Small Decentralized Hydropower Program National ... - Cd3wd.com

estoc&tieo o determinista (y naturalmente, una com-
binacidn de 10s dos).
En el mbtodo estocktico se considera que las
variables son de carkter estadktico cuyas distribu-
ciones de probabilidad pueden ser funciones de
tiempo (una. excelente referencia es C!arke, 1973). Es
muy importante no dejarse ilusionar fkilmente por
las series de tiempo generadas estoc&ticamente. En
primer lugar, el modelo dependiente totalmente de la
informacihn histOrica utilizado para el ctilculo de 10s
par&metros estatisticos. La validez de dichas
muestras estadisticas es definitivamente una funci6n
de la calidad y cantidad de la informaci6n sobre la
cual se las determinaron; sin embargo, todas sufren
el “error de1 muestreo”. En Segundo lugar, la
suposici6n basica es que el ‘imundo” a geuerarse
sint&camente esti realmente representado por dicho
modelo. Ambas suposiciones pueden presentar pro-
blemas para la conceptualizaci6n de la valides (y
valor) de 10s resultados.
El problema principal en utilizarlo puede ser fre-
cuentemen+* aquel al cual nos referimos anterior-
mente: la computadora. Corn0 programar una com-
putadora para que genere la informaci6n estockstica
es una cosa muy simple, al mismo tiempo es muy
f&i1 ser despistado al creer que, por ejemplo, de 10s
datos b$sicos de 10 ties uno pueda generar una
secuencia de 1000 ties m&s de eventos v&lidos. El
hidr6logo tiene que tener siempre presente ia
longitud de sus datos hist6ricos sobre 10s cuales esti
basado su modelo. Para poder comprendzr la
importancia de1 “error de1 muestreo”, se le
recomienda revisar Benson (1960) en el cual se
postula una poblaci6n a 1000 adios y se seleccionaron
al azar pequefias muestras de diferentes tamtios.
Posteriormente estas muestras de diferente tamafio
fueron objet0 de anhlisis de frequencia.
Una precauci6n final en el uso de modelos
estoc5sticos: se puede generar muchas series de
diferente longitud, y ninguna de ellas reproducira la
secuencia histdrica - aunque, estadisticamente
hablando, las caracteristicas de las series generadas
convergir&n con las de ia muestra original de donde
fueron derivadas. Esto no significa nada, except0 que
el modelo repro&~&-5 la muestra. 140 se debe war
coma prueba e! hecho de n,ue las series generadas
para longitudes extremas tengan gran valor
inherente. Sin embargo existen por io menos cinco
valores importantes en la aplicacidn correcta de1
modelo estoc&tico: (1) sugieren otros (quiz& m&s
importantes) 6rdenes de series similares que pueden
ser evaluadas por su impacto, (2) atin cukndo no
40
application could be estimated, (4) they can be
used to “fill in” missing data with values that
preserve the stochastic nature of the original
series, and (5) where, as is most often the case,
rainfall data is more available than runoff data,
they can be appiied to the rainfaii series and the
generated rainfall sequences used with more
deterministic rainfall-runoff models in order to
generate runoff sequences.
In hydropower studies we are generally con-
cerned with methods by which streamflow series
can be daveloped. Of particular interest tend to
be ,the rainfall-runoff process models.
A number of deterministic models exist that
variously conceptualize the physical processes
within the watershed. They may be used with
(among others) precipitation data in order to
develop the hypothesized streamflow. One well-
known example, developed by the U.S. Corps of
Engineers, is the SSARR model. In this model,
the precipitation is distributed between runoff
and soil moisture recharge. A soil moisture index
and rainfall intensity is required. Runoff is
distinguished between base flow and direct
runoff and the direct runoff is characterized by
subsurface and surface. Storage zones are fed by
the runoff components, the sum of which is
taken as the streamflow for the watershed.
Precipitation and monthly values of evapotrans-
piration (or weighted jpan evaporation) data are
required. Other factors can be established as
constants or with tabulated functions. The cali-
bration is executed by trial and error - requiring
an existing streamflow series. Obviously, the
model’s accuracy gives satisfactory results only
when sufficient data exists.
A more sophisticated model with a more com-
plete physical base is the Stanford Watershed
Model (and its more highly developed extension
and improvement the Hydrocomp Simulation
Program). These models require a great deal
more input - rainfall, temperatures, radiation,
wind speeds, monthly or daily pan evaporation.
Others, such as the Sacramento Model and the
SHE (Syst’eme Hydrologique Europ/een), exist as
well, as do numerous others developed for
specific applications. But for generation of mean
monthly data, all of these models tend to be
much too detailed for the level of data commonly
available.
The choice of model is often guided by the size
of the watershed. Smaller watersheds will pro-