Regionalización de la precipitación, su agresividad y concentración en la cuenca del río Guayas, Ecuador

Regionalización de la precipitación, su agresividad y concentración en la Cuenca del río Guayas, Ecuador

http://orcid.org/0000-0001-9503-2686 Mercy Ilbay-Yupa
Universidad Técnica de Cotopaxi, Ecuador
http://orcid.org/0000-0002-4315-7695 Ricardo Zubieta Barragán
Instituto Geofísico del Perú, Perú
http://orcid.org/0000-0002-0051-0743 Waldo Lavado-Casimiro
Universidad Nacional Agraria La Molina, Perú

Regionalización de la precipitación, su agresividad y concentración en la cuenca del río Guayas, Ecuador

La Granja. Revista de Ciencias de la Vida, vol. 30, núm. 2, 2019

Universidad Politécnica Salesiana

Recepción: 06 Junio 2019

Aprobación: 12 Agosto 2019

Publicación: 01 Septiembre 2019

Resumen: La agresividad de la lluvia contribuye a la erosividad del suelo en regiones de alta montaña, y por tal a la sedimentación en la parte baja de la cuenca. La reducción de incertidumbre acerca de la agresividad de la lluvia en regiones costeras y andinas contribuye a la formulación de medidas de mitigación que contribuyan a la reducción de erosión y pérdida de nutrientes. Los índices Fournier, Fournier modificado y de concentración de precipitación proveen la capacidad de estimar la distribución espacial y temporal de la agresividad de la lluvia. Este estudio presenta un análisis de la lluvia mediante estos índices de agresividad en la cuenca del río Guayas ubicada en la costa y Andes ecuatoriales. Se seleccionó datos mensuales registrados de 30 estaciones pluviométricas para el periodo 1968-2014. Se determinó zonas homogéneas de precipitación mediante el método k-means. Los resultados indicaron dos regiones homogeneas predominantes, la primera ubicada al oeste en la zona costera y andina (85.2% del área de la cuenca), con un índice de agresividad alto y muy alto, mientras que la distribución de la precipitación en la segunda región (Alta montaña) resultó de muy baja a baja agresividad. La mayor agresividad potencial de la lluvia le corresponde una mayor acumulación de precipitación promedio anual, lo que indica una alta influencia estacional de las lluvias, i.e, una mayor cantidad de lluvia puede precipitar en un número reducido de meses consecutivos. Los valores de concentración revelan una gradiente regional en dirección este-oeste, que va de moderadamente a fuertemente estacional. El análisis de tendencias de la concentración de lluvia mensual no muestra cambios significativos en el periodo de estudio. No obstante, nuestros hallazgos explican el porqué la región oeste y sur de la cuenca del río Guayas está expuesta a problemas de sedimentación en la parte baja, producto de la capacidad erosiva de la lluvia en la parte alta y media de la cuenca.

Palabras clave: Guayas, Concentración, Precipitación, Agresividad, Erosividad, Ecuador.

Abstract: The aggressiveness of the rain contributes to the erosivity of the soil in high mountain regions, and therefore to the sedimentation in the lower part of the watershed. The reduction of uncertainty about the aggressiveness of rain in coastal and Andean regions contributes to the formulation of mitigation measures that contribute to the reduction of erosion and loss of nutrients. Fournier indices, Modified Fournier and precipitation concentration, provide the ability to estimate the spatial and temporal distribution of the aggressiveness of the rain. This study presents a spatial and temporal analysis of climatic aggressiveness in the Guayas river watershed located on the coast and the equatorial Andes. Registered monthly data of 30 rainfall stations for the period 1968-2014 was selected. Homogeneous precipitation zones were determined by the k-means method. The results indicated two predominant homogenous regions, the first located to the west in the coastal and Andean zone (85.2% of the area of the Watershed), with a high and very high aggressiveness index, while the distribution of precipitation in the second region (High mountain) resulted from very low to low aggressiveness. The greater potential aggressiveness of rain corresponds to a greater accumulation of average annual rainfall, which indicates a high seasonal influence of rainfall, that is, a greater amount of rainfall can precipitate in a reduced number of consecutive months. The concentration values reveal a regional gradient in the east-west direction, which goes from moderately to strongly seasonal. The trend analysis of the monthly rainfall concentration shows no significant changes in the study period. However, our findings explain why the western and southern region of the Guayas river watershed is exposed to sedimentation problems in the lower part, product of the erosive capacity of rain in the higher and middle part of the watershed.

Keywords: Guayas, Concentration, Precipitation, Aggressiveness, Erosivity, Ecuador.

Forma sugerida de citar:

Ilbay-Yupa, M., Zubieta B., R. y Lavado-Casimiro,W. (2019). Regionalización de la recipitación, su agresividad y concentración en la Cuenca del río Guayas, Ecuador. La Granja: Revista de Ciencias de la Vida. Vol. 30(2):57-76. http://doi.org/10.17163/lgr.n30.2019.06.

1 Introducción

La erosividad de las precipitaciones provoca pérdidas de suelo fértil, daños a la infraestructura, agricultura y contaminación del agua, la cual está influenciada por los cambios en los patrones de precipitación (Martín-Fernández and Martínez-Núñez, 2011; Sanchez-Moreno et al., 2014). Esto ocurre ya que grandes cantidades de lluvia estacional puede precipitar en muy pocos días o semanas en regiones de alta montaña como los Andes (Sarricolea and Salazar, 2014; Zubieta et al., 2016; Sarricolea et al., 2019), o regiones Amazónicas (Zubieta et al., 2019). La precipitación es una variable importante para estudios climáticos, cuya variabilidad espacial y temporal pueden impactar en las actividades humanas durante eventos hidroclimáticos extremos como sequías e inundaciones (Parracho et al., 2016). Además desempeña un papel crucial en la planificación y gestión de los recursos hídricos, vinculada directamente con la agricultura y la mitigación de desastres (Prakash et al., 2015). La cuantificación exacta de la precipitación sigue siendo un reto para muchas aplicaciones hidrológicas, especialmente en regiones con topografía compleja debido a efectos orográficos y pendiente en pequeña escala (Sevruk, 2004; Zubieta et al., 2015).

La agresividad de la lluvia puede causar impactos ambientales y es un factor clave para la ocurrencia de erosión de suelos, deslizamientos o inundaciones. Por lo tanto, los parámetros que evalúen la agresividad de la lluvia pueden ser considerados como un indicador ambiental apropiado (Gregori et al., 2006; García-Barrón et al., 2018). La estimación de esta variable durante largos periodos es útil para la conservación del suelo, la planificación agrícola y el desarrollo de políticas ambientales. El factor R o erosividad de la lluvia, es un instrumento aceptado para la medición de la erosión local y depende de la energía cinética de cada episodio de lluvia (Panagos et al., 2015). Este modelo es el más utilizado y fue desarrollado a una escala detallada en el sector agrícola, sin embargo, su aplicación a escala regional presenta limitaciones (Terranova et al., 2009). Las estimaciones de la erosión del suelo no se ajustan a las medidas empíricas de sedimentación y no incorpora el escurrimiento directo del agua (Kinnell, 2010). El factor R sobreestima la erosión a nivel regional o de cuenca hidrográfica (Hernando y Romana, 2016) y no se recomienda en áreas donde no se realiza un proceso de validación. Además, para su estimación es conveniente utilizar registros de precipitaciones de alta frecuencia de estaciones meteorológicas durante un período superior a veinte años (Angulo-Martínez et al., 2009). Por ello, se puede utilizar modelos que miden los efectos de la agresividad de la lluvia, considerando registros de precipitaciones por hora (modelos de intensidad) o registros de precipitaciones mensuales (modelos de volumen). Este último modelo, se refiere a las diferentes acumulaciones parciales de lluvia, sin tener en cuenta el número, la duración y la cantidad de lluvia de cada episodio, por lo que se basa exclusivamente en registros mensuales de precipitaciones, disponibles en la mayoría de los países. Así, se puede utilizar el índice de agresividad en estudios ambientales (Fournier, 1960; Arnoldus, 1980; Oliver, 1980). Estos índices han sido ampliamente utilizados en estudios climáticos para identificar patrones espaciales de concentración de lluvia en regiones de Europa, Asia, África y Sudamérica tales como España (De Luis et al, 2011), Peninsula Ibérica (García-Barrón et al., 2018), India (Ballari et al., 2018), Bangladesh (Rasel et al., 2016), Nigeria (Ezenwaji et al., 2017), Argentina (Besteiro and Delgado, 2011), Venezuela (Rey et al, 2012) y Chile (Sarricolea et al., 2014; Valdés-Pineda et al., 2016). Cambios en los patrones temporales de estos parámetros han sido identificados también en regiones de los Andes de Chile (Sarricolea et al., 2019).

La intensa erosión del suelo que se deriva del aumento de la intensidad de la lluvia es un problema crítico en muchas cuencas del mundo (Vrieling et al., 2014; Mondal et al., 2016). La cuenca de río Guayas (CRG), es la zona agrícola más fértil de Ecuador (Buckalew et al., 1998), y principal centro de producción de bienes agropecuarios. La distribución estacional y los totales anuales de precipitaciones son extremadamente irregulares, lo que ha provocado que la CRG se vea afectada por eventos de inundación y sequías, trayendo pérdidas económicas. Este es el caso de los años 1982 y 1983, que produjeron pérdidas estimadas de 3.18% y 28.63% del PIB respectivamente (520 millones de dólares) (Egas, 1985). Mientras que en 1997-98 se perdió 5664 km2 de producción agrícola (616.5 millones de dólares) (Corporación Andina de Fomento, 1998), causada por la marcada influencia del fenómeno de El Niño en la cuenca (Cadier et al., 1996). Pero la zona de mayor afectación es la cuenca baja, debido a que periódicamente se encuentra sometida a inundaciones que pueden tener consecuencias catastróficas, agravadas por acciones humanas como la deforestación y erosión en las cabeceras de los ríos (Rossel et al, 1996). El río Guayas presenta problemas de sedimentación debido a la erosión de los suelos en la cuenca (Gobierno Provincial del Guayas, 2016), esto ha dado lugar a la formación de islotes en la unión del río Babahoyo y Daule (Figura 1). Provocando erosión del cauce, deficiente drenaje e inundaciones frente a lluvias intensas, este es uno de los casos de inundaciones en la ciudad de Guayaquil (Figura 1) (Soledispa, 2002). Se ha recurrido a medidas como el dragado ante la acumulación de sedimentos que ascienden a 250 mil toneladas por año (Gobierno Provincial del Guayas, 2018). No obstante, no se ha estudiado la lluvia como factor de erosividad en regiones ecuatoriales como la CRG. El objetivo de esta investigación es (a) regionalizar la precipitación para un periodo prolongado de datos de precipitación mensual (1968-2014) y (b) estimar la agresividad y concentración de las precipitaciones en la CRG.

2 Materiales y métodos

2.1 Área de estudio

La CRG se ubica en la parte central oeste del Ecuador (00º14' a 02°27' S y 78°36' a 80º36' O) (Figura 1). El área se caracteriza por una gradiente altitudinal significativa que va hasta los 4000 msnm, con una superficie de 32 890 km², correspondiente al 13% del Ecuador. Concentra ~40 % de la población del país (SENAGUA, 2009). La CRG drena en el Golfo de Guayaquil, los principales ríos son el Daule y Babahoyo (Figura. 1) que se unen cerca de Guayaquil, la ciudad más grande de país (Damanik-Ambarita et al., 2016). El río Guayas, el más grande de la costa occidental de Sudamérica, con un escurrimiento promedio anual de 1350 m3/s (Twilley et al., 2001), tiene un canal principal recto, que se bifurca en una red de canales fluviales que recorren 30 km de manglares y planicies de marea (Reynaud et al, 2018). Las principales actividades económicas en la CRG son: agricultura, pesca y generación de energía hidroeléctrica. Las principales presiones ambientales sobre el ecosistemas de agua dulce son la contaminación por aguas residuales, agricultura, cambios en el uso de la tierra y dos represas hidroeléctricas (Thi Nguyen et al., 2015). En los últimos años, se han incrementado los problemas de sedimentación fluvial en la parte baja de la cuenca, considerado uno de los factores que contribuyen al riesgo de inundación ante lluvias extremas. Esta sedimentación se percibe localmente como una consecuencia de las intervenciones llevadas a cabo en la cuenca superior y eventos naturales como El Niño (Barrera-Crespo et al., 2018). Los impactos de El Niño en esta cuenca han provocado inundaciones (erosión por lluvia, deslizamiento y deslaves), contaminación del agua potable, daños a la infraestructura y al sector agropecuario (Corporación Andina de Fomento, 1998).

Localización de la cuenca del río Guayas, altitud, distribución de las
30 estaciones pluviométricas y años de estudio. El nombre de las estaciones se
indica en la Tabla 1.
Figura 1.
Localización de la cuenca del río Guayas, altitud, distribución de las 30 estaciones pluviométricas y años de estudio. El nombre de las estaciones se indica en la Tabla 1.

2.2 Datos

Se recopilaron registros de precipitación de 250 estaciones meteorológicas provenientes de Instituto Nacional de Meteorología e Hidrología (INAMHI), cada una de ellas con diferentes periodos entre 1962 y 2016. Con el fin de asegurar la mayor disponibilidad de datos mensuales, se seleccionó 30 estaciones con un periodo de 47 años (1968- 2014), el cual tuvo la menor cantidad (<13%) de datos faltantes (Tabla 1). De las 30 estaciones, el 63% de ellas presenta más de 40 años de registros continuos, el 27% entre 31 y 40 años, mientras el 10 % entre 21 y 30 años.

Características de las 30 estaciones en la
cuenca del río Guayas: nombre, ubicación geográfica y datos faltantes
Tabla 1.
Características de las 30 estaciones en la cuenca del río Guayas: nombre, ubicación geográfica y datos faltantes

2.3 Metodología

La metodología se compone de tres etapas resumidas en la Figura 2: el primero corresponde a la evaluación de los datos de precipitación, su homogenización y completación de datos mensuales por el método del vector regional (MVR). El segundo corresponde al proceso de regionalización por medio del agrupamiento de estaciones usando k-means y la interpolación usando co-kriging y la última etapa, corresponde a la determinación de la agresividad y concentración de las precipitaciones a través de diferentes índices.

 Esquema metodológico
para la regionalización, agresividad y concentración de la serie de tiempo de
lluvia.
Figura 2.
Esquema metodológico para la regionalización, agresividad y concentración de la serie de tiempo de lluvia.

2.3.1 Método del vector regional

Para evaluar la calidad y la estimación de datos faltante se utilizó el MVR, este método, se orienta a la crítica, homogenización y completación-extensión de datos de precipitación (Hiez, 1977; Brunet-Moret, 1979). El MVR se basa en la creación de una estación “Vector”, tipo “especie promedio”. Este concepto se refiere al cálculo de un promedio ponderado de anomalías de lluvia para cada estación, superando los efectos de estaciones con valores extremos y bajos de lluvia. Luego, se encuentran las técnicas de interposición anual Zi y la precipitación pluvial de Pj, que se extienden por medio de la técnica de mínimos cuadrados. Esto podría obtenerse minimizando la suma de la siguiente ecuación (Espinoza Villar et al., 2009).


Donde i es el índice de años, j el índice de estaciones, N el número de años y M el número de estaciones. Pij representa la precipitación anual en la estación j, año i; Pj es el período de lluvia promedio extendido de N años; y finalmente, Zi es el índice pluviométrico regional del año i. El conjunto completo de valores Zi durante todo el período se conoce como ‘vector anual de índices pluviométricos regionales. Al ser un proceso iterativo, este método permite calcular el vector de cada una de las regiones predefinidas, luego proporciona una comparación de variabilidad interanual de estaciones - vector, para finalmente descartar aquellas que no son consistentes con el vector regional (VR). Este proceso se repite tanto como sea necesario y fue realizado empleando el software HYDRACCESS (Vauchel, 2005).

2.3.2 Regionalización

En este estudio se utilizó el método de k-means, ampliamente utilizado para regionalizar zonas homogéneas de precipitaciones (Golian et al., 2010; Gómez-Latorre, 2015; Shahana Shirin and Thomas, 2016; Rau et al., 2017;). K-means es un algoritmo de agrupamiento, el más utilizado para identificar grupos homogéneos de objetos denominados conglomerados. Los datos dentro de un clúster comparten muchas características pero son muy diferentes a los datos que no pertenecen a ese clúster (Yashwant and Sananse, 2015). Los datos en este estudio se encuentran resumidos en una matriz de 30 filas correspondientes a las estaciones meteorológicas y 6 columnas con información como: nombre de la estación, altitud, latitud, longitud y precipitación acumulativa. Una parte clave de la aplicación k-means es definir un número óptimo de grupos. Esto se puede realizar mediante la estimación del coeficiente de silueta (S) para cada número de grupos, el coeficiente de S tiene la ventaja que sólo considera la partición real y no depende del algoritmo de agrupamiento, su valor se obtiene mediante la ecuación 2 (Rousseeuw, 1987):


Donde a(i) corresponde a la similitud promedio entre el objeto i y los otros objetos del mismo grupo y b(i) es la similitud promedio entre el objeto i y los miembros de los k-clúster. El coeficiente de S varía entre −1 y + 1; la partición será mejor cuanto más cercano este a +1, un valor negativo significa que no hay una buena correspondencia entre los miembros de su grupo, un valor de cero significa que el objeto podría pertenecer a cualquier grupo (Kaufman and Rousseeuw, 2005). También, se realizó la homogenización de la precipitación para eventos extremos como el Niño de 1997-1998, considerando la metodología anterior.

La interpolación de datos de precipitación anual se realizó utilizando un enfoque geoestadístico, método de co-kriging, el cual es una versión multivariable de la técnica de kriging (Goovaerts, 1997), considerando dos variables (altitud y precipitación acumulativa) transformadas logarítmicamente, debido al sesgo y al amplio rango numérico de los valores de precipitación. Este método fue utilizado para interpolación y delimitación de zonas de precipitación (Rau et al., 2017) y para el mapeo de la distribución espacial de los índices.

2.3.3 Análisis de agresividad climática y concentración de las precipitaciones

La agresividad climática se analizó mediante la interpretación del índice de Fournier (IF) e Índice de Fournier Modificado (IFM). Fournier, (1960) propone un índice de agresividad climática o IF, que presenta una alta correlación con la cantidad de sedimentos arrastrados por la escorrentía. El IF estima las características erosivas (agresividad) basadas en el mes más lluvioso de cada año dentro de un período de tiempo dado. Para el cálculo del IF se utilizó la expresión (3). Donde IF: Índice de Fournier para el año j, pmáx es la precipitación media concerniente al mes más lluvioso (mm) y P es la precipitación media anual (mm).


Sin embargo, es necesario considerar zonas que presentan más de una máxima mensual o zonas donde los valores pluviométricos presentan valores elevados debido a la estacionalidad (Jordán y Bellinfante, 2000). Para corregir esos errores se propuso una modificación del IF original utilizando la precipitación acumulada, denominado IFM (Arnoldus,1978). Este índice considera la lluvia de los doce meses y no sólo la del mes más lluvioso; su cálculo relaciona las precipitaciones mensuales con las anuales (ecuación 4). Donde IFMj es el índice de agresividad de la lluvia, para el año j, pi j es la precipitación mensual del mes i (mm) del año j y Pm es la precipitación media anual.


La estacionalidad de la precipitación se estimó por medio del Índice de Concentración de Precipitación (ICP) propuesto por Oliver (1980), siendo un indicador de la distribución de la precipitación temporal y utilizado como un estimador del comportamiento extremo de la precipitación (Sarricolea et al., 2014). Tradicionalmente se ha aplicado en una escala anual y describe si la precipitación anual se concentra temporalmente en un solo mes o si se distribuye uniformemente a lo largo del año. El ICP se calculó a una escala anual a partir de la siguiente ecuación 5.


El ICP fue analizado también a escala estacional considerando los periodos de mayor precipitación (diciembre-mayo) y menor precipitación (junio-noviembre), según la ecuación (6):


Donde ICPj: índice de concentración de las precipitaciones anuales (%), para el año j; ICPestac: índice de concentración a escala estacional (%); pij: precipitación del mes i en el año j, Pj: precipitación anual del año j. La diferencia principal entre estos índices son los rangos de valores de clasificación (Tabla 2).

 Índices que determinan la agresividad y concentración de
precipitaciones
Tabla 2.
Índices que determinan la agresividad y concentración de precipitaciones

Las clasificaciones de los índices son a partir de(Fournier, 1960; Arnoldus, 1978) y (Oliver, 1980),respectivamente.La influencia del cambio climático en el patrón estacional de la concentración de las precipitaciones fue determinada mediante la prueba estadística no paramétricas de Mann-Kendall (MK), a tres niveles de significación (90%, 95% y 99%). El análisis de MK se realizó empleando el software TREND (https://toolkit.ewater.org.au/trend). La prueba de MK verifica la existencia de cambio positivos/negativos de una serie de datos, contra una hipótesis nula de no tendencias y donde los datos son aleatorios e independientes (Mann 1945; Kendall 1975). El análisis de tendencias de MK es una prueba robusta cuando los datos difieren de la “normalidad” y menos sensibles a valores atípicos (Lanzate, 1996). El análisis de MK se ha utilizado ampliamente para el análisis de detección de tendencias meteorológicas e hidrológicas (Kumar et al, 2009; Gocic and Trajkovic, 2013; Hermida et al., 2015; Zeleňáková et al., 2016; Güçlü, 2018; Sarricolea et al., 2019).

3. Resultados y discusiones

3.1 Regiones homogéneas

El valor óptimo para los números de clúster se determinó mediante el valor promedio general de S y el número de S negativo para cada grupo clúster que varía de 2 a 10 (Tabla 3). El valor máximo de S se obtuvo para el grupo de clúster 2 (0.51) y con un número menor de silueta negativo (1), es el único grupo que se considera como una estructura razonable, porque su valor de S es mayor a 0.50 (Kononenko and Kukar, 2007). Internamente el grupo de clúster 2, presenta una estructura de agrupamiento fuerte (S=0.66) mientras que el clúster 1 alcanzó un valor menor, con un S negativo (Figura 3b). Esto indica que en el clúster 1, se pueden encontrar centros de agrupación, aunque existe un considerable "ruido". Los grupos de clúster para eventos extremos como el Niño de 97-98 presentó resultados similares (Tabla 3).

Resultados del análisis
de k-medias para el número de grupos de clúster
Tabla 3.
Resultados del análisis de k-medias para el número de grupos de clúster

Las distribuciones espaciales de K-means (2) muestran un arreglo de estaciones de acuerdo con la variación topográfica y la longitud (Figura 3). El clúster de dos grupos divide a la CRG en dos regiones homogéneas de precipitación: parte baja y media (triángulos rojos) y parte alta (círculos negros). Las dos regiones están bien delineadas, teniendo en cuenta el mapa de interpolación de la lluvia, como se muestra en la Figura 3a.

Distribución espacial del grupo de clúster (2) obtenido con el proceso k-means y su valor de silueta.
Figura 3.
Distribución espacial del grupo de clúster (2) obtenido con el proceso k-means y su valor de silueta.

La región uno (R1) se ubica en las laderas de la cordillera occidental de los Andes y las grandes llanuras de la costa ecuatoriana (78.9° a 80.59°O) (Figura 4a). La altitud varía entre 3 a 2500 msnm, ocupa el 85.2% del área de la CRG. El régimen es unimodal, la estación lluviosa va de diciembre a mayo (Figura 4b) y concentra el 89% de la lluvia anual acumulada (Cadier et al., 1996; Rossel and Cadier, 2009; Fries et al, 2014) y una estación seca (junio – noviembre) (Hastenrath, 1997). El rango de precipitación va desde los 850 hasta los 3500 mm al año y un CV interanual de 0.38 (Figura 4a). La lluvia en esta región es de convección y la distribución de época seca y lluviosa se debe al movimiento de norte a sur de la Zona de Convergencia Intertropical (ZCIT) (Rollenbeck and Bendix, 2011).

Distribución espacial de
las dos regiones (R1-R2) de lluvia homogénea después del proceso de regionalización
por k-means. a) Rango de coeficiente de variación
(CV) interanual para las 30 estaciones pluviométricas. b) y c) Régimen de
precipitación mensual de R1 y R2. d) y e) Distribución
de precipitación anual (1968–2014) para las regiones R1 y R2.
Figura 4.
Distribución espacial de las dos regiones (R1-R2) de lluvia homogénea después del proceso de regionalización por k-means. a) Rango de coeficiente de variación (CV) interanual para las 30 estaciones pluviométricas. b) y c) Régimen de precipitación mensual de R1 y R2. d) y e) Distribución de precipitación anual (1968–2014) para las regiones R1 y R2.

En la región dos (R2) se sitúa en la cordillera occidental de los Andes, la altitud es superior a los 1500 msnm e inferior a 4000 msnm. Los totales pluviométricos (450 a 1500mm año-1) y el CV interanual (0.34) fueron relativamente bajos comparados con la R1 (Figura 4a). La distribución de la precipitación tiene una tendencia bimodal: el primer pico se presenta de enero a mayo, seguido de octubre a diciembre y el periodo mayo a agosto es el de menor precipitación media mensual (Figura 4c). La cantidad de lluvia que cae en esta zona se debe a la influencia de lluvia orográfica y de convección (Rollenbeck and Bendix, 2011). La formación de precipitaciones es compleja en las montañas debido a la interacción entre el transporte de humedad, el calentamiento de la superficie diferencial, el campo de viento sinóptico y el sistema local de brisa montañosa (Daly et al., 2007; Foresti and Pozdnoukhov, 2012).

Se pueden identificar dos patrones de precipitación anual dentro del área de estudio: en la R1, se encontró un ciclo anual bien diferenciado entre periodos de avenidas y estiaje, caracterizado por picos para los años 72-73; 75-76; 91-92; y eventos extremos para 82-83 y 97-98 (Figura 4d). Las precipitaciones extremas en Ecuador son asociadas a eventos de El Niño que causaron severas inundaciones, pérdidas económicas y enfermedades (Bendix y Bendix, 2006). En la R1, la influencia del fenómeno de El Niño se encuentra fuertemente vinculada a los excedentes de lluvia anual. (Rossel et al., 1998). La R2 presenta una débil estacionalidad, la cual es congruente con el coeficiente de variación promedio estimado (0.34). Donde se muestra una disminución de la precipitación promedio anual a lo largo de la mayoría de las estaciones en comparación a R1. Los eventos extremos (82-83 y 97-98) son también observados en la región R2, debido a que la influencia de El Niño en esta zona es variable (Cadier et al., 1996; Rossel et al., 1998).

3.2 Agresividad Climática

En la región R1 el 45% de las estaciones presentaron valores promedios anuales del IF superiores a 150, esto sugiere la ocurrencia de lluvia de muy alta erosividad (Figura 5a). El IF para la R2 muestra que el 50% de los valores promedios anuales son inferiores a 50 y valores restantes fueron superiores a 50 e inferiores a 100, considerados como lluvia de muy baja y baja erosividad respectivamente (Figura 5a). Los resultados a partir de IFM sugieren un patrón espacial similar al IF (Figura 5b). De hecho, en la región R1 son predominantes valores mayores a 300, asociado a una alta erosividad. Mientras la región R2 presenta valores aproximados a 100, lo que indica niveles bajos o muy bajos de erosividad. La diferencia de los índices estimados para las regiones R1 y R2 pueden estar asociados a la distribución espacial de la lluvia promedio anual (Figura 4a), lo que sugiere una alta influencia de la estacionalidad de las lluvias en ambas regiones (Figura 4 d-e). Asimismo, la estacionalidad de la cuenca es corroborada con los resultados del ICP (Figura 5c), pues estos alcanzan valores alrededor de 20%, lo que propone una clasificación predominantemente entre estacional y fuerte estacionalidad. Además, en la región R1, el IFM logra identificar ocho estaciones de muy alta erosividad, esto puede ser debido a que el IFM considera la lluvia de todos los doce meses y no sólo la del mes más lluvioso del año. Por lo que esta metodología podría ser más apropiada para caracterizar la severidad de las lluvia de la zona en estudio (Castelan Vega et al., 2015).

Índices de agresividad: a) índice de Fournier (IF), b) índice de Fournier
Modificado (IFM) y c) concentración de la precipitación (ICP) media anual de 30
estaciones en el área de estudio.
Figura 5.
Índices de agresividad: a) índice de Fournier (IF), b) índice de Fournier Modificado (IFM) y c) concentración de la precipitación (ICP) media anual de 30 estaciones en el área de estudio.

Es importante destacar que los resultados de agresividad en la región R2, coincide con la región de mayor precipitación anual, el cual presenta una buena correlación y nivel de significancia entre el patrón de precipitación media anual (mm) con el IF (r=0.77, p<0.01) e IFM (r=0.93, p<0.01) (Figura 6 d-e), lo que ratifica que una mayor acumulación anual (mm) correspondería a una mayor agresividad (Besteiro and Delgado, 2011) en zonas donde la precipitación anual es mayor a 900 mm (Jordán and Bellinfante, 2000; Rey et al., 2012). También, se observó una disminución del IF con la altitud (r=0.85, p<0.01), no así para el IFM. Para la latitud y longitud, no se encontró correlación entre los patrones espaciales de agresividad climática.

Distribución espacial: a) y b) Agresividad (IF, IFM) promedio anual para el
período 1968-2014. Correlación: c) IF
con la altitud, d) y e) IF e IFM con la precipitación acumulativa.
Figura 6.
Distribución espacial: a) y b) Agresividad (IF, IFM) promedio anual para el período 1968-2014. Correlación: c) IF con la altitud, d) y e) IF e IFM con la precipitación acumulativa.

3.3 Concentración de las precipitaciones

La concentración media anual histórica observada en R1 se distribuyó de manera estacional, con valores que oscilan entre 15-19%, seguida de una distribución fuertemente estacional (Figura 5c), es decir la precipitación se concentra en pocos meses del año. En la región R2, el ICP registra valores superiores a 11 e inferior a 18%; nueve estaciones muestran una distribución estacional y tres distribuciones moderadamente estacional a lo largo del año (Figura 5c). La concentración media anual histórica observada en regiones de alta montaña fue predominantemente una concentración estacional y moderadamente estacional, estos resultados concuerdan con Valdés-Pineda et al. (2016).

Las regiones de alta montaña presentan una concentración de lluvia entre estacional y moderadamente estacional, y la región central entre fuertemente estacional y estacional (Figura 7a). Esto sugiere una fuerte asociación con la longitud (r=0.83, p<0.01) (Figura 7b). A lo largo de la gradiente longitudinal, la estacionalidad aumenta, lo que conlleva a una concentración más uniforme de precipitación anual. Los cambios en el ICP son complejos, posiblemente relacionados con las características atmosféricas globales y con factores locales y sinópticos que afectan la precipitación. Sin embargo, no se encontró correlación entre ICP con la latitud y la precipitación media anual, lo que sugiere que los años con mayor precipitación anual no están relacionados con la concentración de precipitación. Nuestros hallazgos explican el porqué la R2 puede ser fuertemente afectada por lluvia estacional durante el período de avenidas, donde la precipitación que se concentra en un número reducido de meses, es el relevante para la ocurrencia de erosión de suelos en la parte alta de la cuenca, ocasionando sedimentación en el área urbana ubicada en la parte baja de la CRG.


Distribución espacial: a) Concentración de las precipitaciones (ICP) promedio
anual para el período 1968-2014 y b) Correlación del ICP con la longitud.
Figura 7.
Distribución espacial: a) Concentración de las precipitaciones (ICP) promedio anual para el período 1968-2014 y b) Correlación del ICP con la longitud.

Para analizar los cambios en la concentración estacional de lluvia mensual, la serie de ICP estacional (periodo de mayor y menor precipitación) entre 1968 y 2014 fue estimada para las regiones R1 y R2 (Figura 8). Porcentajes de valores de concentración alrededor de 50% sugiere irregularidad de las precipitaciones. Es decir, una alta cantidad de lluvia puede precipitar en un número reducido de meses, el cual es asociado a eventos de inundación, y por el contario, una muy baja cantidad de precipitación puede estar cayendo en un mayor número de meses, causando periodos de sequía que puede afectar cultivos de secano. Esta irregularidad de la lluvia mensual es detectada en algunos años en el periodo seco de la región R1 (Figura 8). Esto podría afectar la agricultura por secano en la región oeste de la cuenca (~1600 msnm). Los resultados de ICP estacional (~20%) en el periodo de lluvias en R1 y R2, no muestran cambios temporales significativos y sugiere una estacionalidad marcada.

 Serie anual de índice de concentración
de la precipitación estacional (ICPEstac.)
para el periodo (P.) de estiaje (junio a noviembre) y de lluvia
(diciembre-mayo), 1968-2014 para la R1 y R2.
Figura 8.
Serie anual de índice de concentración de la precipitación estacional (ICPEstac.) para el periodo (P.) de estiaje (junio a noviembre) y de lluvia (diciembre-mayo), 1968-2014 para la R1 y R2.

os resultados del análisis de tendencias de MK permitió identificar, tendencias anuales positivas del ICPEstac. Solo para el periodo de estiaje (junio-noviembre) y tendencias negativas para ambos periodos de estiaje y de lluvias. Sin embargo, en la mayoría de estaciones no muestra una tendencia significativa (Figura 9 a y b). Las tendencias negativas del ICPEstac. se concentran para la R1 y R2 en las parte norte y sureste de la CRG.

Distribución estacional de tendencias del ICP (1968–2014)
en la cuenca del río Guayas para diferentes rangos del nivel de significancia:
a) diciembre - mayo, b) junio - noviembre.
Figura. 9
Distribución estacional de tendencias del ICP (1968–2014) en la cuenca del río Guayas para diferentes rangos del nivel de significancia: a) diciembre - mayo, b) junio - noviembre.

Para el periodo de fuertes precipitaciones (diciembre-mayo), solo dos estaciones muestran tendencia negativa en R1 y R2, con niveles de significancia del 90% y 99% respectivamente (Figura 8a). En el período de estiaje, dos estaciones muestran tendencia significativa negativa al 90 y 95% en la región sur de R1. Asimismo, solo una estación ubicada en región de alta montaña registra tendencia positiva (Figura 8b). En general, las tendencias positivas o negativas identificadas en R1 y R2 indican cambios asociados a irregularidad de la lluvia mensual en la distribución temporal de la concentración, no obstante, esta irregularidad es identificada en muy pocas estaciones.

4. Conclusiones

El estudio de la agresividad de las precipitaciones para la cuenca del río Guayas-Ecuador, permitió homogenizar zonas de precipitación, caracterizar la variabilidad de las lluvias en el período 1968 – 2014 y su potencial impacto erosivo. Los resultados nos sugieren dos regiones 1) al oeste de la cuenca en la región costanera hasta los 2500 msnm y 2) al este de la cuenca en la región de alta montaña entre 1500 y 4000 msnm. La cuenca se evaluó de forma anual mediante el índice de Fournier (IF), índice de Fournier Modificado (IFM) y el Índice de concentración de precipitación (ICP). Nuestros hallazgos a partir de IF e IFM indican que la cuenca del río Guayas en la zona costanera se clasifica como región de agresividad alta a muy alta en la región costera, mientras la región de alta montaña es clasificada como de baja o muy baja erosividad.

Zonas de alta actividad agrícola ubicadas en la región costera presentan mayor potencial erosivo de la lluvia en comparación a la región de alta montaña. La distribución espacial de la concentración de las precipitaciones se incrementa de este a oeste, mostrando niveles de moderada a fuerte estacionalidad. Los resultados mediante los índices de agresividad y concentración de las precipitaciones permitieron evaluar cualitativamente el posible impacto de la lluvia sobre el suelo e identificar patrones de agresividad con la acumulación de la precipitación y concentración de la precipitación asociada a la Longitud. Esto puede estar asociado a incursiones de flujos de humedad estacional proveniente de la Amazonía ecuatorial a los Andes (Espinoza et al, 2009). Nuestros resultados también indican que la concentración de lluvia mensual no presenta cambios o tendencias predominantes entre 1968 y 2014. No obstante, se recomienda el análisis de la concentración de lluvia diaria en regiones ecuatoriales, ya qué grandes porcentajes de lluvia estacional o anual pueden precipitar en pocos días.

Referencias

Angulo-Martínez, M., López-Vicente, M., Vicente-Serrano, S.M., Beguería, S. (2009) Mapping rainfall erosivity at a regional scale, a comparison of interpolation methods inthe Ebro Basin (NE Spain). Hydrol. Earth Syst. Sci. 13:1907–1920. Disponible en: https://bit.ly/33ucq9c

Arnoldus, H. (1978) An approximation of the rainfall factor in the Universal Soil Loss Equation. In: M. De Boodst and D. Gabriels, eds. Assessment of erosion. Chichester, England: John Wiley and Sons, Inc.

Ballari, D., Giraldo, R., Campozano, L., Samaniego, E. (2018) Spatial functional data analysis for regionalizing precipitation seasonality and intensity in a sparsely monitored region: Unveiling the spatio-temporal dependencies of precipitation in Ecuador. International Journal of Climatology, 38, 3337–3354. Disponible en: https://bit.ly/33ECBKG

Barrera-Crespo, P.D., Mosselman, E., Giardino, A., Becker, A., Ottevanger, W., Nabi, M., Arias Hidalgo, M. (2018) Sediment budget analysis of the Guayas River using a process-basedmodel. Hydrol. Earth Syst. Sci. Discuss. 1–21. Disponible en: https://bit.ly/2Z0vixd

Bendix, A. and Bendix, J. (2006) Heavy rainfall episodes in Ecuador during El Niño events and associated regional atmospheric circulation and SST patterns, Adv. Geosci., 6, 43-49,. Disponible en: https://bit.ly/2H3ejjB

Besteiro, S.I., Delgado, M.I. (2011) Evaluación de la agresividad de las precipitaciones en la cuenca del Arroyo El Pescado, provincia de Buenos Aires En: Revista de la Facultad de Agronomía, La Plata 110, 82-90. Online: https://bit.ly/2MJ7Fnj.

Buckalew, J.O., Scott, L., James, M., Reed, P., US Army Corps of Engineers (USACE). (1998) Water Resources Assessment of Ecuador.

Brunet- Moret, Y. (1979). Homogénéisation des precipitation, in Cahiers ORSTOM.Serie Hydrologie. 16(3-4), 147-170.

Cadier, E., Rossel, F., Sémiond, H., Gomez, G. (1996) Las inundaciones en la zona costera ecuatoriana: mecanismos responsables, obras de proteccion existentes y previstas. INESEQ 28.

Corporación Andina de Fomento. (1998) El Fenómeno El Niño 1997-1998. Memorias, Retos y Soluciones. Volumen IV. Ecuador. pp. 72-73.

Castelan-Vega, R., Tamariz Flores, V., Linares Fleites, G., Cruz Montalvo, A. (2015) Agresividad de las precipitaciones en la subcuenca del río San Marcos, Puebla, México. Investigaciones Geográficas 83. Disponible en: https://bit.ly/33wqKxU

Daly, C., Smith, J.W., Smith, J.I., McKane, R.B. (2007) High-Resolution Spatial Modeling of Daily Weather Elements for a Catchment in the Oregon Cascade Mountains, United States. Journal of Applied Meteorology and Climatology 46, 1565–1586. Disponible en: https://bit.ly/31xma0K

Damanik-Ambarita, M.N., Lock, K., Boets, P., Everaert, G., Nguyen, T.H.T., Forio, M.A.E., Musonge, P.L.S., Suhareva, N., Bennetsen, E., Landuyt, D., Dominguez-Granda, L., Goethals, P.L.M. (2016) Ecological water quality analysis of the Guayas river basin (Ecuador) based on macroinvertebrates indices. Limnologica 57, 27–59. Disponible en: https://bit.ly/2GZuoa4

De Luis, M., González-Hidalgo, J.C., Brunetti, M., Longares, L.A. (2011) Precipitation concentration changes in Spain 1946–2005. Natural Hazards and Earth System Science 11, 1259–1265. Disponible en: https://bit.ly/2H2MNTn

Egas, R. (1985) Ecuador, inundaciones 1982 – 1983 en la Cuenca baja del Guayas: Procesos de organizacion de los campesinos para hacer frente al desastre, Sri Lanka. Desastres Naturales y Sociedad en America Latina, in J. Hardoy, et al. (eds), Grupo Editora Latinoamericana.

Espinoza-Villar, J.C., Ronchail, J., Guyot, J.L., Cochonneau, G., Naziano, F., Lavado, W., De Oliveira, E., Pombosa, R., Vauchel, P. (2009) Spatio-temporal rainfall variability in the Amazon basin countries (Brazil, Peru, Bolivia, Colombia, and Ecuador). International Journal of Climatology 29, 1574–1594. Disponible en: https://bit.ly/2KFWLuT

Ezenwaji, E., Nzoiwu, C., Chima, G. (2017) Analysis of Precipitation Concentration Index (PCI) for Awka Urban Area, Nigeria. Hydrology: Current Research 08. Disponible en: https://bit.ly/2TpXBjo

Foresti, L. and Pozdnoukhov, A. (2012) Exploration of alpine orographic precipitation patterns with radar image processing and clustering techniques: Exploration of alpine orographic precipitation patterns. Meteorological Applications 19, 407–419. Disponible en: https://bit.ly/2yT7lt1

Fournier, F. (1960) Climat et erosion; la relation entre l’erosion du sol par l’eau et les precipitations atmospheriques. Paris: Presses universitaires de France.

Fries, A., Rollenbeck, R., Bayer, F., Gonzalez, V., Oñate-Valivieso, F., Peters, T., Bendix, J. (2014) Catchment precipitation processes in the San Francisco valley in southern Ecuador: combined approach using high-resolution radar images and in situ observations. Meteorology and Atmospheric Physics 126, 13–29. Disponible en: https://bit.ly/2yXkPnL

García-Barrón, L., Morales, J., Sousa, A. (2018) A new methodology for estimating rainfall aggressiveness risk based on daily rainfall records for multi-decennial periods. Science of The Total Environment 615, 564–571. Disponible en: https://bit.ly/2TuZAmz

Gobierno Provincial del Guayas. (2018) Estudio de impacto ambiental del proyecto “dragado de la II fase y disposición de los sedimentos de los alrededores del islote el palmar en la provincia del Guayas considerando como sitios de depósito "Isabel Ana, lotización "El Tejar", "Caracoles" y Terrenos particulares" del cantón Durán”

Gobierno Provincial del Guayas. (2016) Plan Provincial de Riego y Drenaje del Guayas. Gaceta oficial del Gobierno Autónomo Descentralizado Provincial del Guayas. Año 1: Guayaquil, 6 de enero 2016 - No. 90

Gocic, M., Trajkovic, S. (2013) Analysis of changes in meteorological variables using Mann-Kendall and Sen’s slope estimator statistical tests in Serbia. Global and Planetary Change 100, 172–182. Disponible en: https://bit.ly/31xnCjI

Golian, S., Saghafian, B., Sheshangosht, S., Ghalkhani, H. (2010) Comparison of classification and clustering methods in spatial rainfall pattern recognition at Northern Iran. Theoretical and Applied Climatology 102, 319–329. Disponible en: https://bit.ly/2Z3lP8p

Gómez-Latorre, D. (2015) Regionalización de patrones de precipitación para periodos multianuales secos y humedos en el Altiplano Cundiboyacense. Disponible en: https://bit.ly/2yQVZG6

Goovaerts, P. (1997) Geostatistics for Natural Resources Evaluation. Applied Geostatistics Series. xiv 483 pp. New York, Oxford: Oxford University Press. Price £46.95 (hard covers). ISBN 0 19 511538 4.,” Geological Magazine. Cambridge University Press, 135(6), pp. 819–842.

Gregori, E., Andrenelli, M.C., Zorn, G. (2006) Assessment and classification of climatic aggressiveness with regard to slope instability phenomena connected to hydrological and morphological processes. Journal of Hydrology 329, 489–499. Disponible en: https://bit.ly/2Ku5IZy

Güçlü, Y.S. (2018) Multiple Şen-innovative trend analyses and partial Mann-Kendall test. Journal of Hydrology 566, 685–704. Disponible en: https://bit.ly/2YZQb7U

Hastenrath, S. (1997) Annual cycle of upper air circulation and convective activity over the tropical Americas. Journal of Geophysical Research: Atmospheres 102, 4267–4274. Disponible en: https://bit.ly/2YKhZS8

Hermida, L., López, L., Merino, A., Berthet, C., García-Ortega, E., Sánchez, J.L., Dessens, J. (2015) Hailfall in southwest France: Relationship with precipitation, trends and wavelet analysis. Atmospheric Research 156, 174–188. Disponible en https://bit.ly/33wDXH1

Hernando, D., Romana, M.G. (2016) Estimate of the (R) USLE rainfall erosivity factor from monthly precipitation data in mainland Spain. J. Iber. Geol. 42:113–124. Disponible en: https://bit.ly/2Z4578M

Hiez, G. (1977) L´homogénéité des données pluviométriques, in Cahiers ORSTOM. Serie Hydrologie. 14(2)., 111-119.

Jordán, A. and Bellinfante, N. (2000) Cartografía de la erosividad de la lluvia estimada a partir de datos pluviométricos mensuales en el Campo de Gibraltar (Cádiz). Edafología 7–3, 83–92.

Lanzante, J.R. (1996) Resistant, robust and non-parametric techniques for the analysis of climate data: Theory and examples, including applications to historical radiosonde station data. International Journal of Climatology 16 (11), 1197–1226. Disponible en: https://bit.ly/2OQzgok

Kononenko, I., Kukar, M. (2007) Machine Learning and Data Mining: Introduction to Principles and Algorithms. Horwood Publishing: Chichester, UK.

Kaufman, L., Rousseeuw, P.J. (2005) Finding groups in data: an introduction to cluster analysis, Wiley series in probability and mathematical statistics. Wiley, Hoboken, N.J.

Kendall, M.G. (1975) Rank Correlation Methods. Griffin, London, UK.

Kinnell, P. (2010) Event soil loss, runoff and the Universal Soil Loss Equation family of models: review. J. Hydrol. 385:384–397. Disponible en: https://bit.ly/2YUj6OJ

Kumar, S., Merwade, V., Kam, J., Thurner, K. (2009) Streamflow trends in Indiana: Effects of long term persistence, precipitation and subsurface drains. Journal of Hydrology 374, 171–183. Disponible en: https://bit.ly/2YWVZmp

Mann, H.B. (1945) Nonparametric tests against trend. Econometrica 13, 245–259.

Martín-Fernández, L., Martínez-Núñez, M. (2011) An empirical approach to estimate soil erosion risk in Spain. Science of The Total Environment 409, 3114–3123. Disponible en: https://bit.ly/2yYsWQI

Mondal, A., Khare, D., & Kundu, S. (2016) Change in rainfall erosivity in the past and future due to climate change in the central part of India. International Soil and Water Conservation Research, 4(3), 186–194. Disponible en: https://bit.ly/2ZYRZiw

Oliver, J. (1980) Monthly precipitation distribution: a comparative index. The Professional Geographer, 32 (3), 300– 309. Disponible en: https://bit.ly/2YW8ZsB

Panagos, P., Ballabio, C., Borrelli, P., Meusburger, K., Klik, A., Rousseva, S., Tadic, M.P., Michaelides, S., Hrabalíková, M., Olsen, P., Aalto, J., Lakatos, M., Rymszewicz, A., Dumitrescu, A., Beguería, S., Alewell, C. (2015). Rainfall erosivity in Europe. Sci. Total Environ. 511:801–814. Disponible en: https://bit.ly/2ZXWs57

Parracho, A.C., Melo-Gonçalves, P., Rocha, A. (2016) Regionalisation of precipitation for the Iberian Peninsula and climate change. Physics and Chemistry of the Earth, Parts A/B/C 94, 146–154. Disponible en: https://bit.ly/2yRJBWp

Prakash, S., Mitra, A.K., AghaKouchak, A., Pai, D.S. (2015) Error characterization of TRMM Multisatellite Precipitation Analysis (TMPA-3B42) products over India for different seasons. Journal of Hydrology 529, 1302–1312. Disponible en: https://bit.ly/2MgIhVE

Rasel, A.H., M. Islam y M. Keramat (2016). «Analysisof Annual and Seasonal Precipitation ConcentrationIndex of North-Western Region of Bangladesh». En: International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering, 107-110. Online:https://bit.ly/349Ewa3.

Rau, P., Bourrel, L., Labat, D., Melo, P., Dewitte, B., Frappart, F., Lavado, W., Felipe, O. (2017) Regionalization of rainfall over the Peruvian Pacific slope and coast: Regionalization of Rainfall (Peruvian Coast). International Journal of Climatology 37, 143–158. Disponible en: https://bit.ly/2H119nu

Rey, J.C., Rodríguez, M.F., Cortez, A., Lobo, D., Ovalles, F., Gabriels, D. (2012) Análisis de la agresividady concentración de las precipitaciones en Venezuela.IV. región los Andes. En: BioAgro 24, 115-120. Online:https://bit.ly/2MIEaSv.

Reynaud, J.-Y., Witt, C., Pazmiño, A., Gilces, S. (2018) Tide-dominated deltas in active margin basins: Insights from the Guayas estuary, Gulf of Guayaquil, Ecuador. Marine Geology 403, 165–178. Disponible en: https://bit.ly/31Dxk3V

Rollenbeck, R., Bendix, J. (2011) Rainfall distribution in the Andes of southern Ecuador derived from blending weather radar data and meteorological field observations. Atmospheric Research 99, 277–289. Disponible en: https://bit.ly/2YWWoFr

Rossel, F., Cadier, E. (2009) El Niño and prediction of anomalous monthly rainfalls in Ecuador. Hydrological Processes 23, 3253–3260. Disponible en: https://bit.ly/31vxLxa

Rossel, F., Mejía, R., Ontaneda, G., Pombosa, R., Roura, J., Goulven, P.L., Calvez, R. (1998) Régionalisation de l’influence du El Nino sur les précipitations de l’Equateur. En: Bull. Inst. fr. études andines 27.3,643–654. Online: https://bit.ly/2zoRFOD.

Rossel, F., Caddier, E., Gómez G. (1996). Las inundaciones en la zona costera ecuatoriana: causas; obras de protección existentes y previstas. Bull. Inst. fr. études andines 25 (3), 399–420.

Rousseeuw, P.J. (1987) Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20, 53–65. Disponible en: https://bit.ly/2PAw9fc

Sanchez-Moreno, J.F., Mannaerts, C.M., Jetten, V. (2014) Rainfall erosivity mapping for Santiago Island, Cape Verde. Geoderma 217–218, 74–82. Disponible en: https://bit.ly/2Mdis8T

Sarricolea, P., Meseguer-Ruiz, Ó., Serrano-Notivoli, R., Soto, M.V., Martin-Vide, J. (2019) Trends of daily precipitation concentration in Central-Southern Chile. Atmospheric Research 215, 85–98. Disponible en https://bit.ly/2KtFOox

Sarricolea-Araya, C., Salazar, P. (2014) Concentración de las precipitaciones en chile central y su relación con patrones de variabilidad de baja frecuencia, período 1965-2010. 305–314.

Shahana, Shirin, A.H., Thomas, R. (2016) Regionalization of Rainfall in Kerala State. Procedia Technology 24, 15–22. Disponible en: http://bit.ly/33mUHAy

SENAGUA (2009) Delimitación y codificación de unidades hidrográficas del Ecuador escala 1:250000. Quito, Ecuador.

Sevruk, B. (2004) Precipitation as the water cycle element. Theoryand Practice of Precipitation Measurement, (in German), Manuscript to be published.

Soledispa, B. (2002) Estudio de los sedimentos del sector donde convergen los ríos Daule y Babahoyo, y las posibles causan que están formando un nuevo islote en ese sector. Acta oceanográfica del Pacífico. 11 (1), 185-201.

Terranova, O., Antronico, L., Coscarelli, R., Iaquinta, P. (2009) Soil erosion risk scenarios in the Mediterranean environment using RUSLE and GIS: an application model for Calabria (southern Italy). Geomorphology 112:228–245. Disponible en: http://bit.ly/2Z4opa1

Thi Nguyen, T.H., Boets, P., Lock, K., Damanik Ambarita, M.N., Forio, M.A.E., Sasha, P., Dominguez-Granda, L.E., Thi Hoang, T.H., Everaert, G., Goethals, P.L.M. (2015) Habitat suitability of the invasive water hyacinth and its relation to water quality and macroinvertebrate diversity in a tropical reservoir. Limnologica 52, 67–74. Disponible en: http://bit.ly/2Mdi0aN

Twilley, R.R., Cárdenas, W., Rivera-Monroy, V.H., Espinoza, J., Suescum, R., Armijos, M.M., Solórzano, L. (2001) The Gulf of Guayaquil and the Guayas River Estuary, Ecuador, in: Seeliger, U., Kjerfve, B. (Eds.), Coastal Marine Ecosystems of Latin America. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 245–263. Disponible en: http://bit.ly/2H21KoU

Valdés-Pineda, R., Pizarro, R., Valdés, J.B., Carrasco, J.F., García-Chevesich, P., Olivares, C. (2016) Spatio-temporal trends of precipitation, its aggressiveness and concentration, along the Pacific coast of South America (36–49°S). Hydrological Sciences Journal 61, 2110–2132. Disponible en: http://bit.ly/2KwgVZy

Vauchel, P. (2005) Hydraccess: Software for Management and processing of Hydro – meteorological data software, Version 2.1.4. Free download www.mpl.ird.fr/hybam/utils/hydracces.htm

Vrieling, A., Hoedjes, J. C. B., & van der Velde, M. (2014) Towards large-scale monitoring of soil erosion in Africa: Accounting for the dynamics of rainfall erosivity. Global and Planetary Change, 115, 33–43. Disponible en: http://bit.ly/2KtB6HE

Yashwant, S., Sananse, S.L. (2015) Comparisons of Different Methods of Cluster Analysis with Application to Rainfall Data. IJIRSET 4, 12. Disponible en: http://bit.ly/2YTEbZy

Zeleňáková, M., Purcz, P., Poórová, Z., Alkhalaf, I., Hlavatá, H., Portela, M.M. (2016) Monthly Trends of Precipitation in Gauging Stations in Slovakia. Procedia Engineering 162, 106–111. Disponible en: http://bit.ly/33wIM35

Zubieta, R., Saavedra M,Espinoza JC, Ronchail J, Sulca j, Drapeau G, Martin-Vide J. (2019) Assessing precipitation concentra-tion in the Amazon basin from different satellite-based datasets. Int J Climatol. 2019;1–17. Disponible en http://bit.ly/2ZZjhpc

Zubieta, R., Saavedra, M., Silva, Y., Giráldez, L. (2016) Spatial analysis and temporal trends of daily precipitation concentration in the Mantaro River basin: central Andes of Peru. Stochastic Environmental Research and Risk Assessment, 1-14. Disponible en: http://bit.ly/2H4T5BZ

Zubieta, R., Geritana, A., Espinoza, J.C. y Lavado W. (2015) Impacts of Satellite-based Precipitation Datasets on Rainfall-Runoff Modeling of the Western Amazon Basin of Peru and Ecuador, Journal of Hydrology. Disponible en: http://bit.ly/2YH4rqJ

Enlace alternativo