Implementación de un ensamble de modelos hidrológicos para estudiar el impacto de la variabilidad y el cambio climático en los recursos hídricos en ecosistemas de páramo en Colombia. Caso de estudio, río Chuza, Páramo de Chingaza

dc.contributor.advisorRodríguez Sandoval, Erasmo Alfredospa
dc.contributor.authorTorres Torres, Laura Constanzaspa
dc.contributor.researchgroupGrupo de Investigación en Ingeniería de Recursos Hidrícos Girehspa
dc.coverage.countryColombiaspa
dc.coverage.regionCundinamarcaspa
dc.coverage.regionMetaspa
dc.date.accessioned2025-03-04T15:45:08Z
dc.date.available2025-03-04T15:45:08Z
dc.date.issued2025
dc.descriptionilustraciones, diagramas, fotografías, mapas, tablasspa
dc.description.abstractA través del tiempo, la modelación hidrológica ha sido utilizada con diferentes propósitos, entre ellos, la evaluación del impacto de escenarios de cambio climático en los recursos hídricos de una cuenca. Sin embargo, lo usual ha sido emplear un único modelo hidrológico, lo cual puede derivar en errores y sesgos debido a su incertidumbre estructural. Por ello, en el presente estudio se realizó la evaluación de los posibles impactos del cambio climático en la cuenca del río Chuza en el páramo de Chingaza, parte de uno de los sistemas de abastecimiento de agua potable de la ciudad de Bogotá. Esta evaluación se realizó a través de la construcción de un ensamble hidrológico por la metodología de Granger Ramanathan en su variante C. Los escenarios de cambio climático empleados se obtuvieron de proyecciones de dos GCMs: CMCC-ESM2 y ECEarth3-CC, y se construyeron con la metodología delta change para las trayectorias SSP2- 4.5 y SSP5-8.5. Como resultados, en primer lugar, se obtuvo que el ensamble construido mejora las métricas individuales encontradas, tanto para el periodo de calibración como de validación. Respecto a los posibles impactos del cambio climático, se observa que la trayectoria SSP2-4.5 proyecta caudales mayores que la trayectoria SSP5-8.5, y que para el 25% de los escenarios futuros el caudal disminuye, especialmente para la trayectoria menos optimista. Los resultados obtenidos representan solamente un posible futuro acerca del posible riesgo de disminución de caudales que podría afectar el abastecimiento de la ciudad de Bogotá en el largo plazo (Texto tomado de la fuente).spa
dc.description.abstractHistorically, hydrologic modeling has served different purposes, among them, the assessment of the impact of climate change scenarios. However, a single hydrological model is usually employed, which can lead to errors and biases due to the structural uncertainty of the model. Therefore, the present study has evaluated the possible impacts of climate change in the Chuza river basin in the Chingaza páramo, part of one of the water supply systems of the city of Bogotá. This through the construction of a hydrological ensemble using the Granger Ramanathan methodology in its variant C. The climate change scenarios were obtained from projections of two GCMs: CMCC-ESM2 and EC-Earth3-CC and constructed with the delta change methodology for the SSP2-4.5 and SSP5-8.5 trajectories. First, it was obtained that the constructed ensemble improves the metrics obtained for individual models for both the calibration and validation periods. Regarding the possible impacts of climate change, it was observed that the SSP2-4.5 trajectory projects higher flows than the SSP5-8.5 trajectory, and that for 25% of the future scenarios the flow decreases, especially for the less optimistic trajectory. The results obtained represent only a possible future about the potential risk of flow decrease that could affect the water supply of the city of Bogota in the long term.eng
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ingeniería - Recursos Hidráulicosspa
dc.description.methodsLa metodología se planteó en cuatro fases, representadas en la Figura 3-1, alineadas con los objetivos presentados en la introducción y guiadas por lo planteado en el Protocolo de modelación hidrológica e hidráulica propuesto por IDEAM (2018) y en lo propuesto por Beven (2012). De igual manera, en la Figura 3-2 se presenta la metodología secuencial que rigió lo desarrollado en el presente documento.spa
dc.description.researchareaHidrología y meteorologíaspa
dc.format.extentxx, 257 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameUniversidad Nacional de Colombiaspa
dc.identifier.reponameRepositorio Institucional Universidad Nacional de Colombiaspa
dc.identifier.repourlhttps://repositorio.unal.edu.co/spa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/87585
dc.language.isospaspa
dc.publisherUniversidad Nacional de Colombiaspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotáspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeBogotá, Colombiaspa
dc.publisher.programBogotá - Ingeniería - Maestría en Ingeniería - Recursos Hidráulicosspa
dc.relation.referencesAbadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2016). TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems (Versión 2). arXiv. https://doi.org/10.48550/ARXIV.1603.04467spa
dc.relation.referencesAjami, N. K., Duan, Q., Gao, X., & Sorooshian, S. (2006). Multimodel Combination Techniques for Analysis of Hydrological Simulations: Application to Distributed Model Intercomparison Project Results. Journal of Hydrometeorology, 7(4), 755-768. https://doi.org/10.1175/JHM519.1spa
dc.relation.referencesAjami, N. K., Duan, Q., & Sorooshian, S. (2007). An integrated hydrologic Bayesian multimodel combination framework: Confronting input, parameter, and model structural uncertainty in hydrologic prediction. Water Resources Research, 43(1), 2005WR004745. https://doi.org/10.1029/2005WR004745spa
dc.relation.referencesAllen, R., Pereira, L., Raes, D., & Smith, M. (2006). Evapotranspiración del cultivo. Guías para la determinación de los requerimientos de agua de los cultivos. Organización de las Naciones Unidas para la Agricultura.spa
dc.relation.referencesAmbroise, B., Beven, K., & Freer, J. (1996). Toward a Generalization of the TOPMODEL Concepts: Topographic Indices of Hydrological Similarity. Water Resources Research, 32(7), 2135-2145. https://doi.org/10.1029/95WR03716spa
dc.relation.referencesAnandhi, A., Frei, A., Pierson, D. C., Schneiderman, E. M., Zion, M. S., Lounsbury, D., & Matonse, A. H. (2011). Examination of change factor methodologies for climate change impact assessment. Water Resources Research, 47(3), 2010WR009104. https://doi.org/10.1029/2010WR009104spa
dc.relation.referencesArias, P. A., Ortega, G., Villegas, L. D., & Martínez, J. A. (2021). Colombian climatology in CMIP5/CMIP6 models: Persistent biases and improvements. Revista Facultad de Ingeniería Universidad de Antioquia. https://doi.org/10.17533/udea.redin.20210525spa
dc.relation.referencesArias, P. A., Villegas, L. D., Mesa, O. J., Pabón, J. D., Arango, J., Arango-Aramburo, S., Armenteras, D., Barahona, R., Berrouet, L., Barco, J., Cardona, Y., Carvajal-Escobar, Y., Ceballos-Bonilla, L. I., Cerón, W. L., Escobar, J. H., González, C., Hoyos, I. C., Hoyos, N., Jaramillo, C., … Zuluaga, M. D. (2022). Implicaciones metodológicas e inconsistencias de la Tercera Comunicación Nacional sobre Cambio Climático de Colombia. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 46(180), 769-794. https://doi.org/10.18257/raccefyn.1705spa
dc.relation.referencesArsenault, R., Gatien, P., Renaud, B., Brissette, F., & Martel, J.-L. (2015). A comparative analysis of 9 multi-model averaging approaches in hydrological continuous streamflow simulation. Journal of Hydrology, 529, 754-767. https://doi.org/10.1016/j.jhydrol.2015.09.001spa
dc.relation.referencesAyzel, G., & Heistermann, M. (2021). The effect of calibration data length on the performance of a conceptual hydrological model versus LSTM and GRU: A case study for six basins from the CAMELS dataset. Computers & Geosciences, 149, 104708. https://doi.org/10.1016/j.cageo.2021.104708spa
dc.relation.referencesBai, P., Liu, X., & Xie, J. (2021). Simulating runoff under changing climatic conditions: A comparison of the long short-term memory network with two conceptual hydrologic models. Journal of Hydrology, 592, 125779. https://doi.org/10.1016/j.jhydrol.2020.125779spa
dc.relation.referencesBanda, V. D., Dzwairo, R. B., Singh, S. K., & Kanyerere, T. (2022). Hydrological Modelling and Climate Adaptation under Changing Climate: A Review with a Focus in Sub-Saharan Africa. Water, 14(24), 4031. https://doi.org/10.3390/w14244031spa
dc.relation.referencesBartles, M., Brauer, T., Ho, D., Fleming, M., Karlovits, G., Pak, J., Van, N., & Willis, J. (2022, enero 19). Hydrologic Modeling System HEC-HMS. User’s Manual. Hydrologic Engineering Center (CEIWR-HEC), Institute for Water Resources, U.S. Army Corps of Engineers. https://www.hec.usace.army.mil/confluence/hmsdocs/hmsum/latest/report-documentation-pagespa
dc.relation.referencesBastola, S., Murphy, C., & Sweeney, J. (2011). The role of hydrological modelling uncertainties in climate change impact assessments of Irish river catchments. Advances in Water Resources, 34(5), 562-576. https://doi.org/10.1016/j.advwatres.2011.01.008spa
dc.relation.referencesBates, J. M., & Granger, C. W. J. (1969). The Combination of Forecasts. OR, 20(4), 451. https://doi.org/10.2307/3008764spa
dc.relation.referencesBeven, K., & Freer, J. (2001). A dynamic TOPMODEL. Hydrological Processes, 15(10), 1993-2011. https://doi.org/10.1002/hyp.252spa
dc.relation.referencesBeven, K. J. (2012). Rainfall-runoff modelling: The primer (2nd ed). Wiley-Blackwell.spa
dc.relation.referencesBeven, K. J., & Kirkby, M. J. (1979). A physically based, variable contributing area model of basin hydrology / Un modèle à base physique de zone d’appel variable de l’hydrologie du bassin versant. Hydrological Sciences Bulletin, 24(1), 43-69. https://doi.org/10.1080/02626667909491834spa
dc.relation.referencesBeven, K. J., Lamb, R., Quinn, P. F., Romanowicz, R., & Freer, J. (Eds.). (1995). TOPMODEL. En Singh, V.P., Computer models of watershed hydrology (Revised edition, pp. 627-668). Water Resources Publications.spa
dc.relation.referencesBianchi, F. M., Maiorino, E., Kampffmeyer, M. C., Rizzi, A., & Jenssen, R. (2017). Recurrent Neural Network Architectures. En F. M. Bianchi, E. Maiorino, M. C. Kampffmeyer, A. Rizzi, & R. Jenssen, Recurrent Neural Networks for Short-Term Load Forecasting (pp. 23-29). Springer International Publishing. https://doi.org/10.1007/978-3-319-70338-1_3spa
dc.relation.referencesBlock, P. J., Souza Filho, F. A., Sun, L., & Kwon, H. (2009). A Streamflow Forecasting Framework using Multiple Climate and Hydrological Models. JAWRA Journal of the American Water Resources Association, 45(4), 828-843. https://doi.org/10.1111/j.1752-1688.2009.00327.xspa
dc.relation.referencesBonilla-Ovallos, C. A., & Mesa Sánchez, O. J. (2017). Validación de la precipitación estimada por modelos climáticos acoplados del proyecto de intercomparación CMIP5 en Colombia. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 41(158), 107. https://doi.org/10.18257/raccefyn.427spa
dc.relation.referencesBoughton, W. (2004). The Australian water balance model. Environmental Modelling & Software, 19(10), 943-956. https://doi.org/10.1016/j.envsoft.2003.10.007spa
dc.relation.referencesBroderick, C., Matthews, T., Wilby, R. L., Bastola, S., & Murphy, C. (2016). Transferability of hydrological models and ensemble averaging methods between contrasting climatic periods: MODEL TRANSFERABILITY. Water Resources Research, 52(10), 8343-8373. https://doi.org/10.1002/2016WR018850spa
dc.relation.referencesBuitrago, J. A., Terraza, R., & Etayo, F. (2015). Geología de la Plancha 228 Santafé de Bogotá Noreste [Map]. Instituto Colombiano de Geología y Minería. https://recordcenter.sgc.gov.co/B14/23008010024691/mapa/pdf/2105246911300002.pdfspa
dc.relation.referencesButts, M. B., Payne, J. T., Kristensen, M., & Madsen, H. (2004). An evaluation of the impact of model structure on hydrological modelling uncertainty for streamflow simulation. Journal of Hydrology, 298(1-4), 242-266. https://doi.org/10.1016/j.jhydrol.2004.03.042spa
dc.relation.referencesBuytaert, W. (2022). topmodel: Implementation of the Hydrological Model TOPMODEL in R (Versión 0.7.5) [RStudio]. https://cran.r-project.org/package=topmodelspa
dc.relation.referencesBuytaert, W., & Beven, K. (2011). Models as multiple working hypotheses: Hydrological simulation of tropical alpine wetlands. Hydrological Processes, 25(11), 1784-1799. https://doi.org/10.1002/hyp.7936spa
dc.relation.referencesBuytaert, W., Celleri, R., De Bièvre, B., & Cisneros, F. (2006). Hidrología del páramo andino: Propiedades, importancia y vulnerabilidad.spa
dc.relation.referencesBuytaert, W., Célleri, R., De Bièvre, B., Cisneros, F., Wyseure, G., Deckers, J., & Hofstede, R. (2006). Human impact on the hydrology of the Andean páramos. Earth-Science Reviews, 79(1-2), 53-72. https://doi.org/10.1016/j.earscirev.2006.06.002spa
dc.relation.referencesBuytaert, W., Sevink, J., & Cuesta, F. (2014). Cambio climático: La nueva amenaza para los páramos. En Cuesta F, Sevink J, Llambí LD, De Bièvre B, Posner J, Editores. Avances en investigación para la conservación de los páramos andinos, CONDESAN.spa
dc.relation.referencesBuytaert, W., Vuille, M., Dewulf, A., Urrutia, R., Karmalkar, A., & Célleri, R. (2010). Uncertainties in climate change projections and regional downscaling in the tropical Andes: Implications for water resources management. Hydrology and Earth System Sciences, 14(7), 1247-1258. https://doi.org/10.5194/hess-14-1247-2010spa
dc.relation.referencesCabrera-Balarezo, J. J., Sucozhañay-Calle, A. E., Crespo-Sánchez, P. J., & Timbe-Castro, L. M. (2022). Applying hydrological modeling to unravel the effects of land use change on the runoff of a paramo ecosystem. DYNA, 89(221), 68-77. https://doi.org/10.15446/dyna.v89n221.98132spa
dc.relation.referencesCampo, A. M., Aldalur, N. B., & Fernández, S. N. (2012). Morfometría fluvial aplicada a una cuenca urbana en Ingeniero White, República Argentina. Investigaciones Geográficas, 77, 7. https://doi.org/10.14350/rig.31006spa
dc.relation.referencesCampos Aranda, D. F. (1998). Procesos del ciclo hidrológico (3.a ed.). Universidad Autónoma de San Luís de Potosí. Facultad de Ingeniería.spa
dc.relation.referencesCárdenas Agudelo, M. F. (2016). Ecohydrology of paramos in Colombia: Vulnerability to climate change and land use. Universidad Nacional de Colombia.spa
dc.relation.referencesCardona, B. L. (2015, diciembre 31). Conceptos básicos de Morfometría de Cuencas Hidrográficas. Facultad de Ingeniería, Universidad de San Carlos de Guatemala.spa
dc.relation.referencesCastaneda-Gonzalez, M., Poulin, A., Romero-Lopez, R., & Turcotte, R. (2023). Hydrological models weighting for hydrological projections: The impacts on future peak flows. Journal of Hydrology, 625, 130098. https://doi.org/10.1016/j.jhydrol.2023.130098spa
dc.relation.referencesCastañeda Morales, Y. (2016). Modelación del efecto del cambio de uso del suelo en la cuenca del río Coello, bajo escenario de cambio climático, a través de la aplicación del modelo hidrológico SWAT (Soil and Water Assesment Tool).spa
dc.relation.referencesChakraborty, U. K. (Ed.). (2008). Differential Evolution Research—Trends and Open Questions. Rainer Storn. En J. Kacprzyk, Advances in Differential Evolution (Vol. 143). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-68830-3spa
dc.relation.referencesChaves, L., & Ordoñez, Y. (2017). Estimación de los tiempos de concentración en las corrientes: Aguas Claras, Arrayanales, Carnicería, El Vado, Pichagua y río Las Piedras en el municipio de Popayán [Trabajo de grado]. Universidad del Cauca.spa
dc.relation.referencesChollet, F. (2015). Keras [Software]. https://keras.iospa
dc.relation.referencesChollet, F. (2024a). Layers API. Regularization layers. Dropout layer. Keras 3 API documentation. https://keras.io/api/layers/regularization_layers/dropout/spa
dc.relation.referencesChollet, F. (2024b). Optimizers. Adam. Keras 3 API documentation. https://keras.io/api/optimizers/adam/spa
dc.relation.referencesChoquehuanca, A. (1999). Análisis morfométrico de la cuenca hidrográfica del río Lucre. Universidad Nacional San Antonio Abad, Cusco.; Espacio y desarrollo No 11. 1999.spa
dc.relation.referencesChuncho, C., & Chuncho, G. (2019). Páramos del Ecuador, importancia y afectaciones: Una revisión. Bosques Latitud Cero, 9(2), 71-83.spa
dc.relation.referencesConsorcio POMCA Quindio. (2018). Plan de Ordenación y Manejo de la cuenca del río La Vieja.spa
dc.relation.referencesCopernicus Climate Change Service. (2021). CMIP6 predictions underpinning the C3S decadal prediction prototypes [Dataset]. ECMWF. https://doi.org/10.24381/CDS.C866074Cspa
dc.relation.referencesCoron, L., Delaigue, O., Thirel, G., Dorchies, D., Perrin, C., & Michel, C. (2017). airGR: Suite of GR Hydrological Models for Precipitation-Runoff Modelling (p. 1.7.6) [Dataset]. https://doi.org/10.32614/CRAN.package.airGRspa
dc.relation.referencesCoron, L., Thirel, G., Delaigue, O., Perrin, C., & Andréassian, V. (2017). The suite of lumped GR hydrological models in an R package. Environmental Modelling & Software, 94, 166-171. https://doi.org/10.1016/j.envsoft.2017.05.002spa
dc.relation.referencesCorradine, M. F. (2016). Actualización POMCA río Garagoa. Consorcio Río Garagoa.spa
dc.relation.referencesCorredor, V. E., & Melo, R. T. (2015). Geología de la Plancha 228 Bogotá Noreste (p. 109). Servicio Geológico Colombiano.spa
dc.relation.referencesCrespo, P., Feyen, J., Buytaert, W., Célleri, R., Frede, H.-G., Ramírez, M., & Breuer, L. (2012). Development of a conceptual model of the hydrologic response of tropical Andean micro-catchments in Southern Ecuador [Preprint]. Catchment hydrology/Modelling approaches. https://doi.org/10.5194/hessd-9-2475-2012spa
dc.relation.referencesCresso, M. (2019). The impact of climate changes on hydrology and water resources in the andean páramos-Colombia. Stockholm University.spa
dc.relation.referencesDams, J., Nossent, J., Senbeta, T. B., Willems, P., & Batelaan, O. (2015). Multi-model approach to assess the impact of climate change on runoff. Journal of Hydrology, 529, 1601-1616. https://doi.org/10.1016/j.jhydrol.2015.08.023spa
dc.relation.referencesDas, A., Rokaya, P., & Lindenschmidt, K.-E. (2022). The impact of a bias-correction approach (delta change) applied directly to hydrological model output when modelling the severity of ice jam flooding under future climate scenarios. Climatic Change, 172(1-2), 19. https://doi.org/10.1007/s10584-022-03364-5spa
dc.relation.referencesDevia, G. K., Ganasri, B. P., & Dwarakish, G. S. (2015). A Review on Hydrological Models. Aquatic Procedia, 4, 1001-1007. https://doi.org/10.1016/j.aqpro.2015.02.126spa
dc.relation.referencesDíaz-Granados Ortiz, M. A., Navarrete González, J. D., & Suárez López, T. (2005). Páramos: Hidrosistemas Sensibles. Revista de Ingeniería, 22, 64-75. https://doi.org/10.16924/revinge.22.8spa
dc.relation.referencesDiaz-Nieto, J., & Wilby, R. L. (2005). A comparison of statistical downscaling and climate change factor methods: Impacts on low flows in the River Thames, United Kingdom. Climatic Change, 69(2-3), 245-268. https://doi.org/10.1007/s10584-005-1157-6spa
dc.relation.referencesEAAB. (s. f.). Sistema Chingaza. Empresa de Acueducto y Alcantarillado de Bogotá. Recuperado 11 de abril de 2023, de https://www.acueducto.com.co/wps/portal/EAB2/Home/acueducto-y-alcantarillado/la-infraestructuraAcueducto/sistemas-abastecimiento/captacion/sistema-chingazaspa
dc.relation.referencesEAAB. (2006). Documento Técnico de Soporte Plan Maestro de Acueducto y Alcantarillado de Bogotá D.C. Empresa de Acueducto y Alcantarillado. https://www.acueducto.com.co/wps/portal/EAB2/Home/acueducto-y-alcantarillado/la-infraestructuraAcueducto/plan-maestro-de-abastecimientospa
dc.relation.referencesEAAB. (2022). Series variables climatológicas de caudal y precipitación para estaciones en el páramo Chingaza en cercanías de la cuenca del río Chuza [Dataset].spa
dc.relation.referencesEdijatno, & Michel, C. (1989). Un modèle pluie-débit journalier à trois paramètres. La Houille Blanche, 75(2), 113-122. https://doi.org/10.1051/lhb/1989007spa
dc.relation.referencesEjigu Eregno, F., Xu, C., & Kitterød, N. (2013). Modeling hydrological impacts of climate change in different climatic zones. International Journal of Climate Change Strategies and Management, 5(3), 344-365. https://doi.org/10.1108/IJCCSM-04-2012-0024spa
dc.relation.referencesEspinosa, J., & Rivera, D. (2016). Variations in water resources availability at the Ecuadorian páramo due to land-use changes. Environmental Earth Sciences, 75(16), 1173. https://doi.org/10.1007/s12665-016-5962-1spa
dc.relation.referencesFlores-López, F., Galaitsi, S., Escobar, M., & Purkey, D. (2016). Modeling of Andean Páramo Ecosystems’ Hydrological Response to Environmental Change. Water, 8(3), 94. https://doi.org/10.3390/w8030094spa
dc.relation.referencesFranchini, M., Wendling, J., Obled, C., & Todini, E. (1996). Physical interpretation and sensitivity analysis of the TOPMODEL. Journal of Hydrology, 175(1-4), 293-338. https://doi.org/10.1016/S0022-1694(96)80015-1spa
dc.relation.referencesGaravito, L. (2015). Los páramos en Colombia, un ecosistema en riesgo. INGENIARE, 11(19), 127-136.spa
dc.relation.referencesGaspari, F. J., Vagaría, A. M. R., Senisterra, G. E., Denegri, G., Delgado, M. I., & Besteiro, S. (2012). Caracterización morfométrica de la cuenca alta del río Sauce Grande, Buenos Aires, Argentina.spa
dc.relation.referencesGers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM. Neural Computation, 12(10), 2451-2471. https://doi.org/10.1162/089976600300015015spa
dc.relation.referencesGil Morales, E. G. (2012). Modelación Hidrológica de los páramos andinos con Topmodel: Páramo de Chingaza, Colombia.spa
dc.relation.referencesGlobal Modeling and Assimilation Office (GMAO). (2015). MERRA-2 statD_2d_slv_Nx: 2d,Daily,Aggregated Statistics,Single-Level,Assimilation,Single-Level Diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GES DISC) [Dataset]. https://doi.org/10.5067/9SC1VNTWGWV3spa
dc.relation.referencesGlobal Modeling And Assimilation Office (GMAO). (2015). MERRA-2 tavg1_2d_rad_Nx: 2d,1-Hourly,Time-Averaged,Single-Level,Assimilation,Radiation Diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GES DISC) [Dataset]. https://doi.org/10.5067/Q9QMY5PBNV1Tspa
dc.relation.referencesGobernación de Cundinamarca. (2007). Mapa de Uso del Suelo (Infraestructura de Datos Espaciales Cundinamarca IDEC) [Map]. https://mapas.cundinamarca.gov.co/documents/cundinamarca-map::mapa-de-uso-del-suelo/explorespa
dc.relation.referencesGómez Elorza, Á. J. (2016). Herramientas de Modelación y Monitoreo para la Hidrología de Alta Montaña Colombiana—Cuenca de la Quebrada Calostros – PNN Chingaza Álvaro. Universidad Nacional de Colombia.spa
dc.relation.referencesGonzález, A. I. (2004). Análisis morfométrico de la cuenca y de la red de drenaje del río Zadorra y sus afluentes aplicado a la peligrosidad de crecidas (Boletín de la A.G.E. N.o 38 - 2004, págs. 311-329). Universidad del País Vasco.spa
dc.relation.referencesGovernment of Canada. (2017). Main steps toward scenarios of climate variability and extremes. https://climate-scenarios.canada.ca/?page=scen-main-stepsspa
dc.relation.referencesGranger, C. W. J., & Ramanathan, R. (1984). Improved methods of combining forecasts. Journal of Forecasting, 3(2), 197-204. https://doi.org/10.1002/for.3980030207spa
dc.relation.referencesGüntner, A., Uhlenbrook, S., Seibert, J., & Leibundgut, Ch. (1999). Multi-criterial validation of TOPMODEL in a mountainous catchment. Hydrological Processes, 13(11), 1603-1620. https://doi.org/10.1002/(SICI)1099-1085(19990815)13:11<1603::AID-HYP830>3.0.CO;2-Kspa
dc.relation.referencesGupta, A. (2021). Structural uncertainty in hydrological models [Disertación doctoral]. Purdue University.spa
dc.relation.referencesGupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of Hydrology, 377(1-2), 80-91. https://doi.org/10.1016/j.jhydrol.2009.08.003spa
dc.relation.referencesGupta, H. V., Sorooshian, S., & Yapo, P. O. (1999). Status of Automatic Calibration for Hydrologic Models: Comparison with Multilevel Expert Calibration. Journal of Hydrologic Engineering, 4(2), 135-143. https://doi.org/10.1061/(ASCE)1084-0699(1999)4:2(135)spa
dc.relation.referencesHersbach, H., Bell, B., Berrisford, P., Biavati, G., Horányi, A., Muñoz Sabater, J., Nicolas, J., Peubey, C., Radu, R., Rozum, I., Schepers, D., Simmons, A., Soci, C., Dee, D., & Thépaut, J-N. (2023). ERA5 hourly data on single levels from 1940 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS) [Dataset]. [object Object]. https://doi.org/10.24381/CDS.ADBB2D47spa
dc.relation.referencesHochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735spa
dc.relation.referencesHofstede, R. (1997). La Importancia Hídrica del Páramo y Aspectos de su Manejo. Estrategias para la Conservación y Desarrollo Sostenible de Páramos y Punas en la Ecorregión Andina: Experiencias y Perspectivas.spa
dc.relation.referencesHofstede, R., Calles, J., López, V., Polanco, R., Torres, F., Ulloa, J., Vásquez, A., & Cerra, M. (2014). Los páramos Andinos ¿Qué sabemos? Estado de conocimiento sobre el impacto del cambio climático en el ecosistema páramo. UICN.spa
dc.relation.referencesHofstede, R., Segarra, P., & Mena, P. (2003). Los páramos en el mundo. (Proyecto Atlas Mundial de los Páramos. Global Peatland Initiative/NC-IUCN/EcoCiencia).spa
dc.relation.referencesHu, C., Wu, Q., Li, H., Jian, S., Li, N., & Lou, Z. (2018). Deep Learning with a Long Short-Term Memory Networks Approach for Rainfall-Runoff Simulation. Water, 10(11), 1543. https://doi.org/10.3390/w10111543spa
dc.relation.referencesIbáñez, S., Moreno, H., & Gisbert, J. (s. f.). Morfología de las cuencas hidrográficas. Universidad Politécnica de Valencia.spa
dc.relation.referencesIDEAM. (s. f.). Fuertes impactos del cambio climático en los páramos de Colombia. Boletín de Prensa.spa
dc.relation.referencesIDEAM. (2017). ¿QUÉ ES LA TERCERA COMUNICACIÓN NACIONAL DE CAMBIO CLIMÁTICO Y QUÉ CONTIENE? CAMBIO CLIMATICO/3ra COMUNICACIÓN CAMBIO CLIMATICO. http://www.cambioclimatico.gov.co/3ra-comunicacion-cambio-climaticospa
dc.relation.referencesIDEAM. (2018). PROTOCOLO DE MODELACIÓN HIDROLÓGICA E HIDRÁULICA.spa
dc.relation.referencesIDEAM. (2021). Mapa de Cobertura de la Tierra. Adaptación Corine Land Cover. República de Colombia. Escala 1:100.000. Periodo 2018 (Instituto de Hidrología, Meteorología y Estudios Ambientales) [Map]. https://www.colombiaenmapas.gov.co/?e=-85.2942930957042,-11.024228672515084,-37.393902470716945,16.449791557491398,4686&b=igac&u=0&t=43&servicio=881spa
dc.relation.referencesIDEAM & Ministerio de Ambiente, Vivienda y Desarrollo Territorial. (2005). Atlas climatológico de Colombia (p. 220).spa
dc.relation.referencesIDEAM, PNUD, MADS, DNP, & CANCILLERÍA. (2015a). Nuevos Escenarios de Cambio Climático para Colombia 2011-2100 Herramientas Científicas para la Toma de Decisiones – Enfoque Nacional – Departamental: Tercera Comunicación Nacional de Cambio Climático. IDEAM, PNUD, MADS, DNP, CANCILLERÍA, FMAM.spa
dc.relation.referencesIDEAM, PNUD, MADS, DNP, & CANCILLERÍA. (2015b). Nuevos Escenarios de Cambio Climático para Colombia 2011-2100 Herramientas Científicas para la Toma de Decisiones – Enfoque Nacional—Regional: Tercera Comunicación Nacional de Cambio Climático. IDEAM, PNUD, MADS, DNP, CANCILLERÍA, FMAM.spa
dc.relation.referencesIDEAM, PNUD, MADS, DNP, & CANCILLERÍA. (2017). Tercera Comunicación Nacional De Colombia a La Convención Marco De Las Naciones Unidas Sobre Cambio Climático (CMNUCC). Tercera Comunicación Nacional de Cambio Climático. IDEAM, PNUD, MADS, DNP, CANCILLERÍA, FMAM.spa
dc.relation.referencesIGAC. (1988). Suelos de Cundinamarca [Map]. Instituto Geográfico Agustín Codazzi. https://www.colombiaenmapas.gov.co/?e=-84.92075793945429,-1.962864152338691,-60.970562626960664,11.838328728380118,4686&b=igac&u=0&t=43&servicio=395spa
dc.relation.referencesIGAC, & Gobernación del Departamento de Cundinamarca (Eds.). (2000). Estudio general de Suelos y Zonificación de Tierras del Departamento de Cundinamarca. Instituto Geográfico Agustín Codazzi (IGAC).spa
dc.relation.referencesInstituto de Investigación de Recursos Biológicos Alexander von Humboldt - IvAH. (2014). Complejos de páramos de Colombia [Map]. https://www.colombiaenmapas.gov.co/?e=-74.32307117187908,3.896324560885913,-71.32929675781672,5.781887852101237,4686&b=igac&l=823;62&u=0&t=2&servicio=823spa
dc.relation.referencesIsch, E. (2012). El cambio climático y la gestión de páramos. CAMAREN / AVSF, Agrónomos y Veterinarios Sin Fronteras,.spa
dc.relation.referencesJAXA/METI ALOS PALSAR. (2014). PALSAR_Radiometric_Terrain_Corrected_high_res [Dataset]. NASA Alaska Satellite Facility Distributed Active Archive Center. Accessed through ASF DAAC https://www.asf.alaska.edu/data-sets/derived-data-sets/alos-palsar-rtc/alos-palsar-radiometric-terrain-correction/. 2024-11-14. https://doi.org/10.5067/Z97HFCNKR6VAspa
dc.relation.referencesJeziorska, J., & Niedzielski, T. (2018). Applicability of TOPMODEL in the mountainous catchments in the upper Nysa Kłodzka river basin (SW Poland). Acta Geophysica, 66(2), 203-222. https://doi.org/10.1007/s11600-018-0121-6spa
dc.relation.referencesJose, D. M., & Dwarakish, G. S. (2020). Uncertainties in predicting impacts of climate change on hydrology in basin scale: A review. Arabian Journal of Geosciences, 13(19), 1037. https://doi.org/10.1007/s12517-020-06071-6spa
dc.relation.referencesKingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization (Versión 9). arXiv. https://doi.org/10.48550/ARXIV.1412.6980spa
dc.relation.referencesKratzert, F., Herrnegger, M., Klotz, D., Hochreiter, S., & Klambauer, G. (2019). NeuralHydrology—Interpreting LSTMs in Hydrology (Vol. 11700, pp. 347-362). https://doi.org/10.1007/978-3-030-28954-6_19spa
dc.relation.referencesKratzert, F., Klotz, D., Brenner, C., Schulz, K., & Herrnegger, M. (2018). Rainfall–runoff modelling using Long Short-Term Memory (LSTM) networks. Hydrology and Earth System Sciences, 22(11), 6005-6022. https://doi.org/10.5194/hess-22-6005-2018spa
dc.relation.referencesKrause, P., Boyle, D. P., & Bäse, F. (2005). Comparison of different efficiency criteria for hydrological model assessment. Advances in Geosciences, 5, 89-97. https://doi.org/10.5194/adgeo-5-89-2005spa
dc.relation.referencesKrysanova, V., Donnelly, C., Gelfan, A., Gerten, D., Arheimer, B., Hattermann, F., & Kundzewicz, Z. W. (2018). How the performance of hydrological models relates to credibility of projections under climate change. Hydrological Sciences Journal, 63(5), 696-720. https://doi.org/10.1080/02626667.2018.1446214spa
dc.relation.referencesLee, S.-Y., & Hamlet, A. F. (2011). Skagit River Basin Climate Science Report. A summary report prepared for Skagit County and the Envision Skagit Project by the Department of Civil and Environmental Engineering and the Climate Impacts Group, University of Washington, Seattle. September, 2011.spa
dc.relation.referencesLiu, C., Hofstra, N., & Leemans, R. (2015). Preparing suitable climate scenario data to assess impacts on local food safety. Food Research International, 68, 31-40. https://doi.org/10.1016/j.foodres.2014.08.017spa
dc.relation.referencesLizarazo Rincón, Y. M. (2018). Análisis hidrológico de la cuenca alta del río Tunjuelo en el páramo Sumapaz y predicción ante escenarios climáticos [Tesis de maestría]. Universidad Jorge Tadeo Lozano.spa
dc.relation.referencesLlambí, L. D., & Cuesta, F. (2014). La diversidad de los páramos andinos en el espacio y en el tiempo. En Cuesta F, Sevink J, Llambí LD, De Bièvre B, Posner J, Editores. Avances en investigación para la conservación de los páramos andinos, CONDESAN.spa
dc.relation.referencesLlambí, L. D., Soto, A., Celleri, R., Bievre, B. D., Ochoa, B., & Borja, P. (2012). Ecología, hidrología y suelos de páramos. Proyecto Páramo Andino.spa
dc.relation.referencesLe Coz, J., Renard, B., Bonnifait, L., Branger, F., & Le Boursicaud, R. (2014). Combining hydraulic knowledge and uncertain gaugings in the estimation of hydrometric rating curves: A Bayesian approach. Journal of Hydrology, 509, 573-587. https://doi.org/10.1016/j.jhydrol.2013.11.016spa
dc.relation.referencesLombana Córdoba, C. (2006). Modelación y generación de estrategias de intervención de cuencas paramunas. Caso de estudio cuencas abastecedoras de agua potable, Páramo de Chingaza.spa
dc.relation.referencesLuteyn, J. L. (1999). Páramos: A cheklist of plant diversity, geographical distribution, and botanical literature. Memoirs of The New York Botanical Garden, 84.spa
dc.relation.referencesMcGuffie, K., & Henderson-Sellers, A. (2005). A climate modelling primer (3rd ed). J. Wiley.spa
dc.relation.referencesMerizalde, M. J., Muñoz, P., Corzo, G., Muñoz, D. F., Samaniego, E., & Célleri, R. (2023). Integrating geographic data and the SCS-CN method with LSTM networks for enhanced runoff forecasting in a complex mountain basin. Frontiers in Water, 5, 1233899. https://doi.org/10.3389/frwa.2023.1233899spa
dc.relation.referencesMerriam, R. A. (1973). Fog drip from artificial leaves in a fog wind tunnel. Water Resources Research, 9(6), 1591-1598. https://doi.org/10.1029/WR009i006p01591spa
dc.relation.referencesMinisterio del Medio Ambiente. (2002). Programa para el Manejo Sostenible y Restauración de Ecosistemas de Alta Montaña colombiana.spa
dc.relation.referencesMoges, E., Demissie, Y., Larsen, L., & Yassin, F. (2020). Review: Sources of Hydrological Model Uncertainties and Advances in Their Analysis. Water, 13(1), 28. https://doi.org/10.3390/w13010028spa
dc.relation.referencesMorales Rivas, M., Otero García, J., Van der Hammen, T., Torres Perdigón, A., Cadena Vargas, C. E., Pedraza Peñaloza, C. A., Rodríguez Eraso, N., Franco Aguilera, C. A., Betancourth Suárez, J. C., Olaya Ospina, É., Posada Gilede, E., & Cárdenas Valencia, L. (2007). Atlas de páramos de Colombia (1.a ed.). Instituto de Investigación de Recursos Biológicos Alexander von Humboldt.spa
dc.relation.referencesMoriasi, D. M., Gitau, M. W., Pai, N., & Daggupati, P. (2015). Hydrologic and Water Quality Models: Performance Measures and Evaluation Criteria. Transactions of the ASABE, 58(6), 1763-1785. https://doi.org/10.13031/trans.58.10715spa
dc.relation.referencesNaciones Unidas. (1992). CONVENCIÓN MARCO DE LAS NACIONES UNIDAS SOBRE EL CAMBIO CLIMÁTICO.spa
dc.relation.referencesNajafi, M. R., Moradkhani, H., & Jung, I. W. (2011). Assessing the uncertainties of hydrologic model selection in climate change impact studies. Hydrological Processes, 25(18), 2814-2826. https://doi.org/10.1002/hyp.8043spa
dc.relation.referencesNash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology, 10(3), 282-290. https://doi.org/10.1016/0022-1694(70)90255-6spa
dc.relation.referencesNatel De Moura, C., Seibert, J., & Detzel, D. H. M. (2022). Evaluating the long short-term memory (LSTM) network for discharge prediction under changing climate conditions. Hydrology Research, 53(5), 657-667. https://doi.org/10.2166/nh.2022.044spa
dc.relation.referencesNavarrete González, J. D. (2004). Hidrología de páramos. Modelación hidrológica de la cuenca alta del río Blanco en AvSWAT2000 [Tesis de maestría]. Universidad de Los Andes.spa
dc.relation.referencesNesru, M. (2023). A review of model selection for hydrological studies. Arabian Journal of Geosciences, 16(2), 102. https://doi.org/10.1007/s12517-023-11194-7spa
dc.relation.referencesNieto, M., Cardona, L., & Agudelo, C. (2015). Análisis de servicios ecosistémicos. Provisión y regulación hídrica. En Ungar, P. (ed.) (2015). Hojas de ruta. Guías para el estudio socioecológico de la alta montaña en Colombia. Bogotá: Instituto de Investigación de Recursos Biológicos Alexander von Humboldt.spa
dc.relation.referencesNilsson, L., & Tholander, J. (2022). Characterization and modeling of hydrology and climatology in paramo ecosystems in Colombia.spa
dc.relation.referencesNúñez Mejía, S. X., Mendoza Paz, S., Tabari, H., & Willems, P. (2023). Climate change impacts on hydrometeorological and river hydrological extremes in Quito, Ecuador. Journal of Hydrology: Regional Studies, 49, 101522. https://doi.org/10.1016/j.ejrh.2023.101522spa
dc.relation.referencesNystrom, E., & Burns, D. (2011). TOPMODEL Simulations of Streamflow and Depth to Water Table in Fishing Brook Watershed, New York, 2007–09 (Geological Survey Scientific Investigations Report 2011–5190, p. 54). http://pubs.usgs.gov/sir/2011/5190/spa
dc.relation.referencesO’Neill, B. C., Tebaldi, C., Van Vuuren, D. P., Eyring, V., Friedlingstein, P., Hurtt, G., Knutti, R., Kriegler, E., Lamarque, J.-F., Lowe, J., Meehl, G. A., Moss, R., Riahi, K., & Sanderson, B. M. (2016). The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6. Geoscientific Model Development, 9(9), 3461-3482. https://doi.org/10.5194/gmd-9-3461-2016spa
dc.relation.referencesPáramos de Colombia, fábricas de agua y cunas de biodiversidad. (2019, mayo 16). Ministerio de Ambiente y Desarrollo Sostenible. https://www.minambiente.gov.co/bosques-biodiversidad-y-servicios-ecosistemicos/paramos-de-colombia-fabricas-de-agua-y-cunas-de-biodiversidad/spa
dc.relation.referencesParques Nacionales Naturales. (2020). Parques Nacionales Naturales de Colombia [Map]. https://www.colombiaenmapas.gov.co/?e=-74.94242541992602,3.568077396699579,-71.94865100586368,5.454523199705211,4686&b=igac&l=62&u=0&t=2&servicio=62spa
dc.relation.referencesPastén-Zapata, E., Pimentel, R., Royer-Gaspard, P., Sonnenborg, T. O., Aparicio-Ibañez, J., Lemoine, A., Pérez-Palazón, M. J., Schneider, R., Photiadou, C., Thirel, G., & Refsgaard, J. C. (2022). The effect of weighting hydrological projections based on the robustness of hydrological models under a changing climate. Journal of Hydrology: Regional Studies, 41, 101113.spa
dc.relation.referencesPatiño, A., Fuquen, J., Ramos, J., Pedraza, A., Ceballos, L., Pinzón, L., Jerónimo, Y., Álvarez, L., & Torres, A. (2011a). Cartografía Geológica de la planca 247 Cáqueza Escala 1:100.000. Instituto Colombiano de Geología y Minería.spa
dc.relation.referencesPatiño, A., Fuquen, J., Ramos, J., Pedraza, A., Ceballos, L., Pinzón, L., Jerónimo, Y., Álvarez, L., & Torres, A. (2011b). Geología de la Plancha 247 Bogotá Sur Este (Cáqueza) [Map]. Instituto Colombiano de Geología y Minería. https://recordcenter.sgc.gov.co/B13/23008010024462/mapa/pdf/2105244621300001.pdfspa
dc.relation.referencesPerrin, C., Michel, C., & Andréassian, V. (2003). Improvement of a parsimonious model for streamflow simulation. Journal of Hydrology, 279(1-4), 275-289. https://doi.org/10.1016/S0022-1694(03)00225-7spa
dc.relation.referencesPeyre, G., Osorio, D., François, R., & Anthelme, F. (2021). Mapping the páramo land-cover in the Northern Andes. International Journal of Remote Sensing, 42(20), 7777-7797. https://doi.org/10.1080/01431161.2021.1964709spa
dc.relation.referencesPlesca, I., Timbe, E., Exbrayat, J.-F., Windhorst, D., Kraft, P., Crespo, P., Vaché, K. B., Frede, H.-G., & Breuer, L. (2012). Model intercomparison to explore catchment functioning: Results from a remote montane tropical rainforest. Ecological Modelling, 239, 3-13. https://doi.org/10.1016/j.ecolmodel.2011.05.005spa
dc.relation.referencesPodger, G. & CRC for Catchment Hydrology. (2004). Rainfall Runoff Library User Guide.spa
dc.relation.referencesPourmokhtarian, A., Driscoll, C. T., Campbell, J. L., Hayhoe, K., & Stoner, A. M. K. (2016). The effects of climate downscaling technique and observational data set on modeled ecological responses. Ecological Applications, 26(5), 1321-1337. https://doi.org/10.1890/15-0745spa
dc.relation.referencesPrakash, K. B., & Kanagachidambaresan, G. R. (Eds.). (2021). Programming with TensorFlow: Solution for Edge Computing Applications. Springer.spa
dc.relation.referencesPrasad, V., Yousuf, A., & Sharma, N. (2020). Hydrological modeling for watershed management. Journal of Natural Resource Conservation and Management, 1(1), 29. https://doi.org/10.51396/ANRCM.1.1.2020.29-34spa
dc.relation.referencesRahimzad, M., Moghaddam Nia, A., Zolfonoon, H., Soltani, J., Danandeh Mehr, A., & Kwon, H.-H. (2021). Performance Comparison of an LSTM-based Deep Learning Model versus Conventional Machine Learning Algorithms for Streamflow Forecasting. Water Resources Management, 35(12), 4167-4187. https://doi.org/10.1007/s11269-021-02937-wspa
dc.relation.referencesRamirez-Villegas, J. A., & Jarvis, A. (2010). Downscaling Global Circulation Model Outputs: The Delta Method Decision and Policy Analysis Working Paper No. 1. 18.spa
dc.relation.referencesRangel, O. (2000). Colombia diversidad biótica III : La región de vida paramuna (Instituto de Ciencias Naturales, Universidad Nacional de Colombia. Instituto de Investigación de Recursos Biológicos Alexander Von Humboldt).spa
dc.relation.referencesRazavi, S. (2021). Deep learning, explained: Fundamentals, explainability, and bridgeability to process-based modelling. Environmental Modelling & Software, 144, 105159. https://doi.org/10.1016/j.envsoft.2021.105159spa
dc.relation.referencesRazavi, S., Hannah, D. M., Elshorbagy, A., Kumar, S., Marshall, L., Solomatine, D. P., Dezfuli, A., Sadegh, M., & Famiglietti, J. (2022). Coevolution of machine learning and process‐based modelling to revolutionize Earth and environmental sciences: A perspective. Hydrological Processes, 36(6). https://doi.org/10.1002/hyp.14596spa
dc.relation.referencesRefsgaard, J. C. (2007). Hydrological modelling and river basin management. Geological Survey of Denmark and Greenland (GEUS).spa
dc.relation.referencesRenard, B., Kavetski, D., Kuczera, G., Thyer, M., & Franks, S. W. (2010). Understanding predictive uncertainty in hydrologic modeling: The challenge of identifying input and structural errors. Water Resources Research, 46(5), 2009WR008328. https://doi.org/10.1029/2009WR008328spa
dc.relation.referencesResolución 0550 de 1998. Por la cual se amplia y se realindera el Parque Nacional Natural Chingaza (1998).spa
dc.relation.referencesResolución 710 de 2016. Por medio de la cual se delimita el Páramo Chingaza y se adoptan otras determinaciones. (2016). https://www.icbf.gov.co/cargues/avance/docs/resolucion_minambienteds_0710_2016.htmspa
dc.relation.referencesRivera Ospina, D., & Rodríguez, C. (2011). Guía divulgativa de criterios para la delimitación de páramos de Colombia. Ministerio de Ambiente, Vivienda y Desarrollo Territorial e Instituto de Investigación de Recursos Biológicos Alexander von Humboldt.spa
dc.relation.referencesRojas Garzón, L. J. (2020). Herramientas para la modelación hidrológica de series a resolución sub-diaria bajo escenarios de cambio climático en páramos andinos, Cuenca de la Quebrada Calostros, Parque Natural Nacional Chingaza, Colombia. Universidad Nacional de Colombia.spa
dc.relation.referencesRuder, S. (2016). An overview of gradient descent optimization algorithms (Versión 2). arXiv. https://doi.org/10.48550/ARXIV.1609.04747spa
dc.relation.referencesRuiter, A. (2012). Delta-change approach for CMIP5 GCMs (p. 36). University of Utrecht. KNMI – Royal Netherlands Meteorological Institute.spa
dc.relation.referencesSahoo, B. B., Jha, R., Singh, A., & Kumar, D. (2019). Long short-term memory (LSTM) recurrent neural network for low-flow hydrological time series forecasting. Acta Geophysica, 67(5), 1471-1481. https://doi.org/10.1007/s11600-019-00330-1spa
dc.relation.referencesSalazar, J. (2016). Una metodología para la estimación de curvas de duración de caudales (CDC) en cuencas no instrumentadas. Caso de aplicación para Colombia en los Departamentos de Santander y Norte de Santander [Tesis de maestría]. Universidad Nacional de Colombia.spa
dc.relation.referencesSalehinejad, H., Sankar, S., Barfett, J., Colak, E., & Valaee, S. (2018). Recent Advances in Recurrent Neural Networks (Versión 3). arXiv. https://doi.org/10.48550/ARXIV.1801.01078spa
dc.relation.referencesSánchez San Román, F. J. (2022). Hidrología Superficial y Subterránea.spa
dc.relation.referencesSchmidt, R. M. (2019). Recurrent Neural Networks (RNNs): A gentle Introduction and Overview (Versión 1). arXiv. https://doi.org/10.48550/ARXIV.1912.05911spa
dc.relation.referencesSearcy, J. K. (1959). Flow-duration curves. En Manual of Hydrology: Part 2. Low-Flow Techniques. Geological Survey. https://doi.org/10.3133/wsp1542Aspa
dc.relation.referencesSeiller, G., Anctil, F., & Perrin, C. (2012). Multimodel evaluation of twenty lumped hydrological models under contrasted climate conditions. Hydrology and Earth System Sciences, 16(4), 1171-1189. https://doi.org/10.5194/hess-16-1171-2012spa
dc.relation.referencesShamseldin, A. Y., O’Connor, K. M., & Liang, G. C. (1997). Methods for combining the outputs of different rainfall–runoff models. Journal of Hydrology, 197(1-4), 203-229. https://doi.org/10.1016/S0022-1694(96)03259-3spa
dc.relation.referencesSharma, S., Sharma, S., & Athaiya, A. (2020). ACTIVATION FUNCTIONS IN NEURAL NETWORKS. International Journal of Engineering Applied Sciences and Technology, 04(12), 310-316. https://doi.org/10.33564/IJEAST.2020.v04i12.054spa
dc.relation.referencesSierra, J. P., Arias, P. A., & Vieira, S. C. (2015). Precipitation over Northern South America and Its Seasonal Variability as Simulated by the CMIP5 Models. Advances in Meteorology, 2015, 1-22. https://doi.org/10.1155/2015/634720spa
dc.relation.referencesSingh, V. P., & Woolhiser, D. A. (2002). Mathematical Modeling of Watershed Hydrology. Journal of Hydrologic Engineering, 7(4), 270-292. https://doi.org/10.1061/(ASCE)1084-0699(2002)7:4(270)spa
dc.relation.referencesSrivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15(56), 1929-1958.spa
dc.relation.referencesSucozhañay, A., & Célleri, R. (2018). Impact of Rain Gauges Distribution on the Runoff Simulation of a Small Mountain Catchment in Southern Ecuador. Water, 10(9), 1169. https://doi.org/10.3390/w10091169spa
dc.relation.referencesThiboult, A., Anctil, F., & Boucher, M.-A. (2016). Accounting for three sources of uncertainty in ensemble hydrological forecasting. Hydrology and Earth System Sciences, 20(5), 1809-1825. https://doi.org/10.5194/hess-20-1809-2016spa
dc.relation.referencesTroin, M., Arsenault, R., Wood, A. W., Brissette, F., & Martel, J. (2021). Generating Ensemble Streamflow Forecasts: A Review of Methods and Approaches Over the Past 40 Years. Water Resources Research, 57(7), e2020WR028392. https://doi.org/10.1029/2020WR028392spa
dc.relation.referencesTyralla, C., & Schumann, A. H. (2016). Incorporating structural uncertainty of hydrological models in likelihood functions via an ensemble range approach. Hydrological Sciences Journal, 61(9), 1679-1690. https://doi.org/10.1080/02626667.2016.1164314spa
dc.relation.referencesUNDP. (2011). Formulating Climate Change Scenarios to Inform Climate-Resilient Development Strategies. United Nations Development Programme.spa
dc.relation.referencesVan der Hammen, T., Pabón Caicedo, J. D., Gutiérrez, H., & Alarcón, J. C. (2002). El cambio global y los ecosistemas de alta montaña de Colombia. En Páramos y ecosistemas alto andinos de Colombia en condición Hotspot y Global Climatic Tensor. Introducción (IDEAM).spa
dc.relation.referencesVargas Rios, O., & Pedraza, P. (2003). El Parque Nacional Natural Chingaza (1.a ed.). Universidad Nacional de Colombia. Facultad de ciencias. Departamento de Biología.spa
dc.relation.referencesVelázquez, J. A., Schmid, J., Ricard, S., Muerth, M. J., Gauvin St-Denis, B., Minville, M., Chaumont, D., Caya, D., Ludwig, R., & Turcotte, R. (2013). An ensemble approach to assess hydrological models’ contribution to uncertainties in the analysis of climate change impact on water resources. Hydrology and Earth System Sciences, 17(2), 565-578. https://doi.org/10.5194/hess-17-565-2013spa
dc.relation.referencesVélez, J., & Botero, A. (2011). Estimación del tiempo de concentración y tiempo de rezago en la cuenca experimental urbana de la quebrada San Luis, Manizales. Dyna, Año 78(Nro. 165), 58­71.spa
dc.relation.referencesVillamizar, S. R., Pineda, S. M., & Carrillo, G. A. (2019). The Effects of Land Use and Climate Change on the Water Yield of a Watershed in Colombia. Water, 11(2), 285. https://doi.org/10.3390/w11020285spa
dc.relation.referencesViney, N. R., Bormann, H., Breuer, L., Bronstert, A., Croke, B. F. W., Frede, H., Gräff, T., Hubrechts, L., Huisman, J. A., Jakeman, A. J., Kite, G. W., Lanini, J., Leavesley, G., Lettenmaier, D. P., Lindström, G., Seibert, J., Sivapalan, M., & Willems, P. (2009). Assessing the impact of land use change on hydrology by ensemble modelling (LUCHEM) II: Ensemble combinations and predictions. Advances in Water Resources, 32(2), 147-158. https://doi.org/10.1016/j.advwatres.2008.05.006spa
dc.relation.referencesWan, Y., Chen, J., Xu, C.-Y., Xie, P., Qi, W., Li, D., & Zhang, S. (2021). Performance dependence of multi-model combination methods on hydrological model calibration strategy and ensemble size. Journal of Hydrology, 603, 127065. https://doi.org/10.1016/j.jhydrol.2021.127065spa
dc.relation.referencesWang, W., Chen, L., & Xu, C.-Y. (2021). Hydrological Modeling in Water Cycle Processes. Water, 13(14), 1882. https://doi.org/10.3390/w13141882spa
dc.relation.referencesWilby, R., Charles, S., Zorita, E., Timbal, B., Whetton, P., & Mearns, L. (2004). Guidelines For Use Of Climate Scenarios Developed From Statistical Downscaling Methods. Zenodo. https://doi.org/10.5281/ZENODO.1438319spa
dc.relation.referencesWu, H., & Levinson, D. (2021). The ensemble approach to forecasting: A review and synthesis. Transportation Research Part C: Emerging Technologies, 132, 103357. https://doi.org/10.1016/j.trc.2021.103357spa
dc.relation.referencesYu, Y., Si, X., Hu, C., & Zhang, J. (2019). A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures. Neural Computation, 31(7), 1235-1270. https://doi.org/10.1162/neco_a_01199spa
dc.relation.referencesZhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into Deep Learning (Versión 5). arXiv. https://doi.org/10.48550/ARXIV.2106.11342spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-NoComercial 4.0 Internacionalspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/spa
dc.subject.ddc620 - Ingeniería y operaciones afines::624 - Ingeniería civilspa
dc.subject.ddc550 - Ciencias de la tierra::551 - Geología, hidrología, meteorologíaspa
dc.subject.ddc620 - Ingeniería y operaciones afines::627 - Ingeniería hidráulicaspa
dc.subject.decsRECURSOS HIDRICOSspa
dc.subject.decsMoor ecologyeng
dc.subject.lembCAMBIOS CLIMATICOSspa
dc.subject.lembClimatic changeseng
dc.subject.lembINFLUENCIAS FORESTALESspa
dc.subject.lembForest influenceseng
dc.subject.lembBALANCE HIDRICO (HIDROLOGIA)spa
dc.subject.lembWater balance (hydrology)eng
dc.subject.lembESTACIONES HIDROMETRICASspa
dc.subject.lembStream-gaging stationseng
dc.subject.lembHIDROLOGIA-MODELOS MATEMATICOSspa
dc.subject.lembHidrology - mathematical modelseng
dc.subject.lembWater resourcesspa
dc.subject.lembECOLOGIA DE PARAMOSeng
dc.subject.proposalCambio climáticospa
dc.subject.proposalPáramospa
dc.subject.proposalModelación hidrológicaspa
dc.subject.proposalChuzaspa
dc.subject.proposalGCMspa
dc.subject.proposalClimate changeeng
dc.subject.proposalPáramoeng
dc.subject.proposalHydrological modelingeng
dc.subject.proposalChuzaeng
dc.subject.proposalGCMeng
dc.titleImplementación de un ensamble de modelos hidrológicos para estudiar el impacto de la variabilidad y el cambio climático en los recursos hídricos en ecosistemas de páramo en Colombia. Caso de estudio, río Chuza, Páramo de Chingazaspa
dc.title.translatedImplementation of an ensemble of hydrological models to study the impact of climate variability and change on water resources in páramo ecosystems in Colombia. Case study, Chuza watershed, Chingaza Páramoeng
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TMspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dcterms.audience.professionaldevelopmentEstudiantesspa
dcterms.audience.professionaldevelopmentInvestigadoresspa
dcterms.audience.professionaldevelopmentMaestrosspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
1052416798.2025.pdf
Tamaño:
14.67 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de Maestría en Ingeniería - Recursos Hidráulicos

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
5.74 KB
Formato:
Item-specific license agreed upon to submission
Descripción: