Se presenta la implementación y calibración preliminar de un modelo matemático distribuido, hidrológico- hidráulico de escurrimiento superficial físicamente basado en la cuenca del A° Pavón (sur de la provincia de Santa Fe). La cuenca tiene una superficie de aproximadamente 3143 km2 y su principal curso es el tramo: canal San Urbano-A. Sauce –A° Pavón, con descarga al río Paraná. Se utilizó como modelo digital del terreno la información proveniente de cartas topográficas del Instituto Geográfico Nacional (IGN), con agregamiento en celdas de 150 m x 150 m. Adicionalmente se contó con información de red de cursos desde cartas topográficas del IGN, imágenes Google Earth ©; recorridas de campo y proyectos existentes. El modelo quedó constituido con 139717 celdas y una red de cursos de 895 km y fue calibrado preliminarmente con información hidrológica e hidráulica de un evento extraordinario ocurrido el 15 de enero de 2017. La explotación del modelo, en este primer nivel de avance, permitió realizar la delimitación de áreas inundadas en la cuenca; la determinación de zonas con riesgo para vidas humanas y mapas de permanencias de agua para el evento extraordinario y una serie de eventos hipotéticos de diferentes recurrencias. Estos resultados son un aporte en la planificación territorial de los recursos hídricos en la zona de estudio. Si bien se evidencia un severo déficit de información, los primeros resultados obtenidos en la transformación lluvia caudal y propagación de escurrimiento superficial son aceptables.
Este trabajo da un panorama sobre los desastres asociados a factores naturales y tecnológicos. Se usa la base de datos EM-DAT de la Universidad de Louvain (Bélgica), que cuenta con datos desde el año 1900 hasta el 2018. Los desastres naturales prevalecen sobre los tecnológicos, respecto de la cantidad la relación es 66% a 34%, en cuanto a víctimas fatales los registros indican que el 93.2% está generado por desastres naturales, con relación a la cantidad de afectados la participación de los desastres de origen natural asciende al 99.8% y al considerar las pérdidas materiales los desastres naturales aportan el 99.2%. Además, se obtuvieron los siguientes resultados: a) respecto de la cantidad, los desastres hidrológicos ocupan el primer lugar, con un 38% a nivel mundial, 57% en Sudamérica y 58% en Argentina; b) en cuanto a cantidad de víctimas fatales, a nivel mundial los desastres climatológicos explican el 36%, mientras que en Sudamérica y Argentina son los geofísicos los que generan el 68% y el 87%, respectivamente; c) considerando los afectados, los desastres hidrológicos producen el 48% a nivel mundial y el 95.7% en Argentina, mientras que los climatológicos generan el 47% en Sudamérica; y d) respecto de las pérdidas económicas, en el mundo los desastres meteorológicos aportan el 44%, en Sudamérica los geofísicos generan el 42% y en Argentina los hidrológicos producen el 74%. En Argentina los desastres hidrológicos son los de mayor ocurrencia, los que producen la mayor cantidad de afectados y de pérdidas económicas, no así respecto a víctimas fatales, que contribuyen “solo” con el 8%. Cabe destacar la importancia de las políticas de planificación del uso del recurso hídrico así como también la gestión previa, durante y posterior a la ocurrencia de los desastres hídricos.
Las inundaciones son el desastre más frecuente en nuestro país, produciendo la mayor cantidad de afectados y daños materiales a la infraestructura y a la propiedad. En este trabajo se presenta un tipo de modelo de caja negra denominado de redes funcionales, usado para pronóstico de alturas en cursos de llanura, aplicado en cuencas del Gran Rosario. Las variables de entrada son precipitación y nivel vinculado a un tiempo t 0 , mientras que la salida está dada por niveles pronosticados para diferentes horizontes temporales t pi . A partir de los eventos observados, en promedio 10 por limnímetro, se calculan todas las combinaciones para constituir dos grupos: aprendizaje y validación. La evaluación de los modelos se efectúa por medio de distintos estadísticos, entre ellos: diferencia máxima relativa y absoluta en el nivel pico, coeficiente de eficiencia de Nash-Sutcliffe, raíz del error cuadrático medio y coeficientes de la recta de regresión. Para los resultados presentados en este trabajo se alcanzaron valores medios en la diferencia en el nivel pico para 6 horas de pronóstico de 0.27 m en aprendizaje y de 0.33 m en validación. La potencialidad del modelo es que puede ser aplicado en cualquier cuenca con datos de precipitación y niveles.
La evapotranspiración (ET) es, generalmente, la principal variable de salida del ciclo hidrológico; siendo de importancia su cuantificación para el gerenciamiento del recurso hídrico. En este trabajo se presenta una metodología para estimar indirectamente la tasa diaria de ET de una macrófita bajo condiciones de clima templado húmedo. Paralelamente, se implementó un experimento con tanques enterrados donde se obtuvo una tasa de ET media diaria de 5.2 mm día-1. Dado que la tasa de ET es función de características climáticas, de suelo y de la vegetación; y que de éstos usualmente se registran rutinariamente las primeras, se estudia la tasa de ET en función de 12 variables meteorológicas medidas in situ (entre ellas radiación solar, temperaturas, humedad relativa, velocidad del viento y presión atmosférica). Se implementaron modelos de regresión lineal simple y múltiple para evaluar el grado de correlación entre las tasas de ET medidas experimentalmente y las variables meteorológicas. El análisis de las regresiones indica que la radiación solar recibida es la variable individual que mejor explica el proceso de ET (R2 = 0.54), mientras que cuando se considera mayor número de variables, además de la radiación, intervienen variables relacionadas con la temperatura del aire (temperatura mínima, temperatura del punto de rocío y temperatura máxima) incrementando apreciablemente el coeficiente de determinación (R2 = 0.72). La introducción de un número de variables mayor a cuatro no produce mejoras sustanciales en los resultados
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.