: 48, 68, 79, 83.

• Manning for overland flow – n: 0.07
• Índice de Área Foliar – IAF: 3.14
• Altura del dosel - CANOPY (m): 12
• Temperatura máxima óptima (ºC): 26

29
 Figura 4.Uso del Suelo cuenca del río Figura 5.Uso del Suelo cuenca del río
Pejibaye 1998 Pejibaye 2011

3.3.5 Mapa de uso del suelo proyectado al 2030

A partir de los mapas de uso de suelo de 1998 y del 2011 y mediante el modelo
CA_MARKOV (Idrisi Selva), descrito por Ozah et al. (2012) y Paegelow y Camacho Olmedo
(2005), se generó la matriz de transición para las diferentes categorías de uso del suelo en
la cuenca del río Pejibaye. Para esto se utilizó el componente de las cadenas de markov
con el cual se obtuvo la matriz de transición de áreas y probabilidades (Benito et al. 2010;
Eastman 2012). El modelo de cadenas de markov tiene la capacidad de proyectar las
tendencias de cambio de uso (Fan et al. 2008).

La proyección de uso del suelo para el año 2030 en la cuenca, se realizó mediante
el SIG Idrisi Selva, utilizando los componentes de las cadenas de markov y el cellular
autómata (Modelo CA_MARKOV) (Fan et al. 2008; Ruiz Benito et al. 2010; Kamusoko et al.
2011), utilizando la matriz de transición de áreas y de probabilidades (Fan et al. 2008;
Eastman 2012), las mismas que, pueden predecir los cambios futuros del sistema,
determinando la dirección y la magnitud del cambio, así como la descripción cuantitativa,
facilitando el análisis de los cambios (Tang et al. 2007; Ruiz Benito et al. 2010).

30
 Respecto a la predicción de los cambios en los usos del suelo por parte del modelo
CA_MARKOV (Idrisi Selva), se menciona que tiene una buena precisión con respecto a los
cambios de origen natural con un error entre 1 a 10%, y con respecto a los cambios de
origen antrópico se puede tener un error hasta del 30%, dentro de estos pueden estar
asociados los errores de digitalización e interpretación (Tang et al. 2007).

Para la clasificación de los diferentes usos del suelo en la proyección al año 2030,
se utilizaron las mismas clases que para los mapas de uso del suelo de los años 1998 y
2011, de este modo se evitan confusiones y transiciones de uso que no sean coherentes
cuando se pretende hacer simulaciones futuras de cambios de uso del suelo (Ozah et al.
2012).

3.3.6 Datos climáticos

SWAT requiere de precipitación diaria, la temperatura máxima y mínima del aire,

radiación solar, velocidad del viento y humedad relativa. Los valores para todos estos
parámetros pueden ser leídos de los registros de datos observados o pueden ser
generados. En el presente estudio se utilizaron datos diarios de precipitación y
temperatura máxima y mínima del aire de 4 estaciones meteorológicas ubicadas dentro
de la cuenca del río Pejibaye (Tabla 2 y Tabla 3). Estos datos corresponden a un periodo
de 32 años (1980 – 2011) de los registros del Instituto Costarricense de Electrificación
(ICE). Debido a la limitación en cuanto a la información correspondiente a radiación solar,
velocidad del viento y humedad relativa de las 4 estaciones, se utilizó el generador de
clima del modelo SWAT para simular estos valores (Neitsch et al., 2005a, b).

Además, se obtuvo de los registros de las estaciones hidrometeorológicas del ICE,

información mensual de caudales pertenecientes a 2 estaciones (Tabla 2 y Tabla 3) dentro
de la cuenca. Estos datos corresponden a un periodo de 32 años (1980 – 2011), con la
cual se realizó el proceso de calibración del modelo de la cuenca del río Pejibaye para el
periodo 1980 – 2011.

Tabla 2. Datos Hidrometeorológicos para la Cuenca del río Pejibaye.

ESTACIÓN DATOS AÑOS PERIODO FRECUENCIA

ORIENTE, Precipitación 32 1980 - Diaria
HUMO, TAUS, 2011
DESTIERRO Temperatura Max /Min 32 1980 - Diaria
2011
ORIENTE, Caudales 32 1980 - Mensual
HUMO 2011

31
 Tabla 3. Estaciones Hidrometeorológicas usadas para el estudio de la Cuenca.

ESTACIÓN LATITUD LONGITUD ELEV

(m.s.n.m)
ORIENTE 9.82 -83.7 690
HUMO 9.78 -83.72 750
TAUS 9.73 -83.7 1360
DESTIERRO 9.7 -83.75 2022

Figura 6.Climograma de la Cuenca del río Pejibaye (1980 - 2011) por estaciones.

H: Estación Humo; D: Estación Destierro; T: Estación Taus; O: Estación Oriente; PRO: Precipitación Promedio
Mensual; TMX: Temperatura Máxima; TMN: Temperatura Mínima; TPROM: Temperatura Promedio.

Se muestra en la Figura 6 el climograma de la cuenca del río Pejibaye para el periodo

1980 – 2011, compuesto por los datos de precipitación (mm), temperatura máxima, mínima
y promedio (ºC) para las cuatro estaciones (Humo, Oriente, Taus, Destierro). Se muestran
claramente los meses con más precipitación (Mayo – Noviembre) y los meses con menores
registros de precipitación (Diciembre – Abril). Así mismo, se observa que la estación
Destierro es la que ha recibido mayor cantidad de precipitación a durante todo el periodo. Se
evidencia también que las temperaturas medias (durante este periodo) oscilan entre los 20 y
23ºC.

En la Figura 7 se presenta el mismo patrón en lo que a caudales promedio

observados se refiere (para las estaciones de aforo Oriente y Humo) para el periodo 1980 –
2011, se observa que los meses con mayores caudales (20 – 45 m3) van desde el mes de
32
Mayo al mes de Noviembre y desde el mes de Diciembre al mes de Abril se presentan los
caudales más bajos (10 – 20 m3), concordando con los meses que presentan mayores y
menores registros promedio de precipitación en la Figura 6.

CUDAL PROMEDIO MENSUAL PEJIBAYE 1980 - 2011

45
40
35
CAUDAL (m3)

30
25
20
15
10
5
0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

CAUDAL ORIENTE CAUDAL HUMO

Figura 7. Caudales promedio cuenca del río Pejibaye (1980 - 2011) por estaciones.

3.3.7 Configuración del modelo SWAT

Las capas necesarias de datos espaciales y bases de datos se preparan para correr
el modelo. El DEM se ha utilizado para la configuración de las cuencas hidrográficas y la
parametrización topográfica. La cuenca ha sido dividida en 29 subcuencas de estudio de
modelado con una superficie límite de 24.840 ha. Basado en el uso del suelo único y el
tipo de suelo, las subcuencas se han dividido más a fondo en 357 HRUs para dar cuenta
de la diversidad dentro de cada una de las sub cuencas. En la definición de HRUs, 5ha es
el valor de umbral de uso de la tierra, la pendiente y área de suelo que se han
considerado para ignorar usos menores tierra, la pendiente y tipos de suelo en cada
subcuenca con el fin de evitar la gran cantidad innecesaria de HRUs (Neitsch et al. 2002).

En cuanto a las características actuales de uso del suelo se ha supuesto que son
las mismas del año 2011 (Tabla 4), para la simulación de los escenarios de cambio
climático y cambio de uso del suelo se utilizó el mapa de uso del suelo generado para el
año 2030. Se utilizó el Método de Penman-Monteith (Heuvelmans et al. 2005; Kalin y
Hantush 2006). Para calcular la evapotranspiración potencial (PET), para el índice de
Manning se utilizó un valor de 0.05 y para el contenido inicial de agua en el suelo (FFCB)
se estableció un valor de 0.8. Los primeros 4 años de simulación se han considerado como
33
un periodo de calentamiento para estabilizar el modelo (Srinivasan, R y Arnold, J. 1994).
Para una descripción más detallada del modelo SWAT y su configuración véase Neitsch et al.
(2002).

Tabla 4.Uso del Suelo (2011), Suelo y Pendientes reclasificados para el modelo SWAT.

DESCRIPTION SWAT AREA %

CODE [ha] AREA/WATERSHED
Forest-Mixed FRST 20449.87 82.33
Sugarcane SUGC 1333.08 5.37
Pasture PAST 1014.35 4.08
LANDUSE

Range-Brush RNGB 1269.45 5.11

Apple* APPL 70.52 0.28
Coffee COFF 600.33 2.42
Residential-Low URLD 101.98 0.41
Density
le-p 23.90 0.1
le-so 4780.72 19.25
SOILS

lm-so 19591.57 78.87

Ut-e 136.48 0.55
Ut-fo 306.92 1.24
0-10 1498.40 6.03
10-25 2970.09 11.96
SLOPE

25-35 3475.00 13.99

35-45 3841.36 15.46
>45 13054.74 52.56
*Apple: Bosques Ribereños (Cativo) – Red Hídrica Originalmente

3.3.8 Calibración del modelo SWAT

La calibración del modelo SWAT para la cuenca del río Pejibaye se realizó mediante
el uso del programa de calibración SWAT-CUP (Schuol et al. 2008 y Abbaspour, 2011),
utilizando los registros de caudales observados durante un período de 32 años (1980 –
2011), sin embargo, solamente se emplearon los datos de los caudales mensuales de 28
años (1984 – 2011) para efectos de esta calibración, ya que, los datos correspondientes al
periodo comprendido entre 1980 y 1983 se usaron para el “calentamiento” del modelo
SWAT en la cuenca (Srinivasan, R y Arnold, J. 1994).

En lugar de la identificación de los valores de parámetros absolutos, la

caracterización de los intervalos de parámetros es más importante (Bardossy y Singh,
2008). A partir de los rangos de parámetros iniciales, SUFI-2 es capaz de generar

34
combinaciones de parámetros diferentes, comparando simulaciones con observaciones, y
la identificación de los rangos de parámetros óptimos. Por otra parte, en lugar de la
calibración de los parámetros del modelo basado en respuestas hidrológicas de una sola
salida en la cuenca, sufi-2 es capaz de simultáneamente calibrar los parámetros sobre la
base de datos distribuidos dentro de una cuenca.

Los parámetros seleccionados en este estudio para el análisis de sensibilidad se

basan en la descripción del área de estudio y la literatura (Heuvelmans et al. 2004, Chu y
Shirmohammadi 2004, Gosain et al. 2006). Los parámetros del modelo fueron ajustados
manualmente por ensayo y error basado en determinados indicadores estadísticos y las
características de la zona de estudio. Los criterios utilizados para evaluar el ajuste
hidrológico fueron el coeficiente de determinación (R2), el índice de eficiencia de Nash-
Sutcliffe (ENS) (Nash y Sutcliffe 1970), el Factor P y el Factor R (d) (Abbaspour et al,
2007).

El coeficiente de determinación es un índice del grado de asociación lineal entre

los valores observados y los simulados. La eficiencia de Nash-Sutcliffe indica qué tan bien
la trama de datos simulados vs observados se encuentra cerca de la línea 1:1. Nash-
Sutcliffe es el coeficiente más comúnmente utilizado en las calibraciones del modelo SWAT
(Gassman et al. 2007), donde el valor óptimo de la eficiencia del modelo es 1. El Factor P
es el porcentaje de los datos medidos dentro de la incertidumbre de predicción del 95%
(95PPU). El 95PPU se calcula en el 2,5% y el 97.5% en niveles de la distribución
acumulada obtenida a través del método del Hipercubo Latino (Abbaspour et al, 2011,
2009, 2007) que elimina el 5% de las malas simulaciones. El Factor R (d) es la relación
entre el espesor medio de la banda 95PPU y la desviación estándar de los datos medidos e
indica la fuerza de la calibración, se representa mediante la amplitud del intervalo de
incertidumbre y tiene que ser lo más pequeña como sea posible, según Abbaspour et al.
(2007, 2009), Schuol et al. (2008a, 2008b), y Yang et al. (2008), para la condición ideal,
el factor P debería tender hacia 1 y el Factor R debe ser cero.

La Tabla 5 presenta los parámetros en orden de sensibilidad y los valores finales

para calibración del modelo en la cuenca para los dos puntos de observación, el primer
punto de observación corresponde a la estación Humo (Cuenca Alta) y el segundo punto
de observación corresponde a la estación Oriente (Cuenca Media - Baja), la calibración se
realiza en su primera instancia en la parte alta de la cuenca, para posteriormente calibrar
la parte baja de la cuenca Zhang et al. (2008), Abbaspour et al. (2007) y Yang et al.
(2008).

35
 Tabla 5.Valores de ajuste de parámetros para calibración del modelo por estaciones.

ESTACION HUMO
Rango
inicial Valor de Ajuste
Sensibilidad Acción* Parámetros Tipo min max
1 V ALPHA_BF *.gw 0 1 0.001286
2 V GW_REVAP *.gw 0.02 0.2 0.066571
3 V CH_N2 *.rte -0.01 0.3 0.026429
4 V ALPHA_BNK *.rte 0 1 0.113571
5 V GWQMN *.gw 0 5000 13.042857
6 R CN2 *.mgt 35 98 0.058429
7 V GW_DELAY *.gw 0 500 101.542854
8 V CH_K2 *.rte -0.01 500 86.785713
SOL_AWC
9 R *.sol 0 1 0.2785
(1)
10 V ESCO *.hru 0 1 0.906
ESTACION ORIENTE
Rango
inicial Valor de Ajuste
Sensibilidad Acción* Parámetros Tipo min max
1 V GW_DELAY *.gw 0 500 30.209999
2 V CH_K2 *.rte -0.01 500 91.849998
3 V CH_N2 *.rte -0.01 0.3 0.05245
4 V GW_REVAP *.gw 0.02 0.2 0.1946
5 V ALPHA_BF *.gw 0 1 0.6143
6 R CN2 *.mgt 35 98 0.0693
SOL_AWC
7 R *.sol 0 1 0.2596
(1)
8 V GWQMN *.gw 0 5000 0.122
9 V ESCO *.hru 0 1 0.905
10 V ALPHA_BNK *.rte 0 1 0.923
*R: Multiplicar por…
*V: Reemplazar valor por..

ALPHA_BF: factor alfa de caudal base (días); ALPHA_BNK: factor alfa del caudal base para
el almacenamiento (días); CH_K2: conductividad hidráulica efectiva al canal principal (mm / h);
CH_N2: valor de índice de Manning para el canal principal; CN2: SCS número de curva para
escorrentía en condiciones de humedad; ; ESCO: Factor de compensación de la evaporación del
suelo; GW_DELAY: tiempo de retardo de aguas subterráneas (días); GWQMN: Umbral de
profundidad de agua en el acuífero superficial requerida para que el flujo de retorno que se
produzca (mm); REVAP: Profundidad del Umbral de agua en el acuífero superficial o percolación;
SOL_AWC: La capacidad disponible de agua en la capa de suelo (mm).
36
 3.3.9 Escenarios de cambio climático para el modelo SWAT

El acoplamiento entre los Modelos Climáticos Globales (GCM) y los modelos

hidrológicos puede utilizarse para estimar los impactos del cambio climático sobre los
recursos hídricos de una cuenca (Zhang et al., 2011). Para este estudio se utilizaron los
datos de cambio climático (precipitación (%) y temperatura (media)) a nivel de la cuenca
del río Pejibaye correspondientes al GCM HadCM3 (Gordon et al. 2000; Jones et al.
2004), ya que es uno de los GCM que mejor predice la variabilidad climática en Costa
Rica (IPCC 2002, 2007a, 2007b; IMN 2008, 2012; CEPAL 2011).

Se emplearon las familias de escenarios A2 (Emisiones altas de GEI) y A1B

(Emisiones medias de GEI). Los escenarios A2 describen un mundo heterogéneo,
autosuficiente y que mantiene las identidades locales, las tasas de crecimiento de
población convergen lentamente, lo cual resulta en un elevado crecimiento de la
poblacional. El crecimiento económico per cápita es más lento y fragmentado que en
otras familias (IPCC 2002). Los escenarios A1B representan un mundo con un uso
equilibrado de los combustibles fósiles y no fósil como fuente de energía principal (IPCC
2002).

Se procesó la información meteorológica de la cuenca (recopilada por las

estaciones meteorológicas del ICE para el periodo 1980 – 2011) utilizando las anomalías
mensuales de los escenarios A2 y A1B para el periodo comprendido entre los años 2012
al 2030 con base a los registros de clima (1961 – 1990), información que se recopiló de
www.climatewizard.org (TNC 2009). Los datos finales se obtuvieron mediante la
multiplicación de la precipitación diaria con el porcentaje de variación y a la temperatura
máxima y mínima diaria se le sumó el incremento predicho en las anomalías para cada
uno de los escenarios. A partir de la información climática generada para el año 2030, se
crearon las bases de datos climáticas necesarias para las simulaciones del modelo SWAT
(Neitsch et al. 2005a, 2005b) para los dos escenarios A2 y A1B, en el periodo 2012 –
2030. De esta manera se establecieron 4 simulaciones con el modelo SWAT (Tabla 6)
donde se contemplaron los diferentes escenarios climáticos (A2 y A1B) para el GCM
HadCM3 y el cambio en el uso del suelo en la cuenca del río Pejibaye al año 2030.

Tabla 6.Simulaciones con escenarios de Cambio Climático y Cambio de Uso del Suelo

SIMULACIÓN GCM ESCENARIO CUS

1 HadCM3 A2 Sin CUS*
2 HadCM3 A2 CUS 2030
3 HadCM3 A1B Sin CUS*
4 HadCM3 A1B CUS 2030
*Sin CUS: Se utilizó el mapa de uso del suelo 2011 para la simulación

37
 3.4 Resultados y discusión

3.4.1 Cambio de uso del suelo

En la tabla 7, se muestra los resultados de los cambios de uso del suelo entre el
mapas de uso del suelo del año 1998 y el año 2011 generados a partir de la
interpretación de fotos aéreas e imágenes satelitales respectivamente, determinándose
para el año de 1998 una dominancia del Bosque Denso (82.23%) seguida por las zonas
en Regeneración (5.87%), la Caña de Azúcar (4.84%) , los Sistemas Forestales – Café
(4.41%) y por debajo de estos porcentajes los demás usos. Para el año 2011, se
mantiene una dominancia de uso de suelo con el Bosque Denso (82.33%), seguida de la
Caña de Azúcar (5.37%), luego por las zonas en Regeneración (5.11%), los Pastos
(4.08%) por último los Sistemas Forestales – Café (2.42%) y por debajo de estos
porcentajes los demás usos.

Tabla 7. Cambio de Uso del Suelo periodo 1998 - 2011.

1998 2011 Tasa de Tasa

Cambio Anual
USO % Ha % Ha Ha % Ha (x año)
Bosque 82.23 20425.53 82.33 20449.87 24.34 0.12 1.87
Denso
Caña 4.84 1202.84 5.37 1333.08 130.24 10.83 10.01
de Azúcar
Pastos 2.23 553.81 4.08 1014.35 460.54 86.16 35.38
Regeneración 5.87 1457.57 5.11 1269.45 -188.12 -12.91 -14.47
Ríos 0.28 70.51 0.28 70.52 0.00 0.00 0.00
Sistemas 4.41 1095.07 2.42 600.33 -494.74 -45.18 -38.06
Forestales
Zona 0.14 34.25 0.41 101.98 67.74 197.79 5.21
Urbana

Por lo tanto, las áreas que mostraron mayores cambios con respecto al año 1998,
fueron: Los Pastos con un aumento del 86.16% (460.54 Ha) lo que representa un
aumento anual de 35.38 Ha, los Sistemas Forestales – Café con una disminución del
45.18% (-494.74Ha) lo que representa una disminución anual de 38.06 Ha, las zonas de
Regeneración con una disminución del 12.91% (-188.12 Ha), en lo que respecta la Zona
Urbana 197.79% (67.74 Ha), la Caña de Azúcar con un aumento del 10.83% (130.24 Ha)
lo que representa un aumento de 10.01 Ha al año y el Bosque Denso con un aumento del
0.12% (24.34Ha).

La predominancia de la cobertura de Bosque Denso (82.23% y 82.33%) y las

zonas en Regeneración (5.87% - 5.11%) en la cuenca durante el periodo 1998 – 2011,

38
 puede explicarse gracias a las políticas de conservación de la vegetación natural de Costa
Rica y los incentivos económicos por parte de instituciones como el ICE y programas
como FONAFIFO para conservar los recursos naturales a través de diferentes programas
como el de pagos por servicios ambientales.

Los cambios más significativos en este periodo están ligados a la reducción de las
zonas con Sistemas Forestales (Café principalmente), donde se observa una disminución
del 4.41% para el año 1998 a 2.42% (- 494.74 Ha) para el año 2011, y el aumento en las
áreas de cultivo de Caña de Azúcar y los Pastos, que van de un 4.84% para el año 1998
a un 5.37% (+ 130.24 Ha) en el año 2011 y de un 2.23% en 1998 a 4.08% (+ 460.54
Ha) en el 2011 respectivamente. Esto se puede explicar gracias a la baja de los precios
internacionales del Café y el gradual deterioro en la cantidad y calidad del producto en
este periodo de tiempo, lo que genera mejores beneficios económicos para los
productores por la caña de azúcar en lugar del café en esta área (CATIE, 2011 y Virgilio
E.M., 2011), además, por la proximidad del Ingenio Azucarero de Atirro y la migración
temporal y permanente de los pobladores hacia otras zonas para emplearse en diferentes
actividades. El incremento en las zonas con cobertura de Pastos se explica también
gracias a que la actividad ganadera dentro de la cuenca sigue siendo una de las
principales fuentes de ingresos para los productores (Virgilio E.M., 2011).

3.4.2 Modelación de mapa de uso del suelo para el 2030

En la tabla 8 y la figura 8, se muestran las proyecciones de uso del suelo para el

año 2030, donde se mantiene la predominancia de las zonas de Bosque Denso (79.92%)
y seguida de la Caña de Azúcar (5.78%). Mediante comparaciones entre los mapas de
uso de suelo del año 2011 y 2030 (Tabla 8), los Pastos aumentarán en 295.22 Ha
(29.10%). En cuanto a las zonas de Regeneración se espera un aumento de 153.57 Ha
(12.10%), para los Sistemas Forestales – Café se espera un aumento del 1.44% (8.65
Ha) y para la Zona Urbana, se espera un crecimiento del 39.64% representado por
40.43 Ha.

Tabla 8. Cambio de Uso del Suelo periodo 2011 - 2030.

2011 2030 Tasa de Cambio Tasa Anual

USO % Ha % Ha Ha % Ha (x año)
Bosque 82.33 20449.87 79.92 19848.86 -601.01 -2.94 -33.4
Denso
Caña 5.37 1333.08 5.78 1436.23 103.15 7.74 5.7
de Azúcar
Pastos 4.08 1014.35 5.27 1309.57 295.22 29.10 16.4
Regeneración 5.11 1269.45 5.73 1423.02 153.57 12.10 8.5
Ríos 0.28 70.52 0.28 70.52 0.00 0.00 0.00

39
Sistemas 2.42 600.33 2.45 608.98 8.65 1.44 0.5
Forestales
Zona 0.41 101.98 0.57 142.41 40.43 39.64 2.5
Urbana

Tabla 9. Probabilidades de transición de uso del suelo esperadas para el 2030.

SF CA BD P R OTR SUM
SF 0.1092 0.3491 0.0416 0.2369 0.2122 0.0511 1
CA 0.1017 0.3577 0.0283 0.2439 0.2055 0.0628 1
BD 0.002 0.0018 0.9931 0.0013 0.0017 0.0001 1
P 0.1109 0.3008 0.0276 0.2912 0.2496 0.0199 1
R 0.1023 0.2646 0.0455 0.265 0.3043 0.0183 1
OTR 0.0001 0.0007 0 0.0001 0.0001 0.999 1

BD: Bosque Denso; CA: Caña de Azúcar; P: Pastos; R: Regeneración; SF: Sistemas Forestales – Café;
OTR: Otros (Zona Urbana y Ríos).

Figura 8. Uso del Suelo proyectado de la cuenca del río Pejibaye al 2030

40
 La tabla 9 muestra las probabilidades de transición para el año 2030, con base a
la información de los mapas de uso de suelo de 1998 y 2011. Se muestra en diagonal las
matrices de probabilidades que indican la persistencia en cuanto a los diferentes uso del
suelo (color celeste); de modo que para el Bosque Denso y Otros (zona urbana y ríos) la
persistencia se presenta en un 0.99 (99%), los Sistemas Forestales – Café en 0.1 (10%),
los Pastos en 0.29 (29%), la Caña de Azúcar con un 0.35 (35%) y las zonas de
Regeneración en 0.30 (30%). Mientras tanto, los otros valores indican las probabilidades
de ganar (FILA) y perder (COLUMNA) superficies en los diferentes usos de suelo; de tal
modo, que, la Caña de Azúcar, los Pastos y las zonas con Regeneración, presentan las
mayores probabilidades de transición para ganar superficies.

Los cambios más significativos en la cobertura de uso del suelo, esperados para el
año 2030, están representados con el aumento de los Pastos, las zonas de Regeneración
y la Caña de Azúcar, con un 29.10%, 12.10% y 7.74% respectivamente, en relación al
año 2011. Se espera además que, la cobertura de Bosque Denso se reduzca en un 2.94%
que podría estar explicada por el aumento en las zonas de pastoreo ya que, según Brown
et al (2000) las actividades ganaderas están relacionado con la reducción de la cobertura
forestal.

El incremento en las zonas con Regeneración y la pérdida de algunas zonas de

Bosque Denso, también pueden estar ligadas a las actividades ganaderas, ya que, según
Pezo e Ibrahim (1996), la ganadería tradicional con pastos sin árboles, en los últimos 30
años, va siendo sustituida paulatinamente por las zonas con pastos con árboles
dispersos (zonas de Regeneración). Estos sistemas son la forma de producción bovina
más común en américa central. Por lo tanto, la regeneración natural de árboles se realiza
con el fin de proporcionar sombra y alimento al ganado, así como para obtener productos
maderables (Pezo e Ibrahim 1996; Esquivel 2005; Velásquez 2005).

La proyección de uso del suelo para el 2030, mediante el modelo CA_MARKOV

(Idrisi Selva), muestran una tendencia en el incremento para las categorías de Pastos,
zonas de Regeneración, Caña de Azúcar, estas transiciones reducen indirectamente la
cobertura de Bosque Denso en 2.94% para los próximos 18 años, teniéndose que en
cuenta que las matrices de cambio continúen con la misma intensidad entre 1998 y 2011.
Según Feldman et al. (2005), Ozah et al. (2012) y Paegelow y Camacho Olmedo (2005),
el modelo CA_MARKOV (siempre y cuando este calibrado) realiza una buena
aproximación de los cambios futuros en el uso del suelo, convirtiéndose en una
importante herramienta para la toma de decisiones en el territorio (Benito et al. 2010).

3.4.3 Calibración del modelo SWAT

El análisis de sensibilidad resultó en la selección de los parámetros que fueron

calibrados en el modelo SWAT para la parte alta y media - baja de la cuenca como se

41
indica en la Tabla 5. Esta tabla muestra los parámetros más sensibles para el caudal
simulado en la cuenca, los cuales se ajustaron a los valores predeterminados de SWAT
para ajustar el modelo simulado con el caudal observado.

El caudal del modelo fue calibrado con una incertidumbre del 10%, en primera
instancia se calibró la parte alta de la cuenca (Figura 9) con los datos mensuales de la
estación de aforo Humo (Tabla 2 y 3), posteriormente, con los datos mensuales de la
estación de aforo Oriente (Tabla 2 y 3) se calibró la parte baja de la cuenca (Figura 10).
Los datos mensuales utilizados para la calibración en la parte alta y baja de la cuenca
corresponden al periodo 1984- 2011 ya que se tomó 4 años (1980 – 1983) para el
calentamiento del modelo SWAT de acuerdo con los criterios de Srinivasan, R y Arnold,
J. (1994).

Después de ajustar los parámetros para la calibración de los caudales simulados

en el modelo SWAT, se obtuvo para la cuenca alta del río Pejibaye (Estación Humo) un
R2 = 0,69, ENS = 0.63, P factor = 0.61 y R factor = 0.3 (Figura 11). Posteriormente
para la cuenca media baja del río Pejibaye (Estación Oriente) se obtuvo un R2= 0.82,
ENS= 0.80, P factor = 0.6 y R factor = 0.1 (Figura 12). Según Shanti et al. (2001),
Moriasi et al. (2007), Abbaspour et al. (2007, 2009), Schuol et al. (2008a, 2008b), y Yang
et al. (2008), un R2 mayor o igual a 0.60 y un ENS mayor o igual a 0.60 con valores
mensuales de datos observados (caudales), representan una bondad de ajuste buena,
por otro lado, un R2 mayor o igual a 0.75 y un ENS mayor o igual a 0.75 con valores
mensuales de datos observados (caudales), representan una bondad de ajuste excelente.

Para la simulación mensual, en general, el caudal simulado se adapta muy bien

con los valores observados. La eficiencia de Nash y el coeficiente de correlación son
valores que demuestran un muy buen ajuste para el período de análisis, lo que
demuestra la gran capacidad que tiene el modelo en predecir los valores promedios
mensuales de caudal, se evidencia también que SWAT-CUP es práctico y fiable al ser
utilizado para la calibración y análisis de la incertidumbre de modelos de cuencas
(Abbaspour et al. 2007, 2009, 2011).

Los resultados sugieren la importancia de la calibración de múltiples sitios. Sin

esto, la variación espacial dentro de la cuenca se oculta (Takken et al., 1999), lo que
sugiere la importancia de recopilar datos espacialmente distribuidos (cuando estén
disponibles) para llevar a cabo la calibración de múltiples sitios en la cuenca (Zhang et
al., 2008).

42
 Figura 9. Calibración de caudales en la cuenca alta (Est. Humo) del río Pejibaye.

CAUDAL (m3)

OBSERVACIONES

Figura 10. Calibración de caudales cuenca media-baja (Est. Oriente) del río Pejibaye.
CAUDAL (m3)

OBSERVACIONES

43
 Figura 11. Caudales Simulados vs. Observados en la cuenca alta del río Pejibaye.

Figura 12. Caudales Simulados vs. Observados. Cuenca media - baja del río Pejibaye.

44
 3.4.4 Efectos del cambio climático y el cambio de uso del suelo en los
caudales de la cuenca del río Pejibaye al 2030

La figura 13, muestra la proyección de la precipitación promedio diaria y la

temperatura media diaria por estación en la cuenca del río Pejibaye para el año 2030 con
relación al año 2011, mediante el análisis de las anomalías del GCM HadCM3 (Gordon et
al. 2000; Jones et al. 2004) con escenarios de las familias A2 (Emisiones altas de GEI) y
A1B (Emisiones medias de GEI) según el IPCC (2002).

Figura 13. Proyección de precipitación promedio diaria (mm) y temperatura media diaria (ºC)
según GCM HadCM3 al 2030.
30

25

20

15

10

Promedio de HUMO Promedio de DESTIERRO Promedio de TAUS Promedio de ORIENTE

A

25
24.5
24
23.5
23
22.5
22
21.5
21
20.5
20

Promedio de ORIENTE Promedio de TAUS

Promedio de HUMO Promedio de DESTIERRO
B

45
40
35
30
25
20
15
10
5
0

Promedio de HUMO Promedio de DESTIERRO Promedio de TAUS Promedio de ORIENTE

C
24
23.5
23
22.5
22
21.5
21
20.5
20

Promedio de ORIENTE Promedio de TAUS

Promedio de HUMO Promedio de DESTIERRO
D
A: Escenario A2, Precipitación promedio diaria por año por estación (mm)
B: Escenario A2, Temperatura media diaria por año por estación (ºC)
C: Escenario A1B, Precipitación promedio diaria por año por estación (mm)
D: Escenario A1B, Temperatura media diaria por año por estación (ºC)

En cuanto al escenario A2, el patrón observado muestra una reducción de la

precipitación promedio diaria anual en el periodo 2012 – 2018, posteriormente se observa
un incremento en el promedio en el periodo 2019 – 2021 con un pico máximo (año 2020)
de 27.3 mm diarios (Estación Destierro), a partir del año 2022 se muestra un descenso
paulatino en los promedios hasta llegar al año 2030 donde se espera una disminución del
47.1% en el promedio diario de precipitación a nivel de la cuenca con relación al año
2011. Para la temperatura, el patrón muestra un incremento paulatino en el periodo 2012
– 2030, esperándose un aumento de 2.9ºC en la temperatura media diaria de la cuenca
con relación al año 2011.

46
 Para el escenario A1B, el patrón observado muestra un incremento gradual en la
precipitación promedio diaria anual en el periodo 2012 – 2021, donde, el pico máximo
(año 2021) es de 37.2 mm diarios (Estación Destierro) y un promedio diario anual a nivel
de cuenca de 19.5 mm diarios. A partir del año 2022, el patrón muestra un descenso
paulatino en los promedios hasta llegar al año 2030 donde se espera una disminución del
23.3% en el promedio diario de precipitación a nivel de la cuenca en relación al año
2011. Para la temperatura, el patrón muestra un incremento paulatino en el periodo 2012
– 2030, esperándose un aumento de 2.1ºC en la temperatura media diaria de la cuenca
con relación al año 2011.

Al comparar globalmente el comportamiento de los dos escenarios (A2 y A1B)

podemos decir que para el escenario A2 esperamos una disminución drástica de las
precipitaciones promedio en la cuenca con un aumento de la temperatura paulatino,
mientras que para el escenario A1B se espera un aumento gradual en las precipitaciones
promedio y un aumento gradual de la temperatura (menor que el escenario A2) en la
cuenca para el periodo 2012 – 2030, sin embargo en los dos escenarios se espera una
reducción en el promedio de las precipitaciones en el año 2030 con relación al promedio
del año 2011.

En la figura 14, se muestran los resultados de la modelación de caudal en la

cuenca del río Pejibaye usando el modelo SWAT calibrado para el escenario BASE (año
2011, sin cambio climático) con proyecciones de cambio climático estimado por el GCM
HadCM3 para escenarios A2 y A1B que estiman las variaciones del clima para el año 2030
(temperatura y precipitación); así mismo, se utilizó la cobertura de uso del suelo del año
2011 como escenario BASE donde se asume que no existió cambio de uso del suelo y el
mapa de uso del suelo del año 2030, mismo que fue obtenido a partir de la modelación
de los mapas de uso de suelo de 1998 y 2011 mediante el modelo CA_MARKOV del
programa IDRISI SELVA.

El patrón observado en los caudales promedio anuales simulados en SWAT, para

el periodo 2012- 2030, con un escenario de cambio climático A1B (pcp, tmp), muestra un
incremento paulatino en el promedio anual en el periodo 2012 – 2023 alcanzando un pico
máximo (año 2021) de 48.6 m3, a partir del año 2024 se muestra un descenso en los
promedios hasta el año 2030 donde se espera una disminución del 25.3% en relación al
año 2011 lo que representa un caudal promedio al año 2030 de 24.7m3. Así mismo, se
muestra dentro del patrón de las simulaciones, que tanto el escenario con cambio de uso
del suelo (mapa 2030) como el escenario sin cambio de uso del suelo (mapa 2011) tienen
valores promedio de caudal similares para todos los años dentro de las simulaciones con
el modelo SWAT.

47
 Figura 14. Proyección de caudal promedio anual (m3) según GCM HadCM3 al 2030.

50
45
40
35
30
25
20
15
10
5
0

Promedio de A1B Promedio de A1B_CUS Promedio de A2 Promedio de A2_CUS

Promedio A1B: Escenario A1B (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
Promedio A1B_CUS: Escenario A1B (pcp, tmp) con cambio de uso del suelo (mapa 2030).
Promedio A2: Escenario A2 (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
Promedio A2_CUS: Escenario A2 (pcp, tmp) con cambio de uso del suelo (mapa 2030).

El patrón observado en los caudales promedio anuales simulados en SWAT, para

el periodo 2012- 2030, con un escenario de cambio climático A2 (pcp, tmp), muestra un
decrecimiento paulatino en el promedio anual en el periodo 2012 – 2018 alcanzando un
pico mínimo (año 2018) de 14.1 m3, a partir del año 2019 se muestra un aumento en los
promedios hasta el año 2020 alcanzando un pico máximo (año 2020) de 29.9 m3 , a
partir del año 2021 se evidencia nuevamente una reducción en los promedios de los
caudales hasta llegar al año 2030, donde se espera una disminución del 49.7% en
relación al año 2011 lo que representa un caudal promedio al año 2030 de 16.6m3. Así
mismo, se muestra dentro del patrón de las simulaciones, que tanto el escenario con
cambio de uso del suelo (mapa 2030) como el escenario sin cambio de uso del suelo
(mapa 2011) tienen valores promedio de caudal similares para todos los años dentro de
las simulaciones con el modelo SWAT.

En la figura 15, se muestran los resultados de la modelación mensual de caudal

en la cuenca del río Pejibaye usando el modelo SWAT calibrado para el escenario BASE
(año 2011, sin cambio climático) con proyecciones de cambio climático estimado por el
GCM HadCM3 para escenarios A2 y A1B que estiman las variaciones del clima para el año
2030 (temperatura y precipitación); así mismo, se utilizó la cobertura de uso del suelo del
año 2011 como escenario BASE donde se asume que no existió cambio de uso del suelo y
48
el mapa de uso del suelo del año 2030 para las simulaciones con cambio de uso del
suelo.

Figura 15. Caudal promedio mensual (m3) HadCM3 al 2030 vs. Escenario BASE (2011).

70
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12

Promedio de BASE (2011) Promedio de A1B Promedio de A1B_CUS

Promedio de A2 Promedio de A2_CUS

Promedio BASE: Escenario calibrado en SWAT (año 2011) uso del suelo (mapa 2011).
Promedio A1B: Escenario A1B (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
Promedio A1B_CUS: Escenario A1B (pcp, tmp) con cambio de uso del suelo (mapa 2030).
Promedio A2: Escenario A2 (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
Promedio A2_CUS: Escenario A2 (pcp, tmp) con cambio de uso del suelo (mapa 2030).

El patrón observado en los caudales promedio mensuales simulados en SWAT,

para el año 2030 en relación al año 2011 (año BASE), denota una disminución en los
caudales promedios mensuales para los dos escenarios (A2 y A1B) en relación a los del
año BASE (2011), salvo ciertos meses en los cuales los caudales promedio de los
escenarios A2 y A1B exceden a los del año BASE, tal es el caso del mes de marzo y el
mes de noviembre para el escenario A1B con caudales promedio de 33 m3 y 62m3
respectivamente en relación al mes de marzo y noviembre del año BASE con 23.7m3 y
35.4m3 respectivamente. Para el escenario A2, solamente en el mes de mayo (2030) se
observa un incremento en el caudal promedio en relación al año BASE (2011) con 55.9m3
y 30.7m3 respectivamente.

Por lo tanto, para el año 2030 se espera para el escenario A1B una disminución
del 25.3% en relación al año 2011 lo que representa un caudal promedio al año 2030 de
24.7m3. Para el escenario A2, se espera una disminución del 49.7% en relación al año
2011 lo que representa un caudal promedio al año 2030 de 16.6m3. Nuevamente, se
muestra dentro del patrón de las simulaciones, que tanto en los escenarios con cambio
de uso del suelo (mapa 2030) como en los escenarios sin cambio de uso del suelo (mapa
2011) tienen valores mensuales promedio de caudal similares para todos los meses
dentro de las simulaciones con el modelo SWAT.
49
 En la figura 16, se muestran los resultados de la modelación de caudal promedio
por subcuencas en la cuenca del río Pejibaye usando el modelo SWAT calibrado para el
escenario BASE (año 2011) y las proyecciones de cambio climático estimado por el GCM
HadCM3 (año 2030) para los escenarios A2 y A1B (temperatura y precipitación). Se utilizó
la cobertura de uso del suelo del año 2011 como escenario BASE donde se asume que no
existió cambio de uso del suelo y el mapa de uso del suelo del año 2030 para las
simulaciones con cambio de uso del suelo.

El patrón observado en los caudales promedio por subcuencas simulados en

SWAT para el año 2030 en relación al año 2011 (BASE), denota que los valores promedio
de caudal son similares para los escenarios A2 con cambio de uso del suelo (mapa 2030)
y sin cambio de uso del suelo (mapa 2011) en cada una de las 29 subcuencas simuladas.
Se observa el mismo comportamiento para las simulaciones con el escenario A1B.

Figura 16. Caudal promedio por subcuencas (m3) según GCM HadCM3al 2030 y escenario
BASE (2011) en la cuenca del río Pejibaye.

35
30
25
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

BASE A2 A2_CUS A1B A1B_CUS

BASE: Escenario calibrado en SWAT (año 2011) uso del suelo (mapa 2011).
A1B: Escenario A1B (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
A1B_CUS: Escenario A1B (pcp, tmp) con cambio de uso del suelo (mapa 2030).
A2: Escenario A2 (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
A2_CUS: Escenario A2 (pcp, tmp) con cambio de uso del suelo (mapa 2030).

En cuanto a los caudales simulados para el año 2030 se espera para el escenario
A1B una disminución del 25.3% en relación al año 2011 lo que representa un caudal
promedio al año 2030 de 24.7m3. Para el escenario A2, se espera una disminución del
49.7% en relación al año 2011 lo que representa un caudal promedio al año 2030 de
16.6m3. De esta manera, para el escenario A2, se espera una disminución del 47.1% en
el promedio diario de precipitación a nivel de la cuenca en relación al año 2011 y un
aumento de 4.7ºC en la temperatura media diaria de la cuenca en relación al año 2011.
Para el escenario A1B, se espera una disminución del 23.3% en el promedio diario de
50
precipitación a nivel de la cuenca en relación al año 2011 y un aumento de 3.6ºC en la
temperatura media diaria de la cuenca en relación al año 2011.

En la figura 17 y la tabla 10, se muestran los resultados promedio de la

modelación usando el modelo SWAT calibrado al 2011, con las proyecciones de cambio
climático (precipitación y temperatura) estimadas por el GCM HadCM3para el año 2030,
tanto para el escenario A2 como para el A1B; así mismo, se utilizó el mapa de cobertura
de uso del suelo del 2030 para los escenarios con cambio de uso del suelo y se utilizó el
mapa de uso del suelo del 2011 para los escenarios donde se consideró que no existió
cambios en el uso del suelo.

Tabla 10. Efectos del CC y el CUS en la cuenca del río Pejibaye al 2030.

ESCENARIOS
Sin Cambio de Uso del Suelo (2030)
PARÁMETRO BASE A2 A1B A2 - % A1B - %
2011 BASE BASE
Caudal (m3) 33.07 16.55 24.64 -16.52 -49.97 -8.43 -25.50
Percolación (mm) 1954.41 906.23 1202.29 -1048.17 -53.63 -752.12 -38.48
Escorrentía 360.84 149.57 269.48 -211.27 -58.55 -91.36 -25.32
(mmH2O)
Producción de 3831.68 1821.14 2562.36 -2010.54 -52.47 -1269.32 -33.13
Agua(mmH2O)
Producción de 116.20 66.36 88.88 -49.84 -42.89 -27.33 -23.52
Sedimentos (tons
metric /ha)
Con Cambio de Uso del Suelo (2030)
PARÁMETRO BASE A2 A1B A2 - % A1B - %
2011 BASE BASE
Caudal (m3) 33.07 16.68 24.77 -16.39 -49.57 -8.30 -25.09
Percolación (mm) 1954.41 921.02 1218.15 -1033.39 -52.87 -736.26 -37.67
Escorrentía 360.84 157.86 282.07 -202.97 -56.25 -78.76 -21.83
(mmH2O)
Producción de 3831.68 1843.21 2582.88 -1988.48 -51.90 -1248.80 -32.59
Agua(mmH2O)
Producción de 116.20 69.58 95.04 -46.62 -40.12 -21.17 -18.21
Sedimentos (tons
metric/ha)

51
 Figura 17. Efectos del CC y el CUS en la cuenca del río Pejibaye al 2030.

A1B (CUS) 24.77 A1B (CUS) 1218.15

A2 (CUS) 16.68 A2 (CUS) 921.02

A1B (SIN CUS) 24.64 A1B (SIN CUS) 1202.29

A2 (SIN CUS) 16.55 A2 (SIN CUS) 906.23

BASE (2011) 33.07 BASE (2011) 1954.41

0 5 10 15 20 25 30 35 0 500 1000 1500 2000

CAUDAL (m3) PERCOLACIÓN (mm)

A1B (CUS) 282.07 A1B (CUS) 2582.88

A2 (CUS) 157.86 A2 (CUS) 1843.21

A1B (SIN CUS) 269.48 A1B (SIN CUS) 2562.36

A2 (SIN CUS) 149.57 A2 (SIN CUS) 1821.14

BASE (2011) 360.84 BASE (2011) 3831.68

0 50 100 150 200 250 300 350 400 0 1000 2000 3000 4000
ESCORRENTÍA (mm H2O) PRODUCCIÓN DE AGUA (mm H2O)

52
 BASE (2011): Escenario Base calibrado en SWAT (año 2011) uso del suelo
(mapa 2011).
A1B (CUS) 95.04 A2 (SIN CUS): Escenario A2 al 2030 (pcp, tmp) sin cambio de uso del suelo
(mapa 2011).
A2 (CUS) 69.58 A1B (SIN CUS): Escenario A1B al 2030 (pcp, tmp) sin cambio de uso del
suelo (mapa 2011).
A2 (CUS): Escenario A2 al 2030 (pcp, tmp) con cambio de uso del suelo
A1B (SIN CUS) 88.88 (mapa 2030).
A1B (CUS): Escenario A1B al 2030 (pcp, tmp) con cambio de uso del suelo
A2 (SIN CUS) 66.36 (mapa 2030).

BASE (2011) 116.2

0 20 40 60 80 100 120
PRODUCCIÓN DE SEDIMENTOS (TONS METRIC / Ha)

53
 Como se muestra en las figuras 17, 18, 19 y la tabla 10, todos los parámetros se
vieron afectados de manera negativa ante los escenarios de cambio climático (A2 y A1B)
y se evidencia que los valores de los parámetros no varían significativamente en los
escenarios con cambio de uso del suelo (CUS) (mapa 2030) y sin cambio de uso del suelo
(CUS) (mapa 2011).

Para los escenarios A2 y A1B sin CUS se espera una reducción de caudal
correspondiente a 49.97% y 25.50% respectivamente en relación al año 2011. No se
muestra una variación importante en relación a los valores de caudal obtenidos para los
escenarios con CUS donde se espera una reducción del 49.57% y 25.09% para el
escenario A2 y A1B respectivamente en relación al año 2011.

Para la percolación (Figura 17 – Tabla 10), se espera para el año 2030 una
reducción del 53.63% y 38.48% para los escenarios A2 y A1B sin CUS respectivamente
en relación al año 2011. Para los escenarios A2 y A1B con CUS se muestran valores
similares a los obtenidos en la simulación sin CUS, donde se espera una reducción del
52.87% para el escenario A2 y 37.67% para el escenario A1B.

En cuanto a la escorrentía (Figura 17 – Tabla 10), se esperan valores similares

para los escenarios A2 con y sin CUS, con una reducción del 58.55% y 56.25%
respectivamente. Se encuentra la misma similitud de valores para el escenario A1B en las
simulaciones con y sin CUS, con una reducción del 25.32% y 21.83% respectivamente.

La producción de agua (Figura 17 – Tabla 10) también se ve afectada ante los

escenarios de cambio climático y se muestran similares valores para los escenarios
simulados con CUS y sin CUS. Siendo así que, para el escenario A2 se espera una
reducción del 52.47% y 51.90% para los escenarios sin CUS y con CUS respectivamente,
en relación al año 2011. Para el escenario A1B se estima una reducción del 33.13% y
32.59% para las simulaciones con CUS y sin CUS respectivamente, en relación al año
2011.

Por otro lado, en la producción de sedimentos (Figura 17 – Tabla 10) se espera

una disminución del 42.89% y 40.12% en el escenario A2 sin CUS y con CUS
respectivamente, en relación al año 2011. Para el escenario A1B, se espera una reducción
del 23.52% y 18.21% sin CUS y con CUS respectivamente, en relación al año 2011. Cabe
destacar que el modelo no fue calibrado para sedimentos ya que SWAT no toma en
cuenta en las simulaciones la ocurrencia de eventos naturales extremos (Arnold y Fohrer,
2005; Neitsch et al., 2005a, b) como por ejemplo tormentas, deslizamientos o
movimientos en masa, los últimos, contribuyen de manera parte importante en la
producción de sedimentos en la cuenca gracias a las características topográficas y
edáficas de la cuenca, aun cuando el 80% de la cuenca está cubierta por bosque denso.
Debido a esto el modelo subestima la producción de sedimentos en la cuenca en relación
a los valores observados en los datos históricos medidos en la cuenca por el Instituto
Costarricense de Electrificación.
54
 En la figura 18, se muestran los mapas generados para los diferentes parámetros
estudiados a nivel de subcuenca (Percolación, Escorrentía, Producción de Agua y Producción
de Sedimentos.

Figura 18. Efectos del CC y el CUS por subcuenca en el río Pejibaye al 2030.

55
 4: PRODUCCIÓN DE
2: ESCORRENTÍA 3: PRODUCCIÓN DE
1: PERCOLACIÓN (mm) SEDIMENTOS (tons
(mmH2O) AGUA (mm H2O)
metric / Ha)
1445 - 2447
2448 - 3449
3450 - 4451
4452 - 5453
5454 - 6455

A Escenario Base calibrado en SWAT (año 2011), uso del suelo (mapa 2011).
B Escenario A2 al 2030 (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
C Escenario A2 al 2030 (pcp, tmp) con cambio de uso del suelo (mapa 2030).
D Escenario A1B al 2030 (pcp, tmp) sin cambio de uso del suelo (mapa 2011).
E Escenario A1B al 2030 (pcp, tmp) con cambio de uso del suelo (mapa 2030).

Como muestran los resultados, todos los componentes analizados (Caudal,

Percolación, Escorrentía, Producción de Agua y Producción de Sedimentos) fueron
sensibles a las variaciones climáticas de precipitación y temperatura estimadas para el
año 2030 por el GCM HadCM3 para los escenarios A2 y A1B, con respecto al escenario
BASE (año 2011). Según el IPCC (2002, 2007a, 2007b), el IMN (2008, 2012) y CEPAL
(2011) el HadCM3 es el GCM que ha prestado mejores aciertos del clima en Costa Rica y
Centroamérica comparados con los datos medidos en las estaciones climáticas
centroamericanas. En Estudios realizados en el trópico Africano y las Islas Canarias
(España) por Candela et al. (2009) utilizando el modelo HADCM3, se determinó que los
parámetros que rigen el balance hídrico de una cuenca con escenarios de clima A2 y A1B,
han experimentado reducciones entre un 21% y un 45% de los valores promedio anuales
de los parámetros, todo esto condicionado por las condiciones climáticas, suelos,
vegetación y topografía de las zonas de estudio. Esto concuerda con los valores
obtenidos para los diferentes parámetros analizados dentro de este estudio mediante el
modelo SWAT.

Por otra parte, los resultados mostraron que los parámetros analizados en este
estudio, presentan cambios porcentuales muy similares (para los dos escenarios
climáticos: A2 y A1B) con cambio de uso del suelo y sin cambio de uso dentro de la
cuenca, lo que nos dice que el cambio de uso del suelo proyectado para el año 2030 no
es un factor determinante en el comportamiento de los parámetros que rigen el balance
hídrico y la producción de sedimentos en la cuenca del río Pejibaye; concordando con Li
et al. (2009), que presenta en sus estudios (Trópico Asiático) que la disminución del agua
puede estar más afectada por la variabilidad climática (influye en 77%) que por el cambio
de uso del suelo (influye en 18%), de manera que el cambio del clima influye de manera
importante en la hidrología de la cuenca.
56
 Figura 19. Tasa de cambio promedio por escenario climático al 2030 respecto al 2011.

REDUCCIÓN (%) al 2030 A2 A1B

PERCOLACIÓN (mm)
10 - 19 %
20 - 29 %
30 - 39 %
40 - 49 %
> = 50 %

ESCORRENTÍA (mmH2O)
10 - 19 %
20 - 29 %
30 - 39 %
40 - 49 %
> = 50 %

PRODUCCIÓN DE
AGUA (mmH2O)
10 - 19
20 - 29
30 - 39
40 - 49
> = 50

PRODUCCIÓN DE
SEDIMENTOS (tons
metric / Ha)
10 - 19
20 - 29
30 - 39
40 - 49
> = 50

57
A2 Diferencia entre: Escenario Base en SWAT (año 2011) y Promedio entre
Escenario A2 Sin CUS (uso 2011) y Escenario A2 con CUS (uso 2030).
A1B Diferencia entre: Escenario Base en SWAT (año 2011) y Promedio entre
Escenario A1B sin CUS (uso 2011) y Escenario A1B con CUS (uso 2030).

En la figura 19 se muestra de manera espacial a nivel de la cuenca del río

Pejibaye la tasa de cambio promedio por escenario climático (A2 y A1B), la misma que se
generó encontrando la diferencia entre el Escenario Base (año 2011) modelado en SWAT
y el promedio entre el los escenarios climáticos A2 y A1B con CUS y sin CUS (dado que el
CUS proyectado para la cuenca no resultó ser un factor que incide significativamente en
los componentes que rigen el balance hídrico) modelados en SWAT al año 2030 para los
diferentes parámetros estudiados (Percolación, Escorrentía, Producción de Agua y
Producción de Sedimentos) los cuales reflejan una reducción porcentual promedio con
base al año 2011 para los dos escenarios (A2 y A1B).

Para la percolación (mm), se espera para el año 2030 una reducción promedio en
la cuenca del 53% y 37% para el escenario A2 y A1B respectivamente con base al año
2011, en cuanto a la escorrentía (mmH2O), se espera para el año 2030 una reducción
promedio en la cuenca del 57% y 23% para el escenario A2 y A1B respectivamente con
base al año 2011. La producción de agua (mmH2O) en la cuenca se verá afectada para el
año 2030 por una reducción promedio del 52% y 32% para el escenario A2 y A1B
respectivamente con base al año 2011, para la producción de sedimentos (Toneladas
métricas / Ha), se espera para el año 2030 una reducción promedio en la cuenca del
41% y 21% para el escenario A2 y A1B respectivamente con base al año 2011.

Cabe resaltar que las predicciones hidrológicas de los parámetros del estudio
actual fueron analizadas bajo un escenario proyectado (2030) de cambio de uso del suelo
donde no se tomaron en cuenta factores como el aumento en la densidad de la
vegetación (factor que influye en la evapotranspiración), producto del aumento de la
temperatura y el aumento en la concentración de CO2 en el futuro (Abbaspour et al.,
2009).

En cuanto a los caudales simulados para el año 2030 dentro de la cuenca que
muestran una reducción del 49.9% y 25.3% para el escenario A2 y A1B respectivamente,
se muestra una concordancia con Tu (2009), el mismo que afirma en sus estudios que el
cambio climático puede reducir en un 50% los caudales en las cuencas. Así mismo,
CEPAL (2011) menciona que la disponibilidad de agua en las cuencas podría verse
afectada hasta en un 63%. Según Chien et al. (2013) la mayoría de las predicciones
futuras de caudales basadas en GCM indican reducciones en los caudales entre los años
2020 – 2095. Aguilar et al. (2005) menciona que, en Centroamérica y la parte alta de
Suramérica, la temperatura se ha incrementado de manera significativa en las últimas
décadas, lo que conlleva a la modificación de las condiciones climatológicas y por ende

58
una variación en los regímenes de precipitación y producción de caudales.

Los resultados de este estudio coinciden de igual manera con los estudios de
Imbach et al. (2008, 2011), los cuales señalan que los regímenes hidrológicos serán
potencialmente afectados por el cambio climático debido a una combinación de impactos
sobre la distribución y funciones de los ecosistemas, cambios en los patrones y la
variabilidad de la temperatura y precipitación. Estos cambios, combinados con cambios
en los patrones de desarrollo (por ejemplo, crecimiento poblacional y desarrollo
económico), van a modificar la provisión de los servicios hidrológicos a la población en
Mesoamérica. De esta manera se espera que en algunas regiones exista un incremento y
en otras una reducción en la provisión de agua para la población.
Cabe mencionar que el caudal proyectado al 2030 fue estimado en base a un solo
GCM con dos escenarios y es ampliamente reconocido que existen grandes discrepancias
entre los diferentes GCM, discrepancias que representan una importante fuente de
incertidumbre (Wilby y Harris 2006, Ghosh y Majumdar 2008). Por lo tanto, la excesiva
dependencia de un solo GCM podría conducir a una planificación inadecuada del recurso
hídrico dentro de la cuenca.

Los análisis de la variabilidad del caudal sugieren que las diferentes cuencas
dentro de diferentes regiones dentro de un país tienen diferentes respuestas a los
posibles escenarios de cambio climático (Hay et al., 2011; Roots, 1989). Una posible
explicación es que la respuesta hidrológica de una determinada cuenca puede estar
dominada por diferentes procesos hidrológicos que tienen que ver con topografía, el
clima, los suelos, la cobertura vegetal y los procesos antrópicos dentro de la cuenca
(Grayson y Blöschl, 2000; Sivakumar, 2004, 2008).

Este estudio se basó en un análisis realizado con un modelo hidrológico en un

posible escenario de cambio climático. El análisis se limita a ilustrar la tendencia y
magnitud de los cambios de caudal de una cuenca en relación con posibles cambios en la
temperatura y las precipitaciones. Se necesitan análisis adicionales que complementen
este estudio tales como el uso de diferentes GCMs y estudios de erodabilidad de los
cauces en la cuenca y el aporte de sedimentos al caudal del río Pejibaye producido por
fenómenos de remoción en masa.

3.5 Conclusiones

La dinámica de cambio de uso del suelo en la cuenca en los periodos 1998 – 2011 y
2011 – 2030 muestra una predominancia de la cobertura de Bosques Densos (ubicados en
la parte media y alta de la cuenca) a través del tiempo. En la parte baja de la cuenca, donde
se encuentra predominantemente la zona de cultivos, se espera un aumento de las zonas
cubiertas por pastos, zonas de regeneración y los cultivos de caña de azúcar y una
reducción en las áreas cubiertas por cafetales.

59
 Los factores más relevantes que han determinado los cambios de uso del suelo en
la cuenca del río Pejibaye entre los periodos 1998- 2011 y 2011 - 2030, están ligados
a la reducción de las zonas con Sistemas Forestales – Café, ya que, debido a la baja de los
precios internacionales del café, el gradual deterioro de los suelos, la baja productividad
(café), los mejores beneficios económicos recibidos por la siembra de caña de azúcar, la
proximidad del Ingenio Azucarero de Atirro y el aumento de la actividad ganadera, se han
incrementado las zonas para la siembra de la caña de azúcar y los pastos.

El modelo SWAT fue calibrado con datos de caudal mensual naturales históricos
del Instituto Costarricense de Electricidad (ICE), y fue capaz de reproducir
satisfactoriamente el caudal, con coeficientes de NS de 0,63 y un R2 de 0.69 para
calibración de la cuenca alta y con coeficientes de NS de 0,80 y un R2 de 0.82 para
calibración de la cuenca media baja, lo que demuestra la efectiva capacidad que tiene el
modelo SWAT en predecir los valores promedios mensuales de caudal, se evidencia
también que SWAT-CUP es práctico y fiable al ser utilizado para la calibración y análisis
de la incertidumbre de modelos de cuencas.

El análisis de sensibilidad realizado para los 10 parámetros calibrados para cada

una de las partes de la cuenca (Cuenca alta y Cuenca media-baja) muestra que, el orden
de sensibilidad de los parámetros para la cuenca alta no es el mismo que para la cuenca
media baja, lo que sugiere la importancia de la calibración multi-sitio.

Se necesitan estudios detallados a nivel de la cuenca sobre el aporte de

sedimentos al caudal por parte de los fenómenos de remoción en masa, para así poder
estimar eficientemente la producción futura de sedimentos en la cuenca mediante el
modelo SWAT.

Usando proyecciones del modelo climático HadCM3 (escenarios A2 y A1B) para

impulsar las simulaciones hidrológicas distribuidas, los resultados sugieren la posibilidad
de cambios dramáticos en los caudales de la cuenca del río Pejibaye para el año 2030. En
particular se espera un caudal de 24.7m3 en la cuenca para el año 2030, bajo un
escenario A1B, lo que representa una reducción del 25.3% en relación al año 2011. Bajo
un escenario A2, se espera un caudal de 16.6m3 en la cuenca para el año 2030, lo que
representa una reducción del 49.7% en relación al año 2011.

Los parámetros hidrológicos analizados en este estudio se muestran más

afectados por los efectos del cambio climático que por el cambio en el uso del suelo en la
cuenca. Los diferentes modelos climáticos muestran una incertidumbre significativa en la
proyección de los cambios del clima y sus impactos en la hidrología, con alteraciones muy
significativas en producción agua (GCM HadCM3), lo que implica la necesidad de estudiar
estos impactos utilizando otros modelos climáticos.

El acoplamiento entre los GCM y los modelos hidrológicos puede ser utilizado
para estimar los impactos del cambio climático sobre los recursos hídricos en una cuenca.
60
Sin embargo, la excesiva dependencia de un solo GCM y un solo modelo hidrológico
podría conducir a una planificación inadecuada del recurso hídrico dentro de una cuenca.

3.6 Recomendaciones

El uso de los modelos hidrológicos sin previa calibración conduce a la

sobreestimación o subestimación considerable de las variables estudiadas. Mediante la
calibración es posible lograr un ajuste aceptable entre los datos observados y los
medidos. Aun cuando la naturaleza de este tipo de modelos los hace aplicables a cuencas
que no cuentan con estaciones de aforo, los resultados muestran la conveniencia de ser
calibrados con el mayor número de datos (caudal, sedimentos, etc.) de calidad confiable;
pero bajo las condiciones de la naturaleza de la mayoría de las cuencas en nuestros
países, es recomendable realizar estos procesos con los datos disponibles.

Se recomienda el uso del modelo SWAT en cuencas a escala local donde se tiene
suficiente información y donde se pretende evaluar los impactos hidrológicos y
contaminantes debido al uso del agua y de la tierra (Prochnow et al, 2008;. Schilling et
al., 2008), para analizar las fuentes de contaminantes (Schilling y Wolter, 2009),
cuantificar los impactos del cambio climático (Stone et al., 2001), evaluar el potencial de
la energía hidroeléctrica (Kusre et al., 2010), estimar la erosión del suelo (Shen et al.,
2009) y evaluar las mejores prácticas de manejo (Gassman et al., 2007).

61
 3.7 Literatura citada

Abbaspour, K.C., Johnson, C.A., van Genuchten, M.T., 2004. Estimating uncertain flow and
transport parameters using a sequential uncertainty fitting procedure. Vadose Zone J. 3
(4), 1340–1352.
Abbaspour, K.C. et al., 2007. Modelling hydrology and water quality in the pre- alpine/alpine
Thur watershed using SWAT. J. Hydrol. 333 (2–4), 413–430.
Abbaspour, K.C., Faramarzi, M., Ghasemi, S., Yang, H., 2009. Assessing the impact of climate
change on water resources in Iran. Water Resour. Res. 45, W10434.
Abbaspour, K.C., 2011. User Manual for SWAT-CUP: SWAT Calibration and Uncertainty
Analysis Programs. Eawag: Swiss Fed. Inst. of Aquat. Sci. and Tech- nol., Duebendorf,
Switzerland, 103 pp.
Aguilar, E; Peterson, T; Ramirez, O; Frutos, R; Retana, J; Solera, M. 2005. Changes in
precipitation and temperature extremes in Central America and northern South America,
1961–2003. Journal of Geophysical Research, Vol. 110.
Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large área hydrologic
modeling and assessment – Part 1: Model development. J. Am. Water Resour. Assoc. 34
(1), 73–89.
Arnold, J.G., Fohrer, N., 2005. SWAT2000: Current capabilities and research
opportunities in applied watershed modeling. Hydrol Process. 19 (3), 563–572.
Bardossy, A., Singh, S.K., 2008. Robust estimation of hydrological model parameters. Hydrol.
Earth Syst. Sci. 12 (6), 1273–1283.
Benito, PR; Cuevas, J; de la Parra, RB; Prieto, F; del Barrio, JMG; Zavala, M. 2010. Land use
change in a Mediterranean metropolitan region and its periphery: assessment of
conservation policies through CORINE Land Cover data and Markov models. Forest
Systems 19:315-328.
Beven, K; Binley, A. 1992. The future of distributed models: model calibration and
uncertainty prediction. Hydrol Process. 6 (3), 279–298.
Brown, DG; Pijanowski, B; Duh, J. 2000. Modeling the relationships between land use and
land cover on private lands in the Upper Midwest, USA. Journal of Environmental
Management 59(4):247-263.
Candela, L; Igel, Wv; Javier Elorza, F; Aronica, G. 2009. Impact assessment of combined
climate and management scenarios on groundwater resources and associated wetland
(Majorca, Spain). Journal of Hydrology (Amsterdam) 376(3/4):510-527.
CATIE (Centro Agronómico Tropical de Investigación y Enseñanza). 2011. Manejo
agroecológico como ruta para lograr la sostenibilidad de fincas con café y ganadería /
Editores: Cristóbal Villanueva, Claudia J. Sepúlveda L., Muhammad Ibrahim. Informe
Técnico Nº 387. Turrialba, Costa Rica. 91 p.
CEPAL, (Comisión Económica para América Latina y el Caribe). 2011. La economía del cambio
climático en Centroamérica: Reporte técnico 2011. 419 p.
Chien, H; Yeh, P; Knouft, J. 2013. Modeling the potential imacts of climate change on
streamflo in agricultural watershes of the Midwestern United States. Journal of Hydrology
(USA). 491. 73 – 88.

62
Chu, TW; Shirmohammadi, A. 2004. Evaluation of the SWAT model’s hydrology component in
the piedmont physiographic region of Maryland. Trans ASAE 47(4):1057–1073.
Eastman, JR. 2012. Guía para SIG y procesamiento de imágenes. Clark University 17: 321 p.
Esquivel, MJ. 2005. Regeneración natural de árboles y arbustos en potreros activos en Muy
Muy, Matagalpa, Nicaragua. Tesis Mag.Sc. Costa Rica, CATIE, Turrialba, CR. 142 p.
Fan, F; Wang, Y; Wang, Z. 2008. Temporal and spatial change detecting (1998–2003) and
predicting of land use and land cover in Core corridor of Pearl River Delta (China) by
using TM and ETM+ images. Environmental monitoring and assessment 137(1):127- 147.
FAO, (Food and Agriculture Organization of the United Nations)/Cooperazione italiana/UNEP).
2000. Land cover classificaction and user manual. FAO, Rome.179 p.
Feldman, O; Korotkov, VN; Logofet, DO. 2005. The monoculture vs. rotation strategies in
forestry: formalization and prediction by means of Markov-chain modelling. Journal of
Environmental Management 77(2):111-121.
Gallego, B. 2002. Estructura y composición de un paisaje fragmentado y su relación con
especies arbóreas indicadoras en una zona de de bosque muy húmedo tropical, Costa
Rica. Tesis Mag.Sc. Costa Rica, CATIE, Turrialba, CR. 103 p.
Gassman, P.W., Reyes, M.R., Green, C.H., Arnold, J.G., 2007. The Soil and Water Assessment
Tool: Historical Development, Applications, and Future Research Directions. Center for
Agricultural and Rural Development. Iowa State Univer- sity. Working Paper 07-WP 443.
Ghosh, S. and Mujumdar, P.P., 2008. Statistical downscaling of GCM simulations to
streamflow using relevance vector machine. Advances in Water Resources, 31, 132–146.
Gordon, VD; Nathan, ES; Apponi, AJ; McCarthy, MC; Thaddeus, P; Botschwina, P. 2000.
Structures of the linear silicon carbides SiC4 and Si C6: isotopic substitution and Ab Initio
theory. J Chem Phys 113:5311
Gosain, A.K., Rao, S. and Basuray, D. 2006. Climate change impact assessment on hydrology
of Indian river basins. Current Science, 90 (3), 346–353.
Grayson, R., Blöschl, G. (Eds.), 2000. Spatial Patterns in Catchment Hydrology: Observations
and Modeling. Cambridge University Press, Cambridge, UK, pp. 355–367.
Hay, L.E., Markstrom, S.L., Ward-Garrison, C., 2011. Watershed-scale response to climate
change through the 21st century for selected basins across the United States. Earth
Interactions 15, 1–37.
Heuvelmans, G., Muys, B. and Feyen, J., 2004. Evaluation of hydrological model parameter
transferability for simulating the impact of land use on catchment hydrology. Physics and
Chemistry of the Earth, 29, 739–747.
Heuvelmans, G; Garcia‐Qujano, JF; Muys, B; Feyen, J; Coppin, P. 2005. Modelling the water
balance with SWAT as part of the land use impact evaluation in a life cycle study of CO2
emission reduction scenarios. Hydrological Processes 19(3):729-748.
ICE (Instituto Costarricense de Electricidad). 2005. Plan de manejo integral de la cuenca del
río Reventazón. 271p.
ICE. 2009. La importancia del manejo de la cuenca el Río reventazón. Unidad de Manejo de
Cuencas. Biblioteca ICE. CR. (En línea). Consultado el 30 de Enero de 2013. Disponible
en http://www.grupoice.com/esp/ele/manejo_cuencas/biblio/folletos/importan.html

63
IMN, (Instituto Meteorológico Nacional). 2008. Clima, variabilidad y cambio climático en
Costa Rica.Segunda Comunicación Nacional, Comité Regional Nacional de Recursos
Hidráulicos. San José, CR p. 72 p.
IMN. 2012. Escenarios De Cambio Climatico Regionalizados Para Costa Rica. Departamento
de Climatología e Investigaciones Aplicadas Instituto Meteorológico Nacional. Ministerio
del Ambiente, Energía y Telecomunicaciones (MINAET). San José,Costa Rica. 1060 p.
Imbach, P; Molina, L; Locatelli, B; Corrales, L; 2008.Vulnerabilidad de los servicios
ecosistémicos hidrológicos al cambio climático en Mesoamérica. CATIE, Turrialba, Costa
Rica. Serie técnica. Manual Técnico/ CATIE; no. 99. 21 - 27 p.
Imbach, P; Molina, L; Locatelli, B; Roupsard, O; Mahe, G; Neilson, R; Corrales, L; Scholze, M;
Ciais, P. 2011, Modeling Potential Equilibrium States of Vegetation and Terrestrial Water
Cycle of Mesoamerica under Climate Change Scenarios. Climate Change Program,
CATIE, Cartago, Costa Rica. 17 p.
INEC. 2011. Instituto Nacional de Estadística y Censos de Costa Rica. Censo Poblacional
2011. CR. (En línea). Consultado el 16 de Marzo de 2013. Disponible en
http://www.inec.go.cr
IPCC (Panel Intergubernamental sobre Cambio Climático). 2007a. Cambio Climático. Base de
las ciencias físicas. Resumen para responsables de políticas. Resumen Técnico. Preguntas
frecuentes. Contribución del Grupo de Trabajo 1 al Cuarto Informe de Evaluación. OMM-
UNEP. 153 p.
IPCC.2007b. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of
Working Group II to the Fourth. 345 p.
Jiménez, O; Farías, H; Rodríguez, C. 2005. Procesos de sedimentación en embalses en
ambientes tropicales. Estudios de casos en Costa Rica y República Dominicana.
Ingeniería del Agua. Vol. 12. 16 p.
Jones RG, Noguer M, Hassell DC, Hudson D, Wilson SS, Jenkins GJ, Mitchell JFB (2004)
Generating high resolution climate change scenarios using PRECIS. Met Office Hadley
Centre, Exeter, 40pp
Juckem, PF; Hunt, RJ; Anderson, MP; Robertson, DM. 2008. Effects of climate and land
management change on streamflow in the driftless area of Wisconsin. Journal of
Hydrology (Amsterdam) 355(1/4):123-130.
Kalin, L; Hantush, MM. 2006. Hydrologic modeling of an eastern Pennsylvania watershed with
NEXRAD and rain gauge data. Journal of Hydrologic Engineering 11:555.
Kamusoko, C; Oono, K; Nakazawa, A; Wada, Y; Nakada, R; Hosokawa, T; Tomimura,
S;Furuya, T; Iwata, A; Moriike, H. 2011. Spatial Simulation Modelling of Future Forest
Cover Change Scenarios in Luangprabang Province, Lao PDR. Forests 2(3):707-729.
Kuczera, G., Parent, E., 1998. Monte Carlo assessment of parameter uncertainty in
conceptual catchment models: the Metropolis algorithm. J. Hydrol. 211 (1–4), 69–85.
Kusre, B.C., Baruah, D.C., Bordoloi, P.K., Patra, S.C., 2010. Assesment of hydropower
potential using GIS and hydrological modeling technique in Kopili River basin in Assam
(India). Appl. Energy 87, 298 - 309.
Lenhart, T; Eckhardt, K; Fohrer, N; Frede, HG. 2002. Comparison of two different approaches
of sensitivity analysis. Phys Chem Earth 27:645–654.

64
Li, Z; Liu, W; Zhang, X; Zheng, F. 2009. Impacts of land use change and climate variability
on hydrology in an agricultural catchment on the Loess Plateau of China. Journal of
Hydrology (Amsterdam) 377(1/2):35-42.
Mora, I. 1987. Evaluación de la pérdida de suelo mediante la ecuación universal (eups):
aplicación para definir acciones de manejo en la cuenca del rio pejibaye, verwibnte
atlantica, Costa Rica. CATIE, Cartago, Costa Rica. 133 p.
Nash, JE; Sutcliffe, JV. 1970. River flow forecasting through conceptual models: Part I. A
discussion of principles. J Hydrol 10(3):282–290
Neitsch SL, Arnold JG, Kiniry J, Srinivasan R, Williams JR. 2002. Soil and Water Assessment
Tool User Manual. , Texas Agricultural Experiment Station. College Station, TWRI TR-192
Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Srinivasan, R., Williams, J.R., 2005a. Soil and Water
Assessment Tool Input/Output File Documentation. Verison 2005. Blackland Research
Center, Texas Agricultural Experiment Sataion, Temple, Texas.
Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams, J.R., 2005b. Soil and Water Assessment Tool
Theoretical Documentation Version 2005. Blackland Research Center, Texas
Agricultural Experiment Sataion, Temple, Texas.
Notter, B; MacMillan, L; Viviroli, D; Weingartner, R; Liniger, HP. 2007. Impacts of
environmental change on water resources in the Mt. Kenya region. Journal of Hydrology
(Amsterdam) 343(3/4):266-278.
Ozah, AP; Dami, A; Adesina, FA. 2012. A Deterministic Cellular Automata Model for
Simulating Rural Land Use Dynamics: A Case Study of Lake Chad Basin. Journal of Earth
Science and Engineering 2(1):22-34.
Paegelow, M. y Camacho Olmedo, M.T. (2005): Possibilities and limits of prospective GIS land
cover modeling – a compared case study: Garrotxes (France) and Alta Alpujarra
Granadina (Spain). International Journal of Geographical Information Science; vol. 19, n°
6; pp. 697-722.
PEZO, D.; IBRAHIM, M. 1996. Sistemas silvopastoriles, una opción para el uso sostenible de
la tierra en sistemas ganaderos. In Pastoreo intensivo en las zonas tropicales. I Foro
Internacional (7 al 9 de Noviembre). FIRA/BANCO DE MEXICO. Veracruz, México. 35 p.
Prochnow, S.J., White, J.D., Scott, T., Filstrup, C.D., 2008. Multi-scenario simulation analysis
in prioritizing management options for an impacted watershed system. Ecohydrology
Hydrobiology 8, 3e15.
Programa de Reducción de la Vulnerabilidad y Degradación Ambiental, PREVDA. 2008. Plan
de cuenca del río Reventazón - Parismina. San José, Costa Ríca. 184p.
Programa de Investigación y Desarrollo Urbano Sostenible, ProDUS. 2011. Balance Hídrico en
las subcuencas de las partes alta y media del río Reventazón. COMCURE (Comisión para
el ordenamiento de la cuenca alta del río Reventazón). Universidad de Costa Rica. San
José, Costa Rica. 550p.
Roots, EF. 1989. Climate change: high-latitude regions. Climatic Change 15 (1), 223–253.
Schilling, K.E., Jha, M.K., Zhang, Y.K., Gassman, P.W., Wolter, C.F., 2008. Impact of land
use and land cover change on the water balance of a large agricultural watershed:
historical effects and future directions. Water. Resour. Res. 44, 1e12.
Schilling, K.E., Wolter, C.F., 2009. Modeling nitrate-nitrogen load reduction strategies for the
Des Moines River, Iowa using SWAT. J. Environ. Manage. 44, 671e682.
65
Schuol, J; Abbaspour, KC; Srinivasan, R; Yang, H. 2008. Estimation of freshwater availability
in the West African sub-continent using the SWAT hydrologic model. J Hydrol 352(1–
2):30–49.
Schuol, J., K. C. Abbaspour, R. Sarinivasan, and H. Yang (2008a), Estimation of freshwater
availability in the West African sub-continent using the SWAT hydrologic model, J.
Hydrol., 352, 30– 49, doi:10.1016/j.jhydrol. 2007.12.025.
Schuol, J., K. C. Abbaspour, R. Srinivasan, and H. Yang (2008b), Modelling blue and green
water availability in Africa at monthly intervals and subbasin level, Water Resour. Res.,
44, W07406, doi:10.1029/ 2007WR006609.
Shen, Z.Y., Gong, Y.W., Li, Y.H., Hong, Q., Xu, L., Liu, R.M., 2009. A comparison of
WEPP and SWAT for modeling soil erosion of the Zhangjiachong watershed in the three
Gorges reservoir area. Ag Water Mgmt 96, 1435e1442.
Sivakumar, B., 2004. Dominant processes concept in hydrology: moving forward. Hydrol.
Process. 18 (12), 2349–2353.
Sivakumar, B., 2008. Dominant processes concept, model simplification and classification
framework in catchment hydrology. Stoch. Env. Res. Risk Assess. 22 (6), 737–748.
Srinivasan, R; Arnold, JG. 1994. Integration of a basin-scale water quality model with GIS.
Water Resour Bull Am Water Resour Assoc 30(3):453–46.
Stone, M.C., Hotchkiss, R.H., Hubbard, C.M., Fontaine, T.A., Mearns, L.O., Arnold, J.G., 2001.
Impacts of climate change on Missouri River basin water yield. J. Am. Water Resour.
Assoc. 37, 1119e1129.
Takken, I. et al., 1999. Spatial evaluation of a physically-based distributed erosion model
(LISEM). Catena 37 (3–4), 431–447
Tang, J; W ang, L; Yao, Z. 2007. Spatio‐tem poral urban landscape change analysis using the
Markov chain model and a modified genetic algorithm. International Journal of
Remote Sensing 28(15):3255-3271.
The Nature Conservancy, TNC. 2009. Climate wizard (en línea). Consultado 17 ago. 2013.
Disponible en http://www.climatewizard.org/
Van Griensven, A., Meixner, T., 2006. Methods to quantify and identify the sources of
uncertainty for river basin water quality models. Water Sci. Technol. 53 (1), 51–59.
Velásquez, RA. 2005. Selectividad animal de forrajes herbáceos y leñosos en pasturas
naturalizadas en función de épocas, manejo y condición de paisaje en Muy Muy,
Nicaragua. Tesis Mag.Sc. Costa Rica CATIE, Turrialba, CR. 77 p.
Vigerstol, K; Aukema, J. 2011. A comparison of tools for modeling freshwater ecosystem
services. Journal of Environmental Management. 92 (2011), 2403 – 2409.
Virgilio E.M. 2011. Alcances de la implementación participativa con familias cafetaleras:
sistematización de casos en Pejibaye de Jiménez y Rivas de Pérez Zeledón en Costa Rica.
CATIE, Turrialba, Costa Rica. 53 p.
White, KL; Chaubey, I. 2005. Sensitivity analysis, calibration, and validations for a multisite
and multivariable SWAT model. JAWRA Journal of the American Water Resources
Association 41(5):1077-1089.
Wilby, R.L. and Harris, I., 2006. A framework for assessing uncer- tainties in climate change
impacts: low-flow scenarios for the River Thames, UK. Water Resources Research, 42,
W02419. doi:10.1029/2005WR004065.
66
Yang, J., Reichert, P., Abbaspour, K.C., Xia, J., Yang, H., 2008. Comparing uncertainty
analysis techniques for a SWAT application to the Chaohe Basin in China. J. Hydrol. 358
(1–2), 1-23.
Zhang, X., Srinivasan, R., Van Liew, M., 2008. Multi-site calibration of the SWAT model for
hydrologicmodeling. Trans. Asabe 51 (6), 2039–2049.
Zhang, X; Yang, Q; Chen, Y. 2011. Coupling of hydrological and ecological process: An
approach to implement the sustainable water resources management in Hanjiang
watershed. 2011 International Symposium on Water Resource and Environmental
Protection (ISWREP), 2: 1078–1083.

67