Bolivia

agua y medio ambiente

Revista Técnica
Nro. 3

Autor:
Ministerio de Medio Ambiente y Agua

Av. 14 de Septiembre,
esquina Calle 8 de Obrajes, Nro. 5397.
www.mmaya.gob.bo
bibliotecadelagua.sirh.gob.bo
La Paz, Bolivia.

Carlos Ortuño
Ministro de Medio Ambiente y Agua

Foto de portada: MMAYA, Laguna Chiar Kota, 2017.

Diagramación: Meliza Ayaviri

Depósito legal: 4-3-75-18 P.O.

La Paz, 2018

Impreso en Bolivia
 ÍNDICE
Artículos técnicos

Balance de masa del Glaciar Tarija

durante El Niño 2015-2016
Pablo Fuchs y Javier Mendoza 3

Investigación, diseño y puesta en operación de un sistema de

alerta temprana hidrológica, caso de estudio Mamoré-Bolivia
Mauricio Florencio Villazón, Ivan Del Callejo, Diego Inturias y Cecilia Escalera 9

Identificación de fuentes contaminantes

de los ríos Seco y Seke en el Municipio de El Alto
José Luis Lahore B., Beatriz Canaviri, Juan Pizarro A., Fabiola Ajata, Valeria Mujica Q. 19

Estimación probabilística cuantitativa de la precipitación en

Bolivia aplicando regionalización
Gustavo Ayala Ticona, Nilo Lima, David Yates y Diego Inturias 29

Alcances institucionales

MMAyA recibe premio internacional por

Mejor Administración Pública 39

Reseña

Manual para la toma de decisiones en proyectos de

infraestructura resiliente. Con enfoque de gestión de riesgos
y adaptación al Cambio Climático. Sistemas de riego
Alfredo Wolff 41
FUENTE: J. Pablo Fuchs y Javier Mendoza, Glaciar Tarija, 2016.

Balance de masa del Glaciar Tarija
durante El Niño 2015-2016
Pablo Fuchs* y Javier Mendoza*
Resumen
Este artículo presenta los resultados de las
mediciones del balance de masa del glaciar
Tarija utilizando el método glaciológico o directo,
durante el fenómeno de El Niño 2015-2016. Este
glaciar fue recientemente equipado con una red
de balizas de ablación y perforaciones en la zona
de acumulación por lo que ahora es posible contar
con mediciones de la evolución del glaciar con
un mayor detalle. Los resultados muestran que
se produjo un balance de masa muy negativo de
-1245 mm eq.a. con una elevación de la línea de
equilibrio de 5140 msnm y 45% de área cubierta
por la zona de acumulación.
Palabras clave: glaciar Tarija, balance de masa
glaciológico, El Niño
Introducción
Los glaciares son indicadores únicos y muy
importantes del clima. Los cambios en el balance
de masa de los glaciares en las últimas décadas
son la más clara evidencia que tenemos del cambio
climático global (WGMS, 2017). Su evolución afecta
en el paisaje de las montañas altas, impacta en el
suministro de agua en diferentes regiones y genera
riesgos por desborde de lagunas glaciares a nivel
local y por incrementos en el nivel del mar en todo
el planeta.
Los glaciares han sido monitoreados de forma
coordinada entre las naciones por más de un
siglo (Zemp et al., 2009). Los resultados de este
monitoreo han sido recopilados por el Servicio
Mundial de Monitoreo de Glaciares (World
Glacier Monitoring Service, WGMS) en una serie
de publicaciones y boletines que muestran un
panorama nada alentador. Por ejemplo, en una
escala de tiempo decadal y en base a las mediciones
* Instituto de Hidráulica e Hidrología, Universidad Mayor de San Andrés.
3
artículos técnicos
en los 37 glaciares de referencia a nivel mundial,
entre los cuales se encuentra el glaciar Zongo, se
puede observar que el balance de masa ha sido
consistentemente negativo y que la tasa promedio
de pérdida se ha triplicado desde la década de los
80, de -259 a -764 mm eq.a. (WGMS, 2017).
Muchos estudios del balance de masa en los Andes
tropicales han demostrado que el fenómeno de
la Oscilación del Sur- El Niño (ENSO) tiene una
influencia muy importante en el balance de masa
de los glaciares de estas latitudes (Thompson et al.,
2011). Durante este fenómeno, una combinación
de temperaturas del aire más calientes a mayores
elevaciones, menores láminas de precipitación
durante la época húmeda y menor cobertura
nubosa, producen mayores tasas de derretimiento
de hielo. Asimismo, aunque todavía no sabemos
el efecto que tendrá el actual calentamiento
global en la frecuencia e intensidad de los futuros
ENSOs, es prácticamente seguro que el retroceso
acelerado de los glaciares tropicales está
íntimamente relacionado a los efectos combinados
del calentamiento persistente y de las ocurrencias
periódicas de El Niño.
El objetivo principal de este estudio es mostrar
los resultados de las mediciones del balance de
masa realizados sobre el glaciar Tarija durante
el fenómeno de El Niño 2015-2016. Este glaciar
ha sido recientemente equipado en un proyecto
coordinado por el Instituto de Hidráulica e
Hidrología (IHH) en cooperación con universidades
del Japón al cual se ha denominado GRANDE. Más
información sobre este proyecto puede encontrarse
en: https://www.jst.go.jp/global/english/kadai/
h2102_bolivia.html. Desde 2011 se cuentan con
datos observados en estaciones meteorológicas
automáticas así como en un canal rectangular
donde se realiza el monitoreo de niveles de agua
y caudales de manera rutinaria. Sin embargo, el
monitoreo del balance de masa inicia en 2015
por iniciativa de los investigadores del IHH, con
la finalidad de cuantificar las fluctuaciones en
los volúmenes, áreas, espesores y longitudes del
glaciar y sus relaciones con el clima.
Área de estudio
El glaciar Tarija (68.2°O, 16.2°S, 5109 msnm) forma
parte del complejo Tuni Condoriri en la Cordillera
Real (Figura 1). Este complejo se encuentra
aproximadamente a 40 km al norte de la ciudad de
El Alto y es de vital importancia para el turismo de
montaña que se desarrolla durante prácticamente
todo el año, así como para el abastecimiento de
agua para la zona norte de la ciudad de El Alto y las
laderas oeste y norte de La Paz. Estos volúmenes
de agua llegan al embalse Tuni, construido en 1971,
el cual tiene una capacidad de 21 Hm3 y entrega
caudales de 1 m3 s-1 por tubería, para su posterior
tratamiento y consumo. El glaciar cubre un área de
0.73 km2 y tiene un rango de elevaciones que varía
de los 4828 a los 5381 msnm. Tiene una orientación
preferencial hacia el suroeste y una longitud de
la lengua del glaciar a su cumbre de 1.3 km. De
acuerdo a sus características, este glaciar puede
catalogarse como un pequeño glaciar de montaña.
Las condiciones climáticas en esta zona se
caracterizan a nivel anual por una estacionalidad en
las temperaturas poco marcada, en contraste a la
precipitación que muestra variaciones estacionales
importantes (Soruco et al., 2015). Así, se identifica
una época húmeda que dura de octubre a marzo y una
época seca que se prolonga de abril a septiembre.
El año hidrológico se computa de septiembre a
agosto, mismo periodo que es utilizado para realizar
las mediciones mensuales y anuales del balance de
masa. En base a las largas mediciones que se tienen
en varios glaciares tropicales, es posible identificar
que el periodo de octubre a diciembre se caracteriza
por un fuerte derretimiento de hielo en la zona de
ablación del glaciar (Rabatel et al., 2012). Esto se
debe a la reducción en la cobertura nivel sobre la
superficie así como a la fuerte radiación presente.
El periodo de enero a marzo corresponde al corazón
de la época húmeda y por tanto corresponde a la
época de acumulación del glaciar.
En esta época también se encuentran fuertes
tasas de derretimiento, principalmente de nieve,
dominadas por el efecto de la radiación atmosférica
de onda larga proveniente de la nubosidad (Sicart
et al., 2005). Mayo a agosto corresponde a la época
seca y se caracteriza por una baja acumulación y
alta sublimación (Wagnon et al., 1999).
4
Figura 1. Mapa de ubicación del glaciar Tarija dentro del complejo
Tuni Condoriri mostrado sobre una imagen satelital de Google
Earth. El polígono azul representa el área de cobertura glaciar.
Las polilíneas de color naranja representan las curvas de nivel en
intervalos de 10 m. Los puntos guindos muestran la ubicación de las
balizas de ablación en la parte baja y de los sitios de perforación en
la parte alta del glaciar. El modelo digital de elevación fue obtenido
por restitución fotogramétrica de un vuelo realizado en 2013 y fue
procesado por el Dr. Ing. Álvaro Soruco del Instituto de Geología y
Medio Ambiente (IGEMA).
Metodología
El balance de masa es el cambio en la masa de un
glaciar, o parte de un glaciar, durante un periodo
determinado (Cogley et al., 2011; Leonardini et al.,
2012). El periodo analizado generalmente consiste
de un año hidrológico. El signo del balance de masa
es positivo cuando el glaciar gana masa, mientras
que adopta valores negativos cuando el glaciar
pierde masa. Así, la acumulación es positiva y la
ablación es negativa. La zona donde la acumulación
domina sobre la ablación se conoce como zona de
acumulación y la zona donde la ablación es mayor
a la acumulación se denomina zona de ablación.
La línea que separa estas dos zonas se conoce
como línea de equilibrio (equilibrium-line altitude,
ELA) y la proporción del área cubierta por la zona
de acumulación respecto al área total del glaciar
se denomina proporción del área de acumulación
(accumulation-area ratio, AAR). El balance de masa
se deriva a partir de la ecuación de la conservación
de la masa de una columna de nieve y hielo de
sección cuadrada que se extiende verticalmente
a través del glaciar y que tiene una masa m por
unidad de área (kg m-2). Esta masa puede cambiar
por adición o extracción de masa en la superficie,
dentro de la columna o en el fondo. Entonces, la
tasa de cambio anual del balance de masa en la
columna en kg m-2 año-1 es:
Donde c y a representan las tasas de acumulación
y ablación en la superficie (s), dentro de la columna
(i) o en la base o fondo (b) en kg m-2 año-1 y q1 y q2
representan los flujos de masa de hielo en kg año-
1
que ingresan y salen de la columna de área ds,
respectivamente. Posteriormente, la ecuación (1)
se divide entre la densidad del agua para obtener
unidades de m eq.a. (metros equivalentes de agua)
y los términos de flujo se reescriben utilizando el
operador vectorial de divergencia:
Donde:
La ecuación (3) muestra los componentes del
balance de masa medidos en un punto.
En estudios climáticos del balance de masa,
normalmente se excluden los cambios en el
balance de masa por flujo del hielo y la ecuación
(2) se reduce amedido en unidades de m eq.a. por
año.
El balance de masa en un punto (Δb) medido entre
dos periodos de tiempo de t0 a t1 se relaciona con la
tasa de cambio del balance de masa (b) de acuerdo
a la siguiente expresión:
El cambio en el balance de masa relativo al tiempo
t0, y calculado como una función del tiempo se
conoce como balance de masa acumulado.
Para obtener el balance de masa de todo el
glaciar (B) se suman las tasas de balance de masa
climático de una serie de columnas sobre el área
del glaciar (S):
La altitud de la línea de quilibrio (ELA) puede
determinarse por observación visual directa
(Rabatel et al., 2012), pero generalmente es
determinada utilizando mediciones del balance
de masa. Esto se logra construyendo la curva del
balance de masa como función de la altitud (perfil
del balance de masa). La ELA será la elevación para
la cual el perfil muestra un balance B igual a cero.
La principal forma de acumulación de masa
en cualquier glaciar es la precipitación nival.
5
Además de ella, existen otros mecanismos para la
acumulación. Por ejemplo, la precipitación líquida
puede ser transformada en hielo por efecto de las
bajas temperaturas, la neblina puede ser integrada
por deposición en la superficie del glaciar y el agua
de derretimiento puede formar una capa de hielo
sobreimpuesto por recongelamiento (Rivera et al.,
2016).
La ablación ocurre fundamentalmente por el
derretimiento de la nieve y hielo superficial,
seguido por el escurrimiento en la superficie, a
través del glaciar o en el fondo. Otras formas de
ablación son la deflación y la sublimación (Rivera
et al., 2016).
Existen diferentes métodos para medir el balance
de masa, a saber: el método glaciológico, el
método geodésico y el método hidrológico o
combinado. En el presente estudio se utilizó el
método glaciológico descrito a continuación.
El método glaciológico o directo es el que se lleva
a cabo con mediciones in situ, para lo cual se
miden a lo largo y ancho del glaciar las diferencias
de elevación de la superficie de nieve o hielo
registradas en balizas o estacas que son visitadas
regularmente (Figura 2a). Estas diferencias
ponderadas por la densidad de la nieve o del hielo de
la superficie donde se encuentra instalada la baliza
permiten calcular el balance de masa puntual. Las
balizas son normalmente instaladas en campo
utilizando un perforador Heucke (Heucke, 2003)
que utiliza vapor de agua para penetrar el hielo.
En la zona de acumulación se realizan perforaciones
manuales o calicatas. En el caso de perforaciones
manuales se utiliza el perforador PICO (Marshall
y Kuivinen, 1981) mostrado en la Figura 2b.
El procedimiento consiste primeramente en
identificar la capa basal que es la capa a partir de
la cual se acumulará la precipitación sólida para
el año hidrológico estudiado (Leonardini et al.,
2012). La capa basal puede identificarse como la
profundidad donde se encuentra el pico de máxima
densidad que visualmente corresponde a la capa
más oscura del testigo de nieve. También puede
identificarse por estratigrafía de la nieve y la
neviza o utilizando balizas de acumulación. Una vez
identificada la capa basal, se calcula la cumulación
ponderando los espesores de los testigos de nieve
por sus respectivas densidades.
Para estimar el balance de masa de todo el glaciar
se aplica la ecuación (5).
Figura 2 Medición de balizas en la zona de ablación (a). Utilización Figura 4. Perfil de densidad en el testigo de nieve extraído en la
del perforador PICO (Polar Ice Coring Office) para extraer testigos zona de acumulación a 5188 msnm.
de nieve en la zona de acumulación (b).

Resultados y Discusión
El monitoreo fue realizado a nivel mensual en las
balizas de ablación y se realizó una perforación
manual en la zona de acumulación al final del año
hidrológico (agosto 2016). La Figura 3 muestra
los resultados del balance de masa en la zona de
ablación para dos balizas, una en la parte baja
de la zona de ablación (Figura 3a) y otra cerca
a la línea de equilibrio (Figura 3b). De acuerdo a
estos resultados, la pérdida de hielo en el glaciar
llegó hasta -7700 y -4400 mm eq.a. en las dos Tabla 1. Balance de masa anual para las diferentes zonas de
elevaciones mencionadas. El mes crítico en ambos elevación.
casos fue febrero.
Para el cálculo del balance de masa anual de todo el
En la zona de acumulación, se obtuvo el perfil de glaciar, se discretizó su área en zonas de elevación
densidades mostrado en la Figura 4, obtenido a de 50 m de desnivel y a cada zona se asignó el
partir de la perforación de un testigo de nieve de valor medio del conjunto de medidas puntuales
94 cm de profundidad. El pico de densidad de 0.60 en las balizas que se encontraban dentro de ellas.
g cm-3 se produjo a una profundidad de 48.5 cm Para las zonas comprendidas entre los 4950 y
que corresponde a la capa basal. Ponderando esta 5150 msnm que no contaban con mediciones por
profundidad por la densidad se obtuvo un balance su difícil accesibilidad, se estimaron los valores del
de masa en la zona de acumulación de 212 mm eq.a. balance de masa por interpolación lineal. Asimismo

Figura 3. Balance de masa en la

baliza 1 a 4849 msnm (a) y en la
baliza 10 a 4921 msnm (b).

6
para las elevaciones de 5200 a 5381 msnm se
asignó un único valor de 212 mm eq.a. que fue
el medido en la perforación. Los resultados de
este procesamiento se muestran en la Tabla 1. De
acuerdo a los resultados, para el año hidrológico
2015-2016 se obtuvo un balance de masa de
todo el glaciar de -1245 mm eq. a. Wagnon et al.
(2001) analizaron valores del balance de masa y
el balance de energía durante eventos Niño en el
glaciar Zongo y encontraron balances de masa de
-900 y -1960 mm eq. a. para los años hidrológicos
1991-1992 y 1997-1998 correspondientes a
eventos fuertes de ENSO. El valor encontrado en
este estudio se encuentra en ese rango y por tanto
muestra una respuesta típica a estas condiciones
atmosféricas.
Figura 5. Perfil de balance de masa para el año hidrológico 2015-
2016.
La Figura 5 muestra la variación del balance de
masa con la elevación. A partir de este gráfico
se pueden entender las variaciones espaciales
del balance de masa así como determinar la
ELA y AAR. Para el año analizado se obtuvieron
valores de 5140 msnm y 45% para la ELA y AAR,
respectivamente.
Conclusiones
En este estudio se mostraron los primeros
resultados de las mediciones glaciológicas llevadas
a cabo en el glaciar Tarija durante un año con la
presencia de un evento Niño. Se pudo concluir
que el balance de masa obtenido coincide con los
resultados medidos durante otros eventos Niño en
el glaciar Zongo, cuyas mediciones se extienden
desde 1991. La ELA y AAR estimados permiten
concluir que a pesar de haber calculado un balance
de masa muy negativo, el glaciar Tarija todavía
muestra las condiciones de un glaciar saludable
7
pues tiene un área de acumulación extensa y una
baja elevación para la línea de equilibrio. Se tiene
prevista la continuación de las mediciones de
balance de masa para monitorear la evolución que
tendré el glaciar en los próximo años
Referencias
Cogley, Graham (et al.) (2011). Glossary of Glacier Mass
Balance and Related Terms. Paris: IACS/UNESCO-IHP.
Heucke, Erich (2003). A light portable steam-driven
ice drill suitable for drilling holes in ice and firn.
Geografiska Annaler: Series A, Physical Geography 81.
doi: 10.1111/1468-0459.00088.
Leonardini, Gonzalo (et al.) (2012). Análisis del balance
de masa mensual y anual del glaciar tropical Zongo
(Bolivia). Revista Boliviana de Física 21.
Marshall, P. y Kuivinen, K. (1981). Polar Ice Coring Office
Antarctic field activities, 1979-80. Polar Record
20(129). doi: 10.1017/S0032247400003971.
Rabatel, Antoine (et al.) (2012). Can the snowline be
used as an indicator of the equilibrium line and mass
balance for glaciers in the outer tropics? Journal of
Glaciology 58(212). doi: 10.3189/2012JoG12J027.
Rivera, Andrés (et al.) (2016). Balance de masa glaciar.
Valdivia: Ediciones CECs.
Sicart, Jean Emmanuel (et al.) (2005). Atmospheric
controls of the heat balance of Zongo Glacier (16°S,
Bolivia). Journal of Geophysical Research 110(D2). doi:
10.1029/2004JD005732.
Soruco, Alvaro (et al.) (2015). Contribution of glacier runoff
to water resources of La Paz city, Bolivia (16°S). Annals
of Glaciology 56(70). doi: 10.3189/2015AoG70A001.
Thompson, Lonnie (et al.) (2011). Tropical glaciers,
recorders and indicators of climate change, are
disappearing globally. Annals of Glaciology 52(59).
Wagnon, Patrick (et al.) (2001). Anomalous heat and mass
budget of Glacier Zongo, Bolivia, during the 1997/98
El Niño year. Journal of Glaciology 47(156).
Wagnon, Patrick (et al.) (1999). Annual cycle of energy
balance of Zongo Glacier, Cordillera Real, Bolivia.
Journal of Geophysical Research 104(D4). doi:
10.1029/1998JD200011.
WGMS (2017). Global Glacier Change Bulletin No. 2
(2014-2015). Zurich: ICSU(WDS)/IUGG(IACS)/UNEP/
UNESCO/WMO.
Zemp, Michael (et al.) (2009). Six decades of glacier
mass-balance observations: a review of the worldwide
monitoring network. Annals of Glaciology 50.
8
FUENTE: MMAYA, Inundación en Beni, 2014.
 Investigación, diseño y puesta en operación de
un sistema de alerta temprana hidrológica,
caso de estudio Mamoré-Bolivia
Mauricio Florencio Villazón*, Ivan Del Callejo**, Diego Inturias*** & Cecilia Escalera***
RESUMEN
Las inundaciones en las llanuras benianas son una
realidad desde tiempos geológicos, pero durante
las últimas décadas las mismas han sido mayores
por deforestación y erosión en las cuencas andinas
y efectos del cambio climático.
Durante los periodos de lluvia la incertidumbre
que se vive en estas regiones al no saber si se
producirán inundaciones y los niveles de estas hace
que la respuesta a este tipo de desastres no sea la
óptima y adecuada.
Un sistema de alerta temprana (SAT) puede
prevenir con varios días de anticipación situaciones
de riesgo inminente permitiendo actuar y mitigar
correctamente estos eventos, también puede ser
utilizado para saber la duración de la inundación y
el momento de bajada de los niveles de agua.
El pronóstico hidrológico es el principal insumo para
un SAT, este consiste en un sistema acoplado de
un modelo hidrológico de lluvia escurrimiento, un
modelo hidrodinámico para el tránsito de la onda de
crecida y pronósticos meteorológicos. También se
implementó un modelo conceptual de propagación
de onda para pronosticar con anticipación los
niveles agua abajo conociendo los datos en tiempo
real de niveles aguas arriba.
Palabras Claves: Pronostico Hidrológico, Río
Mamoré, SAT
* Laboratorio de Hidráulica - Universidad Mayor de San Simón,
mauricio.villazon@fcyt.umss.edu.bo
mauricio_villazon@yahoo.es
** Centro AGUA – Universidad Mayor de San Simón,
ivan.delcallejo@centro-agua.org
*** Dirección General de Planificación - Ministerio de Medio Ambiente y
Agua
diego.inturias@mmaya.gob.bo
d.inturias.guzman@gmail.com
cecilia.escalera@mmaya.gob.bo
9
ABSTRACT
Floods in the Beni’s plains have been taken place since
geological times, but during the last decades they
have been higher due to deforestation and erosion in
the Andean basins and effects of climate change.
During the rainy season, the uncertainty experienced
in these regions, without knowing if there will be
floods and the levels of these, makes the response to
this type of disaster not optimal and adequate. An
early warning system (EWS) can prevent situations of
imminent risk from occurring several days in advance,
allowing the correct action and mitigation of these
events. It can also be used to know the duration of
flooding and the time that takes the water levels to
reduce.
The hydrological forecastisthe main inputfor an EWS,
thisconsists of acoupled system of a hydrological
rainfall-runoff model, hydrodynamic model for flood
wave propagation and meteorological forecasts.
A conceptual wave propagation model was also
implemented to predict downstream levels in advance
by knowing the real-time data from upstream levels.
Keywords: Hydrological Forecast, Mamoré River,
EWS
1. INTRODUCCIÓN
La región de Beni sufre de inundaciones a menudo,
causado por ríos que suben fuera de sus bancos por
lluvia extendida. Para mitigar las consecuencias
y efectos de estas inundaciones, el Ministerio
de Medio Ambiente y Agua empezó junto con la
Embajada del Reino de los Países Bajos en La Paz,
Bolivia con el programa ‘Vivir con el Agua’ para la
gestión de los riesgos de inundación de las llanuras
inundables de Beni. El sistema de alerta temprana
es uno de los subprogramas de ‘Vivir con el Agua’.
El programa de Gestión de Riesgos de inundaciones
en el Beni – Vivir con el Agua, tiene la finalidad
de implementar en el departamento del Beni un
Sistema de Alerta Temprana (SAT – Beni) para
realizar pronósticos hidrológicos basados en
modelación hidrológica, empleando la plataforma
(FEWS) que sistematiza la información que corre los
modelos implementados y genera información útil
en la comunicación de las alertas de inundaciones;
este sistema debe servir en la prevención de riesgos
por inundaciones en el Departamento del Beni para
que las diferentes autoridades cuenten con un
pronóstico que les permita determinar acciones de
atención a población del Departamento, así mismo,
la población cuente con información oportuna para
minimizar los efectos adversos de las inundaciones.
Los sectores y grupos objetivo identificados
consisten, principalmente, en (gente en) pueblos
y ganaderos apartados. Cada uno de estos grupos
objetivo tiene requisitos específicos para una
advertencia temprana.
Los pobladores, generalmente, exigen un mapa
detallado que identifique los niveles de inundación
en un pueblo y sus alrededores. Por lo general, una
alerta temprana debería proveer la información
y tiempo suficientes para que la gente lleve sus
pertenencias a terrenos más seguros y encontrar
seguridad para ellos mismos. Un horizonte de
predicción de un par de horas para los niveles
detallados de inundación y unos días para los
desarrollos del nivel del agua en general es
suficiente.
Los ganaderos, sin embargo, exigen un horizonte
de predicción mucho más largo, algunas semanas o
meses, pero una información de inundación menos
detallada. Estos ganaderos normalmente requieren
tiempo suficiente para movilizar el ganado a
terrenos más seguros. Se requiere un horizonte de
predicción de varias semanas o meses considerando
que el ganado no se desplaza a un ritmo rápido
y, por lo general, el terreno en Beni es llano, lo
cual produce grandes franjas de terreno que se
inundan en el curso de unos días. Por los problemas
expuestos se hacía de necesidad imperante contar
con un sistema de alerta temprano hidrológico con
el cual se pueda pronosticar los niveles de los ríos
con varios días de anticipación y se puedan ejecutar
protocolos de acuerdo a la emergencia.
El presente proyecto estuvo financiado por la
Comisión Europea, se formó un consorcio entre
Witteveen+Bos, Deltares, RoyalHaskoningDHV
10
y Universidad Mayor de San Simón mediante el
Centro Agua y el Laboratorio de hidráulica. Se
desarrolló un sistema de alerta temprana (SAT)
para inundaciones en las llanuras de Beni, Bolivia.
2. OBJETIVO
El objetivo general de este proyecto es minimizar
los efectos adversos de las inundaciones y los
cambios climáticos en las llanuras del Beni, a
través del desarrollo e implementación de un
sistema de alerta temprana basada en pronósticos
meteorológicos de modelos regionales y globales, la
modelación hidrológica y la implementación de una
plataforma para la operatividad de la herramienta.
Otro objetivo es el trabajo conjunto de expertos
internacionales y expertos locales para dar una
solución integral al problema y de esa manera
garantizar una transferencia de estas tecnologías a
las instituciones Bolivianas competentes.
Como parte de esta implementación institucional
se ha entrenado a expertos de instituciones
nacionales y sub-nacionales con competencias en la
gestión de riesgos hidrológicos. Así se realiza una
capacitación continua en modelación y el desarrollo
y uso del sistema de pronóstico hidrológico. Al final
del proyecto se ha evaluado el funcionamiento
del sistema desde una perspectiva institucional
y técnico, con el fin de asegurar la continuidad al
proceso del sistema de alerta temprana en el país.
3. MATERIAL Y MÉTODOS
Una etapa básica, fundamental, es el monitoreo de
datos meteorológicos e hidrológicos, que permiten
primero, a partir de datos históricos calibrar
modelos hidrológicos que reproduzcan de la manera
más fiel posible, el comportamiento hidrológico de
las cuencas y sus sistemas fluviales.
Luego, a partir de datos atiempo real y pronósticos
meteorológicos, estos modelos permiten elaborar
pronósticos con la “suficiente” anticipación a la
ocurrencia de un determinado evento. Una vez que
los pronósticos son elaborados, corresponde a la
instancia técnica responsable, su notificación a la
autoridad competente.
Si bien los pronósticos son resultados técnicos,
especializados, que generalmente se basan en la
corrida de modelos de diferente tipo (meteorológicos
e hidrológicos), los resultados son traducidos
en lenguaje común de manera que autoridades
(políticas) de distinto nivel administrativo (Municipal,
Departamental y Nacional) pueden tomar la decisión
con respecto a si se emite o no alguna alerta hacia
la población, que tipo de alerta y por lo tanto el tipo
de respuesta (anticipada) que se deberá adoptar.
El sistema de pronóstico hidrológico desarrollado
se base en el software Delft- FEWS (Flood Early
Warning System) que se describe en Werner et al.
(2004, 2013). Delft- FEWS lidera a nivel mundial por
su flexibilidad y libre disponibilidad; esta flexibilidad
es indispensable para un país tan diverso como
Bolivia, y no cree ninguna dependencia de
ciertos sistemas de monitoreo o proveedores de
modelos matemáticos (comerciales). El sistema
‘FEWS-Bolivia’ integra datos de observación
meteorológicos e hidrológicos en tiempo real y cuasi
real, y un pronóstico numérico de clima. Además,
incluye modelos hidrológicos que se usan para el
pronóstico de caudales y niveles en el río Mamoré,
y genera informes web que se pueden publicar en el
sitio web de SENAMHI (actualmente se publican en
http://fews.senamhi. gob.bo)
Para la modelación hidrológica de la cuenca del
río Mamoré es necesario configurar un modelo
que pueda simular el proceso de lluvia- caudal y el
proceso de inundación. Para el primer requerimiento
existen muchos modelos pero para la modelación
de la inundación las opciones son limitadas dado el
tamaño de la cuenca. Un enfoque estándar que use
un modelo hidrodinámico bidimensional está fuera
del alcance no sólo por el tamaño de la cuenca, sino
también por el tiempo de cálculo correspondiente.
Otro factor importante que se debe tener en cuenta
es la escasez de información de la cuenca y el
conocimiento limitado de los detalles topográficos
en una región que es muy plana y cualquier dique
pequeño podría tener un impacto importante en la
dirección del proceso de inundación. Considerando
estas limitaciones, se decidió usar un enfoque de
modelación doble que consiste en el desarrollo
simultáneo de dos modelos hidrológicos:
1. modelo de regresión o sistema experto CMD
(Villazon, 2012).
2. modelo distribuido determinístico WFLOW
(Schellekens, 2012).
Ambos modelos calibrados y validados son
implementados en la plataforma DELFT-
FEWS. El trabajo consiste en cuatro objetivos
complementarios:
11
• Recopilación de datos, organización y
tratamiento de las series de tiempo
• Modelación hidrológica distribuida
determinística con modelo WFLOW
• Modelación conceptual, minería de datos
• Implementación de la plataforma FEWS
Recopilación y tratamiento de datos
Para el presente proyecto se tiene un área de estudio
que enmarca a toda la cuenca del Rio Mamore hasta
la estación limnimetrica Puerto Siles.
Los datos meteorológicos fueron recopilados del
Servicio Nacional de Hidrología y Meteorología
(SENAMHI) y consta en las series de precipitación
en todas las estaciones del sistema, también se
recopilaron las series de las estaciones que mandan
los datos a tiempo real. El SENAMHI también maneja
tres estaciones limnimetricas en el sistema Ichilo-
Mamore el resto de los datos fueron recabados
del Servicio de Mejoramiento a la Navegación
Amazónica (SEMENA).
Para obtener los datos de las cuencas del río Grande
y del Pirai se acudió al Servicio de Encausamiento
de Aguas y Regularización del Río Piraí (SEARPI)
de donde se recabaron los datos de precipitación y
niveles de agua de sus respectivas estaciones.
Modelación WFLOW
Implementación del modelo hidrológico WFLOW
con datos de precipitación TRMM (NASA) y de tierra
(SISMET, SENAMHI)
El modelo hidrológico WFLOW es un modelo
distribuido, se caracteriza por tener un modelo
analítico de lluvia intercepción que se basa en el
modelo numérico de Rutter’s. El modelo numérico
WFLOW tiene como interface de trabajo el lenguaje
de Python y PCRaster.
Por ser un modelo distribuido necesita que los
principales datos de ingreso estén disponibles como
mapas. Los cuales deben representar los siguientes
parámetros:
1. Precipitación
2. Evapotranspiración potencial
3. Topografía (DEM)
4. Tipo de suelo
5. Cobertura y uso actual de tierras
Los mapas con los parámetros indicados
anteriormente han sido preparados de acuerdo al
área de la cuenca en estudio. La Tabla 1 presenta
un resumen de los mapas preparados con las
respectivas fuentes de adquisición de información.
que actualmente está en funcionamiento. La
Imagen 4 presenta lo descrito junto a la ubicación y
descripción de cada estación.
Imagen 1. Mapa de Precipitación TRMM y Thiessen (Mes Enero)

Tabla 1. Preparación de mapas Input para la

implementación del modelo
ID Resolución
Fuente Formato Extensión
Mapa (m)
Aprox.
Precipitación

TRMM Raster .map

28000

Sismet Raster .map

Senamhi
Evapotrans-

CGIR –
piración

Raster 1000 .tif

CSI
Tipo de DEM

SRTM Raster 90 .tif /.asc

Imagen 2. Mapa de Evapotranspiración y

suelo

HWSD Raster 270 .map

Modelo Digital de Elevación
Cobertura
y uso de

MDRYT Raster 270 .map

tierra

Es importante mencionar que la generación de los

mapas de precipitación correspondiente a la fuente
de SISMET - SENAMHI ha sido desarrollada en base
a una selección de estaciones meteorológicas que
actualmente están en funcionamiento y también a
la calidad de registros meteorológicos.

Las siguientes imágenes presentan un resumen de

los mapas preparados para la implementación del Imagen 3. Mapa de tipo de suelo y uso actual de tierras
modelo hidrológico numérico WFLOW. La Imagen 1
muestra los datos de precipitación espacial, datos
requeridos para el modelo hidrológico distribuido.
La Imagen 2 muestra el modelo de elevación digital
y los datos de evapotranspiración de fuente satelital
Imagen 3 nos muestra los mapas estáticos con el
tipo de suelo y el uso.

Delimitación de la cuenca principal de estudio Se

ha definido la división de la cuenca principal en 15
subcuencas, donde se ha hecho coincidir la salida
de cada subcuenca con una estación hidrométrica

12
Imagen 4. Delimitación de la cuenca principal en 15 subcuencas
Modelo de onda dinámica
La calibración del modelo de onda dinámica, se
caracteriza por presentar un tránsito de flujo
complejo y se enfoca principalmente a las cuencas
que están ubicadas en las llanuras, además de estar
influenciadas por un caudal perteneciente a otra
cuenca.
Imagen 5. Mapa Raster - Coeficiente de Rugosidad Manning
Debido a la calidad y disponibilidad de registros
hidrológicos se han considerado como principales
estaciones hidrométricas para el proceso de
calibración, las estaciones de Camiaco y Puerto
Siles. Adicionalmente con fines de verificación
13
se han utilizado las estaciones de Santa Rosa del
Chapare, El Carmen y Los Puentes (los registros
hidrométricos de estas últimas tres estaciones son
de calidad baja debido a la falta de mediciones de
aforos).
La Imagen 5 muestra la agrupación del coeficiente
de Manning sobre la red hídrica que utiliza el modelo
hidrodinámico WFLOW.
Acontinuación y de acuerdo a la disponibilidad de
datos hidrológicos, se adiciona el evento hidrológico
del año 2008, el cual es conocido como un evento
extraordinario, para las estaciones de Camiaco
y Puerto Siles, la Imagen 6 e Imagen 7 presentan
el set de calibración 12º para dichas estaciones
hidrológicas, respectivamente, considerando los
eventos hidrológicos del año 2008 al 2012.
Imagen 6. Serie de tiempo de Caudal -­Set 12º hidrodinámico
Imagen 7. Serie de tiempo de Caudal -­Set 12º hidrodinámico
Referente a la Imagen 6 e Imagen 7 que se basan
en los resultados del modelo numérico WFLOW,
se observa que el modelo numérico sobreestima
con mucho el evento hidrológico del año 2008,
de tal manera que las eficiencias se reducen en
un 20%. Sin embargo, es importante destacar
que el evento hidrológico del año 2008 es
considerado extraordinario debido a la magnitud de
precipitación plasmada en la inundación histórica
acontecida en las llanuras del Beni. La falta de
datos meteorológicos del evento hidrológico del
año 2008 sobre la zona tropical del Cochabamba es
sin duda uno de los motivos, por el cual el modelo
numérico sobreestima los caudales para tal evento.
MODELACIÓN CONCEPTUAL, MINERÍA DE DATOS
Introducción
La conceptualización del sistema es imprescindible
ya que se puede obtener un modelo simplificado
que puede realizar pronostico basado en su
autoregresion. También se debe explorar la
posibilidad de ajustar funciones a la transformación
de lluvia en escurrimiento.
La herramienta utilizada para este propósito es el
software computacional CMD “Conceptual Model
Developer tool” desarrollado por Villazón et al.
(2012) como parte de estudios posdoctorales, esta
herramienta tuvo sus inicios en Fiengo (2010). El
CMD es una herramienta desarrollada en plataforma
MATLAB que hace uso de diferentes algoritmos
como ser: CAPTAIN de Lancarter University (Young
et al., 2007) y el SCEM-UA “Shuffled Complex
Evolution Metropolis algorithm” basado en técnicas
de optimización global (Vrugt et al., 2003).
Función de transferencia o estructura del sistema
Una función de transferencia es como su nombre lo
indica, una función que permite en base a los datos
obtenidos originalmente (observaciones) obtener
datos (pronósticos) que representen de forma
adecuada lo observado. Durante la identificación
del modelo es frecuentemente dado que existen
varias estructuras posibles que representan bien
el comportamiento del sistema, en parte porque
el modelo es una aproximación de una compleja
relación no lineal entre los datos de entrada y
14
salida. Este estudio aplica el algoritmo de la variable
instrumental refinada RIV (Pedregal et al., 2007)
implementada en la herramienta CAPTAIN (Young
et al., 2007) para la identificación de la estructura
del modelo y la estimación de parámetros. Los
modelos generan resultados de descarga aguas
abajo del segmento del río.
Este algoritmo determina la estructura óptima
del modelo y el orden, basado en una función de
correlación cruzada, la cual es una herramienta
estándar para la identificación de modelos de
función de trasferencia y ha sido ampliamente
usada desde la publicación del libro de Box y Jenkins
(1970).
Generalmente modelos de mayor orden generan los
mejores resultados porque tienen mayor número
de grados de libertar, Aun cuando un buen modelo
es alcanzado, el problema más peligroso es la sobre
parametrización dado que los resultados pierden
representación física. Para tomar en cuenta otro
criterio de evaluación es empleado el YIC (Beven,
2001). Este combina elementos de rendimiento y
varianzas del error en los parámetros, donde altas
varianzas de los errores son un indicador de la
sobre parametrización del modelo, el criterio de YIC
se define mediante la Ec (1).
Donde σo2 es la varianza observada en los datos de
salida calculados sobre todos los pasos de tiempo
usados en el modelo, σe2 es la varianza de los
residuales, alfa i son los parámetros del modelo, N el
número de parámetros, Pii, el iesimo elemento de la
diagonal de una matriz de covarianza de parámetros
escalados. El valor del YIC debe ser lo más negativo
posible indicando en su escala logarítmica que las
varianzas de los residuales de los parámetros de los
modelos y parámetros de los modelos son lo más
pequeños posibles. La obtención de estos caudales
se realiza en base a los parámetros optimizados en
la ecuación 2.
El detalle, descripción y componentes de dicha
ecuación (así como su explicación y la del CMD) se
presentan de forma detallada en la tesis doctoral
de Villazón M.F.
La Imagen 8 muestra la estructura del modelo
conceptual donde se pudo tener resultados de
modelación con mayor eficiencia que los obtenidas
con el modelo WFLOW.
Imagen 8. Flujo-grama del modelo conceptual
En la Imagen 9 se observan los resultados del
modelo conceptual en las estaciones de Santa rosa
del Chapare y Puerto Siles las eficiencias en ambos
casos son superiores a 0.9.
Imagen 9. Resultados modelo conceptual estaciones
Santa Rosa del Chapare y Puerto Siles
15
RESULTADOS
Referente a la calibración del modelo matemático
WFLOW de onda cinemática (modelo hidrológico),
de acuerdo a los resultados obtenidos por el modelo
numérico, se ha visto que el parámetro hidrológico
que presenta mayor sensibilidad corresponde a la
Capacidad máxima de Almacenamiento, seguido
por la Conductividad Saturada de Almacenamiento
(Ksat) y por último la Recesión del Flujo Base
(M). Dichos parámetros corresponden a los datos
del Tipo de Suelo de la cuenca en estudio. Como
resultado del proceso de calibración para la estación
hidrológica de Abapó, se ha obtenido una eficiencia
de 0.73, considerando los eventos hidrológicos de
los años 2008 al 2012.
Respecto a la calibración del modelo hidrológico
WFLOW de onda dinámica (tránsito de flujo
hidrodinámico), se ha calibrado una serie de sets
del parámetro hidrodinámico que representa la
rugosidad del lecho más las llanuras de inundación
(coeficiente de Manning). Utilizando los eventos
hidrológicos de los años 2009 al 2012 se obtiene
eficiencias, para las estaciones de Camiaco y
Puerto Siles, de 0.77 y 0.90, respectivamente.
Adicionalmente, incluyendo el evento hidrológico
extraordinario del año 2008 al periodo de
calibración, es decir considerando los eventos
hidrológicos de los años 2008 al 2012, para las
estaciones hidrológicas de Camiaco y Puerto Siles,
se ha visto que las eficiencias reducen en un 20% y
10% a las obtenidas en el primer análisis (eventos
hidrológicos 2009 al 2012), respectivamente.
La Tabla 2 presenta un resumen de las eficiencias
obtenidas durante el proceso de calibración.
La Tabla 2. Eficiencias Obtenidas durante el
Proceso de Calibración
Eficiencias
Onda Onda dinámica
Estación cinemática
Periodo 2008 - Periodo Periodo
2012 2009 - 2012 2008 - 2012
Abapó 0.73
Santa 0.73
Rosa
Camiaco 0.77 0.58
Los 0.76
Puentes
Puerto 0.90 0.81
Siles
 Imagen 10. Pantallas de salida de la plataforma FEWS
IMPLEMENTACIÓN DE LA PLATAFORMA FEWS
La implementación en la plataforma FEWS está
basada en distintas acciones como ser: interface de
importación de datos, interface de manejo de los
modelos numéricos y representación de resultados.
También es posible importar las corridas de los
modelos de pronóstico meteorológicos. En la Imagen
10 se observa la pantalla de datos a tiempo real y una
corrida de un modelo de pronóstico meteorológico.
La plataforma FEWS nos sirve para implementar
todos los modelos numéricos que se deseen, en este
caso el modelo de regresión o conceptual y el modelo
hidrológico WFLOW.
La plataforma esta actualmente operativa en las
oficinas del SENAMHI en La Paz.
CONCLUSIONES
La plataforma y los modelos matemáticos
desarrollados han sido un ejemplo del trabajo
conjunto de expertos internacionales y nacionales en
el cual ha habido una serie de talleres y misiones que
han garantizado el trabajo conjunto y la transferencia
adecuada de tecnología. Los expertos locales con
alto nivel de preparación académica jugaron un rol
preponderante para el éxito del proyecto.
16
Otro punto destacable es que al haber sido la
Universidad Mayor de San Simón parte del consorcio y
de los equipos técnicos de elaboración de los productos
la sostenibilidad y la atención a futuras dudas y nuevas
implementaciones está garantizada.
La experiencia de trabajar en un proyecto de
investigación aplicado con centros de investigación
altamente capacitados con es DELTARES (referente
mundial en temas de recursos hídricos) fue un éxito,
abriendo posibilidades para futuros intercambios y
nuevos proyectos.
La herramienta desarrollada actualmente está
operativa y presta un servicio social sumamente
necesario. Del desarrollo tecnológico e investigativo
se pudo publicar a nivel internacional varios trabajos
que pasaron por revisión de pares académicos
garantizando el nivel investigativo.
El proyecto es altamente replicable, donde el fin debe
ser llegar a tener un sistema de alerta temprana
nacional con la incorporación de todas las macro-
cuencas de Bolivia.
REFERENCIAS
Albo X. and Romero C. (2009). “Autonomías Indígenas en la Realidad
Boliviana y su Nueva Constitución”. (Bolivia, GTZ/ PADEP).
Anderson P. (2006). “British Columbia Tsunami Warning Methods.
A Toolkit for Community Planning”. (Canada, Telematics
Research Lab. Simon Fraser University).
Baars G.J. (2013). “Implementation of Camellones, Beni”. (Bolivia,
MMAyA, VRHyR).
Basco-Carrera L. (2013) “Stakeholder oriented optimization of
a Flood Warning System”. (Germany,Technical University of
Darmstadt).
Beven, K. J., Young, P. C., Leedal, D. T., and Romanowicz, R., 2009.
Computationally efficient flood water level prediction (with
uncertainty). Procceding at: Flood Risk Management Research
and Practice 281-289. Publisher: CRC Press. Eds. Samuels et
al. © Taylor & Francis Group. London, UK.
Beven, K.J., 2001. Rainfall-runoff modelling: The Primer. John
Wiley & Sons, LTD, Chichester, 1-360 pp.
Box,G.E.P. and Jenkins,G.M., 1970. Time Series Analysis:
Forecasting and Control. Holden-Day, San Francisco, 1-575 pp.
Carsell K.M., Pingel N.D. and Ford D.T. (2004). “Quantifying the
benefit of flood warning system”. Natural Hazards Review 5:
131-140.
CEPAL (2007). “Alteraciones climáticas en Bolivia: Impactos
observados en el primer trimestre de 2007”. (Mexico, CEPAL).
CEPAL (2008). “Evaluación del impacto acumulado y adicional
ocasionado por La Niña, Bolivia 2008”. (Mexico, CEPAL).
Fiengo. F., (2010) Computational Tool for Conceptual River
Modelling: River Dender Case, Belgium. MSc. Thesis Catholic
University of Leuven Belgium.
FUNDEPCO (2013 a). “Local progress report on the implementation
of the Hyogo Framework for Action (First Cycle). Santísima
Trinidad, Bolivia”. (Bolivia, FUNDEPCO).
FUNDEPCO (2013 b). “Local progress report on the implementation
of the 10 Essentials for Making Cities Resilient (First Cycle).
Santísima Trinidad, Bolivia”. (Bolivia, FUNDEPCO).
HDN (2010). “Emerging Challenges for Early Warning Systems in
context of Climate Change and Urbanization”. (Switzerland,
ISDR, DKKV and Humanitarian & Development Network).
IPCC (2013). “Climate Change 2013. The Physical Science Basis.
Contribution of Working Group I to the Fifth Assessment
Report of the Intergovernmental Panel on Climate Change
2013. Summary for Policy Makers”. (USA, IPCC).
Klingberg P. (2011). “Implementation of flood early warning
systems in Mozambique. A stakeholder involved process?”.
(Sweden, University of Gothenburg).
Mileti D. (2005). “Factors related to Flood Warning Response”.
Paper presented at the US-Italy Research workshop on the
Hydrometeorology, Impacts and Management of Extreme
Floods (USA, University of Colorado).
Molinari D. and Handmer J. (2011). “A behavioural model for
quantifying flood warning effectiveness”. Journal of Flood Risk
Management 4:23-32.
Pedregal, D. J., Taylor, C. J., and Young, P. C. 2007. System
identification, time series analysis and forecasting : The
Captain Toolbox Manual. Lancaster University, Lancaster, LA1
4YQ, United Kingdom. Handbook v2.0. Ref Type: Computer
Program.
Saavedra Arteaga O. (2009). “Culturas Hidráulicas de la Amazonia
Boliviana. Ecología Cultural Sofisticada y Manejo del Paisaje”.
Ensayo sobre filosofía, ciencias y desarrollo para la construcción
de la perspectiva histórica (Bolivia, AC publicaciones, OXFAM).
Sayers P., Yuanyuan L., Galloway G., Penning-Rowsell E., Fuxin
S., Kang W., Yiwei C. and Le Quesne T. (2013). “Flood Risk
Management. A Strategic Approach”. (Paris, UNESCO).
Schellekens Jaap (2012), Publicatie datum: 2012/7/31. This
document describes the wflow distributed hydrological
modelling platform. wflow is part of the Deltares’ OpenStreams
project (http://www. openstreams. nl).
Shah M.A.R., Douven W.J.A.M., Werner. M. and Leentvaar J. (2012).
“Flood warning responses of farmer households: a case study
in Uria Union in the Brahmaputra flood plain, Bangladesh”.
Flood Risk Management 5:258-269.
Tapsell S.M., Burton R., Parker D.J., Oakes.(2004). “The Social
Performance of Flood Warning Communication Technologies”.
Environment Agency Technical Report W5X-016. (Enfield,
Flood Hazard Research Center, Iddlesex University).
Terpstra T. (2009). “Flood Preparedness. Thoughts, Feelings and
Intentions of the Dutch Public.” (The Netherlands, University
of Twente).
UNISDR (2004). “Living with Risk. A global review of disaster
reduction initiatives”. (Geneva, UNISDR).
UNISDR (2005). “Hyogo Framewotk for Action 2005-2015: Building
the Resilience of Nations and Communities to Disasters”.
Extract from the final report of the World Conference on
17
Disaster Reduction (A/ CONF.206/6) (Japan, UNISDR).
UNISDR (2009). “Terminology on Disaster Risk Reduction”.
(Geneva, UNISDR).
UNISDR (2012). “ How to Make Cities More Resilient. A Handbook
for Local Government Leaders”. (Geneva, UNISDR).
UN-Water (2014). “A Post-2015 Global Goal for Water: Synthesis of
Key Findings and Recommendations from UN-Water”. (United
States, UN-Water).
VIDECI (2013). “Informe Nacional del Progreso en la Implementacion
del Marco de Accion de Hyogo (2011-2013). Bolivia”. (Bolivia,
VIDECI).
VILLAZÓN GÓMEZ Mauricio Florencio Dr. ir., Ir. Pieter
MEERT, Ir. Vincent WOLFS, Prof. dr. ir. Patrick WILLEMS.
July 2012. Conceptual Model Developer (CMD) Manual.
FaculteitIngenieurswetenschappen, Departement Burgerlijke
Bouwkunde. Afdeling Hydraulica, Kasteelpark Arenberg 40 BE-
3001 Heverlee (Leuven).
Villazón, M. F., 2011. Modelling and conceptualization of hydrology
and river hydraulics in flood conditions, for Belgian and
Bolivian basins. PhD dissertation Katholieke Universiteit
Leuven, Faculty of Engineering, Leuven, Belgium.
VRHyR (2010). “Programa de Gestión de Riesgos de Inundaciones
en el Beni “Vivir con el Agua”. (Bolivia, MMAyA).
Vrugt, J. A., Gupta, H. V., Bouten, W., and Sorooshian, S. 2003.
A Shuffled Complex Evolution Metropolis algorithm for
optimization and uncertainty assessment of hydrologic model
parameters. Water Resources Research 39[8], 1201. American
Geophysical Union (AGU). doi:10.1029/2002WR001642.
Werner et al., 2004 M. Werner, M. van Dijk, Schellekens. DELFT-
FEWS: an open shell flood forecasting system. S. Liong,
Phoon, V. Babovic (Eds.), Proceedings of the 6th International
Conference on Hydroinformatics, World Scientific Publishing
Company, Singapore (2004), p. 12051212.
Werner M., Winsemius H.C. and Robinson B. (2011) A Framework
for Establishing Flow Forecasting Requirements: Application in
the Zambezi River Basin. (The Netherlands, Deltares).
Werner M.G.F., Schellekens J., Gijsbers P., van Dijk M., van den
Akker O. and Heynert K. (2013). “An introduction to the Delft-
FEWS flow forecasting system”. Environmental Modelling &
Software 40: 65-77.
Wernera M., Schellekensa J., Gijsbersa P., van Dijka M., van den
Akkera O., Heynerta K. 2013. The Delft-FEWS flow forecasting
system. Environmental Modelling & Software Volume 40,
February 2013, Pages 65–77.
Wolfs V., Villazón, M.F., Willems, P. 2013. Development of a semi-
automated model identification and calibration tool for
conceptual modelling of sewer systems. Journal of Water
Science and Technology (WST-EM121425R1). [1] Water Sci
Technol. 2013;68(1):167-75. doi: 10.2166/ wst.2013.237.
Young, P.C., Taylor, C.J., Tych, W., and Pedregal, D. J. 2007. The
Captain Toolbox. Centre for Research on Environmental
Systems and Statistics. UK, Lancaster University. Ref Type:
Computer Program. www.es.lancs.ac.uk/cres/captain.
18
FUENTE: José Luis Lahore, Río Seco, 2018.
 Identificación de fuentes contaminantes
de los ríos Seco y Seke en el Municipio de El Alto
José Luis Lahore B.*, Beatriz Canaviri*, Juan Pizarro A.*, Fabiola Ajata**, Valeria Mujica Q.**
1 2
Resumen
Con el objetivo de identificar las principales fuentes
contaminantes que deterioran la calidad hídrica de
los ríos Seco y Seke, se recopiló y analizó información
referida a las actividades económicas presentes en
los 14 distritos del Municipio de El Alto, se elaboraron
mapas temáticos y se realizaron mediciones de
calidad de agua en campo en la semana del 8 al 12
de octubre del 2018.
Como resultado se tiene que la principal fuente de
contaminación del río Seco es el río Hernani, el mismo
que recoge a su vez las descargas de los mataderos
y curtiembres instalados en las zonas colindantes a
este cuerpo de agua correspondientes a los distritos
4 y 6, quienes aportan con un poco más de 10 veces
el caudal del río Seco e incrementan en cerca de 30
veces la carga orgánica del mismo.
En el caso del río Seke, el lixiviado del relleno
sanitario de Villa Ingenio es una primera fuente
importante de contaminación, siendo superado por
el canal del distrito 4 que descarga sus aguas en
este río a la altura del puente Seke, carretera a Laja,
incrementando en 10 veces su caudal.
1. Introducción
Es de conocimiento general que la ciudad de El
Alto se constituye en la principal fuente emisora
de contaminación de la cuenca Katari y del Lago
Menor del Titicaca. El Informe de Auditoría Sobre el
Desempeño Ambiental Respecto de la Contaminación
Hídrica en la Cuenca del Río Katari y la Bahía de
Cohana (Informe de Auditoría Ambiental K2/AP05/
J13), realizado el 2013 por la Contraloría General del
Estado (CGE), señala que el nivel de contaminación
* Viceministerio de Recursos Hídricos y Riego
** Universidad Tecnológica Boliviana
19
de las aguas superficiales en esta cuenca obedece
al vertimiento de efluentes domésticos e industriales
crudos o tratados parcial o deficientemente.
Se advirtió que la población en general deposita su
basura a orillas y en el mismo lecho del río y que
aproximadamente 800 t/año de residuos sólidos
son acumulados en los cuerpos de agua de la
cuenca del río Katari y arrastrados hacia la bahía
de Cohana. Se identificaron también a los pasivos
ambientales de Milluni, a los lixiviados generados en
el relleno sanitario de Villa Ingenio y a las actividades
económicas clandestinas, como mataderos,
curtiembres, fábricas de alimentos, etc., como
fuentes contaminantes importantes que requieren
de acciones de control y prevención ambiental.
Frente a esta situación y en el marco de la Ley
del Medio Ambiente (Ley 1333), que plantea el
empleo de inventarios, diagnósticos y estudios
como instrumentos básicos de planificación para
el control y seguimiento de la calidad ambiental,
el Viceministerio de Recursos Hídricos y Riego, en
coordinación con el Gobierno Autónomo Municipal
de El Alto, inició acciones orientadas a identificar
y caracterizar las fuentes contaminantes en este
municipio, en una primera etapa, para posteriormente
trabajar en alternativas de prevención y mitigación
que deben ser adoptadas por las actividades, obras o
proyectos identificados y priorizados por su nivel de
carga contaminante.
Es así que el presente trabajo presenta los resultados
de la identificación de fuentes contaminantes basado
en el análisis de información sobre la densidad y
distribución del sector industrial manufacturero en
la ciudad de El Alto.
2. Metodología Sec03 583432 8173925 Evaluar
descargas de
mataderos
La identificación de fuentes contaminantes se encaró
Sec04 580287 8171716 Evaluar
dividido en las siguientes tres fases: descarga de la
zona urbana
Fase 1. Trabajo de planificación. Estuvo enfocada a Sec05 576554 8170003 Evaluar
la recopilación y análisis de información secundaria descarga de
referida a: Puchukollo

1) Red hídrica y densidad población. En el caso del río Seke se realizó el monitoreo en
2) Red hídrica y cobertura de red de alcantarillado. los siguientes puntos:
3) Red hídrica y población industrial manufacturera.
4) Red hídrica y estado actual de la calidad de los - Punto 1, ubicado antes del Relleno Sanitario
ríos Seco y Seke. de Villa Ingenio (Distrito 13). El objetivo de
5) Identificación de Puntos Críticos (puntos de este punto fue para contar con un punto de
monitoreo) para la evaluación de fuentes referencia.
contaminantes. - Punto 2, ubicado colindante con el Relleno
Sanitario de Villa Ingenio (Distrito 13). El
Fase 2. Trabajo de campo. Comprendió la objetivo de este punto fue verificar el impacto
implementación de un Plan de Monitoreo en de los lixiviados del relleno sanitario de Villa
la semana del 08 al 12.10.2018 en los Puntos Ingenio sobre el cuerpo de agua.
Críticos identificados para la evaluación de fuentes - Punto 3, ubicado debajo del puente Seke (límite
contaminantes sobre los ríos Seco y Seke. entre los distritos 4 y 14). El objetivo de este
punto fue evaluar el impacto de curtiembres
En el caso del río Seco se realizó el monitoreo en los legales y clandestinas asentadas en la zona.
siguientes puntos: - Punto 4, ubicado en la zona baja de la cuenca
(límite entre los distritos 4 y 14). El objetivo
- Punto 1, ubicado en la zona alta de la cuenca de este punto fue evaluar el impacto de los
(Distrito 13). Se consideró este punto a objeto de pequeños mataderos registrados en la zona.
tomarlo como punto de referencia.
- Punto 2, ubicado entre la zona alta y media de la Las coordenadas de los puntos monitoreados se
cuenca (Distrito 5). El objetivo de este punto fue presentan en la Tabla 2 y su ubicación en la Fig. 1.
verificar la presencia de efluentes de curtiembres.
- Punto 3, ubicado en la zona media de la cuenca Tabla 2. Puntos monitoreados para la evaluación
(límite entre los distritos 3 y 4). El objetivo de este de fuentes contaminantes sobre el río Seke
punto fue verificar la presencia de efluentes de
mataderos y curtiembres. Código Coordenada X Coordenada Y Justificación
- Punto 4, ubicado entre la zona media y baja de la Punto de
cuenca (Distrito 4). El objetivo de este punto fue Sek01 583892 8181871 referencia
verificar la carga total de la zona urbana previa al Evaluar
ingreso a la zona rural. Sek02 583867 8182202 impacto
del relleno
sanitario de V.I.
Las coordenadas de los puntos monitoreados se
presentan en la Tabla 1 y su ubicación en la Fig. 1. Evaluar
Sek03 580094 8174222 descargas de
curtiembres
Tabla 1. Puntos monitoreados para la evaluación
Evaluar
de fuentes contaminantes sobre el río Seco Sek04 581344 8175439 descarga de
mataderos
Código Coordenada X Coordenada Y Justificación
Sec01 588782 8183244 Punto de Los parámetros determinados en cada uno de los
referencia puntos de monitoreo descritos arriba se detallan
Sec02 585416 8177626 Evaluar en la Tabla 3.
descargas de
curtiembres

20
Tabla 3. Parámetros determinados en los puntos 3. Fuentes contaminantes de carác-
de monitoreo de los ríos Seco y Seke
ter doméstico y comercial
Parámetro Símbolo Unidad Río Río Seke
Seco Con base en el Estudio de Caracterización de
Conductividad CE μS/cm Si Si Residuos Sólidos, realizados por el Viceministerio de
Eléctrica Agua Potable y Saneamiento Básico del Ministerio
Demanda DQO mg/L Si No de Medio Ambiente y Agua (VAPSB/MMAyA) el año
Química de 2015, se evaluó la generación de residuos sólidos
Oxígeno
por distrito determinándose que en los distritos 1
Oxígeno OD % Si Si y 6 se generan los mayores volúmenes con 0,589
disuelto
kg/hab-día, seguido de los distritos 2 y 3 con 0,571
pH pH - Si Si kg/hab-día, luego los distritos 4, 5 y 7 con 0,519
Sólidos SSed mL/L Si Si kg/hab-día y finalmente los distritos 8, 12 y 14 con
sedimentarios 0,494 kg/hab-día (Fig. 2).
Temperatura T °C Si Si
Turbidez Turb NTU Si Si En el recorrido de campo se pudo observar que la
población de los distritos 3, 4, 5 y 14 son los que
Fase 3. Trabajo se sistematización. Con base en generan mayor impacto sobre los ríos Seco y Seke
la información sistematizada y observaciones debido a que deposita sus residuos sólidos en las
realizadas en campo, se elaboraron mapas orillas y lechos de estos ríos, como es el caso de
temáticos que se presentan en el siguiente punto. los mataderos de cerdos clandestinos ubicados
sobre el Distrito

4. Fuentes contaminantes de
carácter industrial
Se sabe que las aguas residuales que desechan las
actividades productivas es la principal fuente de
contaminación de los ríos del municipio de El Alto,
donde se encuentran registradas aproximadamente
3 000 actividades productivas, de las que se
determinó, a través de operativos, que más de 2
000 emprendimientos industriales desembocan
sus desperdicios y efluentes directamente en los
ríos Seke, Seco y Hernani, cuerpos de agua que
atraviesan los distritos municipales 3, 4, 5, 7 y 14.

En este contexto y considerando las características

de los procesos e insumos utilizados, en los puntos
siguientes se presentan una descripción corta y su
distribución espacial de los sectores industriales
que generan mayor impacto sobre los recursos
hídricos del municipio El Alto.

4.1. Mataderos

De acuerdo a información de técnicos del municipio

Fig. 1. Puntos de monitoreo para la identificación de fuentes
contaminantes en el municipio de El Alto.
El Alto y de la población local en general, existen
mataderos clandestinos que realizan el faeno en
condiciones precarias, tal es el caso de mataderos
ubicados en la zona colindante con el río Seke del
distrito 4. Se estima que entre un 5 a 6% de los

21
animales se faena en mataderos informales, los
mismos que descargan de manera directa sobre
los cuerpos de agua principalmente contenido
ruminal y sangre. Estos mataderos no están
reportados en las listas de SENASAG y no tienen
licencia para operar.

El problema de los mataderos se hace

evidentemente crítico por la falta de sistemas de
tratamiento de sus efluentes, de los que adolece
por ejemplo el matadero de El Alto, ubicado en
el Distrito 4, que descarga directamente al río
Hernani, aunque personal técnico de este matadero
informó que el mayor volumen de sangre drenado
es recogido por una empresa para la elaboración
de alimento balanceado de animales.

La Fig. 3 muestra la ubicación de los mataderos

registrados en el municipio de El Alto. Como se
puede notar, todos se encuentran ubicados en el
Distrito 4, el más importante está próximo al río
Hernani y los demás pequeños, que se dedican al
faeno de ganado menor como cerdos y ganado
ovino, se ubican aledaños al río Seke.

Fig. 3. Ubicación de mataderos registrados por distrito en el

municipio de El Alto

4.2. Curtiembres

La presión social del entorno a causa de los

malos olores generados principalmente por las
descargas de las aguas de pelambre (solución de
sulfuro de sodio), han hecho que la mayor parte
de las curtiembres grandes y medianas cuenten
con su Licencia Ambiental, en conformidad con el
Reglamento de Prevención y Control Ambiental.

Sin embargo, la implementación de las medidas

del Plan de Adecuación Ambiental no son efectivas.
Por otra parte, las pequeñas curtiembres no tienen
conocimiento sobre el tema y no han elaborado
su Manifiesto Ambiental y en muchos casos no
cuentan con la Licencia Ambiental.

Los principales problemas ambientales que

generan las curtiembres, son:

- Contaminación hídrica por el vertido de aguas

de pelambre conteniendo sulfuro de sodio,
Fig. 2. Generación de residuos sólidos por distrito que en medio neutro volatiliza como sulfuro
en el municipio de El Alto de hidrógeno (H2S), con una gran cantidad de

22
 materia orgánica disuelta y cromo trivalente
(Cr III); que no son gestionados de manera
adecuada. Las descargas de las aguas de
pelambre registran valores mayores a 50 000
mg/L de DQO.
- Contaminación atmosférica, debido a la
generación de H2S de las aguas de pelambre
descargadas, a la materia orgánica y a la
emisión de amoniaco (NH3).
- Contaminación de suelos y acuíferos en
algunas zonas debido a que los efluentes son
vertidos directamente en el suelo.
En el municipio de El Alto, las curtiembres están
distribuidas principalmente en los distritos 2, 3,
4, 5, 12 y 14 (Fig. 4) y descargan parcialmente
sus efluentes en el sistema de alcantarillado de
EPSAS, mientras que otros lo hacen directamente
sobre los ríos Hernani y Seco.
Fig. 4. Ubicación de curtiembre por distrito en el
municipio de El Alto.
4.3. Industrias de lácteos
Las industrias lácteas por lo general corresponden
a industrias de Categoría 3 y 4, las mismas que
23
deben cumplir con los requerimientos del RASIM.
Es decir, deben presentar su Manifiesto Ambiental
Industrial y Plan de Manejo Ambiental. Es un sector
industrial que se caracteriza por el alto consumo
de agua utilizado principalmente en el lavado de
equipos y recipientes.
El principal problema ambiental generado por las
industrias de lácteos es la contaminación hídrica
con materia orgánica, azúcares y proteínas de
productos provenientes del sistema de tuberías
del proceso de producción y productos vencidos
devueltos, así como la descarga de soluciones de
hidróxido de sodio y ácido nítrico utilizado en el
lavado de equipos.
Como se puede observar en la Fig. 5, el mayor
número de industrias lácteas están ubicadas en
los distritos 1, 2, 3 y 6 del municipio de El Alto, las
mismas que cuentan con servicios de alcantarillado
que conduce sus efluentes a la PTAR Puchukollo.
Fig. 5. Ubicación de industrias lácteas por
distrito en el municipio de El Alto.
4.4. Industrias farmacéuticas
El sector industrial farmacéutico está compuesto
principalmente por aquellas dedicadas a la producción
de fármacos (medicamentos) y clasificadas como
industrias de Categoría 3 y 4. Este sector se
caracteriza por el alto consumo de agua utilizado en el
lavado de sus equipos y por el vertido de jarabes con
altos contenidos de azúcares, además de productos
vencidos, como es el caso de antibióticos, disolventes
orgánicos y productos retenidos en las líneas de
envasado.
Como muestra la Fig. 6, en el municipio de El Alto
se tienen registradas 8 industrias farmacéuticas, las
mismas que están distribuidas entre los distritos 2, 3,
5, 8 y 14.
Fig. 6. Ubicación de industrias farmacéuticas por distrito en el
municipio de El Alto.
4.5. Embotelladoras de gaseosas y bebidas
alcohólicas
El sector industrial de embotelladoras de gaseosas
(bebidas no alcohólicas) están clasificadas como
24
industrias de categoría 3 y 4. El RASIM establece,
para las pequeñas y microempresas elaboradoras
de bebidas no alcohólicas, el llenado del Registro
Ambiental Industrial, y para las grandes y medianas
empresas en operación (producción mayor o igual a
5 000 litros por día), la presentación de un Manifiesto
Ambiental y un Plan de Manejo Ambiental.
El principal problema ambiental que enfrentan las
empresas de elaboración de bebidas no alcohólicas
es el relacionado con sus descargas liquidas por el
alto contenido de azúcar proveniente de los jarabes o
productos terminados que se pierden en el momento
del envasado, de los productos devueltos, así como
también por aguas residuales de lavado y enjuagado
de los envases de vidrio principalmente. Se tiene
estimado que para producir 1 m3 de gaseosa se
requiere de 2 a 2,5 m3 de agua (agua potable, agua
subterránea u otras fuentes).
Como muestra la Fig. 7, en el municipio de El Alto
se tiene registradas 13 embotelladoras de bebidas
gaseosas y 2 de bebidas alcohólicas, las mismas que
se encuentran distribuidas entre los distritos 1, 2, 3, 4,
5, 6, 8 y 14, con un número mayor en los distritos 2 y 4.
Fig. 7. Ubicación de embotelladoras de gaseosas y bebidas
alcohólicas en el municipio de El Alto.
5. Resultados del monitoreo de fuentes contaminantes
Analizados los distritos considerando características de población, servicios básicos y presencia de
actividades económicas industriales y mineras, se identificaron puntos críticos donde se realizaron las
mediciones previstas, obteniéndose los resultados que muestran las tablas 4 y 5.

Tabla 4. Parámetros medidos en sitios con mayor impacto contaminante en el río Seco

Coordenadas CE pH OD Temp Turb SSed DQO Color Olor

Descripción del
N° μS/ %
punto X Y - °C NTU mL/L mg O2/L    
cm sat

1 Cabecera - 588782 8183244 499 3,72 101 11,3 0 0 7 No No

Puente a Milluni

2 Puente peatonal 585416 8177626 1 072 8,33 45 16,3 39 0 210 No Si

San Juan

3 Puente Bolivia - 583432 8173925 1 745 8,37 0 15,9 183 5 680 No Si

Río Hernani

4 Límite El Alto - 580287 8171716 1 309 8,25 32 20,3 33 0 220 Si Si

Laja
5 Puchukollo Bajo 576554 8170003 1 995 8,08 0 13,3 64 1,3 360 Si Si

Tabla 5. Parámetros medidos en sitios con mayor impacto contaminante en el río Seke

Coordenadas CE pH OD Temp Turb SSed Color Olor

N° Descripción del punto μS/
X Y cm - mg O2/L °C NTU mL/L - -
Villa Ingenio (antes
1 Relleno) 583867 8182202 1 103 3,06 92 10,5 0 0 No No
2 Relleno Villa Ingenio 583892 8181871 4 100 6,47 66 14,7 35 0,1 Si Si
3 Puente Seke 581344 8175439 2 620 8,33 15 22,9 235 4 Si Si
4 Puente San Felipe Seke 580094 8174222 1 770 8,51 47 15,8 242 5 Si Si

Como se puede notar en la Tabla 4, en el río Seco los sitios que presentan notables problemas de
contaminación corresponden a:

1) Cabecera o Puente a Milluni, donde se puede observar principalmente la presencia de agua

ácida proveniente de la zona de Milluni bajo (zona con presencia de pasivos mineros). El caudal
observado en este punto es aproximadamente 2 a 3 L/s

2) Puente Bolivia – río Hernani, donde se puede observar altos niveles de conductividad y
presencia de materia orgánica que produce la anoxia de las aguas. En tres días de visita a este
punto se pudo verificar que a partir de las horas 10:00 y hasta aproximadamente las horas
17:30 la emisión de agua con restos de sangre, provenientes de mataderos, es constante. El
caudal de confluencia del río Hernani es cerca de 10 veces mayor que del río Seco, en el que
se observa aproximadamente un caudal entre 10 a 15 L/s.

Por lo mencionado arriba, se puede señalar que las fuentes contaminantes de mayor relevancia en la
cuenca del río Seco corresponden a todas aquellas industrias que descargan sus efluentes en el río
Hernani, las mismas que en conjunto incrementan en cerca de 30 veces la carga orgánica en el río Seco
inmediatamente después de su confluencia con éste.

25
En el caso del río Seke (Tabla 5), los sitios que
presentan mayores niveles de contaminación
corresponden a:
1) La zona alta, que presenta aguas ácidas
provenientes de la zona de Milluni (zona con
presencia de pasivos mineros y caudales
importantes de drenaje ácido de mina). El
caudal observado en este punto estuvo entre
1 a 1,5 L/s.
2) La zona colindante al relleno sanitario de Villa
Ingenio. Los lixiviados infiltrados superficial
y subterráneamente modifican el nivel de
acides, salinidad y contenido de materia
orgánica notablemente. Sin embargo, el
caudal observado sobre el río Seke permanece
casi constante (1,5 a 2 L/s).
3) La zona del puente Seke, ubicado en la
carretera principal a Laja. En este punto se
pudo verificar la presencia de un canal que
descarga en el río Seke aguas con residuos
sólidos de origen doméstico e industrial
(aguas de mataderos y otros). En el momento
del monitoreo el caudal observado en el río
Seke se encontraba entre 2 a 3 L/s y la del
canal entre 30 a 40 L/s.
Conclusiones
Con base en el análisis de la información recopilada
y los resultados del monitoreo realizado en zonas
identificadas con mayor presión de fuentes
contaminantes, se puede señalar lo siguiente:
A. En el caso del río Seco, las fuentes
contaminantes de mayor importancia
corresponden a:
1) Las actividades mineras localizadas en
el distrito 13 (zona de bajo Milluni), que
provocan el escurrimiento de aguas
ácidas de mina con pH < 4. Sin embargo,
los caudales de aporte son relativamente
bajos, de 2 a 3 L/s.
2) Las aguas del río Hernani, que recoge
principalmente aguas residuales de los
mataderos y curtiembres de los distritos
4 y 6.
B. En el caso del río Seke, las fuentes
contaminantes de mayor importancia
corresponden a:
26
1) Las actividades mineras del distrito 13,
concretamente de la zona de Milluni de
donde escurren aguas ácidas de mina con
pH ≈ 3. El caudal de las aguas ácidas en
el momento del monitoreo no superaba
los 1,5 L/s.
2) Los lixiviados del relleno sanitario de Villa
Ingenio, que aportan con altos niveles de
carga orgánica y bajo caudal. El caudal en
esta zona no superaba los 2 L/s.
3) El arroyo canalizado que descarga sus
aguas en el río Seke a la altura del puente
del mismo nombre y que recoge las
aguas residuales de origen industrial y
doméstico de los distritos 5 y 4. El caudal
de aporte observado en este canal en el
momento del monitoreo estaba entre 30
a 40 L/s y del río Seke entre 2 a 3 L/s.
C. Los distritos en los que se debe priorizar
acciones de prevención y control ambiental, en
orden de importancia, son: Distrito 4, Distrito
6 y Distrito 5. En los mismos se deben encarar
trabajos principalmente con curtiembre y
mataderos.
Fuentes
- Gobierno Autónomo Municipal de El Alto (GAMEA):
- Ministerio de desarrollo Productivo y Economía Plural
- Empresa Publicas Social de Agua y Saneamiento
EPSAS unidad El Alto
- Servicio Departamental de Salud, Epidemiologia.
SEDES
- 30 Estudios de caso de empresas a la vanguardia
de la producción más limpia en Bolivia; Centro de
Promoción de Tecnologías Sostenibles (CPTS); Bolivia,
noviembre 2007.
- Guía Técnica de Producción Más Limpia para
el Subsector bebidas no Alcohólicas; Centro de
Promoción de Tecnologías Sostenibles (CPTS); Bolivia,
mayo 2009.
- Guía Técnica de Producción Más Limpia para
Mataderos de Bobinos; Centro de Promoción de
Tecnologías Sostenibles (CPTS); Bolivia, junio 2009.
- Guía Técnica de Producción Más Limpia para
Curtiembres; Centro de Promoción de Tecnologías
Sostenibles (CPTS); Bolivia, febrero 2003.
- Atlas de El Alto, estudio con información estadística,
descriptiva y analítica sobre las condiciones,
oportunidades e institucionalidad de la población y
la ciudad; Centro de Promoción de la Mujer Gregoria
Apaza; El Alto, Julio 2011.
 FUENTE: José Luis Lahore, Río Seco, 2018.

27
28
FUENTE: MMAYA, Pocona, 2016.
 Estimación probabilística cuantitativa
de la precipitación en Bolivia
aplicando regionalización
Gustavo Ayala Ticona*, Nilo Lima**, David Yates***, Diego Inturias*
123
Resumen
El presente estudio analiza los complejos patrones
espaciales de la precipitación en Bolivia, en el
contexto del Balance Hidrológico Nacional (2017).
En este estudio el clima del país fue sistematizado
en una malla espaciotemporal (0,05°) de datos de
precipitación y temperatura diaria (grilla) para el
período septiembre de 1980 a agosto de 2016
para todo el país. La grilla fue desarrollada usando
el algoritmo Gridded Meteorological Ensemble
(GMET) utilizando un conjunto de 384 estaciones
de precipitación con series de tiempo que fueron
evaluadas a través de pruebas de homogeneidad y
consistencia. Para las precipitaciones, el promedio
anual fue de 1240 mm/año para el país con
una variabilidad creciente desde el SW hasta la
dirección NE. Los valores de precipitación más
bajos se encuentran en el SO, cerca de las zonas
secas del Desierto de Atacama en Chile (inferior
a 200 mm/año). En el sur, entre la Cordillera
Oriental y Faja Subandina, aparece un quiebre
en las montañas de los Andes, que es donde
ocurren los niveles más altos de precipitación
con estimaciones de entre 5000 y 6000 mm/año.
Una validación de los datos obtenidos en la grilla
de precipitación usó 131 estaciones adicionales,
y mostró que se tiene menor confiabilidad en la
región al norte del Sub-Andino y Cordillera Oriental
del país, con una subestimación de hasta 30%. En
este sentido el presente estudio ha desarrollado
un análisis de Regionalización de la precipitación
en el ámbito del territorio nacional, utilizando un
Análisis de Clúster (CA) acoplado a un Análisis de
Componentes Principales (PCA) para establecer
* Unidad de Estudio Especiales, Dirección General de Planificación,
Ministerio de Medio Ambiente y Agua – Bolivia.
** Instituto Ambiental de Estocolmo (SEI), Davis - California (USA).
*** Centro Nacional para Investigación en Atmosfera (NCAR), Boulder –
USA.
29
zonas de precipitación consistentes que ayuden
a particularizar regiones climáticas y estas sean
comparadas con estudios previos que hayan usado
esta noción de análisis del clima y de esta forma
se tengan líneas de actualización y mejoramiento
de los resultados en una forma planificada y bajo
priorización regiones específicas. Los resultados
del análisis presente llevan a la conclusión de que
la inclusión de estaciones locales no consideradas
en la red nacional de monitoreo es altamente
necesario para mejorar el patrón espacial de
precipitación de la grilla (específicamente tres
zonas descritas en el presente documento).
También se concluye que los cofactores dominantes
(por ejemplo, vegetación, humedad) para cada
zona de precipitación podrían incorporarse en la
metodología para poder representar de forma más
adecuada la distribución de precipitación dentro de
cada una de las regiones climáticas identificadas.
1. Introducción
La regionalización de la precipitación pluvial es un
procedimiento esencial para estudiar y analizar
los patrones espaciales de dicho fenómeno, los
cuales ayudan a desplegar un monitoreo con una
densidad razonable de puntos de medición, de
igual forma ayuda en la elaboración de balances
hidrológicos y zonificación climática. Sin embargo,
en el proceso de su implementación y aplicación
se identifica la incertidumbre asociada a la
captura y disponibilidad de los datos, a través del
procesamiento estadístico para la homogenización
y consistencia, así como la variabilidad espacio-
temporal. Otro factor importante que es
abordado en el proceso de regionalización de la
precipitación es la resolución espacial requerida
que normalmente es asociada y depende de la
disponibilidad de datos (Hijmans, Cameron, Parra,
Jones, & Jarvis, 2005). En el año 1991 el Consejo
Nacional de Investigación Americano formuló
dos retos científicos importantes respecto a la
precipitación que aún están vigentes (Sánchez &
Vélez, 2015): a) ¿cómo integrar el comportamiento
dinámico de los procesos hidrológicos en varias
escalas espacio – temporales dada la presencia de
una gran heterogeneidad natural? y b) ¿cómo se
puede establecer el enlace necesario y fundamental,
entre los modelos determinísticos y estocásticos que
describen la precipitación?. Las preguntas están
muy relacionadas con el reto de representar la
variabilidad espacial y temporal de la precipitación
a distintas escalas (Sánchez & Vélez, 2015).
La representación adecuada de los patrones
espaciales de la precipitación por métodos de
interpolación depende de la disponibilidad y
distribución de los datos observados. Cuando
no se cuenta con una suficiente y adecuada
distribución geográfica de las estaciones de
medición los métodos de interpolación no
capturan adecuadamente los patrones espaciales
de la precipitación. La llegada de sensores
remotos que monitorean variables climáticas
como Tropical Rainfall Measuring Mission (TRMM)4
ha sido una contribución muy importante para el
conocimiento de los patrones espaciales, aunque
en cuanto al valor de precipitación aún existe una
gran incertidumbre.
En Bolivia la primera regionalización de
precipitación oficial se realizó en el año 1992 en
el marco del Balance Hídrico Superficial de Bolivia
(Roche et al., 1992), el estudio fue implementado
en colaboración entre el Instituto Francés de
Investigación Científica para el Desarrollo en
Cooperación (ORSTOM), el Instituto de Hidráulica
e Hidrología (IHH-UMSA), y el Servicio Nacional
de Meteorología e Hidrología (SENAMHI). Esta
iniciativa fue promovida por el Programa
Hidrológico Internacional (PHI-UNESCO), y abarco
el periodo 1968 – 1982.
En el año 2012 se realizó otro estudio de balance
hídrico en todo el territorio boliviano (INYPSA
Informes y Proyectos S.A., 2012) con financiamiento
de la Unión Europea para el Ministerio de Medio
Ambiente y Agua. La particularidad de este
estudio fue el empleo de productos satelitales
para información climática, de esta manera para
el balance hídrico la precipitación fue obtenida de
4 https://trmm.gsfc.nasa.gov/
30
imágenes TRMM previo ajuste con datos medidos
en las estaciones meteorológicas. Sin embargo, con
un análisis comparativo simple se puede apreciar
que, en comparación al mapa de precipitación
del año 1992, en algunas regiones húmedas la
precipitación es subestimada hasta en un 100%.
En el 2017, el MMAyA realiza una actualización
del estudio de Balance Hidrológico Superficial de
Bolivia (BHSB). En este estudio el clima del país
fue sistematizado en una malla espaciotemporal
(0,05°) de datos de precipitación y temperatura
diaria (grilla) para el período septiembre de 1980
a agosto de 2016 para todo el país. La grilla
fue desarrollada usando el algoritmo Gridded
Meteorological Ensemble (GMET) utilizando un
conjunto de 384 estaciones de precipitación con
series de tiempo que fueron evaluadas a través
de pruebas de homogeneidad y consistencia. A
pesar de usar métodos mas robustos y avanzados
en relación a los estudios previos, la grilla de
precipitación generada mostró poca confiabilidad
en la región en las áreas del norte de Sub-Andino y
Cordillera Oriental del país, con una subestimación
de hasta 30%, relativa al estudio de 1992, la cual
utilizo mayor cantidad de estaciones disponibles
en el intervalo mencionado (1968 – 1982).
El presente estudio incorpora la regionalización
pluviométrica dentro del análisis de la precipitación
en la última actualización del BHSB a través de
un enfoque acoplado de PCA y CA, considerando
variables biofísicas como la vegetación, divisoria
de aguas, y altitud; como una alternativa para
representar mejor los patrones espaciales ante la
escasa disponibilidad de datos, con dos propósitos:
a) Definir zonas de pluviometría homogéneas
y fáciles de correlacionar con factores locales
predominantes y b) Identificar a través del
solapamiento de la zonas pluviométricas con los
resultados de la grilla GMET, áreas específicas para
mejorar los resultados del algoritmo a posterior
en actualizaciones futuras de la mencionada grilla
de precipitación.
2. Metodología y datos
Grilla GMET
La grilla desarrollada para el BHSB se basa en la
metodología de GMET descrita en Newman et al.
(2015). En este documento se realiza una sinopsis
del procedimiento, y se recomienda utilizar la
referencia indicada para los detalles del algoritmo
GMET. Esta metodología reconoce la incertidumbre
inherente de los productos de interpolación
de precipitación y temperatura debido a las
observaciones escasas, representatividad de las
observaciones y errores de medición. La falta
de estimación de la incertidumbre de forma
cuantitativa limita la aplicación de métodos para
la modelación hidrológica. Reconociendo esta
incertidumbre, el método propuesto produce un
ensamble de precipitación y temperatura a paso
de tiempo diario basado en las observaciones
existentes. La generación de ensambles permite
la estimación de una varianza para determinar la
incertidumbre.

La descripción del método se basa principalmente

en la explicación del sistema de interpolación
probabilística. En la sección de resultados, se
realiza la validación del método y se describe
las posibilidades para mejorar su aplicación para
Bolivia.
La interpolación probabilística tiene dos pasos
principales:
- La interpolación espacial
- La generación del ensamble
La interpolación espacial usó series de datos
completa de precipitación y temperatura, en
un proceso de evaluación de homogeneidad y
consistencia, para luego proceder con un rellenado
de datos. Este set de datos cubre el territorio de
Bolivia. Después del procesamiento, 384 estaciones
individuales de temperatura y precipitación fueron
incluidas (Figura 1). El método siguió la guía de
Clark and Slater (2006). Primero se estimó el peso
(DW) de distancia dependiente para cada celda
para todas las estaciones. Luego se desarrollo
una regresión logística muti-variable para estimar
la probabilidad de la precipitación (PoP) basado
en los pesos variables mayorados en función de
correlaciones (W). Luego se estimó la precipitación
transformada con una función potencial en cada
punto de la grilla (PCP) con consideración limitada
de las estaciones más cercanas a cada celda. Los
estimados de incertidumbre para la precipitación
para cada miembro del ensamble se determinan
para cada celda de la grilla sumando los residuales
de la regresión. Este resultado es un dato
intermedio de GMET que no se ha generado como
producto del presente análisis.
Figura 1. Estaciones meteorológicas utilizadas para la grilla GMET.
Regionalización pluviométrica en Bolivia
Este tipo de regionalización se basa en PCA y CA,
en este estudio se siguió el enfoque de Raziei et al.
(2008) pero con modificaciones en la delimitación
de polígonos de una región. El primer paso fue
definir las variables para el PCA las cuales son:
• Precipitación media multiestacional: estación
seca (PES), estación húmeda (PEH), y estación
de transición (PET); en este caso sería tres
variables.
• Porcentaje de la precipitación media
multiestacional respecto a la precipitación
media multianual, haciendo un total de tres
variables. La estación seca (PPES), estación
húmeda (PPEH), y estación transición (PPET).
• Índice Concentrado de Precipitación estacional
(ICPE) y mensual (ICPM), dos variables.
Además, se adicionó variables relacionadas con la
ubicación de las estaciones como la latitud (LAT)
y longitud (LONG). El tipo de PCA aplicado fue
“R-mode” es decir que los datos de entrada fueron
estructurados de modo que en las filas están las
estaciones y en las columnas las variables.
El segundo paso ha sido la aplicación de PCA a las
variables mencionadas anteriormente. Para esto
se desarrolló un script en R5 basado en la librería
“psych”. En el tercer paso se realizó el análisis de

5 https://www.r-project.org/

31
los resultados, esto con el objetivo de seleccionar
el número de componentes principales para el
cual no existe un criterio estándar. Por ejemplo
Kaiser (1958) sugiere retener o seleccionar los
componentes principales cuyos autovalores
(eigenvalue) sean mayores a 1. El criterio asumido
en este estudio está basado en el análisis las
cargas o “loadings” entre el componente principal
y las variables, según Raziei et al. (2008) valores de
loadings mayor a 0.7 indican buenas correlaciones
entre las variables y los componentes principales.
Basado en este criterio se seleccionó los tres
primeros componentes principales.
El cuarto paso consistió en la rotación factorial de los
componentes seleccionados. Según Bernal García,
Martinez María-Dolores, & Sanchez García (2004),
la rotación factorial consiste en transformar la
matriz factorial inicial en otra denominada matriz
factorial rotada, más fácil de interpretar, que
consiste en una combinación lineal de la primera y
que explica la misma cantidad de varianza inicial.
Los factores rotados tratan de que cada una de
las variables originales tenga una correlación lo
más próxima a uno que sea posible con uno de los
factores, y correlaciones próximas a cero con los
restantes, consiguiendo así correlaciones altas con
el grupo de variables más relevantes o con mayor
indicio de correlación y la mínima con el resto
(Bernal García et al., 2004). Existen varios métodos
para la rotación factorial, en este estudio se aplicó
la rotación varimax que según investigaciones
en regionalización pluviométrica indican que es
el más apropiado (Dinpashoh et al., 2004; Raziei
et al., 2008).
En el quinto paso, con las puntuaciones obtenidas
(scores) por PCA se realizó la iteración de CA con
el algoritmo de Ward (Ward, 1963). Los métodos
de cluster están diseñados para maximizar la
similitud dentro del grupo y minimizar la similitud
entre grupos (Balling Jr, 1984; Bunkers, Miller, &
DeGaetano, 1996). Existen varias métricas para
validar el cluster, de ellas se escogió el coeficiente
de Silhouette que está definido como:
Donde:
a(x)= distancia promedio de a todos los demás
puntos en el mismo clúster
b(x)= distancia promedio de x a todos los demás
puntos en el clúster más cercano
32
El s(x) varía entre -1 y 1, un valor cercano a -1
indica un pobre agrupamiento, y un valor cercano
un valor próximo a 1 indica un agrupamiento muy
bueno. La medida de distancia utilizada en este
estudio fue distancia euclídea al cuadrado. El
número de grupos óptimo fue definido en base al
coeficiente de Silhouette.
El último paso fue la delimitación de las regiones
pluviométricas basada en variables biofísicas
como la vegetación, divisoria de aguas, altitud e
interpolación.
3. Resultados
Grilla de precipitación GMET
GMET fue corrido para el territorio de Bolivia
usando las estaciones presentadas, para obtener
un producto final de una resolución espacial de
0.05° a escala de tiempo diario para el período
hidrológico 1980-2016 lo cual implica que se inicia
en septiembre 1980 y termina en agosto 2016.
El primer paso en la comparación de los sets de
datos es simplemente graficarlos. Ya que la escala
temporal es mensual, se preparó la Figura 2, la
cual compara las series mensuales de GMET y de
las observaciones en Bolivia. Para producir esta
gráfica, la serie de tiempo mensual se produce
agregando las 384 estaciones de validación
y el valor correspondiente del pixel de GMET
para producir dos series de tiempo de GMET vs
observaciones.
Figura 2. Series mensuales de GMET vs estaciones de referencia en Bolivia
Si se considera que cada valor estimado en GMET
es equivalente a su valor observado como un par
de datos estimación-observación, es útil graficar
todos los pares de datos en un diagrama de
dispersión y evaluar la correlación del modelo.
Esto fue realizado en la Figura 3 para la escala
mensual y para los puntos de validación (515
estaciones). Como se puede observar, el coeficiente
de correlación del set total de datos es alrededor
de 84% con un valor de R2 de 0.77. El hecho es
que la tendencia de línea de los valores estimados
de GMET con relación a los datos observados es
cercana a la línea de acuerdo perfecto (línea
punteada) que muestra el nivel de precisión del
modelo de GMET y su algoritmo.
Figura 3. Diagrama de dispersión de GMET vs valores
observados a paso de tiempo mensual
En Bolivia las precipitaciones tienen un régimen
monomodal. Las lluvias se inician en diciembre con
duración hasta marzo, con precipitaciones máximas
en enero y febrero; la estación seca es en invierno,
con mínimo de mayo a julio, y dos períodos de
transición separan estas dos épocas, uno en abril
y otro de septiembre a noviembre (M.-A. Roche et
al., 1992), en la Figura 4 se puede observar dicha
variabilidad. Los meses más lluviosos, coinciden
con la inflexión hacia el sur de la Zona Intertropical
de Convergencia (ZITC) (Molina Carpio, 2005). En
el dominio del balance hídrico la precipitación
media anual estimada por GMET para el periodo
hidrológico 1980-2016 es 1236 mm. Según los
patrones espaciales producidos por GMET (figura
4) en gran parte de la llanura Chaco-Beniana las
precipitaciones anuales oscilan entre 1000 y 2000
mm, con disminución hacia la región del Chaco (Sur
de la Llanura Chaco-Beniana) con precipitaciones
en el intervalo de 500-1000 mm y esto se debe a
la intrusión de masas de aire polar en la planicie
adyacente a Los Andes, con aire más frío y seco
proveniente del sur (Surazo) (M.-A. Roche et al.,
1992). En el Altiplano existe una variación espacial
Norte-Sur, al Norte las precipitaciones pueden
superar los 500 mm, mientras que en el Sur es
menor a 200 mm; en el Norte el aire húmedo
(ZCIT) rebasa periódicamente las montañas de
la Cordillera Oriental de esta manera los vientos
33
alisios aportan el agua al sistema hidrológico de
los lagos Titicaca y Poopó, así como a los salares
(M.-A. Roche et al., 1992). Las precipitaciones en el
Altiplano también están influenciados por “La Alta
de Bolivia”, un anticiclón con núcleo caliente que se
ubica en la troposfera media y alta, su mecanismo
de formación es atribuida a la liberación de calor
latente; es el principal transporte de humedad
desde el Amazonas y tiende a seguir las áreas de
convección más intensa, su presencia origina la
formación de nubes y precipitaciones moderadas a
fuertes (Guzmán, Ruíz, & Cadena, 2014). Al centro
y sur de la Cordillera Occidental las precipitaciones
son menores a 200 mm, siendo la más baja de
Bolivia. En la Cordillera Oriental la precipitación
es muy variable, hacía el norte la precipitación
media anual está en el intervalo 1000 – 2000 mm,
especialmente en la vertiente oriental; en la región
central es menos húmedo con precipitación anual
hasta de 1000 mm, y en el extremo sur (región de
Bermejo) es mayor a 1000 mm. Por otro lado, en
el Subandino y el pie de monte en proximidades
de la región del Chapare la precipitación anual es
mayor a 3000 mm (Figura 4).
Figura 4. Precipitación media anual y multimensual [mm]
para el periodo 1980-2016
Regionalización por CA y PCA
La aplicación de PCA requiere de un análisis de
la matriz de correlación, en este caso entre las
variables consideradas. Los datos de las variables
han sido estandarizados para que puedan tener
una escala de unidades común. En la Tabla 1
se muestra la matriz de correlación, donde los
resultados indican que de las variables inherentes
a la precipitación la PET tiene baja correlación principalmente con variables de la estación seca (PES y
PPES). En la misma tabla se puede observar que existen correlaciones muy altas como por ejemplo entre
los índices de concentración de precipitación (ICPE e ICPM), y PPEH; al igual que con PPET. Mediante
el PCA será posible reducir el número de variables en aquellas donde existe una correlación muy alta,
bajo la hipótesis de que existe información redundante. Respecto a las variables como LAT y LONG las
correlaciones respecto a las variables de precipitación es positiva baja a moderada ya que fluctúan entre
0.234 y 0.520.

Tabla 1. Matriz de correlación de variables para análisis de componentes principales

 Indice ICPE ICPM PET PES PEH PPEH PPES PPET LAT LONG

ICPE 1.000 0.957 0.657 0.525 0.552 0.901 0.598 0.855 0.473 0.385
ICPM 0.957 1.000 0.607 0.421 0.539 0.842 0.443 0.868 0.470 0.345
PET 0.657 0.607 1.000 0.779 0.963 0.615 0.577 0.495 0.520 0.399
PES 0.525 0.421 0.779 1.000 0.767 0.529 0.829 0.184 0.361 0.263
PEH 0.552 0.539 0.963 0.767 1.000 0.495 0.490 0.367 0.494 0.304
PPEH 0.901 0.842 0.615 0.529 0.495 1.000 0.570 0.731 0.402 0.434
PPES 0.598 0.443 0.577 0.829 0.490 0.570 1.000 0.206 0.399 0.234
PPET 0.855 0.868 0.495 0.184 0.367 0.731 0.206 1.000 0.290 0.435
LAT 0.473 0.470 0.520 0.361 0.494 0.402 0.399 0.290 1.000 0.142
LONG 0.385 0.345 0.399 0.263 0.304 0.434 0.234 0.435 0.142 1.000

Una etapa importante en el PCA es la selección del número de componentes principales, no existe un
criterio estándar definido. Algunos criterios como de Kaiser (1958) sugiere retener los componentes
principales cuyos autovalores (eigenvalue) sean mayores a 1. A partir de la matriz de correlación se
realizó el cálculo de autovalores, los resultados se muestran en la Figura 5. Si asumimos el criterio de
Kaiser (1958), se debería retener los dos primeros factores.

Figura 5. Resultado de eigenvalores para la matriz de correlación

34
Parte de los resultados del PCA son las cargas (loadings) y varianza de cada componente (Tabla 2), el
PC1 explica el 58.7% de la varianza total, mientras que el segundo el 15.8%, y el tercero un 11.1%.
Si seleccionamos los dos primeros componentes principales, explicarían el 75% de la varianza. El PC1
presenta loadings positivos altos para PET, PES, PEH, PPES y PPET; y loadings negativos altos para ICPE,
ICPM y PPEH. Según Raziei et al. (2008) valores de loadings mayor a 0.7 indican buenas correlaciones
entre las variables y los componentes principales. En el PC1 en ocho de las diez variables consideradas,
las cargas son mayores a 0.7, para este tipo de análisis se puede ignorar el signo negativo. En el PC2
todas son menores a 0.7, el loading más próximo es de la variable PPET con 0.615; sin embargo, es mejor
explicada por el PC1. El PC3 explica mejor las variables relacionadas con la ubicación como LAT y LONG,
con loadings de 0.649 y 0.735 respectivamente. En el resto de los componentes principales los loadings
son menores a 0.5. Basado en este análisis se seleccionaron los tres primeros componentes que explican
el 85.6% de la varianza, para mejorar los loadings respectivos posteriormente se aplicó rotación Varimax.

Tabla 2. Cargas (loadings) de los componentes principales y varianza

 Variable PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10
ICPE -0.925 0.296 0.126 0.150 -0.064 -0.047 0.032 0.041 0.097 0.020
ICPM -0.873 0.375 0.196 0.023 -0.103 -0.047 0.207 0.006 -0.057 0.014
PET 0.873 0.298 0.112 0.335 0.052 -0.001 0.109 -0.074 0.024 -0.055
PES 0.747 0.555 0.222 -0.163 0.132 -0.002 -0.020 0.198 -0.006 -0.009
PEH 0.791 0.394 0.091 0.427 0.134 -0.023 -0.060 -0.060 -0.017 0.053
PPEH -0.872 0.268 0.022 0.214 0.004 0.342 -0.065 0.010 -0.014 -0.012
PPES 0.704 0.410 0.103 -0.532 -0.089 0.144 0.040 -0.107 0.024 0.018
PPET 0.729 -0.615 -0.100 0.112 0.086 0.169 0.160 0.074 0.017 0.025
LAT -0.562 -0.273 0.649 -0.136 0.410 -0.002 0.003 -0.050 0.003 -0.002
LONG -0.456 0.321 -0.735 -0.117 0.363 -0.018 0.048 -0.019 0.004 0.000
Varianza 5.875 1.577 1.106 0.718 0.368 0.171 0.093 0.070 0.015 0.008
%Varianza 0.587 0.158 0.111 0.072 0.037 0.017 0.009 0.007 0.001 0.001
Acumulada 0.587 0.745 0.856 0.928 0.964 0.981 0.991 0.998 0.999 1.000

Con la rotación ortogonal con criterio de Varimax se ha mejorado los loadings en la mayoría de las
variables estudiadas (Tabla 3). Este método de rotación es apropiado cuando se realiza PCA a datos
climáticos (Dinpashoh et al., 2004; Raziei et al., 2008). Del total de las variables analizadas, ocho obtienen
valores mayores a 0.8, usando la rotación. En el caso de LAT si bien hubo una mejora, pero todavía no
están por encima de 0.7 de acuerdo al criterio mencionado con anterioridad. Asimismo, la varianza entre
el RC1 y RC2 es muy similar debido a que la rotación Varimax de algunas variables como PET, PES, PEH,
PPES es mejor explicada en RC2 (PC2 de la Tabla 2. Después de este análisis se generaron las puntuaciones
(Scores) para todas las estaciones pluviométricas en los tres componentes principales rotados, los cuales
sirven como datos de entrada para el CA.

Tabla 3. Loadings con rotación Varimax

 Variable RC1 RC2 RC3
ICPE 0.889 -0.409 -0.012
ICPM 0.920 -0.303 -0.054
PET -0.410 0.834 -0.020
PES -0.125 0.948 -0.040
PEH -0.293 0.838 0.032
PPEH 0.809 -0.415 0.076
PPES -0.216 0.792 0.026

35
 PPET -0.950 0.060 -0.113
LAT 0.378 -0.430 -0.695
LONG 0.368 -0.261 0.805
Varianza 3.789 3.613 1.156
% Varianza 0.379 0.361 0.116
Acumulado 0.379 0.74 0.856

Para el CA se utilizó los scores obtenidos por PCA

como se describió en la sección precedente. El
proceso iterativo de agrupamiento se realizó para
obtener un número de clúster óptimo, a través de
la maximización del coeficiente de Silhouette. Los
resultados de la simulación con el algoritmo de Ward
se muestran en la Figura 6, donde se puede ver que
el número de clúster óptimo es diecisiete (17). El
coeficiente de Silhouette, 0.56, para la fórmula de
normalización N1 y número de clúster NC17 es mayor
comparado con otros. En general la normalización
N1 da mejores resultados que otras fórmulas
(normalización en base a media, media y desviación
estándar, entre otras). Figura 7. Estaciones pluviométricas que pertenecen
a una misma región climática

En regiones donde la densidad de estaciones no

permite distinguir un límite claro, algunas variables
biofísicas como la vegetación, la altitud, y la divisoria
de aguas ayudan a definir lo límites de las regiones
pluviométricas. En este caso se ha usado el mapa
de vegetación de Bolivia elaborado por Navarro
& Ferreira (2002), y el límite de cuencas por el
método Pfastteter del MMAyA utilizado en el Balance
Hidrológica Nacional, y la altitud de la misma fuente.
El resultado de la delimitación se puede ver en la
Figura 8.

Figura 6. Resultados de simulación de clusters con el

algoritmo de Ward

El CA realizado hasta ahora agrupa las estaciones

pluviométricas que pertenecen a una misma región
pluviométrica, los resultados son puntuales tal como
se puede ver en la Figura 7.

Una vez agrupada las estaciones en regiones

pluviométricas, el siguiente paso es delimitar las
regiones con algún tipo de criterio, comúnmente
se utiliza métodos de interpolación como polígonos
de Thiessen u otros. Sin embargo, cuando como
la densidad de estaciones no es totalmente
representativa en nuestro caso es necesario recurrir
a otros criterios, tal es el caso de relacionar con Figura 8. Mapa de regiones pluviométricas de Bolivia, delimitadas
variables biofísicas. en base al mapa de vegetación, límite de cuencas, e interpolación

36
La figura 8 muestra claramente que tanto las
regiones correspondientes al Alto Beni, Chaco y sur
de Tarija no están plenamente representadas en la
grilla GMET debido básicamente a la ausencia de
información terrena de precipitación (R15, R4, R14).
El resto de las regiones identificadas claramente
responden al patrón de precipitación obtenido por el
algoritmo original.
Conclusiones y recomendaciones
Una de las grandes ventajas de los mapas de
clima obtenido en el balance hídrico de 1992,
específicamente de precipitación en el caso del
presente estudio es la representación de regiones
climáticas. Los mismos fueron delineados después de
un trabajo extensivo que incluyo visitas de campo e
instrumentación especifica de zonas particulares, todo
expresado en un trabajo basicamente manual debido
a las limitaciones en herramientas de la década en la
cual se ejecutó el estudio. Todo este trabajo concluyo
en la representación a nivel nacional de microclimas
claramente no visualizados en la red de monitoreo
nacional actual, pero existentes, lo que hace del
trabajo realizado en la década de los 90 un hito en
la información hidroclimática en el país. El presente
estudio trabajó en la línea de establecer la coherencia
regional climática obtenida con el nuevo algoritmo de
espacialización implementado en la actualización del
balance hidrológico nacional, a través de metodología
numérica/estadística, valiéndose de herramientas
de procesamiento disponibles en la actualidad.
Producto de este trabajo se ha podido obtener 17
regiones pluviométrica delineadas espacialmente,
coincidentes con las regiones descritas en el trabajo
de 1992, lo que valida de forma cuantitativa lo
alcanzado en el estudio mencionado obtenido a
través de la experiencia de los ejecutores del mismo
(equipo de expertos bolivianos y franceses). Sobre
estas regiones es posible caracterizar la precipitación
tanto en patrón estacional, mensual y anual, así como
sus rangos en valor. Adicionalmente se han podido
identificar zonas (R15, R4 y R14) que deben ser
ajustadas en relación a los resultados obtenidos por
GMET, las cuales deben ser trabajadas apoyándose
en: 1) redes de monitoreo locales que no hayan sido
incluidas en el estudio nacional, 2) Integración de
límites de búsqueda ajustables en el algoritmo para
evitar la influencia de datos por fuera de las regiones
(distancia máxima para buscar datos de precipitación),
y 3) Incorporación de cofactores biofísicos adicionales
en la especialización (el presente estudio maneja tres
específicos, los cuales son los recomendados para el
inicio de trabajo en esta línea de actualización).
37
Referencias
Bernal García, J. J., Martinez María-Dolores, S. M., &
Sanchez García, J. F. (2004). Modelización de los factores
más importantes que caracterizan un sitio en la Red.
Presentado en XII Jornadas de ASEPUMA, Murcia.
Balling Jr, R. C. (1984). Classification in climatology. En
Spatial Statistics and Models (pp. 81–108). Springer.
Clark, M. P., & Slater, A. G. (2006). Probabilistic quantitative
precipitation estimation in complex terrain. Journal of
Hydrometeorology, 7(1), 3–22.
Dinpashoh, Y., Fakheri-Fard, A., Moghaddam, M.,
Jahanbakhsh, S., & Mirnia, M. (2004). Selection of
variables for the purpose of regionalization of Iran’s
precipitation climate using multivariate methods.
Journal of Hydrology, 297(1–4), 109–123. Hijmans, R.
J., Cameron, S. E., Parra, J. L., Jones, P. G., & Jarvis,
A. (2005). Very high resolution interpolated climate
surfaces for global land areas. International Journal
of Climatology, 25(15), 1965–1978. https://doi.
org/10.1002/joc.1276
Guzmán, D., Ruíz, J. F., & Cadena, M. (2014). Regionalización
de Colombia según la estacionalidad de la precipitación
media mensual, a través análisis de componentes
principales (ACP) (Reporte). Bogotá: Grupo de
Modelamiento de Tiempo, Clima y Escenarios de Cambio
Climático. Subdirección de Meteorología-IDEAM.
INYPSA Informes y Proyectos S.A. (2012). Balance Hídrico
Superficial de Bolivia.
Kaiser, H. F. (1958). The varimax criterion for analytic rotation
in factor analysis. Psychometrika, 23(3), 187–200.
Molina Carpio, J. (2005). Régimen de precipitación en la
cuenca de Huarinilla-Cotapata, La Paz-Bolivia. Ecología
en Bolivia, 40(1), 43–55.
Navarro, G., & Ferreira, 2007. (2002). Mapa de Vegetación
de Bolivia. Santa Cruz de la Sierra, Bolivia.
Neumann, J. von. (1941). Distribution of the Ratio of the
Mean Square Successive Difference to the Variance.
The Annals of Mathematical Statistics, 12(4), 367–395.
https://doi.org/10.1214/aoms/1177731677
Raziei, T., Bordi, I., & Pereira, L. S. (2008). A precipitation-
based regionalization for Western Iran and regional
drought variability. Hydrol. Earth Syst. Sci., 12(6), 1309–
1321. https://doi.org/10.5194/hess-12-1309-2008
Roche, M.-A., Fernandez, C., Aliaga, A., Peña, J., Salas, E.,
& Montaño, J. L. (1992). Balance Hídrico Superficial de
Bolivia. La Paz, Bolivia.
Sánchez, Ó. J. M., & Vélez, V. M. P. (2015). Complejidad de la
estructura espacio-temporal de la precipitación. Revista
de la Academia Colombiana de Ciencias Exactas, Físicas
y Naturales, 39(152), 304–320.
Ward, J. H. (1963). Hierarchical Grouping to Optimize an
Objective Function. Journal of the American Statistical
Association, 58(301), 236–244. https://doi.org/10.108
0/01621459.1963.10500845
38
FUENTE: MMAYA, Villa Tunari, 2017.
 alcances institucionales

MMAyA recibe premio internacional por

Mejor Administración Pública

El Ministerio de Medio Ambiente y Agua MMAyA fue galardonado con el premio

internacional denominado “Mejor Administración Pública Latinoamericana 2018” en
la quinta versión de los premios IAgua, promovida por la organización Roca Madrid
Gallery, en una ceremonia realizada en Madrid España.

El embajador de Bolivia en España, Ramiro Tapia, recibió el premio y destacó las

políticas además de los avances del Estado Plurinacional en el sector de agua, en la
búsqueda de garantizar el acceso al líquido elemento como un derecho humano.

“Cuando el presidente Evo Morales llegó a la presidencia el 2006, el primer día creó el
ministerio del agua, desde entonces Bolivia hizo hincapié en el líquido elemento, para
que se use racionalmente y que llegue a todos los bolivianos” finalizó el embajador.

Por su parte el ministro de Medio Ambiente y Agua Carlos Ortuño, sostuvo que este
es un reconocimiento al esfuerzo de todos los servidores públicos del MMAyA quienes
todos los días buscan ser más eficientes.

“En el país tenemos un desafío que es erradicar la pobreza extrema, para el

año de nuestro bicentenario todos los bolivianos deben tener acceso a agua
en sus hogares y para eso estamos trabajando”.
Carlos Ortuño

39
40
FUENTE: MMAYA, Chinata, 2016.
 reseña

Manual para la toma de decisiones en

proyectos de infraestructura resiliente.
Con enfoque de gestión de riesgos y
adaptación al Cambio Climático.
Sistemas de riego
Alfredo Wolff*

La nueva normativa boliviana el Reglamento permite identificar amenazas, vulnerabilidades

Básico de Preinversión RM 115/2015 emitida por y capacidades de afrontamiento en proyectos de
el Órgano Rector en vigencia exige la incorporación riego con el propósito de lograr su funcionalidad y
del análisis de la Reducción del Riesgo de Desastres sostenibilidad a largo plazo, buscando soluciones
(RRD) y la Adaptación al Cambio Climático (ACC) que ayuden a reducir el riego e desastres.
en los procesos de planificación y en proyectos de
inversión pública, por lo que se hace indispensable
contar con una herramienta, que permita la
incorporación en forma efectiva en proyectos
de inversión pública, es en este sentido que se
desarrolló la herramienta “Manual para la toma
de decisiones en proyectos de infraestructura
resiliente” con enfoque de la gestión de riesgos
de desastres y adaptación al cambio climático,
con el propósito de garantizar la resiliencia de los
mismos.

El Manual para la toma de decisiones de

infraestructura resiliente con enfoque de RRD/
ACC, desarrollada por el Proyecto Reducción del
Riesgo de Desastres (PRRD) de la Cooperación
Suiza, implementado por HELVETAS Swiss
Intercooperation, en coordinación con el
Viceministerio de Recursos Hídricos y Riego
(VRHR) permite evaluar si un proyecto, en términos
estructurales, es potencialmente amenazado
por factores climáticos y por la variabilidad y el
cambio climático; si es resiliente en términos
físicos, operacionales y productivos, lo que permite
determinar las mejores opciones de adaptación
para incorporar al proyecto y elevar su nivel de
resiliencia;a este análisis viene acompañada de
un análisis de beneficio/costo bajo un enfoque de
costos evitados.
El “Manual para la toma de decisiones en
proyectos de infraestructura resiliente”,
* Dirección General de Riego, Viceministerio de Recursos Hídricos y Riego.
Este manual consta de tres módulos:
Modulo I.- Análisis de riesgo, consta de una
planilla y recolecta información técnica primaria
del proyecto de las amenazas climáticas y no
climáticas, así como de las vulnerabilidades y
capacidades de afrontamiento en el entorno
al proyecto de riego, asimismo, determina si
algunos de los componentes del proyecto e riego
se encuentra en riesgo de sufrir un desastre,
todo este análisis haciendo uso de la Planilla
1 debe ser con la participación de la sociedad
civil, que son los beneficiarios del proyecto. Esta
información determinada con la Planilla 1 (Modulo
I) del Manual, y a aplicabilidad de la Ficha de
Identificación y Validación (FIV) en proyectos de
riego, son de mucha utilidad para la elaboración
del Informe Técnico de Condiciones Previas (ITCP),
la cual debe ser firmada por al MAE de la Entidad

41
Ejecutora, este ITCP, da paso a la formulación de
los Términos de Referencia para la elaboración
del Estudio de Diseño Técnico de Preinversión
(EDTP) de proyectos de riego.
El propósito de esta Planilla 1 “Análisis de
Riesgos de Desastres y Adaptación al Cambio
Climático del Proyecto” es responder al Artículo
7, inciso A) Informe Técnico de Condiciones
Previas; numeral 7, que indica: Identificación de
posibles riesgos de desastres (en caso de existir
factores de riesgos de desastres y adaptación al
cambio climático, que afectaran directamente en
el proyecto).
Los resultados que se obtendrán con la aplicación
de esta planilla son:
o Insumos para la redacción del Informe
Técnico de Condiciones Previas
o Identificación de las tres principales
amenazas que deben ser considerados en la
elaboración de las medidas de reducción de
desastres en el proyecto y en la ejecución del
mismo.
o Identificación de la principal amenaza
que debe ser considerada en la toma de
decisiones de las medidas de reducción de
desastres de cultivos dentro del proyecto.
o Identificación de la vulnerabilidad, a los
medios de vida en el área de influencia del
proyecto y de los componentes del proyecto
ante las amenazas determinadas.
o Identificación de las capacidades de afronta-
miento de la población que es conveniente
apoyar o desarrollar en beneficio del proyec-
to.
La evaluación del riesgo, cuya ecuación general
es:
Se aplica también para analizar la existencia
de riesgo en el entorno de un proyecto de
infraestructura, evaluándose si este podría sufrir
afectaciones físicas o en su funcionamiento.
La ecuación nos muestra que el nivel de riesgo en
la infraestructura se incrementará en función de
la probabilidad de ocurrencia de la amenaza y del
grado de la sensibilidad a las mismas. Por otro
lado, el nivel del riesgo se verá aminorado por
42
las capacidades de afrontamiento de la población
o de las instituciones para reaccionar, evitar o
reparar los daños sufridos ante la presencia de
una amenaza recurrente.
Para la identificación de los riesgos y sus posibles
impactos sobre la infraestructura del proyecto,
se aplica el Modulo I (Planilla 1), denominado
“Análisis de Riesgo del Proyecto” destinado a
identificar las amenazas en la zona del proyecto
desde una perspectiva integral. Consta de una
planilla estructurada de 3 secciones detalladas
en los siguientes puntos.
La primera sección nos permite conocer datos
generales donde se pretende implementar un
sistema de riego.
Nombre del proyecto:
Comunidad:
Municipio/Departamento:
Beneficiarios:
Tipo de proyecto:
Estado del proyecto:
Costo total estimado:
La segunda sección de la Planilla 1, solicita
responder las preguntas sobre amenazas
naturales, socionaturales, antrópicas y amenazas
con cambio climático.
Nótese que es importante indicar, que cuando se
escribe una x en cualquier casilla de SI, PARCIAL
o NO, la casilla de pintará de rojo (SI), amarillo
(PARCIAL) y verde (NO), como también, es
necesario llenar cada casilla de Explicación/medida
correctiva, justificando la elección determinada.

La tercera sección de esta Planilla 1, nos permite
identificar si algún componente del proyecto está
sujeto a riego de desastres y la identificación de
las principales amenazas que ponen en peligro
de funcionamiento físico del proyecto, asimismo,
determina que amenaza es la que afectaría a los
cultivos en la parcela.
43
También solicita la recurrencia de estas
amenazas, es decir el tiempo en que se presentan
estas amenazas con bastante intensidad, debe
considerarse que en cada presencia de estas
amenazas, ocasionan perdidas sustantivas de
bienes inmuebles, muebles, vidas humanas y
perdidas en la producción agrícola.
Producto del análisis de vulnerabilidades, se
debe mencionar las principales afectaciones que
podrían sufrir los componentes del proyecto,
de igual manera, producto del análisis de las
capacidades de afrontamiento de la población
beneficiaria del proyecto, se debe mencionar
cuáles son esas capacidades que se debe mejorar
a través de capacitaciones.
Este último cuerpo de la Planilla 1, es un
insumo para la redacción del Informe Técnico de
Condiciones Previas (ITCP), como también, las
amenazas identificadas y su recurrencia deben
ser consideradas en la elaboración de las medidas
de reducción de riesgos o medidas resilientes en
la elaboración del Estudio de Diseño Técnico de
Preinversión (EDTP).
Módulo II.- Este Modulo consta de cuatro
Planilla: Planilla 2, Análisis de Resiliencia Física,
Planilla 3, Análisis de Resiliencia Operacional y
Organizativa, Planilla 4, Análisis de resiliencia
Productiva y Planilla 5, Priorización de la
intervención, Planilla 6, Análisis de Eficacia de
las Medidas de Adaptación físicas y Planilla 7,
Análisis de Eficacia de las Medidas Productivas de
Adaptación.
Estas Planilla analizadas, aporta insumos para
responder al Artículo 11 del Reglamento Básico
de Preinversión Estudio de Diseño Técnico de
Preinversión para Proyectos de Desarrollo Social,
numeral 10; que indica: Análisis y diseño de
medidas de prevención y gestión de riesgos de
desastres y adaptación al cambio climático, del
Reglamento Básico de Preinversión.
- Califica el nivel de resiliencia física de
cada uno de los componentes del proyecto,
analizados frente a las tres principales
amenazas identificadas mediante el MÓDULO I,
el nivel de resiliencia puede variar de acuerdo a
las características físicas de cada componente
desde muy baja, hasta muy alta.

- Califica el nivel de resiliencia operacional y
organizativa del proyecto, considerando las
propiedades operacionales y sociales de cada
componente y como estos son sensibles ante
un desastre. De similar manera, el nivel de
resiliencia organizacional será calificado en
rangos que varían desde un nivel muy bajo a un
nivel muy alto.
- Califica el nivel de resiliencia productiva,
considerando los cultivos que están expuestos
a la amenaza identificada, debe considerar su
sensibilidad, prácticas de cultivo, efecto de la
amenaza y el área cultivada.
Con la aplicación de la Planilla 5 “Priorización de
Intervenciones”, se identifican a los componentes
del sistema como a los cultivos menos resilientes,
cuya atención es prioritaria y se realiza una primera
estimación de las medidas complementarias
para elevar su resiliencia. Esta identificación,
permitirá al evaluador concentrar su atención en
los componentes prioritarios.
Una vez identificados los niveles de resiliencia
física, organizacional y productiva de cada uno
de los componentes y cultivos, la planilla 5:
“Priorización de intervenciones”, permite
establecer el nivel de prioridad de atención de
44
los componentes y cultivos menos resilientes,
permitiendo también realizar una primera
aproximación de las medidas necesarias para
mejorar su nivel de resiliencia.
El análisis de priorización, permite determinar
los niveles de priorización para la atención de los
componentes no resilientes en función a cinco
razonamientos:
- Nivel de Resiliencia Física
- Nivel de Resiliencia Operacional y Organizativa
- Nivel de Resiliencia Productiva
- Principal amenaza que pone en riesgo el
componente
- Probabilidad de ocurrencia
a) El nivel de Resiliencia Fisica, identifica la
robustez fisica del componente frente a las
principales amenazas (el valor mostrado en la
planilla, corresponde al menos valor encontrado
en la serie de la Planilla 2 completadas).
b) El nivel de Resiliencia organizacional,
califica la fragilidad del funcionamiento de cada
componente en condiciones de amenazas (es
importante recordar que no es suficiente que el
componente no resulte dañado, como, también
su funcionalidad no se vea afectada post evento).
c) Nivel de Resiliencia Productiva, Califica la
fragilidad de los cultivos poco resilientes ante
las amenazas identificadas.
d) Nivel de Riesgo, la planilla identifica el nivel
de riesgo de cada componente en función
de su sensibilidad ante la amenaza y la
probabilidad de ocurrencia de la amenaza
(periodo de recurrencia).
Esta Planilla permite identificar a los
componentes con menor resiliencia y más
importantes para el funcionamiento de todo el
sistema, priorizándolos. Por lo tanto, se identificará
a los componentes más prioritarios en su atención.
La Planilla 6, Análisis de Eficacia de las Medidas
de Adaptación físicas nos permite:
- Conocer la incidencia actual del Riesgo y como
éste es afectado por el Cambio Climático
- Identifica a factores de vulnerabilidad del
componente no resiliente y califica su incidencia,
construyendo un escenario actual de riesgo.
- Identifica la incidencia de los efectos del cambio
climático en la vulnerabilidad del componente
no resiliente, construyendo un escenario de
riesgo futuro que considera los efectos del
cambio climático.
- Analiza tres opciones de adaptación destinadas
a reducir la vulnerabilidad del componente
observado, y construye escenarios de riesgos,
simulando el comportamiento de estas en los
factores identificados.
- Identifica cuál de las tres medidas de adaptación
planteadas, es la más eficaz para reducir el
riesgo del componente no resiliente.
En resumen la eficacia de las medidas de
adaptación, depende exclusivamente del análisis
de la reducción de la vulnerabilidad y del aumento
de la resiliencia de los componentes del proyecto.
Estas medidas de adaptación deberán ser incluidas
dentro del proyecto, con su respectivo diseño
estructural y presupuestario.
El presente método, está destinado a medir
la eficacia de las medidas de adaptación para
elevar la resiliencia del proyecto y consiste en la
construcción de escenarios de riesgos, a partir de
la identificación de los factores que incrementan
45
o reducen la vulnerabilidad del componente no
resiliente, calificando su incidencia frente a las
principales amenazas a las que se halla expuesto.
Los escenarios de riesgos son construidos para
tres momentos:
a) Escenario de riesgo actual (considerando la
vulnerabilidad actual)
b) Escenario de riesgo con incidencia del
cambio climático (escenario de riesgo futuro,
considerando las amenazas exacerbadas por el
cambio climático)
c) Escenarios de riesgo reducido (considerando
la futura implementación de las medidas de
reducción de riesgos y adaptación).
La Planilla 7, Análisis de Eficacia de las Medidas
Productivas de Adaptación, nos permite:
- Conocer la incidencia actual del riesgo en los
cultivos y como estos son afectados por el
Cambio Climático
- Identificar los factores de vulnerabilidad del
cultivo no resiliente y califica su incidencia,
construyendo un escenario actual de riesgo.
- Identificar la incidencia de los efectos del
cambio climático en la vulnerabilidad del
cultivo no resiliente, construyendo un escenario
de riesgo futuro que considera los efectos del
cambio climático.
- Analizar tres opciones de adaptación destinadas
a reducir la vulnerabilidad del cultivo observado,
y construye escenarios de riesgos, simulando
el comportamiento de estas en los factores
identificados.
- Identificar cuál de las tres medidas de
adaptación planteadas, es la más eficaz para
reducir el riesgo del cultivo no resiliente.
En resumen la eficacia de las medidas de
adaptación, depende exclusivamente del análisis de
la reducción de la vulnerabilidad y del aumento de
la resiliencia de los cultivos de producción agrícola
dentro del proyecto. Estas medidas de adaptación
deberán ser incluidas dentro del proyecto en su
solución técnica y presupuestaria.
El presente método, está destinado a medir
la eficacia de las medidas de adaptación para
elevar la resiliencia del proyecto y consiste en la
construcción de escenarios de riesgos, a partir de
la identificación de los factores que incrementan
o reducen la vulnerabilidad de los cultivos no
resilientes, calificando su incidencia frente a las
principales amenazas a las que se halla expuesto.
Los escenarios de riesgos son construidos para
tres momentos:
d) Escenario de riesgo actual (considerando la
vulnerabilidad actual)
e) Escenario de riesgo con incidencia del
cambio climático (escenario de riesgo futuro,
considerando las amenazas exacerbadas por el
cambio climático)
f) Escenarios de riesgo reducido (considerando
la futura implementación de las medidas de
adaptación).
La metodología permite identificar con claridad
cuáles son los efectos del cambio climático sobre
el proyecto, también permite identificar cuáles son
las mejores medidas de adaptación y sus efectos.
Módulo III, Planilla 8, Evaluación beneficio-
costo con enfoque de “Costos Evitados”
46
Responder al inciso 14 “Evaluación Económica”
del artículo 11 del Estudio Técnico de Preinversión
para Proyectos de Desarrollo Social, del
Reglamento Básico de Preinversión requiere la
Evaluación de las Medidas de Reducción de Riesgo
de Desastres con el enfoque de “Costos Evitados”
Identifica las mejores medidas destinadas a
mitigar los efectos de las amenazas, reducir
la vulnerabilidad y/o incrementar la capacidad
de adaptación de la población frente al cambio
climático
Determina la relación Beneficio – Costo de las
medidas de reducción seleccionadas, calificando
la viabilidad de su incorporación al proyecto en
términos de Costos Evitados.
Realiza una comparación entre los costos de
implementación de las medidas resilientes, frente
a los costos de reconstrucción y pérdidas que evita
con su implementación. Realiza esta comparación
analizando su sensibilidad durante la vida útil del
proyecto y considerando su grado de eficacia en la
reducción del riesgo.
Interpretación del “Factor Beneficio – Costo”. En
la sección con el mismo nombre de la planilla, se
presentan los valores del indicador “Beneficio–
Costo”, mostrando en rojo aquellos valores por
debajo de 1, en señal de que la “Medida Resiliente”
analizada no es económicamente viable, mostrando
en amarillo aquellos valores comprendidos entre 1
y 2, en señal de viabilidad buena y en verde con
valores superiores a 2, indicando que la “Medida
Resiliente” tiene una viabilidad económica muy
buena.
Por ejemplo, se interpreta un indicador “Beneficio–
Costo” igual a 5, de la siguiente manera: “Por cada
1 boliviano que se invierta en el proyecto para
hacerlo resiliente, se evitarán 5 bolivianos en
pérdidas a ante un desastre”.
El cuadro permite hacer un análisis de sensibilidad
con dos variables, el tiempo y el porcentaje de
pérdidas evitadas.
En el primer caso (tiempo), se incluye en la casilla
“Número de años de protección n=”: al horizonte
de diseño de la medida resiliente como valor
máximo (Por ejemplo: El horizonte de diseño de
un defensivo de hormigón armado podrá ser de 30
años).
En las casillas “Porcentaje de pérdidas evitadas
Pe=”: se considera el grado de cobertura y
eficacia de la “Medida Resiliente” analizada (por
ejemplo: un defensivo que protege la totalidad de
las parcelas en riesgo de inundación, evitará las
pérdidas al 100%)
Finalmente se interpreta también la “Probabilidad
de Ocurrencia” (columna al lado derecho), que
muestra en porcentaje la posibilidad de que suceda
el evento en el año n.
El ejemplo mostrado en la Figura 65, se interpretan
de la siguiente manera:
El valor “0,9”, pintado en color rojo, nos muestra
que la “Medida Resiliente” no es beneficiosa si
brindaría protección para “un solo año” y con
una protección del 60% (ejemplo: protege 6
parcelas de 10 que están en riesgo), o sea que
su implementación resultaría económicamente
no recomendable. Nos muestra también que
existe una probabilidad del 20% de que el evento
desastroso suceda en ese primer año.
Nos muestra que si tiene una vida útil de 10 años,
su implementación es positiva, por eso se pinta de
color verde, y que si brinda una protección del 80%
su implementación evita pérdidas por 5,7 veces su
costo de implementación. Nos muestra también
que el evento desastroso sucederá al menos 2
veces en esos primeros 5 años (probabilidad
de ocurrencia del 200%), por lo cual, la medida
resiliente evitaría el desastre por lo menos dos
veces.
Finalmente nos muestra que con una protección
de 20 años, su viabilidad económica es alta.
Por cada 1 boliviano invertido en la protección,
evitaremos 6,7 bolivianos en pérdidas y costos
de reconstrucción aún con una eficacia del 80%, y
que en esos 20 años, la probabilidad de ocurrencia
del evento es del 400%, es decir que el evento
desastroso, sucedería al menos 4 veces.
Calcular la tasa Beneficio – Costo de un
proyecto, se trata de un tipo de Evaluación Social
de proyectos que “consiste en comparar los
beneficios con los costos que dichos proyectos
implican para la sociedad; es decir, consiste en
determinar el efecto que el proyecto tendrá sobre
el bienestar de la sociedad” FONTAINE (1999) y es
empleado para medir el bienestar que un proyecto
puede generar en la sociedad, lo cual se constituye
en el indicador de Rentabilidad Social.
47
La evaluación “Beneficio - Costo con enfoque en
costos evitados”, consiste en hacer un comparativo
entre los gastos de ejecución de las “Medidas
Resilientes” versus los costos en que se incurrirían
de no contar con la protección y ocurra el
desastre. Los costos, consisten principalmente en
reconstrucción y rehabilitación, valor de los daños
y pérdidas a los usuarios y el valor de continuidad
de los beneficios.
Por lo anterior, la relación “Beneficio - Costo
con enfoque en costos evitados” representa el
beneficio que genera la ejecución de las “Medidas
Resilientes” que reducen el riesgo en el proyecto
por su capacidad de impedir que el proyecto
resulte dañado frente a un evento desastroso,
prescindiéndose de gastos en reconstrucción,
rehabilitación y pérdidas a los usuarios.
“Un beneficio no aprovechado es un costo, y un
costo evitado es un beneficio” (Dixon, 1994). Así,
los costos evitados por la inclusión de las “Medidas
Resilentes”, son los beneficios de la inversión en
reducción del riesgo en el proyecto. Para ello,
es necesario monetizar los costos (precio de
implementación de las Opciones de Adaptación”)
y beneficios (costos evitados) y compararlos;
si el resultado es mayor que 1, significa que los
beneficios son superiores a los costos. En otras
palabras, los beneficios (costos evitados) son
mayores a los sacrificios (costo de las Medidas
Resilientes) y, en consecuencia, el proyecto
generará beneficio social con su implementación.
Se puede concluir que el tipo de beneficio que se
provee con la ejecución de medidas que eleven
la resiliencia de un proyecto, es la protección
a la sociedad contra eventos climáticos que
tienen consecuencias adversas sobre la salud, la
producción, la productividad, ingresos, etc. Por lo
tanto, la inversión en Medidas Resilientes, provee
beneficios a la sociedad que pueden llamarse
“seguridad”. Así, de ejecutarse la medida de
resiliente, el proyecto y sus objetivos, quedan
“seguros”.
De manera gráfica, la evaluación Beneficio – Costo
con enfoque de Costos Evitados es explica de la
siguiente manera:
Proyecto ideal, sucede cuando el proyecto cumple
su vida útil sin mayores perturbaciones y con
ingresos y egresos constantes (Figura).
Un Proyecto en Riesgo, sucede cuando el proyecto
se encuentra vulnerable frente a una o varias
amenazas que podrían en riesgo su funcionamiento
normal. En algún momento de su vida útil, puede
resultar dañado ocasionando una interrupción
en su operación mientras duren las labores de
reconstrucción o rehabilitación, ocasionando
que los usuarios incurran en diferentes costos y
pérdidas (Figura Proyecto no resiliente).
Una infraestructura resiliente, es aquella que
incluye las medidas necesarias para asegurar su
correcto funcionamiento frente a condiciones
de amenaza. Incluye un costo de inversión
mayor (debido a la implementación de las
medidas resilientes) y con costo de operación y
mantenimiento durante la vida útil del proyecto,
también mayor; sin embargo, permitirá dar
continuidad a su funcionamiento ante un desastre
(Figura).
Para determinar la viabilidad económica de la
implementación de las medidas resilientes, se
comparan los costos de implementación frente a
los beneficios que acarrea (Figura).
48
Para la determinación de la viabilidad económica,
se considera también la probabilidad de
ocurrencia del evento, lo cual permite afinar
la relación Beneficio / Costo para amenazas o
desastres recurrentes, es decir, que considera
la protección de las medidas resilientes ante
la ocurrencia multiple de eventos desastrosos
durante su vida util.
La metodología, permite calcular la relación
Beneficio Costo con enfoque de costos evitados
mediante la aplicación de la “Planilla 6; Evaluación
Beneficio – Costo” de la siguiente forma:
- Se considera como tasa de descuento la tasa
social de rentabilidad.
- Se lleva a valor presente los costos de
implementación de las “Medidas Resilientes”
que elevan la resiliencia del proyecto:
a) Costo de construcción o implementación
b) Costo de operación y mantenimiento
- Se lleva a valor presente los costos en que se
incurrirían en caso de desastre.
a) Costo evitado de la reconstrucción o
rehabilitación.
b) Costo evitado de pérdida de vidas humanas
y reducción de condiciones sociales.
c) Costo evitado por gasto en enfermedades
(menores casos de enfermedades).
d) Costo evitado de atender la emergencia.
e) Beneficios indirectos por no interrumpir los
servicios del proyecto (costo evitado por la
interrupción de los servicios del proyecto).
f) Se afectan costos y beneficios con la
probabilidad de ocurrencia del evento y el
grado de protección que ofrece la medida
resiliente porcentaje de pérdidas evitadas)
- Se establece la relación entre el VPN de los
costos de las medidas y el VPN de los costos
por el desastre.
Donde:

VAN1: Valor actual neto de pero perdidas evitadas

cada año durante el periodo n (valor anual
constante)
VAN2: Valor actual neto del costo de operación y
mantenimiento de las medidas resilientes
Pd: Pérdidas Directas
Pg: Pérdidas de ganancias
Pi: Pérdidas indirectas
Cr: Costo de reconstrucción y/o rehabilitación
CMR: Costo de la medida resiliente
Coym: Costo anual de Operación y Mantenimiento
de la medida resiliente
Pe: porcentaje de perdidas evitadas que
se esperan luego de implementadas las
medidas resilientes
Po: Probabilidad de ocurrencia del evento en el
año n
i: Rentabilidad del proyecto
n: Número de años de protección que brindará
la medida resiliente

49
 BIBLIOTECA VIRTUAL
DE GESTIÓN DEL
AGUA

Descarga libros sobre:

• Agua potable
• Riego
• Cuencas
• Medio Ambiente
• Residuos sólidos
• Forestación
• Cambio Climático
• Biodiversidad

Visita:
http://bibliotecadelagua.sirh.gob.bo