Resumen de Modelación precipitación-escorrentía en cuencas de zonas secas, Sauce Grande, Argentina
- español
La escasa comprensión sobre el funcionamiento hidrológico de muchas cuencas de zonas secas desafía el modelado hidrológico en forma discreta y continua. Este trabajo implementa un modelo conceptual simple, pero robusto (GR2M) para predecir la escorrentía mensual en la cuenca del río Sauce Grande (Argentina). El mismo pretende determinar a) la eficacia de modelos conceptuales simples en cuencas de zonas secas, y b) el potencial de transferencia de los parámetros del modelo en el contexto de la variabilidad hidroclimática característica de estos ambientes. Se evalúan y comparan dos versiones de GR2M considerando condiciones similares y contrastantes a lo largo del periodo de registro. La eficacia de los modelos durante calibración fue de entre 88 y 90 % en promedio, con variaciones vinculadas con cambios en las condiciones de escorrentía predominantes (magnitud, variabilidad y constancia). La versión del modelo que separa la escorrentía directa del flujo subsuperficial demostró mayor sensibilidad a condiciones extremas y mayor adaptabilidad estructural a la gama completa de flujos. Sin embargo, se registraron notorias pérdidas de eficacia entre calibración y validación (22 %, en promedio) debidas principalmente a sobreestimaciones en periodos de baja escorrentía. Los parámetros del modelo se ajustaron a la variabilidad hidroclimática sobre la base de árboles de regresión. Así, la eficacia predictiva de GR2M mejoró en un 97 %. Además de validar la solidez de modelos hidrológicos simples en zonas secas permitiendo a los parámetros evolucionar con el tiempo, este trabajo provee datos hidrológicos de base para la planificación y gestión de los recursos hídricos en esta cuenca altamente regulada.
- English
The poor understanding of the hydrological functioning of many dryland catchments challenges hydrological modeling on both a discrete and a continuous basis. This paper implements a simple yet robust conceptual rainfall-runoff model, GR2M, to predict long-term monthly runoff in the Sauce Grande catchment (Argentina). It aims at determining whether (i) simple rainfall-runoff models perform satisfactorily on dryland catchments, and (ii) the parameter transfer from calibration to validation works in the context of climate-driven flow variability. Two model versions are evaluated and compared considering similar and contrasting catchment conditions along the period of record. Calibration results showed from 88 to 90 % efficiency on runoff predictions (on average), with variations along calibration periods linked to prevailing flow conditions (magnitude, variability, and constancy). From both, the model version separating the part of direct runoff from subsurface flow showed greater sensitivity to extreme flow conditions and greater structure adaptability to the full range of flows. Efficiency losses from calibration to validation were yet marked (22 %, on average), and responded primarily to runoff overestimations on periods of low flow. Parameters were allowed to evolve along with hydroclimatic conditions based on decision tree learning. Through this modification, the predictive efficiency of GR2M improved by 97 %. In addition to validating the robustness of simple rainfall-runoff models on drylands once parameters may evolve, this paper yields new hydrological data that constitutes an important platform to underpin further water resources planning and management in this highly regulated catchment.
