Colección de Artículos sobre Regionalización Hidrológica de Caudales máximos, Curvas

Intensidad-Frecuencia-Duración y Caudales Mínimos, Los trabajos fueron presentados en

Memorias XX Congreso Latinoamericano de Hidráulica IAHR, La Habana 1 - 5 de
Octubre de 2002 y Memorias XV Seminario Nacional de Hidráulica E Hidrología,
Medellín 29 - 31 de agosto de 2002.

Regionalización de Características Medias de la Cuenca con Aplicación en la

Estimación de Caudales Máximos
Oscar José Mesa Sánchez, Jaime Ignacio Vélez Upegui,
Juan Diego Giraldo Osorio y Diana Isabel Quevedo Tejada ............................................ 2

Adaptación del Método del Multiescalamiento para la Estimación de Caudales

Máximos en Colombia
Oscar José Mesa Sánchez, Jaime Ignacio Vélez Upegui,
Juan Diego Giraldo Osorio y Diana Isabel Quevedo Tejada .......................................... 14

Aplicación de diferentes metodologías para estimación de curvas

Intensidad – Frecuencia – Duración en Colombia
Jaime I. Vélez, Germán Poveda, Oscar Mesa, Carlos D. Hoyos, J. Freddy Mejía,
Diana I. Quevedo, Luis F. Salazar, Sara C. Vieira .......................................................... 26

Aplicación de diferentes metodologías para estimación de curvas

Intensidad – Frecuencia – Duración en Colombia
Jaime I. Vélez, Germán Poveda, Oscar Mesa, Carlos D. Hoyos, J. Freddy Mejía,
Diana I. Quevedo, Luis F. Salazar, Sara C. Vieira .......................................................... 38
 Regionalización de Características Medias de la Cuenca con Aplicación en la
Estimación de Caudales Máximos

Oscar José Mesa Sánchez, Jaime Ignacio Vélez Upegui,

Juan Diego Giraldo Osorio y Diana Isabel Quevedo Tejada

Posgrado en Aprovechamiento de Recursos Hidráulicos

Facultad de Minas, Escuela de Geociencia y Medio Ambiente
Universidad Nacional de Colombia, Sede Medellín

Palabras clave: Caudales Máximos, Regionalización, Cuenca,

Hidrología, Características Medias

Resumen
El objetivo de la regionalización de las características medias de la
c u e n c a es inf erir la respuesta hidr ológica de ésta a partir de sus
características geomorfológicas. Gran parte de las características
f ísicas de las cuencas se deben a la acción del agua, por lo que es
lógico pensar en una fuerte relación determinística entre las
características morfométricas de la cuenca y las variables que
describen el comportamiento hidrológico de la misma.
Siguiendo el procedimiento de regionalización de las características
medias, es posible relacionar las características geomorfológicas y
climáticas de una cuenca sin información con las características
medias de los caudales máximos instantáneos. Una vez conocidas
estas características medias se pueden estimar caudales máximos
instantáneos asociados a diferentes periodos de retorno utilizando
diversas distribuciones de probabilidad.
Luego de regionalizar el territorio colombiano e implementar la
metodología, se encontró que el área de drenaje no es suficiente
descriptor de las cuencas en Colombia. La amplia diversidad de
zonas climáticas y su combinación en las cuencas más grandes,
como la del río Magdalena, sugiere la utilización de parámetros
climáticos para capturar las características medias de los caudales
máximos. Un ejemplo muy claro de esta situación se da en la región
de la Guajira, donde los caudales máximos medios no crecen de
manera lineal log-log con el área; los ríos de montaña que bajan de
la Sierra Nevada de Santa Marta son torrenciales y presentan
crecientes muy grandes, pero al entrar en la llanura desértica los
procesos de infiltración disminuyen la magnitud de dichos
escurrimientos. Las variables geomorfoclimáticas precipitación,
evaporación y área de drenaje, constituyen unos buenos estimadores
de las características medias de la cuenca. Estas combinadas con el
Método de Análisis de Frecuencia, entregan resultados
satisfactorios, reflejado esto en que los errores para todas las
subregiones y período de recurrencia de 100 años no excede el
51\%.

1
 Abstract
The objective of regional analysis of basin’s average characteristics
is to infer the hydrological answer of this one from its
geomorphologic characteristics. Great part of the physical
characteristics of river basins are due to the action of water, so that,
a strong non-stochastic relation between the morphometric
characteristics of the river basin and the variables that describe the
hydrological behavior of it, is possible. Following the procedure of
regionalisation of the average characteristics, it is possible to relate
the geomorphologic and the climatic characteristics of a river basin
without information, to the average characteristics of the
instantaneous maximum floods. Once these average characteristics
are known, peak floods can be considered associated to different
return periods using diverse probability distributions.
After using the regional analysis of basin’s average characteristics,
we found that the drainage area is not a good descriptor of
Colombian river basins. The diversity of climatic zones and its
combination in the greatest river basins is wide, like the one of the
Magdalena river, suggesting the use of climatic parameters to
capture the average characteristics of the peak floods. A very clear
example of this situation occurs in the region of the Guajira where
the average peak flood does not obey log-log linearity with respect to
drainage areas. The mountain rivers that come from the Sierra
Nevada de Santa Marta are torrential and display very great
increases, but when entering the desert plain the infiltration
processes diminish the magnitude of these drainings. The
geomorphologic and the climatic variables as precipitation,
evaporation and drainage area, are good estimators of the average
characteristics of the river basin. These results combined with the
Frequency Analysis, show that errors for all the subregions and
return period of 100 years do not exceed 51%.

Key words: Peak Flood, Regional Analysis, Basin, Hydrology,

Average Characteristics

1. Introducción
Uno de los aspectos más importantes del diseño en ingeniería es la
cuantificación de los eventos extremos; dentro de este grupo de
fenómenos se encuentran los caudales máximos, los cuales por
considerarse como unos de los principales agentes geomorfológicos
y modeladores de la topograf ía, se constituyen en obj eto de estudio
e implantación de nuevas metodolog ías de estimación.
Sin embargo, la situación más común es la estimación de los eventos
máximos en sitios con información escasa o nula. Una de las
herramientas para enfrentar este problema es la regionalización de
parámetros de las distribuciones utilizando factores de escala.

2
La regionalización se apoya en el concepto fundamental de
homogeneidad hidrológica en una región, es decir dividir la zona de
estudio en regiones cuyas características topográficas, climáticas,
orográficas, etc., sean similares (homogeneidad estadística).
Utilizando éste concepto, se han desarrollado diferentes métodos
entre ellos la Regionalización de Características Medias de la
Cuenca, encaminada a regionalizar parámetros que permitan calcular
eventos máximos para diferentes períodos de retorno en sitios donde
no se tiene información de este tipo y se dispone de variables
geomorfoclimáticas de apoyo, fácilmente medibles.
En este estudio se muestra de forma general el planteamiento
matemático de la Regionalización de las Características Medias de la
Cuenca; para este caso en particular la precipitación y la
evaporación, éstas y el área de drenaje con la media y la desviación
estándar de los caudales máximos son las variables de interés.

2. Información y aspectos metodológicos

La información de caudales máximos utilizada en el estudio fue
suministrada principalmente por el IDEAM, la Corporación Autónoma
Regional del Valle del Cauca (Boletín Hidrológico 1991-1992),
Empresas Públicas de Medellín y la Corporación Autónoma Regional
de Cundinamarca, disponibles de trabajos desarrollados
anteriormente en el Posgrado de Aprovechamiento de Recursos
Hidráulicos. Para obtener mayor ilustración acerca del manejo a que
fueron sometidos los registros de caudales máximos y del proceso de
selección, ver Giraldo y Quevedo, (2001). Finalmente, fueron
seleccionadas 241 estaciones con registros de caudales medios
multianuales y máximos instantáneos anuales

2.3 Regionalizaci ón de Características Medias

El objetivo de la regionalización de los parámetros es inferir la
respuesta hidrológica de la cuenca a partir de sus características
geomorfológicas. Existen relaciones entre las variables hidrológicas
y los parámetros morfométricos, las cuales dan una idea del
comportamiento general de estas variables: Gran parte de las
características físicas de las cuencas se deben a la acción del agua,
por lo que es lógico pensar en una fuerte relación determinística
entre las características morfométricas de la cuenca y las variables
que describen el comportamiento hidrológico de la misma.
Siguiendo el procedimiento de Regionalización de las Características
Medias, es posible relacionar las características geomorfológicas y
climáticas de una cuenca sin información con las características
medias de los caudales máximos instantáneos. Una vez conocidas
estas características medias se pueden estimar caudales máximos
instantáneos asociados a diferentes periodos de retorno utilizando
las distribuciones de probabilidad Log-Normal y Gumbel. El
procedimiento a seguir es el siguiente:

3
1. Se definen regiones que puedan tener un comportamiento
hidrológico similar ya que en Colombia, se tiene alta variabilidad
topográfica, de vegetación, de tipo de suelos, climatológica, etc. y
es muy común encontrar que una corriente determinada, cruce una
o más regiones donde estas características varían ampliamente.
Las subregiones consideradas para esta metodología son las
siguientes: Guajira y Sierra Nevada, Cuenca del Río Cesar y
Llanura del Caribe, Sinú y Urabá, Catatumbo, Magdalena Medio,
Alto Magdalena, Nechí, Cañón del Cauca, Atrato, Pacífico, Valle
del Cauca, Sogamoso, Orinoquía y Amazonía.
2. Selección de las estaciones limnigráficas con un número adecuado
de años con registros e información confiable. Para cada una de
ellas se calculan las características medias de los caudales
máximos instantáneos (particularmente la media y la desviación
estándar).
3. Para cada una de las cuencas definidas por las estaciones de
aforo se miden los parámetros geomorfológicos y se estiman las
características climáticas medias como son la precipitación,
temperatura, etc.
4. Utilizando procedimientos de regresión múltiple se seleccionan las
variables geomorfológicas y climáticas que mayor influencia
tienen sobre la variable dependiente (las características medias
de los caudales máximos instantáneos). La ecuación resultante
para cada subregión es de la forma
α βξ
ξ QM = K ξ A ξ B
(1)
Donde ξ es el parámetro de la distribución que se quiere ajustar, A
y B representan las variables climáticas y geomorfológicas de la
c u e n c a e s c o g i d a s p a r a r e a l i z a r e l a j u s t e y Kξ, αξ y β ξ s o n
calculados con el ajuste.
5. E n l a s c u e n c a s s i n i n f o r m a c i ó n , p r e v i a m e n t e s e c a l c u l a n l o s
valores de las variables requeridas por la ecuación de
regionalización y luego se estiman los parámetros de la
distribución de caudales utilizando (1).
Siguiendo este proceso, el interés se centró en la estimación de los
parámetros de la ecuaciones que determinan el caudal máximo medio
µ y l a d e s v i a c i ó n e s t á n d a r σ, n e c e s a r i o s p a r a e l c á l c u l o d e c a u d a l e s
máximos para diferentes períodos de recurrencia por medio de las
ecuaciones de análisis de frecuencia (Chow, 1994).
_
Sea Q el caudal medio multianual dado por la ecuación del balance
hídr ico (Vélez, Poveda y Mesa, 2000)
_
Q = C (P − E )A (2)
Donde P es la precipitación y E la evaporación media multianual
s u c e d i d a s e n u n a c u e n c a d e á r e a A, d a d a s e n [ m m / a ñ o ] y [ k m 2 ] ,
respectivamente. La constante C es la encargada de realizar la

4
conversión de unidades que, para pasar a m3/s, tiene un valor de
3.17E-05. Para cada una de las estaciones de medición de caudales
s e e s t i m ó e l v a l o r d e P-E d e n t r o d e l a c u e n c a u t i l i z a n d o ( 3 )
Q
P −E =
CA (3)
Buscando relacionar los parámetros de las distribuciones de los
caudales máximos instantáneos y las variables geomorfológicas y
climáticas de la cuenca, el posible vínculo entre éstos, los caudales
medios multianuales y el área de la cuenca tiene la siguiente
θ 0ξ φ0 ξ
ξ = K 0ξ Q A
(4)
Donde ξ representa el parámetro estadístico de las series que se
q u i e r e e s t i m a r ( e n e s t e c a s o , l a m e d i a y l a d e s v i a c i ó n e s t á n d a r ) y K,
θ y φ son resultado de la regresión. Utilizando (2) es posible
r e l a c i o n a r ξ c o n P-E

ξ = K ξ (P − E )θ A
ξ φξ
(5)
Donde los parámetros han sido recalculados de la siguiente manera
θ0ξ
Kξ = C K 0ξ
θ ξ = θ 0ξ
φξ = φ 0 ξ + θ 0ξ
(6)
Se estimaron mediante procedimientos de regresión múltiple se los
valores de θ y φ tanto para la media como para la desviación estándar
para llegar a las siguientes expresiones
µ = K µ (P − E )θµ Aφµ
(7)
σ = Kσ (P − E )θσ Aφσ (8)
El escalado de los momentos se puede inferir a través de las
siguientes expresiones
E [ X ] = K µ (P − E ) µ A
θ φµ

Var [X ] = σ [ X ] = Kσ (P − E ) σ Aφσ
θ
(9)
Var [ X ] = E X 2 − (E [ X ])[ ] 2

De (9), se deduce fácilmente la expresión para el segundo momento

[ ]
E X 2 = Var [ X ] + (E [ X ]) = Kσ2 (P − E )
2 2θ σ
A2φσ + K µ2 (P − E )
2θ µ
A
2φ µ
(10)
La estructura de la metodología considera la variabilidad con la
escala de los caudales máximos. Para visualizar más fácil esta
c a r a c t e r í s t i c a c o n s i d é r e s e e l c o e f i c i e n t e d e v a r i a c i ó n CV p a r a c a d a
una de las subregiones

5
 σ Kσ (P − E )θ σ Aφσ K
= σ (P − E ) σ µ A σ µ
θ − θ φ −φ
CV = = (11)
µ K µ (P − E ) A θ µ φµ
Kµ
En (11) se observa que el coeficiente de variación de los caudales
no es constante y depende de la escala y de la ubicación dentro de
l a s u b r e g i ó n . U n a c a r a c t e r í s t i c a i m p o r t a n t e e s q u e φ µ >φ σ p a r a t o d a s
l a s s u b r e g i o n e s , e n t o n c e s CV d e c r e c e a m e d i d a q u e c r e c e e l á r e a d e
drenaje. Esto indica que la variabilidad espacial de los caudales es
menor a medida que aumenta la escala.
U t i l i z a n d o Q T r =Q m a x µ +K T r Q m a x σ , y l o s p a r á m e t r o s K, θ y φ , t a n t o p a r a l a
media como para la desviación estándar, se estiman entonces los
caudales máximos instantáneos.

3. Resultados y análisis
En la tabla (1) se muestran los resultados obtenidos para las
regresiones en las respectivas subregiones contempladas para este
método. El comportamiento para algunas subregiones es más claro
en las figuras (1) y (2), donde representan los valores reales para
la media y la desviación estándar, y + los valores estimados
utilizando las ecuaciones de regionalización para las subregiones
respectivas.

Tabla 1 Parámetros ajustados para (7) y (8)

Subregión Kµ Θµ φµ R Kσ Θσ φσ R
Orinoquía 0.0012 1.098 0.671 0.96 0.0021 1.031 0.499 0.91
Amazonía 0.0006 1.045 0.780 0.98 0.0015 0.913 0.603 0.93
Pacífico 0.0053 0.905 0.656 0.96 0.0202 0.623 0.581 0.86
Atrato 0.0005 1.052 0.697 0.99 0.0196 0.685 0.371 0.93
Sogamoso 0.0039 0.755 0.837 0.98 0.123 0.498 0.767 0.97
Mag. Medio 0.0176 0.657 0.735 0.95 0.1046 0.490 0.490 0.75
Alto Magdalena 0.0709 0.440 0.756 0.95 0.2810 0.211 0.620 0.87
Caribe 0.2069 0.436 0.604 0.98 2.3310 0.231 0.331 0.92
Guajira - S. N. 0.4849 0.521 0.398 0.79 2.9310 0.412 0.121 0.38
Sinú y Urabá 0.0228 0.763 0.581 0.90 0.3175 0.546 0.231 0.56
Catatumbo 0.0001 1.453 0.675 0.98 0.0004 1.295 0.505 0.90
Nechí 0.0008 1.009 0.758 0.92 0.0002 1.213 0.561 0.89
C. del Cauca 0.157 0.659 0.718 0.98 0.0796 0.508 0.508 0.94
V. del Cauca 0.3542 0.303 0.610 0.94 0.4035 0.235 0.490 0.82
Colombia 0.0120 0.719 0.720 0.95 0.0947 0.433 0.547 0.85

6
 Figura 1 Caudales máximos medios estimados (+). Caudales reales ( )
Las subregiones de la Guajira y Sinú - Urabá presentan los valores
del coeficiente de correlación más bajos para ambos ajustes. En
estas subregiones se tienen serios problemas con la cantidad y
calidad de la información; sin embargo, apartándose de este
condicionamiento, en estas subregiones el crecimiento del parámetro
no es lineal log-log con el área, como sucede en las otras regiones.
Esta tendencia de los caudales refleja las características físicas de
cada una de las subregiones; posiblemente el comportamiento de los
caudales máximos está fuertemente determinado por la relación entre
la evaporación y la precipitación (en las subregiones de La Guajira y
Sinú - Urabá se evaporá más del 80% del agua que cae en forma de
lluvia) y las condiciones del suelo.
En las subreg iones del Pacíf ico y Atrato los caudales tienen una
i n f l u e n c i a i m p o r t a n t e d e l a r e l a c i ó n e n t r e P y E; e n e s t a s s u b r e g i o n e s
la precipitación está vinculada con la topograf ía, es así como las
estaciones con cotas más bajas y mayores precipitaciones tienen
caudales máximos medios mayores que las estaciones más elevadas,
sin importar que tengan áreas similares. Esta misma situación se
repite en la Orinoquía, donde las estaciones con áreas más
pequeñas se ubican muy cerca del piedemonte de la Cordillera
Oriental, donde la precipitación tiene una componente orográfica
importante.

7
 Figura 2 Desviación estándar de los caudales máximos (+). Caudales reales ( )
Para ambas regresiones la subregión del Catatumbo presenta una
i n f l u e n c i a m u y m a r c a d a d e l a d i f e r e n c i a e n t r e P y E, l o c u a l s e v e
r e f l e j a d o e n a l t o s v a l o r e s d e l o s e x p o n e n t e s θµ y θ σ. E n g e n e r a l , s i s e
asumen los exponentes calculados para Colombia como los
promedios, el escalado de las características medias de los caudales
máximos con el área es bastante homogéneo para todas las
subregiones del país, excepto para la Guajira y Sinú - Urabá, donde
los exponentes están bastante alejados de los reportados en la
literatura. En estas subregiones la climatología es heterogénea y
tiene una importante influencia en el comportamiento de los caudales
máximos.
Los resultados de la predicción de los momentos según el método de
Regionalización de Parámetros está en la figura (3), donde las
subregiones más heterogéneas en su comportamiento hidrológico
presentan momentos que no son lineales log-log con el área (en la
g r á f i c a , P a c í f i c o y G u a j i r a ) , p e r o q u e e l m é t o d o , i n c l u y e n d o P-E c o m o
parámetro de la cuenca, predice bastante bien. Subregiones como
Sogamoso y Alto Magdalena muestran un comportamiento lineal entre
el logaritmo de los momentos y de las áreas.
Finalmente, se calculan los caudales máximos instantáneos
asociados a diversos períodos de retorno en cuencas sin
información; es importante el conocimiento de las características
hidrológicas de la región al momento de escoger la distribución de
p r o b a b i l i d a d e s y l o s v a l o r e s r e s p e c t i v o s d e KTr, d a d a l a s e n s i b i l i d a d
de los estimados con probabilidades de excedencia más bajas a este
parámetro.

8
 Figura 3 Predicción de los momentos de primer y segundo orden; (azul) Reales,
(negro) Estimados
L a v a l i d a c i ó n d e l m é t o d o s e e f e c t u ó g r a f i c a n d o Q R e a l vs Q E s t i m a d o p a r a
cada período de recurrencia en todas las subregiones. En la figura
( 4 ) s e p r e s e n t a n l o s r e s u l t a d o s o b t e n i d o s p a r a l o s Tr de 2.33 y 100
años en la subregión del Alto Magdalena; en la misma figura el
histograma de errores relativos ilustra el comportamiento de éstos y
su magnitud para los períodos de retorno considerados, utilizando
las mismas marcas de clase en todos los casos. De manera particular
para esta subregión, el error promedio más bajo se presenta en los
estimados para un periodo de retorno de 5 años, mientras que para
el periodo de retorno de 100 años el error porcentual medio es más
alto.
En general, el comportamiento del error medio es creciente con el
período de retorno, excepto para las subregiones del Nechí y el
C a ñ ó n d e l C a u c a , d o n d e l o s e r r o r e s m e d i o s c a l c u l a d o s p a r a Tr=100
años s o n s e n s i b l e m e n t e m e n o r e s q u e l o s c a l c u l a d o s p a r a Tr=2.33
años. L a t a b l a ( 2 ) c o n t i e n e l o s e r r o r e s m e d i o s c a l c u l a d o s e n c a d a
una de las subregiones para cada periodo de retorno.

9
 Figura 4 QEstimado vs. QReal (izq.). Histograma de Frecuencia de Errores Relativos
(der). Subregión Alto Magdalena
Tabla 2 Error porcentual medio para diferentes períodos de retorno
Tr [años]
Subregión
2.33 5 10 25 50 100
Orinoquía 35.88 36.73 36.87 37.31 36.82 36.03
Amazonía 15.64 18.70 20.21 21.59 22.94 23.01
Pacífico 25.89 26.08 25.64 26.65 27.45 28.42
Atrato 10.52 11.07 11.61 12.23 12.76 13.23
Sogamoso 28.53 28.17 27.91 28.74 27.36 30.59
Magdalena Medio 30.38 31.51 34.55 37.67 39.47 40.87
Alto Magdalena 33.15 32.95 33.88 34.50 35.61 36.85
Caribe 21.97 20.17 18.31 18.67 20.04 22.27
Guajira 20.29 27.00 29.04 31.99 34.77 44.75
Sinú-Urabá 35.35 38.92 41.34 43.86 45.43 47.87
Catatumbo 13.17 17.18 19.52 22.09 23.68 26.28
Nechí 42.10 38.31 36.04 34.30 34.89 31.77
Cañón del Cauca 28.01 18.52 14.36 14.92 15.01 16.51
Valle del Cauca 33.34 36.75 39.61 43.89 44.91 50.63
Colombia 40.36 40.97 41.64 43.07 43.25 43.71

4. Conclusiones
En la regionalización de parámetros medios, parece que el área de
drenaje no es suficiente como descriptor de las cuencas en

10
Colombia. La amplia diversidad de zonas climáticas y su combinación
en las cuencas más grandes, como la del río Magdalena, hace
conveniente la utilización de parámetros climáticos para caracterizar
las características medias de los caudales máximos. Un ejemplo muy
claro de esta situación se da en la región de la Guajira, donde los
caudales máximos medios no crecen de manera lineal log-log con el
área; los ríos de montaña que bajan de la Sierra Nevada de Santa
Marta son torrenciales y presentan crecientes muy grandes, pero al
entrar en la llanura desértica los procesos de infiltración disminuyen
la magnitud de dichos escurrimientos. Las variables
geomorfoclimáticas precipitación, evaporación y área de drenaje,
constituyen unos buenos parámetros para estimar las características
medias de los caudales máximos. Estas combinadas con el Método
de Análisis de Frecuencia, entrega resultados satisfactorios, lo que
se refleja en que los errores para todas las subregiones y período de
recurrencia de 100 años no excede el 51\%.
Los exponentes de escalado del área para la desviación estándar son
siempre menores que los correspondientes para la media de los
caudale máximos. La variabilidad espacial de los caudales,
representada por el coeficiente de variación CV, decrece a medida
que aumenta el área de la cuenca. Esta característica de
decrecimiento en la variabilidad de los caudales también es
predecida por el método del multiescalamiento para las cuencas
grandes.
El método de Regionalización de Parámetros es de fácil aplicación,
con requerimientos de información más flexibles que los del
multiescalamiento. La división en subregiones fue más detallada para
este método, lo que permitió que los estimados fueran mejores dado
que se cumplieron mejor las condiciones de homogeneidad
hidrológica dentro de las subregiones.
Se recomienda utilizar en Colombia el método de Regionalización de
Parámetros. Además de ser un método fácil respeta la variabilidad
climática del país y las propiedades de escalado con el área de los
caudales máximos.

5. Referencias bibliográficas
BATES, B. C. & BURGES, S. J., Review of regional Flood Frecuency
Estimation Techniques
C HOW, V. T., M AI D ME N T, D. R. & MAY S , L.W., H idr ol ogí a A p l ica da,
McGraw Hill, 1a ed., Santafé de Bogotá, 1994, pags 391-406
C or po ra ción Au t ó no ma Re gio nal d el Vall e del C au ca, B ol etín
Hidrológico 1991-1992
INSTITUTO DE H ID ROLOGÍ A, METEOROLOGÍA Y ESTUDIOS
AM B I E N T AL E S I DE AM , Est adí st ica s H i dr ol óg i cas d e Col om b ia 19 90-
1993, Tomos I y II, Santafe de Bogotá, 1995
GIR AL D O, J. D. Y Q U EV E DO, D. I., A da pta ci ón de l Mét odo de
Multiescalamiento para la Estimación de Caudales Máximos en
Colombia, Trabajo dirigido de grado presentado como requisito

11
parcial para optar por el título de Ingeniero Civil, Universidad
Nacional de Colombia, Facultad de Minas, Escuela de Ingeniería
Civil, Medellín, 2001
SMITH, R, Y VÉLEZ, M. V., Hidrología de Antioquia, Universidad Nacional
de Colombia, Facultad de Minas, Posgrado en Aprovechamiento de
Recursos Hidráulicos, Medellín, 1997, pags 24-27, 30-33, 57-72, 118-119,
145-148
VÉLEZ, J. I., POVED A, G. Y MES A, O. J., Balances Hidrológicos de
Colombia, Posgrado en Aprovecham iento de Recursos Hidráulicos,
Facultad de Minas, Universidad Nacional de Colombia, Medellín, 2000,
pags 6-8
http://poseidon. unalmed.edu.co/ hidrosig

12
 Adaptación del Método del Multiescalamiento para la Estimación de Caudales
Máximos en Colombia

Oscar José Mesa Sánchez, Jaime Ignacio Vélez Upegui,

Juan Diego Giraldo Osorio y Diana Isabel Quevedo Tejada

Posgrado en Aprovechamiento de Recursos Hidráulicos

Facultad de Minas, Escuela de Geociencia y Medio Ambiente
Universidad Nacional de Colombia, Sede Medellín

Palabras clave: Caudales máximos, Multiescalamiento,

Regionalización, Invarianza, Hidrología

Resumen

La definición de subregiones hidrológicamente homogéneas

supone invarianza en la distribución de probabilidad de las
crecientes bajo una traslación de la escala, la cual puede ser
indicada por el área de drenaje.
A diferencia del método de Escalamiento Simple, donde se supone
que el coeficiente de variación CV es constante para toda la
subregión, el comportamiento del CV en el método de
Multiescalamiento permite la determinación del área crítica AC, la
cual define el rango de áreas donde se consideran cuencas
pequeñas (A<AC) o grandes (A>AC). Esta división de las cuencas
dentro de la subregión es conveniente y necesaria, dado que las
propiedades de escalamiento de los caudales máximos presentan
diferencias para cada uno de los rangos. El modelo considera
estas diferencias y plantea las ecuaciones para cada intervalo de
áreas. Además, es coherente con las observaciones empíricas que
demuestran que los momentos de las series de caudales máximos
son lineales log-log con el área, pero que las pendientes de estas
rectas no crecen linealmente con el orden del momento, como si
se evidencia en los modelos de escalamiento simple.
Se aplicó el modelo de Multiescalamiento, utilizando cinco
diferentes distribuciones Lévy, en diferentes subregiones del país
definidas ad hoc. En cada una de ellas se calcularon los
parámetros para el modelo y se verificaron las propiedades de
multiescalado de los caudales máximos. Se muestra la conexión
de la teoría con el método de regresión de cuantiles desarrollado
por el Servicio Geológico de los Estados Unidos (USGS),
ampliamente utilizado en la regionalización de crecientes.
Finalmente, se aplicó el modelo ajustado para cada subregión en
estaciones de validación seleccionadas en cada rango de áreas;
este procedimiento demostró que las propiedades de
multiescalamiento son más fuertes en las cuencas más grandes y
que el modelo se les ajusta mejor.

Key words: Peak floods, Multiscaling, Regional Analysis,

Invariance, Hydrology

1
 Abstract
Definition of hydrologicaly homogenous regions supposes
invariance of the probability distribution of peak floods under a
scale translation, that could be indicated by the drainage area. In
the simple scaling, one assumes that the coefficient of variation
CV is constant for all the subregion, while in the Multiscaling
method the behavior of CV allows the determination of the critical
area AC, which defines the range of areas where small river basins
(A<AC) or large river basins (A>AC) are considered. This division
of the river basins within the subregion is advisable and
necessary, since the scaling properties of the crescents show
differences for each one of the ranks. The model considers these
differences and raises the equations for each interval of areas. In
addition, it is coherent with the empirical observations showing
that the moments of the maximum volumes series are linear log-log
with the area, but the slopes of these straight lines do not grow
linearly with the moment order, but they can be predicted by the
simple scaling model. The multiscaling model was applied by using
five different Lévy distributions, in different defined subregions of
the country defined ad hoc. In each one of them, the parameters
for the model were calculated and the multiscaling properties of
maximum floods were verified. The connection of the theory with
the quantiles regression method developed by the Geologic
Service of the United States (USGS) widely used in the
regionalization of crescents is shown. Finally, the fitted model for
each subregion in selected stations of validation in each rank of
areas was applied; this procedure demonstrated that the
multiescaling properties are stronger in the greatest river basins
and than the model fits better to them.

1. Introducción
Los caudales máximos son considerados como uno de los
principales agentes geomorfológicos, los cuales forman los
sistemas de drenaj e y modelan la topograf ía (Gupta, Mesa &
Dawdy, 1994) . Particularmente en Colombia, no sólo su
característica modeladora hace de estos eventos motivo de
estudio y de implantación de nuevas metodologías para su
estimación, sino también el enorme déficit en la cobertura de la
red nacional de medición de caudales, presentándose zonas
totalmente desprovistas de información.
En miras a compensar la escasez de información, se introduce el
concepto de regionalización, donde se busca primordialmente
dividir el país en regiones cuyas carácterísticas topográficas,
climáticas, orográficas, etc., sean similares. Esta calidad de
''similar'', se entiende como homogeneidad estadística, y significa
que un proceso hidrológico es estadísticamente homogéneo, si su
estructura espacial permanece similar a ella misma ante cambios
de escala.
La teoría del Multiescalamiento introduce una nueva posibilidad en
la estimación de caudales máximos, dado que su planteamiento
matemático se acomoda a la estructura de variabilidad espacial de
los datos, hecho de importancia fundamental en el modelamiento y

2
predicción. Es de interés particular en este estudio adaptar este
método para la estimación de caudales máximos en Colombia,
además de demostrar la conveniencia de su utilización ya que éste
plantea diferentes tipos de ecuaciones de acuerdo a los rangos de
áreas establecidos en cada subregión de acuerdo a la tendencia
del coeficiente de variación (CV) de los datos con el área,
definiéndose así un área crítica (AC) para cada una de dichas
subregiones

2. Información y aspectos metodológicos

La información de caudales máximos utilizada en el estudio fue
suministrada principalmente por el IDEAM, entidad encargada de
administrar la información de las estaciones hidrometeorológicas
en todo el país. También se disponía de estaciones pertenecientes
a la Corporación Autónoma Regional del Valle del Cauca (CVC),
digitadas del Boletín Hidrológico 1991-1992, ubicadas en los
departamentos del Cauca y el Valle del Cauca; estaciones de
Empresas Públicas de Medellín (EMP) y de la Corporación
Autónoma Regional de Cundinamarca (CAR), disponibles de
trabajos desarrollados anteriormente en el Posgrado de
Aprovechamiento de Recursos Hidráulicos, con estaciones en la
región montañosa de Antioquia y sobre el altiplano de la cordillera
oriental de los Andes colombianos, respectivamente. En total, se
contó se realizó el estudio con 241 estaciones de caudal máximo
distribuidas sobre todo el país (Giraldo y Quevedo, 2001) .

2.1 Regionalizaci ón
Los métodos de estimación de caudales máximos utilizados en
zonas donde la información es escasa o nula, involucran el
término de regionalización, que consiste en la división de la
región de estudio en subzonas definidas por criterios que varían
desde la contribución de los datos de los sitios de medición,
aspectos del comportamiento de los caudales máximos que sean
considerados homogéneos, o incluso regiones geográficamente
contiguas. Todo esto con el fin de obtener subregiones
estadísticamente homogéneas.
El concepto de homogeneidad o estacionaridad en la probabilidad,
se refiere a una invarianza en las distribuciones de probabilidad
de un proceso estocástico si el parámetro índice cambia a otro. El
resultado de homogeneidad estadística de los caudales máximos
puede estar físicamente motivado por la variabilidad inherente en
las características de los caudales en cualquier región. Esto es,
variabilidad en la humedad del suelo, en topograf ía, en
precipitación, etc., donde todos o alguno de estos contribuye en
las características de los caudales. Esta variabilidad es reflejada
en la especificación de la distribución de frecuencia de los
caudales. Si la variabilidad es similar sobre una región y sobre los
efectos de los caudales, entonces la distribución de frecuencia de
los caudales puede no depender de una ubicación particular
dentro de la región; es decir, ésta distribución puede presentar
dependencia con la magnitud y orden del vértice (Gupta, et al,
1994), donde se produce el evento (el orden lleva consigo el área
aguas arriba de donde se produce la creciente) .

3
En Colombia, se tiene alta variabilidad topográfica, de vegetación,
de tipo de suelos, climatológica, etc. y es muy común encontrar
que una corriente determinada, cruce de una o más regiones
donde estas características varían ampliamente. La
regionalización implementada para éste método fue muy gruesa,
procurando tener además de un adecuado número de estaciones,
zonas hdrológicas coherentes: Caribe, Pacíf ico y Cuenca del Río
Atrato, Cauca, Magdalena y Llanos Orientales.

2.2 Método de Multiescalamiento

Este procedimiento considera que el comportamiento de los
caudales máximos es diferente para las cuencas consideradas
grandes y pequeñas. Esta división de las cuencas se da al
observar el comportamiento del coeficiente de variación CV con el
área A que, en general para las cuencas pequeñas, tiende a
crecer. La posibilidad de considerar un modelo para ambos rangos
de áreas es discutida en Gupta et al, 1994; el CV se puede tomar
como una medida de la variabilidad espacial de las crecientes, y
las suposiciones que sobre él hace el modelo se pueden visualizar
en la figura (1); en esta figura, AC es el área crítica que define
una cuenca como grande o pequeña, y A0 y A0 son áreas de
referencia tal que A0 es más grande que, y A0 es más pequeña
que, todas las áreas de drenaje en la subregión, así:

Figura 1 Variación del CV regional con el área de drenaje

Las ecuaciones ut ilizadas para la aplicación del modelo están

presentadas en (1) y.(2) Una deducción detallada se encuentra en
Gupta et al, (1994)

[
ln q p A = (a0 − µ0 ln A ) + b0 − σ 0 ln A
α
]
1
α
w' p AC < A < A0 (1)

ln q A = (µ ln A − a ) + [σ ]
1
α α
p 1 1 1 ln A − b1 w' p A0 < A < AC (2)

En (1), dadas las bases teóricas para la Regresión Empírica de

Cuantiles desarrollada por el USGS (Gupta et al, 1994, pág 3407),
se llega a una ecuación como la mostrada en (3)
q p (A) = c (p )Aθ ( p ) (3)

4
Donde cada cuantil de los caudales pico es relacionado con el
área de la cuenca en una regresión log-log (aunque se pueden
incluir otros descriptores de la cuenca en la regresión, sin
embargo, el área es un descriptor clave de sus características); el
resultado es una ecuación donde los parámetros Θ() y c()
dependen de la probabilidad de excedencia p.
La elección del área como descriptor de la cuenca no es arbitraria,
dado que es un parámetro clave. En (3) los parámetros c(p) y θ(p)
son función de la probabilidad de excedencia p. Estas funciones
empíricas se pueden derivar en términos de los parámetros del
multiescalamiento a0, b0, µ0, σ0 y w’p. Utilizando algunas
transformaciones matemáticas se puede llegar de (1) a
σ 0α
ln q p (A ) = (a0 − µ0 ln A ) + b0 α w' p −
1
w' p ln A
αb01 −
1
α (4)
= ln c (p ) + θ (p ) ln A
donde el intercepto y el exponente de (3) están dados por

ln c (p ) = a0 + b0 α w' p
1
(5)

σ 0α
θ (p ) = − µ 0 − w' p (6)
αb01−
1
α

Estas expresiones de lnc(p) y θ(p) no son posibles para (2),

excepto para el modelo de Cauchy donde α = 1. Esto es debido a
que no se puede llegar a una expresión en la que lnqp(A) y ln(A)
se relacionen linealmente.
Cualitativamente, el comportamiento del exponente que predice
(5) es que un aumento de Tr implica que θ(p) se haga más
pequeño (si Tr aumenta, w’p también lo hace). Esto significa que
crecientes más grandes e infrecuentes tienen exponentes de
escalado más pequeños que crecientes más frecuentes.
Igualmente, el crecimiento de Tr implica que lnc(p) en (6) también
se incremente para los caudales más grandes.
Este comportamiento teórico está de acuerdo con las
observaciones empíricas realizadas por la USGS utilizando el
método de regresión de cuantiles, las cuales muestran que el
comportamiento de los parámetros de (3) como función del periodo
de retorno es el que predice la teoría del multiescalamiento.
En el caso AC>A>A0 , la teoría predice que no se cumple la
linealidad log-log entre los cuantiles y el área de drenaje a menos
que se tome α =1.

3. Análisis y discusión de resultados

Para estimar los cuantiles para cada serie, se utilizó la fórmula de
W eibull (Chow, 1994), para establecer las posiciones de los datos
dentro de las muestras y luego, utilizando un procedimiento de
interpolación lineal entre qp(p) y p, se calcularon los cuantiles
empíricos yp,i para los siguientes probabilidades de excedencia en
cada sitio i dentro de la subregión

5
Este procedimiento es arbitrario, sin embargo es menos sesgado
que otro que se hubiese podido adoptar (Gupta, Mesa & Dawdy,
1994). Los cuantiles correspondientes a las crecientes más
infrecuentes son dudosamente estimados, razón por la cual la
probabilidad de excedencia se restringió a p≥0.03. En la
estimación de los parámetros para cada subregión, inicialmente se
aplicó (1) suponiendo que describía el comportamiento de todo el
conjunto de cuencas. Los parámetros a0, b0, µ0 y σ0 se estimaron
entonces minimizando la suma del cuadrado de las diferencias
entre los logaritmos de los cuantiles teóricos y empíricos
ss = ∑∑ (log y p ,i − log q p ( Ai )) → min (7)
i p

La suma se extiende sobre todas las estaciones de la subregión y

sobre todos los cuantiles considerados. Este procedimiento se
llevó a cabo para cada uno de los modelos listados en la tabla (1),
los cuales se diferencian por valores fijos de α y β y se identifican
por d1, d2, d3, d4, d5.

Tabla 1 Parámetros de las distribuciones Lèvy

Modelo α β Observación
d1 2.0 0 Normal
d2 1.5 1
d3 1.5 0
d4 1.5 -1
d5 1.0 0 Cauchy

Para llevar a cabo la minimización es necesario especificar los

valores de w´p en (1). Los modelos normal d1, d3 y Cauchy d5 son
d
simétricos alrededor de 0. En consecuencia W = -W tienen los
mismos cuantiles. Este no es el caso para d2 y d4; si g(w, a, b)
denota la densidad de probabilidad de W y g(-w, a, b) de -W
entonces
g (− w,α , β ) = g (w,α ,− β ) (8)
En el proceso de estimación de los parámetros para cuencas
grandes y pequeñas, se hizo uso de las expresiones matemáticas
planteadas anteriormente. Las áreas críticas se dedujeron de la
observación del gráfico de CV vs A para cada una de las
subregiones. Los valores de AC para las subregiones son: Llanos
Orientales (900 km2 ), Pacíf ico y Cuenca del Atrato (1800 km2),
Caribe (750 km2), Magdalena (290 km2), Cauca (230 km2) y para
Colombia (260 km2). En la tabla (2) se muestran los resultados de
estos procedimientos aplicando el modelo multiescalado
Lognormal en todas las subregiones, donde i=0 para A> AC é i=1
para A<AC
Con el fin de ilustrar la teoría, en las figuras siguientes se
presentan gráficamente los resultados obtenidos para la subregión
del Magdalena aplicando el modelo Lognormal. En la figura (2), se
puede observar la tendencia decreciente del coeficiente de
variación con el aumento en el área de drenaje; el área crítica
asumida para ésta subregión, corresponde al punto donde se

6
consideró que cambia la tendencia general de la nube de puntos
con respecto al área

Figura 2 CV vs A, subregión Magdalena

Tabla 2 Parámetros ajustados al modelo multiescalado Lognormal

Subregión Área ai µi bi σi
Llanos Orientales 0.793 -0.754 0.253 0.018
A>AC 2.660 -0.542 0.221 0.016
A<AC 0.658 0.985 -0.159 0
Pacíf ico y Cuenca del 0.662 -0.782 0.163 0.013
Atrato A>AC 1.673 -0.653 0.190 0.015
A<AC 3.169 1.365 -0.063 0
Caribe 0.817 -0.670 0.511 0.035
A>AC 0.569 -0.696 0.215 0.015
A<AC -0.367 0.757 -0.515 0
Magdalena -0.705 -0.861 0.392 0.029
A>AC 0.171 -0.751 0.334 0.025
A<AC 2.664 1.239 -0.303 0
Cauca 0.591 -0.671 0.396 0.031
A>AC 0.552 -0.674 0.314 0.024
A<AC -0.276 0.752 -0.286 0

De los parámetros obtenidos del ajuste de (1) y utilizando (9), se

calcularon los momentos estimados por el modelo Lognormal tanto
para el conjunto de datos completo (utilizando la fórmula
correspondiente a las áreas mayores) como discretizado por
áreas.
 
[ ] 1  1
log E Q (A ) = a0 n + b0 n 2 +  − µ 0 n − σ 02 n 2
log A n = 1,2 ,...
n
2 2
(9)

7
Se observa en la figura (3) que la estimación de los momentos es
adecuada, a pesar de la dispersión de los puntos calculados en
cada estación, esto debido seguramente a la gruesa
regionalización utilizada para este método. La dispersión de los
puntos para los dos primeros momentos es menor comparada con
la del tercer y cuarto momento.

Figura 3 Momentos vs Área de drenaje para todas las estaciones, subregión

Magdalena
Al aplicar (9) sólo a las cuencas consideradas grandes, la predicción de los momentos
por parte de los modelos mejora, como se puede observar en la figura (4)

Figura 4 Predicción de los momentos para cuencas grandes en la subregión

Magdalena, según modelo multiescalado Lognormal
Utilizando el método de regresión de cuantiles (RC) y el
multiescalamiento (M) se obtuvieron los valores de logc(p) y θ(p).
Los resultados se muestran en los gráficos θ(p) vs wp y logc(p) vs
wp de la figura (5), donde las líneas representan la estimación del
modelo multiescalado de estos parámetros utilizando (9) y (10).
Se observa que el modelo multiescalado respeta el
comportamiento de estos parámetros con p a pesar de la
dispersión. La relación entre el método de regresión de cuantiles y
el multiescalamiento existe y es coherente.

8
Figura 5 Valores de θ y log c(p) calculados con el método de regresión de cuantiles.
Las línea continuas representan estos valores estimados con el modelo multiescalado
Lognormal
Se realizaron pruebas adicionales para ilustrar la estructura de la
teoría en relación con los datos; se estableció la relación lineal
entre los cuantiles empíricos de los datos y los dados por los
modelos mediante la expresión (10). El subíndice j=1 se refiere a
cuencas pequeñas, y j=0 a cuencas grandes, para mayor
ilustración ver Gupta, Mesa & Dawdy (1994)

log q p (Ai ) = h j (Ai ) + m j (Ai )w' p j = 1,0 (10)

Figura 6 Valores de h y m, (∆) calculados a partir de los datos, (linea continua)

estimados con el modelo multiescalado Lognormal
En la figura (6), se observa alta dispersión de los puntos en
ambos gráficos; se tiene además una tendencia de m0(Ai) a
decrecer mientras que A aumenta (línea color rojo). En este
mismo gráfico se introduce una linealización de ésta ecuación por
expansión en series de Taylor (línea color azul), se observa poca
diferencia de la línea de color rojo; resultados que soportan la
afirmación de la relación lineal log-log entre los cuantiles de
caudales y el área de drenaje.
Finalmente, se muestra en la figura (7) el histograma de
frecuencia de los errores relativos para la subregión Magdalena,
indicando que la mayor frecuencia en el error (50% de las
estaciones) presenta errores de estimación entre [31.86-86.26]%,
considerablemente altos.

9
Figura 7 Histograma de errores para el modelo multiescalado Lognormal aplicado a
la subregión Magdalena (todas las estaciones)
Los histogramas de errores considerando sólo las cuencas
grandes o pequeñas se encuentra en la f igura (8). El error relativo
promedio para las cuencas grandes es menor comparado con el
error de las cuencas pequeñas e incluso que para todo el conjunto
de estaciones en la subregión (figura 8). Esto es debido a que en
las cuencas grandes el modelo de multiescalamiento se ajusta
mejor que en las cuencas pequeñas.

Figura 8 Histograma de errores relativos (izq) cuencas grandes, (der) cuencas

pequeñas

4. Conclusiones
El método de Multiescalamiento involucra factores f ísicos en la
estimación de los caudales al considerar comportamientos
diferentes para las cuencas con áreas grandes y pequeñas.
Inicialmentes se consideró que el método describía el
comportamiento general de las crecientes utilizando una sola
ecuación para el conjunto de todas las estaciones de cada
subregión, sin embargo los estimados mejoran para las cuencas
grandes al definir el área crítica según el comportamiento del CV
con el área. Para las cuencas grandes el parámetro σiα es
significativamente diferente de cero, lo que no ocurre para las
cuencas más pequeñas; esto determina propiedades de
multiescalamiento más fuertes para las cuencas más grandes, ya

10
que lleva consigo información de la variabilidad espacial de los
caudales.
A pesar de su importancia en la definición de las características
de escalamiento, aún no existen bases físicas ni teóricas firmes
que apoyen la selección del área crítica AC al observar el
comportamiento del gráfico CV vs A. Una mejor elección de este
parámetro se haría al ajustar los parámetros del modelo con
varios valores de AC y obtener de esta manera el que menor error
produzca en la estimación.
Se recomienda especial atención en los criterios de
regionalización para éste método: deben tenerse en cuenta los
requerimientos de longitud de información, variables
geomorfológicas, ubicación geográfica, variabilidad climática, etc.
La adecuada definición de las subregiones influye de manera
decisiva en los resultados de los modelos.
La información sobre caudales máximos en Colombia, a pesar de
no ser escasa, presenta serios problemas por la deficiencia de la
calidad. La corta longitud de los registros y el alto porcentaje de
datos faltantes hacen que las series pierdan valor. Además, los
cortes en las series generalmente introducen cambios en los
parámetros estadísticos que obligan en algunos casos a desechar
la información.
La no linealidad del escalamiento de los caudales máximos se
convierte en un obstáculo para cuencas grandes que no presentan
homogeneidad hidroclimatológica en toda su extensión, ya que en
las fronteras de las subregiones se presentan discontinuidades en
los parámetros de los modelos. La integración de los parámetros
al interior de la cuenca aún no es satisfactoria.

5. Referencias bibliográficas
BATES, B. C. & BURGES, S. J., A Review of regional Flood
Frecuency Estimation Techniques
C HOW, V. T., MAI D M E N T, D. R. & M AY S , L.W., H i dro l ogía
Aplicada, McGraw Hill, 1a ed., Santafé de Bogotá, 1994, pags 391-
406
C or po ra ción Au t ón oma R egi on al del V alle del Ca uca, B o letín
Hidrológico 1991-1992
G UP T A, V . K., & DAW D Y , D. R., Mu lt is ca l in g a nd S kew S e par ati on
in Regional Floods, W ater Resources Research, vol 31, No.11,
1995, pags 2761-2767
G UP T A, V. K., & D AW D Y, D. R., P hys i ca l I nter pretat i on s of
Regional Variations in the Scaling Exponents of Flood Quantiles,
Hydrologic Processes, vol 9, No.3/4, august 1994, pags 347-361
G UP T A, V . K., MES A, O. J. & D AW D Y , D. R., Mu lt is ca li n g the ory
of flood peaks: regional quantile analysis, W ater Resources
Research, vol. 30, No. 12, december 1994, pags 3405-3421.
G UP T A, V . K., & W AY MI R E, E., Mu lt is ca l in g Pr op i erti es of S pat ia l
Rainfall and River Flow Distributions, Journal of Geophysical
Research, vol 95, No. D3, february 1990, pags 1999-2009

11
G UP T A, V . K., & W AY MI R E, E., Stat ic a l S elf - S imi l ari ty in R iv er
Networ ks Par ameteri zed by Elevat ion, W ater Resour ces Research,
vol 25, No. 3, march 1989, pags 463-476
I NS TI TU TO D E H ID ROLOGí A, METE O ROLOGí A Y E S TU DIO S
AM B I E N T AL E S IDE AM , Est adíst i cas H i dr ol óg i cas d e C o l omb ia
1990-1993 , Tomos I y II, Santafe de Bogotá, 1995.
M AN TI L L A, R. I., Análisis multiescala de propiedades
morfométricas y de caudales máximos de cuencas hidrográficas de
Colombia, Trabajo dirigido de grado presentado como requisito
parcial para optar por el título de ingeniero Civil, Universidad
Nacional de Colombia, Facultad de Minas, Departamento de
Ingeniería Civil, Medellín, 1999, pags 119-122
GIR AL D O, J. D. Y Q U EV E DO, D. I., A da pta ci ón de l Mét od o de
Multiescalamiento para la Estimación de Caudales Máximos en
Colombia, Trabajo dirigido de grado presentado como requisito
parcial para optar por el título de Ingeniero Civil, Universidad
Nacional de Colombia, Facultad de Minas, Escuela de Ingeniería
Civil, Medellín, 2001
S MI TH, J. A. , Re pre se ntat i on of B as i n S ca l e i n Fl o od Pe ak
Distributions, W ater Resources Research, vol 28, No. 11,
november 1992, pags 2993-2999
SMITH, R, Y VÉLEZ, M. V., Hidrología de Antioquia, Universidad
Nacional de Colombia, Facultad de Minas, Posgrado en
Aprovechamiento de Recursos Hidráulicos, Medellín, 1997, pags
24-27, 30-33, 57-72, 118-119, 145-148
V E LE Z, J. I., PO VE D A, G. Y ME S A, O. J., B al an ce s H id ro ló g ic os
de Colombia, Posgrado en Aprovechamiento de Recursos
Hidráulicos, Facultad de Minas, Universidad Nacional de
Colombia, Medellín, 2000, pags 6-8.
VOG EL, R. M. & S AN K AR AS U B R AM AN I AN , A. , Sp at ial S ca l in g
Propierties of Annual Streamflow in the United States,
Hydrological Sciences, vol 45, No. 3, june 2000, pags 465-476
http://poseidon.unalmed.edu.co/hidrosig
www.cas.american.edu/~jpnolan

12
 Aplicación de diferentes metodologías para estimación de curvas
Intensidad – Frecuencia – Duración en Colombia

Jaime I. Vélez, Germán Poveda, Oscar Mesa, Carlos D. Hoyos, J. Freddy Mejía,
Diana I. Quevedo, Luis F. Salazar, Sara C. Vieira

Posgrado en Aprovechamiento de Recursos Hidráulicos,

Universidad Nacional de Colombia, Medellín, Colombia

Resumen
Dada la importancia que tienen la utilización de las curvas Intensidad - Frecuencia - Duración (IDF)
en el cálculo y diseño de obras de ingeniería, se hace un análisis de diferentes metodologías para
su estimación utilizando información de 51 estaciones con registros horarios de precipitación
ubicadas en los andes tropicales de colombia. Las metodologías utilizadas fueron: ecuaciones
paramétricas (Froehlich) en función del período de retorno y la duración de las tormentas;
ecuaciones paramétricas (Vargas) en función, además, de la precipitación media anual, la
elevación, el número de días con lluvia al año y la lámina máxima de 24 horas de duración; y la
teoría de multiescalamiento que consiste en conocer las propiedades que permanecen invariantes
ante los cambios de escala en variables como la precipitación. Con esta última metodología los
registros evidencian que el coeficiente de variación, esencial para la estimación de las curvas
basadas en propiedades de escala, es constante (Cv = 0.25) para los rangos de duraciones de
lluvia trabajados (1 a 24 horas). La función de estructura de los registros muestra, para los
primeros cuatro momentos, evidencias de escalamiento simple. La ventaja más sobresaliente es
que esta teoría nace de bases físicas que proveen una síntesis de los complejos mecanismos que
determinan la lluvia. Se hace un análisis general de las anteriores metodologías y la forma de
integrar los resultados de la mismas como una base para determinar nuevas expresiones. Estos
resultados posibilitan encontrar características que facilitan la estimación de las curvas en lugares
con información escasa.

Palabras claves: Escalamiento, ecuaciones paramétricas, curvas IDF, precipitación, duración,

tormentas.

Abstract
Because of the importance of the rainfall Intensity - Duration - Frequency curves in the design and
calculation of engineering we use different methodologies for their estimation using time series of
51 hourly precipitation stations located in the tropical Andes of Colombia. We use the following
methodologies: Parametric equations (Froehlich) in function of a return period and a storm duration,
parametric equations (Vargas) in function of, in addition to the above, the mean annual
precipitation, the elevation, the number of rainy days in the year and the maximum 24 hours
precipitation; and the multiscaling theory that study the properties remaining invariant when scale
changes are made in variables like the precipitation. This last methodology shows a constant
variation coefficient (Cv = 0.25) for all the durations considered (1 to 24 hours). The structure
function shows simple scaling for the first four moments. This last methodology has an excellent
advantage. It is based in physical foundations that allow a synthesis of the complex mechanisms
that govern rainfall. We make a general analysis of the methodologies above and we integrate their
results as a base to determine new expressions. These results make possible to find characteristics
that allow the estimation of the curves in places with scarce information.

Keywords: Scaling, parametric equations, IDF curve, precipitation, duration, storms.

1. Introducción
Hoy en día las curvas Intensidad-Duración-Frecuencia (IDF), siguen siendo una de las
herramientas más utilizadas en la estimación de caudales de diseño, especialmente en el
diseño de obras de drenaje de vías y alcantarillados pluviales en las zonas urbanas y
rurales y en la estimación de las tormentas de diseño en sitios donde, debido a la falta de
información de caudales, es necesario recurrir a los modelos lluvia escorrentía para el
cálculo de los caudales máximos. Las intensidades máximas de la lluvia en distintos
intervalos de tiempo en un mismo sitio y con distintas probabilidades de excedencia o
períodos de retorno, se resumen en las IDF. La precipitación exhibe una gran fluctuación
tanto en el espacio como en el tiempo. Gracias a las nuevas tecnologías para el registro
de la precipitación, ha sido posible identificar las características no lineales de este
fenómeno y su estructura de variabilidad espacial.

Usualmente las curvas IDF se determinan mediante análisis del mayor número posible de
registros pluviográficos pertenecientes a la estación de estudio. En las cartas
pluviográficas están consignados los perfiles de cada tormenta, es decir, la profundidad
de precipitación acumulada en función del tiempo. El problema que se presenta es la
escasez de estaciones que registran información de este tipo, probablemente debido a su
alto costo de instalación y mantenimiento. La estimación de curvas IDF a partir de
información pluviométrica se presenta como una alternativa para resolver este problema.

En la última década se han hecho grandes esfuerzos para representar los campos de
precipitación. Los mayores desarrollos se han hecho en la modelación de procesos
temporales (Waymire y Gupta, 1981). Dentro de estos desarrollos se encuentra los
conceptos de escalamiento simple y multiescalamiento los cuales son utilizados para el
análisis de varios fenómenos en la hidrología que han permitido ligar las observaciones
con las características de los procesos físicos involucrados. El hecho de conocer las
propiedades que permanecen invariantes ante los cambios de escala en variables como
la precipitación, tiene implicaciones importantes en hidrología, tanto desde el punto de
vista teórico como práctico.

2. Datos y metodología
Se usaron registros de lluvia horaria de 45 estaciones pluviográficas manejadas por el
Centro Nacional de Investigaciones del Café, CENICAFÉ y 6 estaciones pluviográficas
manejadas por las Empresas Públicas de Medellín. Los períodos de registro oscilan entre
10 y 22 años. Es de resaltar que las estaciones están ubicadas en las zonas cafeteras de
Colombia y por tanto tienen un rango altitudinal de ubicación entre los 990 y 2120 m.
Dada la resolución temporal de los registros se analizaron las tormentas máximas con
duraciones entre 1 y 24 horas.

Ecuaciones paramétricas (Froehlich)

Existe una variedad de funciones que se vienen empleando para la representación de las
curvas IDF en forma regionalizada (Froehlich, 1995; Vargas, 1998; y Varas, 2000).
Froehlich (1995) propuso cuatro expresiones básicas para representar las curvas IDF en
varias regiones de los Estados Unidos, ver Tabla 1. Estas ecuaciones están expresadas
de forma adimensional, lo cual se consigue dividiendo por la intensidad de lluvia de 1 hora
de duración (I1) para un período de retorno dado.
 Tabla 1. Tipos de ecuaciones de intensidad-frecuencia-duración
Tipo de ecuación Expresión Parámetros de la
ecuación
I i = a1 /( t + b1 ) a1, b1

II i = a 2 / t c2 a2 , b2

III i = a3 /(t + b3 ) c3 a3, b3, c3

IV i = a 4 /( t c4 + b4 ) a4, b4 ,c4

Los parámetros de estas ecuaciones adimensionales no lineales se pueden hallar

minimizando la suma de los cuadrados de los errores para los datos considerados. En el
presente trabajo se obtuvieron expresiones para los parámetros a1, b1, a2, b2, a3, b3, a4, b4
en las ecuaciones, todas en función de la relación entre las láminas máximas de 24 horas
y 1 hora de duración P24-hr,Tr/ P1-hr,Tr.

Otra metodología que se usa para la representación de curvas IDF se basa en una
expresión que tiene la forma

PD ( Tr )  I 1 
28 0.1 − t 0.1

⋅ 
0.4
i ( t ,T r ) =
ID 
(1)
24
La ecuación (1) es una expresión utilizada en España y es recomendada por la
Instrucción de Drenaje Superficial, dependencia del Ministerio de Obras Públicas de
i
España. En esta, PD(Tr) es la precipitación máxima diaria, 1 es la relación entre la
iD
intensidad máxima de una hora con la intensidad de 24 horas, también llamada
coeficiente de torrencialidad.

Ecuaciones paramétricas (Vargas)

Vargas (2000), evaluó la aplicabilidad de las principales ecuaciones propuestas por la
literatura para generar curvas IDF sobre una amplia región colombiana. En primera
instancia, se utilizó la ecuación de Kothyari y Garde (ecuación 2) en forma generalizada
Tr
(4.1) I = a 2
( R 24 )d . (2)
tc
Luego, se reemplazó el término R224 por el valor promedio anual máximo de precipitación
diaria M
Tb d
(4.2) I = a M (3)
tc

Se proponen modificaciones a la ecuación 3 de tal manera que incluyera un parámetro

correspondiente al número de días con lluvia al año N
Tb
(4.3) I = a MdNe. (4)
tc
Donde a, b, c, d y e son coeficientes determinados por análisis de regresión para las
estaciones consideradas.
Finalmente, se adicionan parámetros como la precipitación medial anual PT en mm y la
elevación sobre el nivel del mar ELEV en msnm obteniéndose las ecuaciones 5 y 6.

Tb
(4.4) I = a c
M d N e PT f . (5)
t
Tb
(4.5) I = a c M d N e PT f ELEV g . (6)
t

Teoría de escalamiento simple y multiescalamiento

Se dice que un fenómeno presenta características de escalamiento simple para la variable
aleatoria I, cuando para cada λ existe una función C(λ) de tal forma que se conserve la
relación (Gupta y Waymire,1990)
D
I (λd ) = C (λ ) I (d ) (7)

D
La anterior relación es definida como escalamiento simple en sentido estricto, donde =
denota igualdad en la distribución de probabilidad, mostrando que la distribución de
probabilidad del fenómeno es invariante con respecto a la escala. λ es el factor de escala,
I es una variable aleatoria (Intensidad de la lluvia en este caso particular) y d es el
parámetro con el cual se escala I. Puede mostrarse que la función C(λ) puede escribirse
como
C (λ ) = λθ , ∀ θ ∈ R. (8)
La expresión (7) implica que los cuantiles también son invariantes con la escala y pueden
relacionarse por medio de la expresión
I q (λd ) = λθ I q (d ), (9)
donde q es el q-ésimo cuantil de la variable I. Existe una relación lineal entre el parámetro
con el cual se escala y el valor de la variable I correspondiente al q-ésimo cuantil. En el
campo logarítmico, para cada cuantil, se obtiene una línea recta con esta ecuación y las
pendientes de estas rectas (θr).
La ecuación (7) implica también, que siempre y cuando los momentos de la variable I
existan, éstos también son invariantes con la escala y se relacionan por medio de la
expresión
M r (λd ) = λξ r M r (d ) , (10)
con Mr(.) el momento de orden r de la variable I, y con
ξ r = r (1 − θ 1 ) (11)
Las propiedades denotadas por las ecuaciones (7) a (10) definen lo que se conoce como
Escalamiento Simple en sentido amplio ya que depende de la existencia de los momentos
y es una propiedad más débil que la expresada con la ecuación (7). La ecuación (10)
indica una relación lineal el campo logarítmico entre el parámetro con el cual se escala y
cada uno de los diferentes momentos de orden r.

En la naturaleza se han encontrado diversos fenómenos en los cuales a pesar de

conservarse la relación de los momentos en diferentes escalas en cada orden, no se
presenta la relación lineal entre el orden de los momentos y las diferentes pendientes ξr
de la expresión (10), es decir no se cumple (11). De acuerdo a esto, la expresión (10)
puede escribirse como
M r (λd ) = λl ( r ) rθ M r (d ) (12)
donde l(r) es una función que describe el “alejamiento” de los valores de los exponentes
de la expresión (10). Las curvas IDF se pueden analizar a partir del escalamiento
temporal simple de la precipitación, es decir utilizando la duración como parámetro de
escala. Si se supone que existe escalamiento simple y además que existen los diferentes
momentos, de las ecuaciones (10) y (11) se obtiene que

[ ]
E [I d ] = (d / d ref )θ E I dref (13)

[ ]
Var [I d ] = (d / d ref ) 2θ Var I dref (14)
donde Id y Idref son la intensidad máxima para una duración d y una duración de
referencia, respectivamente. Para el caso de escalamiento simple, el coeficiente de
variación (CV) es una constante, dada por

CV =
Var [I d ]
=
[ ]
Var I def
E 2 [I d ] [ ]
E 2 I dref
. (15)

Si se conoce la función de distribución de los valores extremos de los registros, el valor

del exponente de escalamiento(θ) y CV, es posible calcular las intensidades máximas a
partir de un valor de referencia conocido (Iref). Suponiendo que los valores extremos de la
precipitación siguen una distribución Log-Normal tipo II (LN II), a partir de la teoría del
escalamiento simple, la expresión para las IDF queda

[ ]
I d ,q = E I dref
[
exp Φ q ln 1 + CV 2  d
( 
)] 
θ


1 + CV 2  dref  . (16)

En la ecuación (16), Φq es el la inversa de la distribución normal acumulada estándar para

una probabilidad de no excedencia q. Las fórmulas utilizadas para la determinación de los
intervalos de confianza fueron las siguientes:
σˆ 2 σˆ 2
βˆ 1 − t α / 2,n −2 ≤ β1 ≤ β1 + t α / 2,n −2
ˆ (17)
S xx S xx
donde:
S yy − βˆ 1 S xy
σˆ 2 = ; estimador insesgado de la varianza.
n−2
Resultados y análisis

Ecuaciones paramétricas (Froehlich)

Utilizando los datos de intensidad y duración de las estaciones, se obtuvieron las curvas
ajustadas de intensidad-frecuencia-duración para 5 períodos de retorno (2.33, 5, 10, 25,
50) suponiendo una distribución lognormal de los eventos máximos para los tipos III y IV
(tabla 1) por presentar un mejor ajuste a los datos, igualmente se realizaron ajustes para
la ecuación propuesta por la dependencia de obras públicas de España (Ecuación 1). En
la Figura 1 se observan las curvas intensidad-frecuencia-duración para la estación
Bremen.

Figura 1. Ajuste de curva IDF para la estación Bremen.

Luego se encontró una relación entre el coeficiente de torrencialidad con los diferentes
parámetros de las ecuaciones. La relación lineal fue la que mostró un mejor ajuste. Los
resultados del ajuste se muestran en la Tabla 2.

Tabla 2. Valores de pendiente, intercepto y coeficiente de correlación, para

cada parámetro y diferente período de retorno
Período de retorno
Parámetro Ajuste 2.33 5 10 25 50
Atrans a 0.16 0.11 0.04 0.15 0.02
b 0.00 0.00 0.00 0.00 0.01
R2 0.13 0.01 0.14 0.13 0.22
A2 a 62.20 50.68 50.63 44.98 45.94
b -1.13 0.23 0.43 0.85 0.87
R2 0.19 0.04 0.08 0.18 0.18
A3 a 96.71 86.25 87.55 82.84 75.72
b -3.57 -2.31 -2.17 -1.85 -1.24
R2 0.47 0.36 0.37 0.40 0.28
B3 a 1.35 1.37 1.30 1.37 1.17
b -0.09 -0.10 -0.09 -0.09 -0.08
R2 0.91 0.92 0.94 0.96 0.94
A4 a 98.52 88.75 87.42 81.25 74.26
b -3.73 -2.47 -2.19 -1.70 -1.07
R2 0.50 0.38 0.37 0.36 0.21
A4 a 1.40 1.45 1.32 1.33 1.17
b -0.10 -0.10 -0.09 -0.09 -0.08
R2 0.92 0.90 0.91 0.92 0.85

Ecuaciones paramétricas (Vargas)

Tabla 3. Parámetros ajustados para el conjunto de estaciones

Ecuación a b c d e f g
3 3.785 0.159 0.712 0.525 0 0 0
4 3.458 0.159 0.712 0.516 0.025 0 0
5 2.911 0.159 0.712 0.346 -0.203 -0.282 0
6 2.266 0.159 0.712 0.274 -0.112 0.326 -0.033
Haciendo uso de los registros de precipitación de las estaciones, se obtuvieron los
valores correspondientes a las variables M, N y PT para cada una de éstas y mediante
procesos de optimización, se calcularon los parámetros de (3), (4), (5) y (6), presentados
en la Tabla 3.

A partir de los parámetros encontrados, se establecen las expresiones que sirven

finalmente para la construcción de las curvas IDF. En la Figura 2, se muestran las curvas
IDF calculadas con las expresiones (3), (4), (5) y (6) para la estación El Sireno para los
diferentes períodos de retorno estudiados.

Figura 2. Curvas Intensidad-Frecuencia-Duración con base en las ecuaciones (3) y

(4) para la estación El Sireno.

En el proceso de validación de ésta metodología, se construyeron histogramas de

frecuencia de los errores relativos porcentuales, determinados a partir de los datos reales
de intensidad con una probabilidad de no excedencia asociada a los períodos de retorno
contemplados en el estudio y de los valores calculados con cada uno de los modelos
ajustados. En la Figura 3, se muestran los errores relativos para la estación El Sireno, se
toman los períodos de retorno de 2.33 años (arriba) y 50 años (abajo) con el fin de
comparar la sensibilidad de los cuatro modelos en el cálculo de intensidad para diferentes
períodos de recurrencia. Se observa que los errores promedios para Tr = 2.33 años son
muy bajos (inferiores a 27%), presentándose un incremento significativo de estos en el
cambio de período de retorno (Error promedio para Tr =50 años de 52%); Se encontró
además sobreestimación en los cuatro modelos, siendo (5) quien presenta el menor error
promedio, posiblemente indicando que al introducir la variable PT estos disminuyen, ya
que es una variable que condensa gran cantidad información acerca del comportamiento
de la lluvia; los errores relativos de (6) siguen en orden de magnitud, mostrando que el
ingreso de la variable ELEV aporta ruido en la estimación los valores de intensidad.

Teoría de escalamiento
Según la suposición de escalamiento simple, el valor del exponente θ puede estimarse a
partir de los valores de precipitaciones máximas observadas para las diferentes
duraciones. En los análisis realizados por Wilches (2001), se encontró para estaciones de
registro pluviográficas ubicadas en Antioquia, que las relaciones de escala no son válidas
en todo el rango de duraciones, y que es necesario subdivirlo en dos o más rangos. Pudo
observarse que el exponente de escalamiento para las duraciones pequeñas (menores de
2 horas) presenta gran variabilidad y el de duraciones mayores es más estable lo que
presupone análisis de escalamiento múltiple y simple, respectivamente.
Figura 3. Errores relativos para la estación El Sireno. (Arriba) Errores para Tr = 2.33;
(abajo Errores para Tr = 10 años.

En la Figura 4 se observan los valores de las pendientes de los ajustes en el campo

logarítmico entre los primeros cuatro momentos muestrales y las duraciones
consideradas (1 a 24 horas). Analizando la función de estructura en la Figura 4 donde el
valor de ξ1 fue tomado del ajuste presentado, y de acuerdo con la teoría de escalamiento
simple, en la cual los valores de los momentos varían linealmente con el momento de
orden uno, se observa que hasta para momentos de orden 4, los datos se ajustan
significativamente a la línea teórica. El cálculo de momentos de mayor orden es muy
susceptible de errores debido a la corta longitud de los registros.

Figura 4. (izquierda) Gráfico de los primeros cuatro momentos de las lluvias

máximas. Los rombos son los valores muestrales y las líneas continuas los
mejores ajustes. ξr es la pendiente de estas líneas. (derecha) Función de
Estructura para los datos. La línea continua representa la ecuación (11) y los
símbolos (+) son los resultados muestrales.

Para presentar un resultado confiable estadísticamente, se realizaron estimaciones de los

intervalos de confianza para cada estación en particular, con el fin de verificar si es
posible rechazar la hipotesis de que las lluvias horarias en el rango analizado (1 a 24
horas) tienen un comportamiento de escalamiento simple o si el escalamiento se puede
regionalizar (entre simple o múltiple). Para esto se estimaron los intervalos de confianza
del 95%, del ajuste lineal entre cada uno de los momentos y las duraciones. Esto se
muestra en la Figura 5, donde se unen los intervalos de confianza por medio de una línea
punteada. En esta figura la línea continua indica los valores teóricos de escalamiento
simple. Se busca decidir si los datos obtenidos están dentro de los intervalos de
confianza y comprobar la hipótesis de escalamiento simple.

Figura 5. Intervalos de confianza para las regresiones entre los momentos y las
duraciones para la estación Blonay.

En la mayoría de las estaciones analizadas los datos obtenidos se encuentran dentro de

los límites de confianza. Se concluye que con todos los análisis realizados anteriormente
se acepta la hipótesis de escalamiento simple, para efectos de calcular las curvas IDF.

Los resultados anteriores sugieren la utilización del modelo de escalamiento simple, dada
la evidencia de los registros en el rango de duraciones utilizados y con el máximo orden
de los momentos analizados. Un parámetro necesario para aplicar este modelo es el
Coeficiente de Variación (CV). Si se toma la intensidad de 24 horas como la intensidad de
referencia, el modelo indica que CV se debe ajustar a la línea de escalamiento simple.
Como se observa en la Figura 6, el coeficiente de variación tiene un rango entre 0.18 y
0.30, y dado que este valor es fácilmente afectado tanto por la longitud de los registros
como por los aparatos de medición, se consideró usar un valor constante de CV = 0.25
correspondiente al valor medio. Además, CV no presenta ningún rasgo característico con
la cota de la estación y con la precipitación media multianual.
La Figura 6 muestra también cómo el coeficiente de variación es más disperso para las
duraciones menores de 4 horas y se estabiliza para las duraciones mayores. Esto es
debido posiblemente a la alta variabilidad de la lluvia para las duraciones menores.

Figura 6. (Izq) Histograma de Frecuencias para Cv. (der) Valores de CV para todas
las duraciones en todas las estaciones.
Si se toma un valor de θ para cada estación, dado por el ajuste de la serie de registros
máximos para todas las duraciones consideradas, utilizando la ecuación (4.10), se
observan valores que varían entre –0.84 y -0.80, con un valor medio de –0.83 (Figura 7).
El θ promediado entre todas las estaciones es muy similar al obtenido con la regresión
lineal entre las duraciones y el momento de orden 1. En la variabilidad espacial de θ no se
observa ningún patrón carácterístico.

Figura 7. Histograma de Frecuencias del parámetro θ.

Para la validación de los resultados se aplicó el modelo de escalamiento simple con

distribución LNII (ecuación 16) y con los valores de θ y CV constantes e iguales a -0.83 y
0.25, respectivamente, y la intensidad de referencia de 24 horas. Se compararon los
resultados con los obtenidos al aplicar los métodos tradicionales (suponiendo una
distribución LNII de las lluvias máximas) para la estación El Jazmín. En la Figura 8 se
observan los errores relativos para las curvas IDF en diferentes períodos de retorno. A
grandes rasgos se puede observar que los errores relativos aumentan en las mayores
duraciones para altos períodos de retorno y las duraciones menores presentan mayores
errores debido a la posible presencia de escalamiento múltiple para pequeñas duraciones.
Los mayores errores en esta validación son del orden del 25% y, en promedio, se tienen
errores del 10 al 15 %. Aquí el error relativo se usa en sentido de comparación entre los
resultados que se obtienen por ambos métodos. La teoría de escalamiento contiene una
base conceptual y teórica mucho más sólida desde el punto de vista de la física del
proceso de precipitación (Over y Gupta, 1994; Lovejoy y Schertzer, 1990; Burlando y
Rosso, 1996).
Tr = 2.33 Tr = 10 Tr = 50
20 30
10
25
Error relativo (%)

Error relativo (%)

Error relativo (%)

8 15
20
6
10 15
4 10
5
2 5

0 0 0
1 6 12 18 24 1 6 12 18 24 1 6 12 18 24
d (horas) d (horas) d (horas)

Figura 8. Errores relativos entre los valores del modelo y el método tradicional en la
estación El Jazmín para períodos de retorno de 2.33, 10 y 50 años.

Para efectos prácticos hemos encontrado la expresión (18) para evaluar la intensidad de
la lluvia para cualquier período de retorno y cualquier duración en el rango de 1 a 24
horas
 I q ,d = I 24
[ ]
exp φ q ln( 1 + CV 2  d



θ

 d 24 
(18)
1 + CV 2
Donde:
Iq,d : Intensidad (mm/h) para la duración d(horas) y el período de retorno q (años)
I24 : Intensidad de 24 horas (mm/h)
φq : inversa de la distribución normal acumulada estándar para una probabilidad de no
excedencia q.
CV : Coeficiente de Variación = 0.25
d24 : Duración de referencia = 24 horas
θ :Valor del exponente de escalamiento = -0.83

Las curvas IDF estimadas a partir de la ecuación (18) para las estaciones Alban y Arturo
Gómez se presentan en la Figura 9.

Figura 9. Curvas IDF obtenidas a partir de la teoría de escalamiento simple para las
estaciones Alban y Arturo Gómez

Se hizo el ajuste de las ecuacione tipo II, III y IV del método de Froehlich considerando los
valores de c2, c3 y c4 constantes e iguales a 0.83 (valor obtenido por el método de
escalamiento simple). Al realizar un proceso de optimización de estos exponentes se
observa que los valores c2, c3 y c4 son cercanos al valor escogido y no varían
considerablemente inclusive para períodos de retorno altos. Igualmente se observan
valores cercanos a 0.83 para el exponente c en el método de Vargas.

Conclusiones
Para el método de las ecuaciones paramétricas de Vargas, la utilización de la ecuación
(6) no es conveniente ya que la inclusión de la elevación no representa un aporte
significativo en los estimados de intensidades. Aunque los modelos (3), (4) y (5) son de
gran utilidad y proveen buenas estimaciones de intensidades de lluvia en zonas
desprovistas de información, cabe resaltar que para la calibración de estos se requiere de
información de precipitación horaria de mejor resolución espacial, con el objetivo de
calcular con mayor confiabilidad las variables M, N y PMA requeridas y de tener mejor
cobertura en el territorio nacional.
Por el metodo de Froehlich se ha encontrado que el coeficiente de torrencialidad tiene una
variabilidad espacial similar a la distribución de la precipitación media anual. Se debe
explorar la relación que existe entre estas dos variables.
Los registros evidencian que el coeficiente de duración, escencial para la estimación de
las curvas basadas en propiedades de escala, es constante para los rangos de
duraciones de lluvia trabajados. La función de estructura de los registros muestra, para los
primeros cuatro momentos, evidencias de escalamiento simple. A partir de estas
consideraciones, se trabajó con la expresión para la las curvas IDF basada en
escalamiento simple y la función de distribución Log-Normal tipo II para representar la
probabilidad de las lluvias máximas, la cual usa como variables independientes el
promedio de la intensidad de la lluvia para 24 horas de duración, el período de retorno y
la duración. Este modelo de escalamiento simple muestra resultados satisfactorios al
reproducir curvas IDF basadas en métodos tradicionales. La ventaja más sobresaliente de
la teoría de escalamiento es que esta nace de bases físicas que proveen una síntesis de
los complejos mecanismos que determinan la lluvia. Se obtiene un modelo más simple y
de parsimonia que el obtenido con los modelos heurísticos que actualmente se usan para
la determinación de las curvas IDF. El obtener un valor del exponente de la duración muy
similar en los tres métodos, a pesar de que parten de suposiciones diferentes, indica la
estabilidad del mismo y hace pensar que está relacionado con la fisica de los procesos
determinante de las tormentas. Estos resultados son una herramienta útil para la práctica
en la ingeniería donde se requiera el cálculo de tormentas extremas cuyas duraciones de
interés estén dentro de las rangos aquí trabajadas.

Agradecimientos: A Cenicafé (Centro de investigaciones del café) y a las Empresas Públicas de

Medellín, por facilitarnos la información de las estaciones de precipitación.

Bibliografía
Burlando P. y Rosso R., Scaling and multiscaling models of depth-duration-frequency curves for
storm precipitation, Journal of Hidrology, 187, p. 45–64. 1996.
Froehlich, D. C., Intermediate-Duration-Rainfall Intensity Equations, Journal of Hydraulic
Engineering, 121, 751-756, 1995.
Gupta, V.K. y E. Waymire, A statistical analysis of mesoscales rainfall in random cascade, Jour. Of
Applied Meteo. Vol 32, 2, Febraury 1993.
Linsley, R. Flood Estimates: ¿How Good are they?, Water Resources Research, 22, 159-164,
Agosto, 1986.
Ministerio de Obras Públicas, Transporte y Medio Ambiente, Métodos para el Cálculo Hidrológico
de Crecidas, Madrid-España, 1996.
Montgomery, D. C. y Runger, G. C., Probabilidad y Estadística Aplicadas a la Ingeniería.
McGraw-Hill. 1996.
Smith, R. y Vélez, M., Hidrología de Antioquia, Departamento de Antioquia, Secretaria de Obras
Publicas, Posgrado en Aprovechamiento de Recursos Hidráulicos, Universidad Nacional de
Colombia, sede Medellín, Colombia, Junio, 1997.
Varas, E., Farías de Reyes, M., Estudio Comparativo de Relaciones Intensidad-Duración-
Frecuencia, Memorias XIX Congreso Latinoamericano de Hidráulica, Córdoba, Argentina,
Tomo II, 359-366, Octubre, 2000.
Vargas, R., Curvas Sintéticas de Intensidad-Duración-Frecuencia para Colombia.
Regionalización e Implementación de un SIG, Trabajo Dirigido de Grado, Magíster en
Recursos Hidráulicos, Facultad de Ingeniería, Universidad de los Andes, Bogotá, D.C., 1998.
Waymire, E. y Gupta, V.K., The mathematical structure of rainfall representations. Water Resources
Research., 17 (5), 1261-1294, 1981.
Wilches, S., Estudio de las Propiedades de Invarianza de las Precipitaciones Máximas Puntuales
en el Departamento de Antioquia, Tesis de Maestría. Aprovechamiento de Recursos
Hidráulicos, Universidad Nacional de Colombia, Sede Medellín, 2001.
 Aplicación de diferentes metodologías para estimación de curvas
Intensidad – Frecuencia – Duración en Colombia

Jaime I. Vélez, Germán Poveda, Oscar Mesa, Carlos D. Hoyos, J. Freddy Mejía,
Diana I. Quevedo, Luis F. Salazar, Sara C. Vieira

Posgrado en Aprovechamiento de Recursos Hidráulicos,

Universidad Nacional de Colombia, Medellín, Colombia

Resumen
Dada la importancia que tienen la utilización de las curvas Intensidad - Frecuencia - Duración (IDF)
en el cálculo y diseño de obras de ingeniería, se hace un análisis de diferentes metodologías para
su estimación utilizando información de 51 estaciones con registros horarios de precipitación
ubicadas en los andes tropicales de colombia. Las metodologías utilizadas fueron: ecuaciones
paramétricas (Froehlich) en función del período de retorno y la duración de las tormentas;
ecuaciones paramétricas (Vargas) en función, además, de la precipitación media anual, la
elevación, el número de días con lluvia al año y la lámina máxima de 24 horas de duración; y la
teoría de multiescalamiento que consiste en conocer las propiedades que permanecen invariantes
ante los cambios de escala en variables como la precipitación. Con esta última metodología los
registros evidencian que el coeficiente de variación, esencial para la estimación de las curvas
basadas en propiedades de escala, es constante (Cv = 0.25) para los rangos de duraciones de
lluvia trabajados (1 a 24 horas). La función de estructura de los registros muestra, para los
primeros cuatro momentos, evidencias de escalamiento simple. La ventaja más sobresaliente es
que esta teoría nace de bases físicas que proveen una síntesis de los complejos mecanismos que
determinan la lluvia. Se hace un análisis general de las anteriores metodologías y la forma de
integrar los resultados de la mismas como una base para determinar nuevas expresiones. Estos
resultados posibilitan encontrar características que facilitan la estimación de las curvas en lugares
con información escasa.

Palabras claves: Escalamiento, ecuaciones paramétricas, curvas IDF, precipitación, duración,

tormentas.

Abstract
Because of the importance of the rainfall Intensity - Duration - Frequency curves in the design and
calculation of engineering we use different methodologies for their estimation using time series of
51 hourly precipitation stations located in the tropical Andes of Colombia. We use the following
methodologies: Parametric equations (Froehlich) in function of a return period and a storm duration,
parametric equations (Vargas) in function of, in addition to the above, the mean annual
precipitation, the elevation, the number of rainy days in the year and the maximum 24 hours
precipitation; and the multiscaling theory that study the properties remaining invariant when scale
changes are made in variables like the precipitation. This last methodology shows a constant
variation coefficient (Cv = 0.25) for all the durations considered (1 to 24 hours). The structure
function shows simple scaling for the first four moments. This last methodology has an excellent
advantage. It is based in physical foundations that allow a synthesis of the complex mechanisms
that govern rainfall. We make a general analysis of the methodologies above and we integrate their
results as a base to determine new expressions. These results make possible to find characteristics
that allow the estimation of the curves in places with scarce information.

Keywords: Scaling, parametric equations, IDF curve, precipitation, duration, storms.

1. Introducción
Hoy en día las curvas Intensidad-Duración-Frecuencia (IDF), siguen siendo una de las
herramientas más utilizadas en la estimación de caudales de diseño, especialmente en el
diseño de obras de drenaje de vías y alcantarillados pluviales en las zonas urbanas y
rurales y en la estimación de las tormentas de diseño en sitios donde, debido a la falta de
información de caudales, es necesario recurrir a los modelos lluvia escorrentía para el
cálculo de los caudales máximos. Las intensidades máximas de la lluvia en distintos
intervalos de tiempo en un mismo sitio y con distintas probabilidades de excedencia o
períodos de retorno, se resumen en las IDF. La precipitación exhibe una gran fluctuación
tanto en el espacio como en el tiempo. Gracias a las nuevas tecnologías para el registro
de la precipitación, ha sido posible identificar las características no lineales de este
fenómeno y su estructura de variabilidad espacial.

Usualmente las curvas IDF se determinan mediante análisis del mayor número posible de
registros pluviográficos pertenecientes a la estación de estudio. En las cartas
pluviográficas están consignados los perfiles de cada tormenta, es decir, la profundidad
de precipitación acumulada en función del tiempo. El problema que se presenta es la
escasez de estaciones que registran información de este tipo, probablemente debido a su
alto costo de instalación y mantenimiento. La estimación de curvas IDF a partir de
información pluviométrica se presenta como una alternativa para resolver este problema.

En la última década se han hecho grandes esfuerzos para representar los campos de
precipitación. Los mayores desarrollos se han hecho en la modelación de procesos
temporales (Waymire y Gupta, 1981). Dentro de estos desarrollos se encuentra los
conceptos de escalamiento simple y multiescalamiento los cuales son utilizados para el
análisis de varios fenómenos en la hidrología que han permitido ligar las observaciones
con las características de los procesos físicos involucrados. El hecho de conocer las
propiedades que permanecen invariantes ante los cambios de escala en variables como
la precipitación, tiene implicaciones importantes en hidrología, tanto desde el punto de
vista teórico como práctico.

2. Datos y metodología
Se usaron registros de lluvia horaria de 45 estaciones pluviográficas manejadas por el
Centro Nacional de Investigaciones del Café, CENICAFÉ y 6 estaciones pluviográficas
manejadas por las Empresas Públicas de Medellín. Los períodos de registro oscilan entre
10 y 22 años. Es de resaltar que las estaciones están ubicadas en las zonas cafeteras de
Colombia y por tanto tienen un rango altitudinal de ubicación entre los 990 y 2120 m.
Dada la resolución temporal de los registros se analizaron las tormentas máximas con
duraciones entre 1 y 24 horas.

Ecuaciones paramétricas (Froehlich)

Existe una variedad de funciones que se vienen empleando para la representación de las
curvas IDF en forma regionalizada (Froehlich, 1995; Vargas, 1998; y Varas, 2000).
Froehlich (1995) propuso cuatro expresiones básicas para representar las curvas IDF en
varias regiones de los Estados Unidos, ver Tabla 1. Estas ecuaciones están expresadas
de forma adimensional, lo cual se consigue dividiendo por la intensidad de lluvia de 1 hora
de duración (I1) para un período de retorno dado.
 Tabla 1. Tipos de ecuaciones de intensidad-frecuencia-duración
Tipo de ecuación Expresión Parámetros de la
ecuación
I i = a1 /( t + b1 ) a1, b1

II i = a 2 / t c2 a2 , b2

III i = a3 /(t + b3 ) c3 a3, b3, c3

IV i = a 4 /( t c4 + b4 ) a4, b4 ,c4

Los parámetros de estas ecuaciones adimensionales no lineales se pueden hallar

minimizando la suma de los cuadrados de los errores para los datos considerados. En el
presente trabajo se obtuvieron expresiones para los parámetros a1, b1, a2, b2, a3, b3, a4, b4
en las ecuaciones, todas en función de la relación entre las láminas máximas de 24 horas
y 1 hora de duración P24-hr,Tr/ P1-hr,Tr.

Otra metodología que se usa para la representación de curvas IDF se basa en una
expresión que tiene la forma

PD ( Tr )  I 1 
28 0.1 − t 0.1

⋅ 
0.4
i ( t ,T r ) =
ID 
(1)
24
La ecuación (1) es una expresión utilizada en España y es recomendada por la
Instrucción de Drenaje Superficial, dependencia del Ministerio de Obras Públicas de
i
España. En esta, PD(Tr) es la precipitación máxima diaria, 1 es la relación entre la
iD
intensidad máxima de una hora con la intensidad de 24 horas, también llamada
coeficiente de torrencialidad.

Ecuaciones paramétricas (Vargas)

Vargas (2000), evaluó la aplicabilidad de las principales ecuaciones propuestas por la
literatura para generar curvas IDF sobre una amplia región colombiana. En primera
instancia, se utilizó la ecuación de Kothyari y Garde (ecuación 2) en forma generalizada
Tr
(4.1) I = a 2
( R 24 )d . (2)
tc
Luego, se reemplazó el término R224 por el valor promedio anual máximo de precipitación
diaria M
Tb d
(4.2) I = a M (3)
tc

Se proponen modificaciones a la ecuación 3 de tal manera que incluyera un parámetro

correspondiente al número de días con lluvia al año N
Tb
(4.3) I = a MdNe. (4)
tc
Donde a, b, c, d y e son coeficientes determinados por análisis de regresión para las
estaciones consideradas.
Finalmente, se adicionan parámetros como la precipitación medial anual PT en mm y la
elevación sobre el nivel del mar ELEV en msnm obteniéndose las ecuaciones 5 y 6.

Tb
(4.4) I = a c
M d N e PT f . (5)
t
Tb
(4.5) I = a c M d N e PT f ELEV g . (6)
t

Teoría de escalamiento simple y multiescalamiento

Se dice que un fenómeno presenta características de escalamiento simple para la variable
aleatoria I, cuando para cada λ existe una función C(λ) de tal forma que se conserve la
relación (Gupta y Waymire,1990)
D
I (λd ) = C (λ ) I (d ) (7)

D
La anterior relación es definida como escalamiento simple en sentido estricto, donde =
denota igualdad en la distribución de probabilidad, mostrando que la distribución de
probabilidad del fenómeno es invariante con respecto a la escala. λ es el factor de escala,
I es una variable aleatoria (Intensidad de la lluvia en este caso particular) y d es el
parámetro con el cual se escala I. Puede mostrarse que la función C(λ) puede escribirse
como
C (λ ) = λθ , ∀ θ ∈ R. (8)
La expresión (7) implica que los cuantiles también son invariantes con la escala y pueden
relacionarse por medio de la expresión
I q (λd ) = λθ I q (d ), (9)
donde q es el q-ésimo cuantil de la variable I. Existe una relación lineal entre el parámetro
con el cual se escala y el valor de la variable I correspondiente al q-ésimo cuantil. En el
campo logarítmico, para cada cuantil, se obtiene una línea recta con esta ecuación y las
pendientes de estas rectas (θr).
La ecuación (7) implica también, que siempre y cuando los momentos de la variable I
existan, éstos también son invariantes con la escala y se relacionan por medio de la
expresión
M r (λd ) = λξ r M r (d ) , (10)
con Mr(.) el momento de orden r de la variable I, y con
ξ r = r (1 − θ 1 ) (11)
Las propiedades denotadas por las ecuaciones (7) a (10) definen lo que se conoce como
Escalamiento Simple en sentido amplio ya que depende de la existencia de los momentos
y es una propiedad más débil que la expresada con la ecuación (7). La ecuación (10)
indica una relación lineal el campo logarítmico entre el parámetro con el cual se escala y
cada uno de los diferentes momentos de orden r.

En la naturaleza se han encontrado diversos fenómenos en los cuales a pesar de

conservarse la relación de los momentos en diferentes escalas en cada orden, no se
presenta la relación lineal entre el orden de los momentos y las diferentes pendientes ξr
de la expresión (10), es decir no se cumple (11). De acuerdo a esto, la expresión (10)
puede escribirse como
M r (λd ) = λl ( r ) rθ M r (d ) (12)
donde l(r) es una función que describe el “alejamiento” de los valores de los exponentes
de la expresión (10). Las curvas IDF se pueden analizar a partir del escalamiento
temporal simple de la precipitación, es decir utilizando la duración como parámetro de
escala. Si se supone que existe escalamiento simple y además que existen los diferentes
momentos, de las ecuaciones (10) y (11) se obtiene que

[ ]
E [I d ] = (d / d ref )θ E I dref (13)

[ ]
Var [I d ] = (d / d ref ) 2θ Var I dref (14)
donde Id y Idref son la intensidad máxima para una duración d y una duración de
referencia, respectivamente. Para el caso de escalamiento simple, el coeficiente de
variación (CV) es una constante, dada por

CV =
Var [I d ]
=
[ ]
Var I def
E 2 [I d ] [ ]
E 2 I dref
. (15)

Si se conoce la función de distribución de los valores extremos de los registros, el valor

del exponente de escalamiento(θ) y CV, es posible calcular las intensidades máximas a
partir de un valor de referencia conocido (Iref). Suponiendo que los valores extremos de la
precipitación siguen una distribución Log-Normal tipo II (LN II), a partir de la teoría del
escalamiento simple, la expresión para las IDF queda

[ ]
I d ,q = E I dref
[
exp Φ q ln 1 + CV 2  d
( 
)] 
θ


1 + CV 2  dref  . (16)

En la ecuación (16), Φq es el la inversa de la distribución normal acumulada estándar para

una probabilidad de no excedencia q. Las fórmulas utilizadas para la determinación de los
intervalos de confianza fueron las siguientes:
σˆ 2 σˆ 2
βˆ 1 − t α / 2,n −2 ≤ β1 ≤ β1 + t α / 2,n −2
ˆ (17)
S xx S xx
donde:
S yy − βˆ 1 S xy
σˆ 2 = ; estimador insesgado de la varianza.
n−2
Resultados y análisis

Ecuaciones paramétricas (Froehlich)

Utilizando los datos de intensidad y duración de las estaciones, se obtuvieron las curvas
ajustadas de intensidad-frecuencia-duración para 5 períodos de retorno (2.33, 5, 10, 25,
50) suponiendo una distribución lognormal de los eventos máximos para los tipos III y IV
(tabla 1) por presentar un mejor ajuste a los datos, igualmente se realizaron ajustes para
la ecuación propuesta por la dependencia de obras públicas de España (Ecuación 1). En
la Figura 1 se observan las curvas intensidad-frecuencia-duración para la estación
Bremen.

Figura 1. Ajuste de curva IDF para la estación Bremen.

Luego se encontró una relación entre el coeficiente de torrencialidad con los diferentes
parámetros de las ecuaciones. La relación lineal fue la que mostró un mejor ajuste. Los
resultados del ajuste se muestran en la Tabla 2.

Tabla 2. Valores de pendiente, intercepto y coeficiente de correlación, para

cada parámetro y diferente período de retorno
Período de retorno
Parámetro Ajuste 2.33 5 10 25 50
Atrans a 0.16 0.11 0.04 0.15 0.02
b 0.00 0.00 0.00 0.00 0.01
R2 0.13 0.01 0.14 0.13 0.22
A2 a 62.20 50.68 50.63 44.98 45.94
b -1.13 0.23 0.43 0.85 0.87
R2 0.19 0.04 0.08 0.18 0.18
A3 a 96.71 86.25 87.55 82.84 75.72
b -3.57 -2.31 -2.17 -1.85 -1.24
R2 0.47 0.36 0.37 0.40 0.28
B3 a 1.35 1.37 1.30 1.37 1.17
b -0.09 -0.10 -0.09 -0.09 -0.08
R2 0.91 0.92 0.94 0.96 0.94
A4 a 98.52 88.75 87.42 81.25 74.26
b -3.73 -2.47 -2.19 -1.70 -1.07
R2 0.50 0.38 0.37 0.36 0.21
A4 a 1.40 1.45 1.32 1.33 1.17
b -0.10 -0.10 -0.09 -0.09 -0.08
R2 0.92 0.90 0.91 0.92 0.85

Ecuaciones paramétricas (Vargas)

Tabla 3. Parámetros ajustados para el conjunto de estaciones

Ecuación a b c d e f g
3 3.785 0.159 0.712 0.525 0 0 0
4 3.458 0.159 0.712 0.516 0.025 0 0
5 2.911 0.159 0.712 0.346 -0.203 -0.282 0
6 2.266 0.159 0.712 0.274 -0.112 0.326 -0.033
Haciendo uso de los registros de precipitación de las estaciones, se obtuvieron los
valores correspondientes a las variables M, N y PT para cada una de éstas y mediante
procesos de optimización, se calcularon los parámetros de (3), (4), (5) y (6), presentados
en la Tabla 3.

A partir de los parámetros encontrados, se establecen las expresiones que sirven

finalmente para la construcción de las curvas IDF. En la Figura 2, se muestran las curvas
IDF calculadas con las expresiones (3), (4), (5) y (6) para la estación El Sireno para los
diferentes períodos de retorno estudiados.

Figura 2. Curvas Intensidad-Frecuencia-Duración con base en las ecuaciones (3) y

(4) para la estación El Sireno.

En el proceso de validación de ésta metodología, se construyeron histogramas de

frecuencia de los errores relativos porcentuales, determinados a partir de los datos reales
de intensidad con una probabilidad de no excedencia asociada a los períodos de retorno
contemplados en el estudio y de los valores calculados con cada uno de los modelos
ajustados. En la Figura 3, se muestran los errores relativos para la estación El Sireno, se
toman los períodos de retorno de 2.33 años (arriba) y 50 años (abajo) con el fin de
comparar la sensibilidad de los cuatro modelos en el cálculo de intensidad para diferentes
períodos de recurrencia. Se observa que los errores promedios para Tr = 2.33 años son
muy bajos (inferiores a 27%), presentándose un incremento significativo de estos en el
cambio de período de retorno (Error promedio para Tr =50 años de 52%); Se encontró
además sobreestimación en los cuatro modelos, siendo (5) quien presenta el menor error
promedio, posiblemente indicando que al introducir la variable PT estos disminuyen, ya
que es una variable que condensa gran cantidad información acerca del comportamiento
de la lluvia; los errores relativos de (6) siguen en orden de magnitud, mostrando que el
ingreso de la variable ELEV aporta ruido en la estimación los valores de intensidad.

Teoría de escalamiento
Según la suposición de escalamiento simple, el valor del exponente θ puede estimarse a
partir de los valores de precipitaciones máximas observadas para las diferentes
duraciones. En los análisis realizados por Wilches (2001), se encontró para estaciones de
registro pluviográficas ubicadas en Antioquia, que las relaciones de escala no son válidas
en todo el rango de duraciones, y que es necesario subdivirlo en dos o más rangos. Pudo
observarse que el exponente de escalamiento para las duraciones pequeñas (menores de
2 horas) presenta gran variabilidad y el de duraciones mayores es más estable lo que
presupone análisis de escalamiento múltiple y simple, respectivamente.
Figura 3. Errores relativos para la estación El Sireno. (Arriba) Errores para Tr = 2.33;
(abajo Errores para Tr = 10 años.

En la Figura 4 se observan los valores de las pendientes de los ajustes en el campo

logarítmico entre los primeros cuatro momentos muestrales y las duraciones
consideradas (1 a 24 horas). Analizando la función de estructura en la Figura 4 donde el
valor de ξ1 fue tomado del ajuste presentado, y de acuerdo con la teoría de escalamiento
simple, en la cual los valores de los momentos varían linealmente con el momento de
orden uno, se observa que hasta para momentos de orden 4, los datos se ajustan
significativamente a la línea teórica. El cálculo de momentos de mayor orden es muy
susceptible de errores debido a la corta longitud de los registros.

Figura 4. (izquierda) Gráfico de los primeros cuatro momentos de las lluvias

máximas. Los rombos son los valores muestrales y las líneas continuas los
mejores ajustes. ξr es la pendiente de estas líneas. (derecha) Función de
Estructura para los datos. La línea continua representa la ecuación (11) y los
símbolos (+) son los resultados muestrales.

Para presentar un resultado confiable estadísticamente, se realizaron estimaciones de los

intervalos de confianza para cada estación en particular, con el fin de verificar si es
posible rechazar la hipotesis de que las lluvias horarias en el rango analizado (1 a 24
horas) tienen un comportamiento de escalamiento simple o si el escalamiento se puede
regionalizar (entre simple o múltiple). Para esto se estimaron los intervalos de confianza
del 95%, del ajuste lineal entre cada uno de los momentos y las duraciones. Esto se
muestra en la Figura 5, donde se unen los intervalos de confianza por medio de una línea
punteada. En esta figura la línea continua indica los valores teóricos de escalamiento
simple. Se busca decidir si los datos obtenidos están dentro de los intervalos de
confianza y comprobar la hipótesis de escalamiento simple.

Figura 5. Intervalos de confianza para las regresiones entre los momentos y las
duraciones para la estación Blonay.

En la mayoría de las estaciones analizadas los datos obtenidos se encuentran dentro de

los límites de confianza. Se concluye que con todos los análisis realizados anteriormente
se acepta la hipótesis de escalamiento simple, para efectos de calcular las curvas IDF.

Los resultados anteriores sugieren la utilización del modelo de escalamiento simple, dada
la evidencia de los registros en el rango de duraciones utilizados y con el máximo orden
de los momentos analizados. Un parámetro necesario para aplicar este modelo es el
Coeficiente de Variación (CV). Si se toma la intensidad de 24 horas como la intensidad de
referencia, el modelo indica que CV se debe ajustar a la línea de escalamiento simple.
Como se observa en la Figura 6, el coeficiente de variación tiene un rango entre 0.18 y
0.30, y dado que este valor es fácilmente afectado tanto por la longitud de los registros
como por los aparatos de medición, se consideró usar un valor constante de CV = 0.25
correspondiente al valor medio. Además, CV no presenta ningún rasgo característico con
la cota de la estación y con la precipitación media multianual.
La Figura 6 muestra también cómo el coeficiente de variación es más disperso para las
duraciones menores de 4 horas y se estabiliza para las duraciones mayores. Esto es
debido posiblemente a la alta variabilidad de la lluvia para las duraciones menores.

Figura 6. (Izq) Histograma de Frecuencias para Cv. (der) Valores de CV para todas
las duraciones en todas las estaciones.
Si se toma un valor de θ para cada estación, dado por el ajuste de la serie de registros
máximos para todas las duraciones consideradas, utilizando la ecuación (4.10), se
observan valores que varían entre –0.84 y -0.80, con un valor medio de –0.83 (Figura 7).
El θ promediado entre todas las estaciones es muy similar al obtenido con la regresión
lineal entre las duraciones y el momento de orden 1. En la variabilidad espacial de θ no se
observa ningún patrón carácterístico.

Figura 7. Histograma de Frecuencias del parámetro θ.

Para la validación de los resultados se aplicó el modelo de escalamiento simple con

distribución LNII (ecuación 16) y con los valores de θ y CV constantes e iguales a -0.83 y
0.25, respectivamente, y la intensidad de referencia de 24 horas. Se compararon los
resultados con los obtenidos al aplicar los métodos tradicionales (suponiendo una
distribución LNII de las lluvias máximas) para la estación El Jazmín. En la Figura 8 se
observan los errores relativos para las curvas IDF en diferentes períodos de retorno. A
grandes rasgos se puede observar que los errores relativos aumentan en las mayores
duraciones para altos períodos de retorno y las duraciones menores presentan mayores
errores debido a la posible presencia de escalamiento múltiple para pequeñas duraciones.
Los mayores errores en esta validación son del orden del 25% y, en promedio, se tienen
errores del 10 al 15 %. Aquí el error relativo se usa en sentido de comparación entre los
resultados que se obtienen por ambos métodos. La teoría de escalamiento contiene una
base conceptual y teórica mucho más sólida desde el punto de vista de la física del
proceso de precipitación (Over y Gupta, 1994; Lovejoy y Schertzer, 1990; Burlando y
Rosso, 1996).
Tr = 2.33 Tr = 10 Tr = 50
20 30
10
25
Error relativo (%)

Error relativo (%)

Error relativo (%)

8 15
20
6
10 15
4 10
5
2 5

0 0 0
1 6 12 18 24 1 6 12 18 24 1 6 12 18 24
d (horas) d (horas) d (horas)

Figura 8. Errores relativos entre los valores del modelo y el método tradicional en la
estación El Jazmín para períodos de retorno de 2.33, 10 y 50 años.

Para efectos prácticos hemos encontrado la expresión (18) para evaluar la intensidad de
la lluvia para cualquier período de retorno y cualquier duración en el rango de 1 a 24
horas
 I q ,d = I 24
[ ]
exp φ q ln( 1 + CV 2  d



θ

 d 24 
(18)
1 + CV 2
Donde:
Iq,d : Intensidad (mm/h) para la duración d(horas) y el período de retorno q (años)
I24 : Intensidad de 24 horas (mm/h)
φq : inversa de la distribución normal acumulada estándar para una probabilidad de no
excedencia q.
CV : Coeficiente de Variación = 0.25
d24 : Duración de referencia = 24 horas
θ :Valor del exponente de escalamiento = -0.83

Las curvas IDF estimadas a partir de la ecuación (18) para las estaciones Alban y Arturo
Gómez se presentan en la Figura 9.

Figura 9. Curvas IDF obtenidas a partir de la teoría de escalamiento simple para las
estaciones Alban y Arturo Gómez

Se hizo el ajuste de las ecuacione tipo II, III y IV del método de Froehlich considerando los
valores de c2, c3 y c4 constantes e iguales a 0.83 (valor obtenido por el método de
escalamiento simple). Al realizar un proceso de optimización de estos exponentes se
observa que los valores c2, c3 y c4 son cercanos al valor escogido y no varían
considerablemente inclusive para períodos de retorno altos. Igualmente se observan
valores cercanos a 0.83 para el exponente c en el método de Vargas.

Conclusiones
Para el método de las ecuaciones paramétricas de Vargas, la utilización de la ecuación
(6) no es conveniente ya que la inclusión de la elevación no representa un aporte
significativo en los estimados de intensidades. Aunque los modelos (3), (4) y (5) son de
gran utilidad y proveen buenas estimaciones de intensidades de lluvia en zonas
desprovistas de información, cabe resaltar que para la calibración de estos se requiere de
información de precipitación horaria de mejor resolución espacial, con el objetivo de
calcular con mayor confiabilidad las variables M, N y PMA requeridas y de tener mejor
cobertura en el territorio nacional.
Por el metodo de Froehlich se ha encontrado que el coeficiente de torrencialidad tiene una
variabilidad espacial similar a la distribución de la precipitación media anual. Se debe
explorar la relación que existe entre estas dos variables.
Los registros evidencian que el coeficiente de duración, escencial para la estimación de
las curvas basadas en propiedades de escala, es constante para los rangos de
duraciones de lluvia trabajados. La función de estructura de los registros muestra, para los
primeros cuatro momentos, evidencias de escalamiento simple. A partir de estas
consideraciones, se trabajó con la expresión para la las curvas IDF basada en
escalamiento simple y la función de distribución Log-Normal tipo II para representar la
probabilidad de las lluvias máximas, la cual usa como variables independientes el
promedio de la intensidad de la lluvia para 24 horas de duración, el período de retorno y
la duración. Este modelo de escalamiento simple muestra resultados satisfactorios al
reproducir curvas IDF basadas en métodos tradicionales. La ventaja más sobresaliente de
la teoría de escalamiento es que esta nace de bases físicas que proveen una síntesis de
los complejos mecanismos que determinan la lluvia. Se obtiene un modelo más simple y
de parsimonia que el obtenido con los modelos heurísticos que actualmente se usan para
la determinación de las curvas IDF. El obtener un valor del exponente de la duración muy
similar en los tres métodos, a pesar de que parten de suposiciones diferentes, indica la
estabilidad del mismo y hace pensar que está relacionado con la fisica de los procesos
determinante de las tormentas. Estos resultados son una herramienta útil para la práctica
en la ingeniería donde se requiera el cálculo de tormentas extremas cuyas duraciones de
interés estén dentro de las rangos aquí trabajadas.

Agradecimientos: A Cenicafé (Centro de investigaciones del café) y a las Empresas Públicas de

Medellín, por facilitarnos la información de las estaciones de precipitación.

Bibliografía
Burlando P. y Rosso R., Scaling and multiscaling models of depth-duration-frequency curves for
storm precipitation, Journal of Hidrology, 187, p. 45–64. 1996.
Froehlich, D. C., Intermediate-Duration-Rainfall Intensity Equations, Journal of Hydraulic
Engineering, 121, 751-756, 1995.
Gupta, V.K. y E. Waymire, A statistical analysis of mesoscales rainfall in random cascade, Jour. Of
Applied Meteo. Vol 32, 2, Febraury 1993.
Linsley, R. Flood Estimates: ¿How Good are they?, Water Resources Research, 22, 159-164,
Agosto, 1986.
Ministerio de Obras Públicas, Transporte y Medio Ambiente, Métodos para el Cálculo Hidrológico
de Crecidas, Madrid-España, 1996.
Montgomery, D. C. y Runger, G. C., Probabilidad y Estadística Aplicadas a la Ingeniería.
McGraw-Hill. 1996.
Smith, R. y Vélez, M., Hidrología de Antioquia, Departamento de Antioquia, Secretaria de Obras
Publicas, Posgrado en Aprovechamiento de Recursos Hidráulicos, Universidad Nacional de
Colombia, sede Medellín, Colombia, Junio, 1997.
Varas, E., Farías de Reyes, M., Estudio Comparativo de Relaciones Intensidad-Duración-
Frecuencia, Memorias XIX Congreso Latinoamericano de Hidráulica, Córdoba, Argentina,
Tomo II, 359-366, Octubre, 2000.
Vargas, R., Curvas Sintéticas de Intensidad-Duración-Frecuencia para Colombia.
Regionalización e Implementación de un SIG, Trabajo Dirigido de Grado, Magíster en
Recursos Hidráulicos, Facultad de Ingeniería, Universidad de los Andes, Bogotá, D.C., 1998.
Waymire, E. y Gupta, V.K., The mathematical structure of rainfall representations. Water Resources
Research., 17 (5), 1261-1294, 1981.
Wilches, S., Estudio de las Propiedades de Invarianza de las Precipitaciones Máximas Puntuales
en el Departamento de Antioquia, Tesis de Maestría. Aprovechamiento de Recursos
Hidráulicos, Universidad Nacional de Colombia, Sede Medellín, 2001.