Sunteți pe pagina 1din 29

UNIVERSIDAD AUTÓNOMA CHAPINGO

DEPARTAMENTO DE SUELOS
INGENIERIA EN RECURSOS NATURALES RENOVABLES

CURSO: HIDROLOGÍA

CURVAS ITENSIDAD-DURACIÓN-FRECUENCIA.

POR

LUIS ANGEL FIGUEROA CAMPOS

PROFESOR: DR.DAVID CRISTÓBAL ACEVEDO

CHAPINGO, MÉXICO A 10 DE JUNIO DEL 2016


Contenido
Introducción ........................................................................................................................................ 2
Objetivos ............................................................................................................................................. 3
Marco Teórico ..................................................................................................................................... 3
Resultados ........................................................................................................................................... 7
Análisis comparativo de curvas Intensidad-Duración-Frecuencia para intervalos de corta
duración en la Cuenca del Río Segura: ............................................................................................ 7
Análisis Comparativo de las Curvas Intensidad – Duración – Frecuencia (IDF) en 6 Estaciones
Pluviográficas (VII Región del Maule, Chile). ................................................................................... 9
Construction of intensity-duration-frequency (IDF) curves for precipitation with annual maxima
data in Rwanda, Central Africa:..................................................................................................... 23
Evaluación de métodos de construcción de curvas IDF a partir de distribuciones de probabilidad
y parámetros de ajuste: ................................................................................................................ 24
ECUACIONES QUE ESTIMAN LAS CURVAS INTENSIDAD-DURACIÓN-PERÍODO DE RETORNO DE LA
LLUVIA: .......................................................................................................................................... 25
Discusión ........................................................................................................................................... 27
Conclusión ......................................................................................................................................... 28
Bibliografía ........................................................................................................................................ 28

Introducción
El uso adecuado de los recursos naturales renovables requiere de una cooperación, tanto
de los dueños de los recursos (comunidades, ejidos, privados, públicos, etc...), las
diferentes organizaciones gubernamentales y privadas que fungen como enlace y
patrocinio entre los dueños y los proyectos hechos e implementados por equipos de
expertos en diferentes áreas del medio bio-físico. Este uso implica un cuidado del recursos
mismo; utilizándose al máximo sin comprometer su explotación por futuras generaciones.
La Ingeniería en Recursos Naturales Renovables obtiene su importancia gracias a la
integración del conocimiento de los diferentes componentes bióticos y abióticos del
ambiente, esto es, un punto de vista amplio, que no toma importancia a los
conocimientos específicos, si no, en la consecuencia de las acciones realizadas y por
realizar en el medio, así como la efectividad del proceso mismo.

Sin embargo, existen conocimientos básicos que permiten un mejor análisis de las
variables, en este caso la precipitación, la cual es importante caracterizar dado que
muchas otras variables, de diseños civiles, agrícolas, ambientales, entre otros son función

2
de la precipitación. La intensidad, duración y tiempo de retorno son las diferentes formas
para caracterizarlo, naturalmente es necesaria una gran cantidad de datos de estaciones
climáticas, los cuales una vez organizados y representados de manera iconográfica
facilitan el análisis de los datos, permitiendo su entrada a modelos más complejos que a
simple vista no serían fácil de divisar.

Objetivos
 Que el lector se familiarice con las Curvas IDF
 Conocer los diferentes componentes de las Curvas IDF
 Entender cómo se obtienen los parámetros para las Curvas IDF
 Conocer algunos métodos para la caracterización de los parámetros
 Entender el análisis que se busca de las Curvas IDF

Marco Teórico
Las Curvas IDF se obtienen a partir del ordenamiento de diferentes datos obtenidos en las
estaciones meteorológicas, es necesario el pluviógrafo, este recolecta los datos de
intensidad y duración y su uso está estrechamente relacionado con el pluviómetro; el
pluviógrafo registra en una gráfica la cantidad de agua caída en un periodo de tiempo
determinado, lo cual permite establecer la intensidad de las lluvias y, con más datos y
otros modelos matemáticos su distribución en el espacio. Además de la intensidad y
duración se requiere el tiempo de retorno para construir Curvas IDF. Estas variables
interactúan en el modelo, por lo cual es necesario comprenderlas mejor.

Según Maderey (1980) la intensidad es una característica de la precipitación cuyo análisis


tiene particular importancia en las tormentas debido a que sus consecuencias se dejan
sentir rápidamente en la superficie que cubren.

Y esto es el incremento de rápido del gasto de corrientes que alimentan algún vaso de
almacenamiento (avenidas), la erosión del suelo o en su defecto las consecuencias sobre
su cobertura, esto es, inundaciones en zonas urbanas, cantidad de agua que recibirán los
cultivos, todo esto con lapsos relativamente cortos de tiempo. La intensidad es el
incremento de la altura que alcanza a lluvia con respecto al tiempo, y este se puede
clasificar según su magnitud en ligera, moderada y fuerte.

La duración es el tiempo de lluvia, de acuerdo a Cantolla y Bidarte(1982), el tiempo que


está lloviendo tiene en muchos casos mayor relevancia que la cantidad de lluvia caída. En
actividades como las turísticas y las de recreo la duración de la lluvia es un dato esencial.

3
Claramente la importancia que se le da a cada uno de los datos depende de la perspectiva
y objetivo del usuario de los mismos, sin embargos cuando se trate de objetivos con
índoles científico y/o académico, los datos y resultados deben de presentarse como son,
sin preferencias preestablecidas.

El tiempo de retorno o periodo de retorno es definido por Mélice y Reason, (2007) citado
por Lozano, Tristán, Rodriguez (2011) como: el lapso o número de años que en promedio,
se cree que será igualado o excedido (un evento), es decir, la frecuencia con la que se
presenta un evento.

Es en esta variable que empiezan a tomar importancia las propiedades estadísticas de los
datos, ya que es necesario utilizar la información previamente obtenida para tener cierta
certeza sobre el retorno de un evento.

Existen diversos métodos de diferentes autores para la construcción de las curvas IDF,
según Aparicio (1999)Existen básicamente dos métodos con los que se puede determinar
la relación entre variables i,d,T para un sitio dado. El primero, llamado de intensidad -
periodo de retorno, relaciona estas dos variables para cada duración por separado
mediante alguna de las funciones de distribución probabilísticas usadas en la hidrología, el
segundo método relaciona simultáneamente las tres variables en una familia de curvas
cuya ecuación es:

Ecuación Montana

Donde k, m, n y c son constantes que se calculan mediante un análisis de correlación


lineal múltiple, I la intensidad y T el tiempo de retorno.

Sin embargo, la obtención de estas constantes o coeficientes varia también dependiendo


el autor y los estudios precedentes al trabajo, esto es, las características "especiales" de
cada área analizada. En otro ejemplo, Musgy y Higy (2010) Various formulas have been
proposed for representing the critical intensity of a rain event accoding to its duration for
a given frequency of exceedence... The Montana equation was established for Switzerland
and led to the following equation (Bürki and Ziegler, 1878):

4
where a is a constant depending on the location of the application.

Así podemos observar que con un mejor desarrollo y caracterización se pueden llegar a
modelos o métodos más efectivos y simples, los cuales con una correcta realización y ya
experimentados y comprobados, pueden ser adaptados a zonas a un más específicas.

Una idea similar dan Chow, Maidment y Mays (1994) dicen: Se procura analizar las
relaciones IDF de las lluvias observadas, determinándose para los diferentes intervalos de
duración de la lluvia, el tipo de ecuación y
el número de parámetros de esa ecuación
que mejor caracterizan aquellas
relaciones.

Los modelos para la obtención de estos


parámetros varían, generalmente
utilizando funciones logarítmicas o
estadísticas, estos requieren de un
desarrollo matemático observado en los resultados.

Una vez obtenidos los datos de intensidad, se grafican los distintos periodos de retorno en
una gráfica, teniendo en el eje "x" el tiempo y en el eje "y" la intensidad.

Fuente: http://eias.utalca.cl/Docs/pdf/Publicaciones/manuales/b_modulo_IDF.pdf

D = Duración en horas; I = Intensidad de precipitación en mm/hr; A, B y C representan


distintos períodos de retorno en años.

Donde P es la profundidad de la lluvia en mm o pulg. y D es la duración, dada usualmente


en horas.(Pizarro,Flores y colaboradores, 2004)

De esta manera podemos analizar mejor los datos, primeramente se puede observar que
cuando la intensidad es mayor su tiempo de duración es corto, además el periodo de
retorno suele ser menor conforme la intensidad disminuye; De acuerdo a Monsalve

5
(1999)Si se analizan todos los aguaceros que ha habido en un periodo suficientemente
largo, resulta que los de mayor intensidad son los más breves, las mayores intensidades
sólo se dan durante un periodo de tiempo muy corto, a medida que el tiempo va siendo
mayor, la intensidad media del aguacero va disminuyendo.

En este mismo libro se menciona una relación que aunque carece de importancia en este
trabajo, demuestra que el uso de estos datos a la hora de contrastarlos con otros de otras
áreas de estudio muestran las relaciones o propiedades "especiales" de los sistemas
estudiados, esto es, conocimientos que permiten un mejor uso de las propiedades del
ambiente, así como evitar su degradamiento como consecuencia de la acción del hombre.

Acerca de la variación de la intensidad en las precipitaciones en el curso del día. Se


comprueba que en las precipitaciones debidas a efectos convectivos propios de
primavera, representativas de situaciones de inestabilidad, juega un papel importante la
hora del día. En las regiones continentales interiores la hora en que se da el máximo de
precipitación coincide casi siempre con el máximo de temperatura, si bien con algún
retraso; en cambio, en las zonas costeras las precipitaciones más intensas son
generalmente en la noche. Monsalve (1999).

Este conocimiento de los efectos del ángulo de la radiación sobre la convección, es


función de la latitud, altitud y cobertura del suelo; Una vez que se conocimiento esto se
puede contrastar con otros como sería la hora apropiada del día para implementar
sistemas de captacíón de agua, o el grado de erosión en un lugar.

Ahora, siguiendo en el análisis de frecuencias, existe una metodología tradicional, la


Universidad Nacional de Colombia en su Estimación Hidrológica bajo escenarios de cambio
climático (2014) dice: consiste básicamente en realizar un análisis de frecuencia a cada
una de las series de valores máximos de precipitación obtenidas para cada duración. La
serie a la cual se le realiza el análisis de frecuencias puede ser seleccionada de tres formas,
a saber:

 Serie máximas anuales, es aquella serie que está conformada por cada uno de los
valores máximos de precipitación observados en cada uno de los años de registro.
 Serie de duraciones parciales, en la cual la serie de datos está conformada por
aquellos datos que sobrepasan un valor base predefinido.
 Serie de excedencias anuales, en la cual el valor base, de la serie anterior, es
seleccionado de tal forma que el número de datos que conforman la serie sea igual
al número de años de registros.

Pese a lo anterior, en muchos de los casos prácticos se utilizan las series máximas anuales,
ya que en este tipo de serie no es necesaria la separación de la serie de registros continua
6
en eventos o tormentas estadísticamente independientes, lo que eventualmente puede
complicar un poco el análisis.

De esta manera, el análisis tampoco se complica tanto a la hora de reducir las máximas
anuales a mensuales o incluso diarias, esto dependería de la naturaleza del trabajo o
estudio que se esta haciendo.

Los acercamientos que importantes que se le deben dar a las Curvas IDF son numerosos,
van desde los estadísticos, esto es los intervalos de confianza para los datos y
predicciones; los biológicos que serían el efecto de estas precipitaciones sobre la flora y
fauna, entre otros.

Resultados

Análisis comparativo de curvas Intensidad-Duración-Frecuencia para


intervalos de corta duración en la Cuenca del Río Segura:
Para un nivel de significación de 0.05 se admiten los ajustes realizados para todas las
estaciones y los intervalos de tiempo considerados según los Tests de Kolmogorov-
Smirnov y Chi-Cuadrado. En lo que respecta a los coeficientes de correlación obtenidos
sufren grandes variaciones dependiendo de la función utilizada. Mientras que para
Gumbel los resultados son muy homogéneos en cuanto a las estaciones y siempre en
torno a 0.7, para SQR-ET max los valores se mantienen en un rango muy estrecho entre
0.73 y 0.77, mientras que para la función GEV este rango abarca valores inferiores a 0.5
hasta valores superiores a 0.90, siendo independiente de la localización de la estación, así
como del intervalo evaluado. De igual forma, para Log Pearson Tipo 3, el coeficiente de
correlación tiene un rango de variación muy grande oscilando entre 0.4 y 0.90, aunque
puntualmente para algún intervalo y estación también se superan inferior y
superiormente dichos valores.

Para valorar de una forma global la función que mejor ajuste posee en la cuenca a los
datos de precipitación de los que disponemos, se ha realizado una clasificación de las
funciones en virtud del número de veces que alcanza el primer mejor ajuste (1), segundo
(2), tercero (3) o último (4), tal y como se muestra en la Fig. 3. Como se puede comprobar,
la función GEV es la que mayor número de veces obtiene un mejor resultado en los tests
de bondad realizados aunque también es la que presenta más resultados no válidos. De
hecho, en el proceso de ajuste se detectaron en algunos casos incongruencias del tipo de
curvas con máximos o mínimos relativos, por lo que, para una mejor clasificación, cada vez
que se obtiene un resultado no válido esa función no contabiliza los resultados en esa
estación.

7
De un total de 214 mejores ajustes de la función GEV para todos los intervalos
considerados, se obtuvieron igualmente ajustes anómalos para esta función en un total de
73 casos. Por el contrario, para la función SQRT-ET max con un resultado de 149 veces con

ajuste mejor frente a las demás, sólo se obtuvieron 6 ocasiones con resultados no
coherentes. Para el resto de funciones, como se puede comprobar, las proporciones de
mejor ajuste se reducían de forma considerable.

Además, los rangos del coeficiente de correlación son más homogéneos en la función de
Gumbel y SQR-ET max (ambas en torno a 0.70) frente a grandes las grandes variaciones
detectadas en las otras dos. Finalmente, se concluye que la función que mejores
resultados presenta es la función SQRT-ET max para la cuenca estudiada, seguida por la
GEV, aunque con errores mayores en su ajuste. Algunos autores como Ferrer (1993) y

8
Salas y Fernández (2007) corroboran esta afirmación y recomiendan el uso de la función
SQRT-ET max en España, así como ser la función de ajuste que se utiliza de manera oficial
en la reglamentación técnica en España.

Tras ello, se realizó un ajuste analítico de una curva IDF mediante el método de regresión
lineal planteado por Aparicio, resultando en todas las estaciones coeficientes de
correlación lineal por encima de 0.87, así como aceptación por el Test de Kolmogorov-
Smirnov de todas las funciones propuestas para un nivel de significancia de 0.05.

La gran mayoría de estaciones siguen una distribución similar en cuanto a intensidades en


lo que respecta al parámetro independiente (k) y el parámetro que depende del período
de retorno (m) teniendo unos valores medios 20.28 y 0.30 respectivamente lo cual
conlleva a unas intensidades medias máximas de 176 mm/h y 94.57 mm/h para un
período de retorno de 500 años y duraciones de 15 minutos y 60 minutos En lo que
respecta al parámetro n, dependiente de la duración considerada de la tormenta,
presenta una mayor variabilidad alcanzando los valores más altos en la zona central de la
cuenca. Sin embargo, es el parámetro k el que ofrece una mayor dispersión especialmente
en los valores máximos, alcanzando una variación media del 30% mayor en la zona sur de
la cuenca con respecto a la mitad norte de la misma, decreciendo de forma generalizada
las intensidades conforme se avanza hacia el interior.

Una vez determinados los parámetros definitorios de cada ecuación analítica para cada
una de las estaciones consideradas, se configuraron una serie de mapas (Fig. 4) donde se
ha interpolado mediante interpolación Kriging los valores obtenidos en cada punto. Así,
con el uso de los mismos se puede obtener la precipitación en cualquier lugar del ámbito
de la cuenca, para cualquier duración y periodo de retorno deseado.

Análisis Comparativo de las Curvas Intensidad – Duración – Frecuencia


(IDF) en 6 Estaciones Pluviográficas (VII Región del Maule, Chile).
A partir de la información facilitada por la Dirección General de Aguas (DGA), se procedió
a analizar las bandas pluviográficas de cada estación, con el propósito de obtener las
alturas máximas de precipitación para cada duración. Dichos valores se presentan en la
tablas Nº 2, 3, 4, 5, 6 y 7.

Cabe mencionar, que para las estaciones de Talca, Pencahue, Melozal y Parral, se
utilizaron las bandas pluviográficas con la información anual completa (1982 – 1998).
Mientras, que en la estación de Bullileo se utilizaron 16 años de estadística, producto que
el año 1988 presentó lagunas en su información pluviométrica; a su vez, en Colorado sólo
se utilizó un registro de 14 años de estadística comprendidos entre los años 1982 y 1998,
exceptuando los años 1994, 1995 y 1996, los cuales presentaron lagunas en algunos

9
meses o la ausencia total de las bandas pluviográficas, por lo que se utilizó solamente la
información que estuviera en poder de la Dirección General de Aguas.

VALLE CENTRAL

10
CORDILLERA DE LOS ANDES

11
5.2. Cálculo de intensidades máximas de precipitación en mm/hr.

Las tablas Nº 8,9,10,11,12 y 13, muestra los valores de intensidad de precipitación.

VALLE CENTRAL

12
13
CORDILLERA DE LOS ANDES

14
5.3. Ajuste de los datos a la función de distribución de probabilidad de Gumbel.

El ajuste de los valores de intensidad de precipitación (mm/hr) a la función de distribución


de probabilidad de Gumbel, se realizó con la determinación de los parámetros (µ, σ) de la
función para cada estación y duración. Ver tabla Nº 14.

Una vez ajustada la función de Gumbel, se determinaron las pruebas de bondad de ajuste,
utilizándose el test de Kolmogorov-Smirnov (K-S) y el Coeficiente de Determinación (R2).
Los resultados del Test de Kolmogorov-Smirnov, se pueden observar en la tabla Nº 15.

Por consiguiente se acepta para todas las estaciones el ajuste del test Kolmogorov-
Smirnov, y para cada duración considerada..

Los valores del Coeficiente determinación (R 2), para cada estación y duración, se
presentan en la en la tabla Nº 16.

15
5.4. Diseño de las curvas intensidad–duración–frecuencia para todas las estaciones.

Es importante destacar que los resultados gráficos obtenidos, son producto de un intenso
muestreo que en algunas ocasiones demandó más de 8 repeticiones, derivado que no era
posible un modelo gráfico que representase adecuadamente las curvas IDF, para las 6
estaciones en estudio. Ver gráficos Nº 1, 2, 3, 4, 5 y 6.

VALLE CENTRAL

16
CORDILLERA DE LOS ANDES

5.5. Determinación de las tablas de uso Práctico.

Las tablas Nº 17, 18, 19, 20, 21 y 22, entregan las valores de las intensidades de
precipitaciones calculadas para distintas duraciones y períodos de retorno, para las
diferentes estaciones pluviométricas cercanas de similar comportamiento climático.

VALLE CENTRAL

17
CORDILLERA DE LOS ANDES

Por otra parte, las tablas Nº 23, 24, 25, 26, 27 y 28, muestran los valores del parámetro k
calculado, el cual da cuenta de la relación entre la intensidad horaria y la intensidad de
precipitación en 24 horas para cada período de retorno. Estas relaciones permitirán la
extrapolación a zonas o estaciones que carezcan de registros pluviográficos, de tal forma
que si un investigador o un ingeniero, decide utilizar los datos de cualquiera de las 6
estaciones, pueda extrapolar a zonas que presentan sólo información pluviométrica. Para
ello, es necesario en la estación pluviométrica ajustar las precipitaciones en 24 horas a
una función de distribución de probabilidad, y con los parámetros de transformación k
que se entregan en las siguientes tablas, es posible construir las curvas IDF siguiendo el
patrón de la estación escogida.

VALLE CENTRAL

18
CORDILLERA DE LOS ANDES

19
5.6. Diseño de las Curvas IDF por Método Analítico.

Otra forma de desarrollar las curvas IDF es a través de una forma analítica propuesta por
Aparicio (1997). Dicho autor plantea la alternativa de obtener una ecuación que genere las
curvas IDF a través de un modelo de regresión lineal, de modo de extrapolar la ecuación
generada para cada estación, a zonas que carezcan de registros pluviográficos y que se
encuentren relativamente cerca.

Así, con la información obtenida para cada estación, relacionada con intensidades
máximas de precipitación asociadas a distintos períodos de retorno y duraciones, se
ajustaron modelos de regresión lineal múltiple; así los modelos originales quedan de la
siguiente forma:

A su vez, éstos debieron ser validados estadísticamente por medio de las


correspondientes dócimas de hipótesis de linealidad y la verificación de los supuestos de
regresión. Debido a la presencia de autocorrelación en los 6 modelos estudiados, éstos se
corrigieron a través del Método ρ , basado en el estadístico Durbin & Watson.

Finalmente, los modelos cumplen con todos los supuestos de regresión y los estimadores,
(Mínimos Cuadrados Ordinarios), son eficientes.

Así y reemplazando las variables en el modelo general y aplicando antilogaritmo, queda


una relación de las variables intensidad, duración y frecuencia, en una familia de curvas
cuyas ecuaciones son:

20
A modo de ejemplo, se presenta el análisis estadísticos para la estación Pencahue.

Ejemplo: Modelo Pencahue.

Las dócimas de hipótesis para los coeficientes de la regresión (Pendiente e Intercepto) se


indican a continuación:

Al observar el “Valor-p” para la pendiente de la recta (tabla Nº 29), cuyo valor es cero, se
puede concluir que la hipótesis nula se rechaza (el valor-p es inferior a α/2).

Por lo tanto, las variables presentan una relación lineal entre ellas. De igual forma, se
puede observar que el valor-p del intercepto es inferior a 0,05 (α/2), rechazándose la
hipótesis nula.

Del análisis de varianza se verificó la tendencia lineal entre las variables para todos los
modelos. Adicionalmente, se entrega el análisis de correlación del modelo,
proporcionando el coeficiente de determinación, el coeficiente de determinación ajustado
y el estadígrafo de Durbin & Watson.

Para mejorar la estimación del modelo, algunos autores sugieren eliminar los residuos
inusuales cuando no excedan el 5% de la muestra total; otros en cambio aconsejan
dejarlos, ya que si no hubo error en el registro de la información, dichos datos son
representativos de la población (Vallejos, 1999). De acuerdo a lo expuesto, se decidió no
eliminar datos inusuales. Ahora bien, es necesario probar los supuestos básicos de un
modelo de regresión lineal, porque además de especificar la forma funcional del modelo,
también se debe establecer inferencias acerca de los verdaderos valores de los
parámetros poblacionales.

21
Dado que el modelo original tiene una correlación serial de los residuos (d = 0,828), fue
necesario aplicar el procedimiento de transformación de variables para eliminar la
autocorrelación de los residuos a través del Método ρ , basado en el estadístico Durbin &
Watson. Luego, el modelo transformado es:

Yt* = 0,746896 + 0,164143 X1t* - 0,469797 X2t* R2 = 99,30 %; d = 1,765

Donde:

Yt* = Variable dependiente transformada a través del método p, correspondiente a la


primera iteración.

X1t*, X2t* = Variables independientes transformadas a través del método p,


correspondiente a la primera iteración.

A partir de la regresión transformada se deben obtener los nuevos coeficientes de


regresión del modelo original, es decir, el Intercepto (ao) y las Pendientes (a1) y (a2). Ver
tabla Nº 30.

Finalmente, el modelo lineal original cumple con todos los supuestos de regresión y los
estimadores, (Mínimos Cuadrados Ordinarios), son eficientes. Este modelo queda
establecido por:

Y = 1,804098 + 0,164143 X1 - 0,469797 X2 (*)

Donde,

22
Reemplazando las variables en el modelo (*) y aplicando antilogaritmo queda la siguiente
ecuación;

Donde:

I = Intensidad de precipitación en mm/hr.

T = Período de retorno en años.

D = Duración de la lluvia en minutos.

Medidas de bondad de ajuste. Una vez ajustados los modelos para cada estación, se
probaron dos medidas de bondad de ajuste; una corresponde a la prueba de U de Mann
Whitney, y la otra al coeficiente de determinación (R2), ambas utilizadas para validar los
modelos obtenidos para cada estación pluviográfica. Los modelos propuestos para
obtener las curvas IDF para cada estación, así como también las pruebas de bondad de
ajuste, se dan a conocer en la tabla Nº 31.

Construction of intensity-duration-frequency (IDF) curves for


precipitation with annual maxima data in Rwanda, Central Africa:
Figure 3a, b and c show the Intensity-Duration-Frequency (IDF) Montana-type curves for
precipitation at the stations Karama-Plateau, Rubona and Rwerere-Colline using the Atype
statistical parameters determined by the van Montfort technique (1990). The quantiles for
aggregation times d of 15, 30, 45, 60 and 1440min (0.25, 0.5, 0.75, 1 and 24h) and for
return periods T of 2, 5, 10, 20 and 50yr are computed and are given in Tables 3, 4 and 5.
The 3 sets of IDF-curves for precipitation have approximately the same dynamical

23
parameters θ and η but showing differences in the magnitude of intensity; the order of
magnitude of the intensity in the stations is (from low to high): Rwerere-Colline (Table 3),
Karama-Plateau (Table 4) and Rubona (Table 5).

Evaluación de métodos de construcción de curvas IDF a partir de


distribuciones de probabilidad y parámetros de ajuste:
Se construyeron las curvas IDF para siete estaciones pluviográficas del departamento de
Boyacá, teniendo en cuenta los tres tipos de distribuciones mencionadas en el numeral II.
De la misma manera, se ajustaron los parámetros de cada distribución, por momentos
ordinarios, máxima verosimilitud y momentos ponderados por probabilidad. De los
resultados obtenidos en la aplicación de estas distribuciones de probabilidad, y partiendo
de las intensidades máximas de precipitación para cada una de las estaciones que se
estudiaron, se generaron 21 gráficas: 7 correspondientes a la aplicación de la distribución
de Valor Extremo Tipo I EVI-Gumbel, mediante el ajuste por el método de los Momentos
Ordinarios (OM); 7 para la aplicación de la distribución de Valor Extremo Tipo 1 EVI-
Gumbel, mediante el ajuste por el método de Máxima Verosimilitud (ML), y, finalmente, 8
para la distribución de Valor Extremo Generalizado GEV, mediante el ajuste por el método
de los Momentos Ponderados por Probabilidad (PWM). Cada gráfica corresponde a una
curva intensidad duración frecuencia.

24
Se realizó un proceso comparativo, analizando las ventajas, desventajas, diferencias y
aplicabilidad de cada distribución a la zona de estudio. En el análisis de resultados se
plasman las principales conclusiones del proceso comparativo.

ECUACIONES QUE ESTIMAN LAS CURVAS INTENSIDAD-DURACIÓN-


PERÍODO DE RETORNO DE LA LLUVIA:
La tabla 4 muestra los parámetros de cada modelo, resultado del ajuste a las precipitaciones
extremas de la ciudad de Xalapa, registradas en el período 1927-2002, así, como el coeficiente de
determinación R2 y el error estándar de estimación, Re.

La tabla 4 muestra que el modelo que mejor se ajustó a las precipitaciones de las tormentas
severas registradas en la ciudad de Xalapa, fue el de Koutsoyiannis et al. (1998) con un R2 = 0.988,
es decir que éste explica 98.8% de los casos (Figura 2). En segundo lugar están el de Chow et al.
(1994) y Sherman (1931) con un R2 = 0.934 (Figuras 3 y 4, respectivamente), seguido por Bernard
(1932) con un R2 =0.904 (Figura 5); estos tres últimos explican más del 90% de los casos. En cuanto
al modelo de Wenzel (ec.8) y los descritos por las ecuaciones 3, 4 y 5 su coeficiente de
determinación varió entre 0.473 y 0.493, es decir que explican menos del 50% de los casos.

Finalmente, las figuras 6 a 9 muestran las curvas IDF ajustadas a las precipitaciones de la ciudad de
Xalapa durante el período 1927-2002.

25
26
Discusión
Es claro, que la obtención de estos datos y su representación gráfica no son la parte difícil
de las Curvas IDF, la parte verdaderamente laboriosa es el conseguir caracterizar o
encontrar los parámetros adecuados para el área de estudio, como es visto, los modelos
para obtenerlos pueden variar dependiendo de la situación y el acercamiento que se le de.

Claro que, el verdadero objetivo de las curvas es poder analizarlas para compararlas con
otros parámetros y características de la unidad de paisaje estudiada, llámese relaciones
con el relieve, el clima, la vegetación, etc... ; Es de esta manera en que verdaderamente
hay una mejora en el manejo de los recursos, ya que se empiezan a tomar en cuenta
características más específicas del área, ergo, un manejo más eficiente, con menor
deterioro o intervención en el mismo pero obteniendo beneficios, ya sean económicos,
sociales, etc...

27
Conclusión
 El lector se familiarizó con las Curvas IDF
 El lector conoce los diferentes componentes de las Curvas IDF
 El lector entiende cómo se obtienen los parámetros para las Curvas IDF
 El lector conoce algunos métodos para la caracterización de los parámetros
 El lector puede que entienda el análisis que se busca de las Curvas IDF

Bibliografía
http://hidrologia-ujcv.blogspot.mx/2011/07/el-pluviografo.html

Aparicio. (1999). Curvas intensidad-duración-periodo de retorno (i-d-T). En Fundamentos


de Hidrología de Superficie(465). Balderas 95, México, CDMX: EDITORIAL LIMUSA, S.A DE
C.V.

Laura Elena Maderey R.. (1980). Intensidad de la Precipitación en el Valle de México. 2016,
de UNAM Sitio web:
http://www.igeograf.unam.mx/sigg/utilidades/docs/pdfs/publicaciones/inves_geo/boleti
nes/10/bol10_art96.pdf

André Musgy y Cristophe Higy. (2010). Hidrology, A Science of Nature. Enfield, NH 03748,
USA: Science Publishers, P.O..

http://www.tutiempo.net/meteorologia/diccionario/intensidad-de-precipitacion.html

Antón Uriate Cantolla y Mónica Rico Bidarte. (1982). DURACION DE LAS PRECIPITACIONES
E INTENSIDADES EN TIEMPOS CORTOS EN SAN SEBASTIAN.. 2016, de Lurralde :inv. espac
Sitio web: http://www.ingeba.org/lurralde/lurranet/lur05/05uriat/05uriart.htm

Joel Gutiérrez Lozano, Virginia Vargas Tristán, Moisés Romero Rodríguez, José Manuel
Plácido de la Cruz, Manuel de Jesús Aguirre Bortoni, Hugo Tomás Silva Espinoza . (2010).
Periodos de retorno de lluvias torrenciales para el estado de Tamaulipas, México. 2016, de
Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM Sitio web:
http://www.revistas.unam.mx/index.php/rig/article/viewFile/29871/27771

Ven Te Chow, David R.Maidment, Larry W. Mays. (1994). Hidrología Aplicada. Santafé,
Bogotá, Colombia: McGRAW-HILL INTERAMERICANA. S.A..

http://eias.utalca.cl/Docs/pdf/Publicaciones/manuales/b_modulo_IDF.pdf

Dr. Ing. Roberto Pizarro T. Ing. Juan Pablo Flores V. Ing. Claudia Sangüesa P. Ing. Enzo
Martínez A.. (2004). CURVAS INTENSIDAD DURACIÓN FRECUENCIA. 2016, de SOCIEDAD

28
ESTÁNDARES DE INGENIERÍA PARA AGUAS Y SUELOS LTDA. Sitio web:
http://eias.utalca.cl/Docs/pdf/Publicaciones/manuales/b_modulo_IDF.pdf

Germán Monsalve Sáenz. (1999). Hidrología en la Ingeniería . Colombia: Escuela


Colombiana de Ingeniería.

Universidad Nacional de Colombia. (2014). CONSTRUCCIÓN Y ANÁLISIS DE CURVAS


INTENSIDADFRECUENCIA-DURACIÓN (IDF) DE 24 HORAS.. 2016, de Universidad Nacional
de Colombia Sitio web: http://www.bdigital.unal.edu.co/2178/4/32205876.2009_4.pdf

29