Atlas de riesgo de Colombia: revelando los desastres latentes

RISARALDA INFORMACIÓN GENERALPoblación (Habitantes) 957.254 Indice de Gini 0,43 17,5Producto Interno Bruto (PIB) Departamento 11.734.000 Indice de Necesidades Básicas Insatisfechas (INB)(millones de pesos) RIESGO MULTI-AMENAZA mental de la AAL 12 25 AAL (‰) 20 Ranking d 15 10 6,40 ‰  5 0 Posición departamento Con ón de cada amenaza a la AAL 96,87 % 3,13 % INUNDACIÓN TERREMOTOProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 18.000 TERREMOTO INUNDACIONES 12.000 6.000 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F RI Risaralda Pueblo Rico [Col$ millones] [‰] 1,00 0,64 1,64 Risaralda Marsella 1,00 0,54 1,54 Risaralda Mistrató 3.336 16,68 1,00 0,54 1,54 Risaralda Santuario 4.375 10,93 1,00 0,52 1,52 Risaralda Quinchía 5.836 12,60 0,98 0,54 1,51 Risaralda La Celia 3.505 11,93 1,00 0,50 1,50 Risaralda La Virginia 8.621 9,03 1,00 0,50 1,50 Risaralda Guática 4.035 11,50 1,00 0,50 1,50 Risaralda Belén de Umbría 417 12,54 1,00 0,47 1,47 Risaralda Apía 6.840 10,44 1,00 0,45 1,45 Risaralda Balboa 8.399 10,63 0,91 0,53 1,39 Risaralda Santa Rosa de Cabal 7.889 12,13 0,77 0,40 1,07 Risaralda Dosquebradas 13.051 7,85 0,60 0,40 0,83 Risaralda Pereira 24.221 6,60 0,63 0,27 0,80 36.399 5,50 167.650 5,72

ARCHIPIELAGO DE SAN ANDRES, PROVIDENCIA Y SANTA CATALINA INFORMACIÓN GENERALPoblación (Habitantes) 77.101 Indice de Gini 0,40 40,8Producto Interno Bruto (PIB) Departamento 1.230.000 Indice de Necesidades Básicas Insatisfechas (INB) 25(millones de pesos) RIESGO MULTI-AMENAZA 25  AAL (‰) 20 Ranking de mental de la AAL 15 10 5 3,86 ‰  0 Posición departamento Contribución de cada amenaza a la AAL 10,82 % 85,68 % TSUNAMI 3,51 % TERREMOTO HURACANProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 1.000 TERREMOTO HURACAN TSUNAMI 800 600 400 200 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

SANTANDERPoblación (Habitantes) INFORMACIÓN GENERAL 0,45 21,9Producto Interno Bruto (PIB) Departamento 2.071.016 Indice de Gini(millones de pesos) 63.172.000 Indice de Necesidades Básicas Insatisfechas (INB) RIESGO MULTI-AMENAZA AAL (‰) de la AAL 18 25 20 Ran 15 10 5,57 ‰  5 0 Posición departamento Con AAL 22,86 % 77,14 % INUNDACIÓN TERREMOTOProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 30.000 TERREMOTO INUNDACIONES 20.000 10.000 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F Santander Tona 2.214 7,42 0,87 0,54 1,33 AAL Multi-amenaza AAL Multi-amenaza Santander Jordán [Col$ millones] [‰] 1,00 0,75 DepaRrItamento Municipio RF F RI Santander Puerto Wilches 1,00 0,75 [Col$ millones] [‰] Santander San Benito 2.190 33,43 1,00 0,69 Santan1d,7e5r Contratación 0,88 0,51 1,33 Santander Puerto Parra 53.351 28,20 1,00 0,69 Santan1d,7e5r Confines 1.095 7,57 0,86 0,55 1,33 Santander El Peñón 6.149 32,78 0,99 0,68 Santan1d,6e9r Guavatá 1.344 7,35 0,79 0,68 1,33 Santander Cabrera 3.421 27,08 1,00 0,65 Santan1d,6e9r Encino 1.250 6,77 0,85 0,55 1,32 Santander Macaravita 2.271 9,26 1,00 0,63 Santan1d,6e6r El Guacamayo 835 7,29 0,87 0,52 1,32 Santander Cimitarra 8.206 34,93 1,00 0,63 Santan1d,6e5r Barichara 866 7,46 0,96 0,36 1,31 Santander Santa Helena del Opón 2.854 24,06 1,00 0,60 Santan1d,6e3r Charalá 2.453 8,64 0,90 0,45 1,31 Santander Ocamonte 46.213 12,81 1,00 0,60 Santan1d,6e3r San Andrés 5.160 7,79 0,87 0,50 1,31 Santander Rionegro 2.298 11,50 1,00 0,59 Santan1d,6e0r Sucre 2.706 7,48 0,79 0,66 1,31 Santander Carcasí 853 10,63 0,91 0,73 Santan1d,6e0r Villanueva 1.634 6,74 0,88 0,47 1,30 Santander Los Santos 13.510 10,46 1,00 0,58 Santan1d,5e9r Oiba 2.237 7,60 0,85 0,53 1,30 Santander Molagavita 1.842 7,93 1,00 0,57 Santan1d,5e9r San Joaquín 3.540 7,25 0,88 0,48 1,30 Santander Galán 6.157 12,41 1,00 0,56 Santan1d,5e8r Charta 970 7,52 0,85 0,52 1,30 Santander Coromoro 3.027 10,28 0,96 0,60 Santan1d,5e7r Suratá 893 7,30 0,83 0,57 1,30 Santander Cepitá 1.539 18,96 1,00 0,52 Santan1d,5e6r Simacota 1.579 7,07 0,84 0,52 1,29 Santander Capitanejo 2.212 8,64 1,00 0,52 Santan1d,5e4r Gambita 2.906 7,21 0,80 0,58 1,27 Santander Bolívar 2.051 18,04 0,94 0,60 Santan1d,5e2r Valle de San José 2.240 6,83 0,87 0,45 1,26 Santander Guapotá 9.459 28,00 1,00 0,47 Santan1d,5e2r Pinchote 1.415 7,48 0,87 0,44 1,26 Santander Palmar 5.845 8,24 0,89 0,65 Santan1d,5e0r California 351 7,47 0,86 0,47 1,26 Santander Hato 3.607 24,27 0,90 0,62 Santan1d,4e7r Aguada 492 7,32 0,85 0,47 1,25 Santander Guadalupe 85 7,65 1,00 0,45 Santan1d,4e7r Lebríja 167 7,22 0,86 0,45 1,24 Santander Betulia 1.267 7,74 1,00 0,44 Santan1d,4e5r La Paz 11.023 7,32 0,85 0,46 1,24 Santander Santa Bárbara 10.262 31,49 0,88 0,61 Santan1d,4e5r Vélez 1.826 7,26 0,85 0,45 1,24 Santander Aratoca 3.604 11,90 0,92 0,53 Santan1d,4e4r El Playón 7.799 7,30 0,78 0,58 1,23 Santander Guaca 785 7,57 0,88 0,58 Santan1d,4e2r Jesús María 3.308 6,68 0,78 0,56 1,21 Santander Cerrito 2.377 7,94 0,91 0,53 Santan1d,4e0r La Belleza 864 6,68 0,78 0,56 1,21 Santander San José de Miranda 2.699 7,57 0,88 0,56 Santan1d,3e9r Albania 2.564 6,65 0,77 0,58 1,21 Santander Enciso 2.158 7,87 0,89 0,55 Santan1d,3e9r Zapatoca 1.206 6,59 0,84 0,42 1,19 Santander Chima 932 7,58 0,88 0,56 Santan1d,3e8r Curití 3.100 7,15 0,79 0,51 1,19 Santander Suaita 1.176 7,64 0,86 0,60 Santan1d,3e8r Güepsa 3.882 6,74 0,81 0,47 1,19 Santander San Vicente de Chucurí 616 7,59 0,95 0,45 Santan1d,3e8r Sabana de Torres 437 6,90 0,78 0,45 1,14 Santander Onzaga 3.348 7,33 0,88 0,55 Santan1d,3e7r Barbosa 7.665 6,71 0,79 0,38 1,09 Santander El Carmen de Chucurí 10.336 8,37 0,89 0,53 Santan1d,3e7r Matanza 196 6,72 0,66 0,51 1,00 Santander San Miguel 1.692 7,59 0,90 0,52 Santan1d,3e7r Florián 1.606 5,91 0,58 0,64 0,95 Santander Páramo 6.361 7,68 0,87 0,57 Santan1d,3e7r San Gil 1.435 5,42 0,69 0,27 0,87 Santander Concepción 1.037 7,72 0,91 0,50 Santan1d,3e6r Málaga 15.159 6,03 0,61 0,35 0,82 Santander Chipatá 1.315 7,43 0,81 0,67 Santan1d,3e6r Puente Nacional 4.795 5,59 0,54 0,47 0,79 Santander Vetas 2.358 7,83 0,87 0,55 Santan1d,3e6r Socorro 3.426 5,20 0,46 0,33 0,61 Santander Landázuri 1.878 6,94 0,80 0,69 Santan1d,3e5r Girón 6.889 4,80 0,42 0,36 0,58 Santander Palmas del Socorro 512 7,49 0,87 0,54 Santan1d,3e5r Piedecuesta 34.502 4,60 0,40 0,37 0,55 Santander Mogotes 4.094 6,80 0,87 0,53 Santan1d,3e5r Barrancabermeja 36.617 4,49 0,27 0,34 0,36 Santander Tona 526 7,44 0,87 0,54 Santan1d,3e4r Floridablanca 46.489 3,67 0,24 0,34 0,32 4.122 7,47 Santan1d,3e3r Bucaramanga 40.199 3,43 0,23 0,18 0,27 2.214 7,42 143.492 3,37 1,33

SUCRE INFORMACIÓN GENERALPoblación (Habitantes) 859.913 Indice de Gini 0,46 54,9Producto Interno Bruto (PIB) Departamento 6.575.000 Indice de Necesidades Básicas Insatisfechas (INB)(millones de pesos) RIESGO MULTI-AMENAZA ental de la AAL 26 25 AAL (‰) 20 Ranking de 15 10 5 3,44 ‰  0 Posición departamento Cont a amenaza a la AAL 43,72 % 55,61 % INUNDACIÓN TERREMOTO TSUNAMI 0,67 %Probabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 12.000 TERREMOTO INUNDACIONES TSUNAMI 8.000 4.000 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F RI Sucre Sucre [Col$ millones] [‰] 1,00 0,80 1,80 Sucre San Benito Abad 0,98 0,84 1,80 Sucre Guaranda 22.590 27,82 1,00 0,78 1,78 Sucre Majagual 8.874 8,98 1,00 0,74 1,74 Sucre Caimito 17.663 32,88 0,70 0,80 1,26 Sucre San Marcos 17.213 14,12 0,40 0,81 0,72 Sucre La Unión 2.772 6,13 0,21 0,75 0,37 Sucre Galeras 10.856 4,45 0,14 0,78 0,26 Sucre El Roble 1.246 3,27 0,14 0,82 0,25 Sucre Morroa 1.407 2,69 0,13 0,74 0,23 Sucre Palmito 2.618 2,61 0,13 0,78 0,23 Sucre Santiago de Tolú 1.076 2,58 0,13 0,74 0,23 Sucre San Juan de Betulia 1.124 2,54 0,13 0,78 0,22 Sucre Chalán 2.551 2,57 0,12 0,81 0,22 Sucre Los Palmitos 1.627 2,51 0,12 0,78 0,21 Sucre Coveñas 278 2,45 0,13 0,64 0,21 Sucre Buenavista 924 2,44 0,12 0,77 0,20 Sucre Sampués 842 2,54 0,11 0,77 0,20 Sucre San Pedro 658 2,40 0,10 0,80 0,18 Sucre San Luis de Sincé 4.246 2,35 0,10 0,75 0,17 Sucre Tolú Viejo 1.960 2,26 0,10 0,75 0,17 Sucre Coloso 3.662 2,22 0,09 0,74 0,16 Sucre Ovejas 4.083 2,21 0,08 0,81 0,14 Sucre San Onofre 587 2,15 0,07 0,80 0,12 Sucre Corozal 1.796 1,94 0,06 0,72 0,11 Sucre Sincelejo 3.318 1,84 0,03 0,66 0,04 4.731 1,77 18.306 1,14

TOLIMAPoblación (Habitantes) INFORMACIÓN GENERAL 0,49 29,8Producto Interno Bruto (PIB) Departamento 1.412.220 Indice de Gini(millones de pesos) 17.262.000 Indice de Necesidades Básicas Insatisfechas (INB) RIESGO MULTI-AMENAZA mental de la AAL 17 25 AAL (‰) 20 Ranking d 15 10 5,68 ‰  5 0 Posición departamento Contribución de ca naza a la AAL 19,97 % 80,03 % INUNDACIÓN TERREMOTOProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 20.000 TERREMOTO INUNDACIONES 15.000 10.000 5.000 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F RI Tolima Suárez [Col$ millones] [‰] 1,00 0,75 1,75 Tolima San Luis 1,00 0,73 1,73 Tolima Natagaima 7.022 31,05 1,00 0,70 1,70 Tolima Coello 6.231 9,88 1,00 0,66 1,66 Tolima Ataco 8.398 12,25 0,92 0,76 1,62 Tolima Piedras 3.312 17,68 1,00 0,59 1,59 Tolima Venadillo 4.718 8,03 0,97 0,65 1,59 Tolima Armero 4.038 16,69 1,00 0,59 1,59 Tolima Planadas 4.690 8,69 0,97 0,64 1,59 Tolima Roncesvalles 7.002 10,81 0,95 0,65 1,56 Tolima Purificación 9.785 8,80 1,00 0,56 1,56 Tolima Anzoátegui 1.635 8,36 0,85 0,83 1,55 Tolima Coyaima 15.369 9,71 0,88 0,77 1,55 Tolima Rioblanco 3.531 7,25 0,90 0,72 1,54 Tolima Icononzo 7.077 7,53 1,00 0,54 1,54 Tolima Ambalema 5.819 7,74 0,99 0,54 1,53 Tolima Prado 4.803 17,62 1,00 0,51 1,51 Tolima Murillo 2.894 9,38 0,93 0,63 1,51 Tolima Alpujarra 2.984 11,18 0,95 0,58 1,50 Tolima Ortega 1.871 8,10 0,88 0,69 1,50 Tolima Casabianca 1.392 8,43 0,94 0,59 1,49 Tolima Rovira 7.617 7,58 0,90 0,64 1,48 Tolima Espinal 1.244 8,22 1,00 0,47 1,46 Tolima Honda 4.800 7,79 1,00 0,45 1,45 Tolima Santa Isabel 43.044 9,57 0,90 0,60 1,43 Tolima Saldaña 4.047 13,53 0,93 0,52 1,41 Tolima Valle de San Juan 1.343 7,75 0,81 0,73 1,41 Tolima San Antonio 3.086 8,09 0,83 0,68 1,40 Tolima Villahermosa 1.228 6,95 0,90 0,54 1,39 Tolima Herveo 2.598 7,10 0,89 0,53 1,37 Tolima Flandes 2.684 7,78 0,90 0,50 1,34 Tolima Falan 2.569 7,71 0,83 0,60 1,32 Tolima Alvarado 9.077 7,74 0,83 0,59 1,32 Tolima Cajamarca 1.658 7,08 0,86 0,52 1,30 Tolima Fresno 1.779 7,10 0,82 0,56 1,28 Tolima Cunday 4.011 7,31 0,78 0,63 1,28 Tolima Chaparral 4.764 6,98 0,79 0,59 1,25 Tolima Dolores 1.614 6,71 0,78 0,59 1,24 Tolima Lérida 13.937 6,75 0,82 0,51 1,24 Tolima Villarrica 1.681 6,70 0,67 0,58 1,05 Tolima Palocabildo 5.061 6,97 0,65 0,61 1,05 Tolima Guamo 1.106 5,93 0,65 0,58 1,02 Tolima Carmen de Apicalá 4.175 5,83 0,60 0,49 0,89 Tolima Melgar 8.333 5,80 0,67 0,33 0,89 Tolima Líbano 2.028 5,53 0,24 0,53 0,37 Tolima Ibagué 2.152 5,95 0,26 0,35 0,35 Tolima Mariquita 7.666 3,50 0,21 0,43 0,31 125.862 3,58 3.314 3,28

VALLE DEL CAUCAPoblación (Habitantes) INFORMACIÓN GENERAL 0,47 15,7Producto Interno Bruto (PIB) Departamento 4.660.741 Indice de Gini(millones de pesos) 76.751.000 Indice de Necesidades Básicas Insatisfechas (INB) RIESGO MULTI-AMENAZA mental de la AAL 14 25 AAL (‰) 20 Ranking d 15 10 6,04 ‰  5 0 Posición departamento Contribución de cada amenaza a la AAL 8,27 % 90,26 % TSUNAMI 1,47 % INUNDACIÓN TERREMOTOProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 80.000 TERREMOTO INUNDACIONES TSUNAMI 60.000 40.000 20.000 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F RIValle del Cauca Buenaventura [Col$ millones] [‰] 1,00 0,66 1,66Valle del Cauca Obando 1,00 0,60 1,60Valle del Cauca El Cairo 84.904 14,80 1,00 0,59 1,59Valle del Cauca Ansermanuevo 10.357 17,49 1,00 0,59 1,59Valle del Cauca Argelia 1.992 12,67 1,00 0,57 1,57Valle del Cauca Toro 13.367 16,73 1,00 0,57 1,57Valle del Cauca El Águila 1.976 11,90 1,00 0,56 1,56Valle del Cauca Riofrío 13.458 22,70 1,00 0,55 1,55Valle del Cauca Trujillo 4.298 12,23 0,99 0,53 1,52Valle del Cauca Alcalá 11.417 18,60 0,98 0,55 1,51Valle del Cauca La Cumbre 5.451 9,36 1,00 0,52 1,51Valle del Cauca Bolívar 4.526 9,00 1,00 0,51 1,51Valle del Cauca Dagua 3.136 9,53 1,00 0,51 1,51Valle del Cauca El Dovio 6.205 11,27 1,00 0,50 1,50Valle del Cauca Yotoco 12.581 9,91 1,00 0,49 1,49Valle del Cauca La Victoria 4.448 10,92 1,00 0,49 1,49Valle del Cauca Versalles 7.516 13,39 1,00 0,49 1,49Valle del Cauca Restrepo 5.621 10,75 1,00 0,48 1,48Valle del Cauca Ulloa 3.019 12,37 1,00 0,47 1,47Valle del Cauca Vijes 6.203 9,58 0,99 0,47 1,46Valle del Cauca Sevilla 760 18,18 0,98 0,48 1,46Valle del Cauca Andalucía 2.555 9,43 1,00 0,44 1,44Valle del Cauca Calima 11.654 9,04 1,00 0,43 1,43Valle del Cauca Bugalagrande 5.797 12,47 1,00 0,43 1,43Valle del Cauca La Unión 5.899 11,09 1,00 0,43 1,43Valle del Cauca Cartago 12.404 10,71 0,99 0,41 1,40Valle del Cauca Roldanillo 15.981 12,21 1,00 0,38 1,38Valle del Cauca Candelaria 35.056 9,36 0,90 0,48 1,32Valle del Cauca Pradera 19.838 12,40 0,87 0,52 1,32Valle del Cauca San Pedro 17.655 7,72 0,92 0,43 1,32Valle del Cauca Ginebra 11.229 7,41 0,85 0,44 1,23Valle del Cauca Jamundí 5.828 7,98 0,84 0,45 1,22Valle del Cauca Yumbo 4.785 7,30 0,88 0,35 1,19Valle del Cauca Guacarí 32.895 7,21 0,74 0,48 1,09Valle del Cauca Zarzal 30.506 7,58 0,72 0,45 1,04Valle del Cauca El Cerrito 7.103 6,37 0,64 0,44 0,93Valle del Cauca Buga 12.442 6,26 0,69 0,31 0,90Valle del Cauca Tuluá 10.978 5,77 0,63 0,39 0,88Valle del Cauca Florida 36.576 6,04 0,58 0,48 0,87Valle del Cauca Palmira 56.015 5,72 0,55 0,35 0,74Valle del Cauca Caicedonia 16.049 5,44 0,42 0,47 0,61Valle del Cauca Cali 97.626 5,27 0,45 0,32 0,60 6.329 4,56 589.467 4,77

VAUPÉS INFORMACIÓN GENERALPoblación (Habitantes) 44.079 Indice de Gini ND 54,8Producto Interno Bruto (PIB) Departamento 221 Indice de Necesidades Básicas Insatisfechas (INB)(millones de pesos) RIESGO MULTI-AMENAZA mental de la AAL 3 25 AAL (‰) 20 Ranking d 15 12,13 ‰  10 5 0 Contribución de cada amenaza a la AAL 99,67% 0,33 % INUNDACIÓN TERREMOTOProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 800 TERREMOTO INUNDACIONES 600 400 200 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F RI Vaupés Caruru [Col$ millones] [‰] 1,00 0,81 1,81 Vaupés Pacoa 2.889 25,30 1,00 0,76 1,76 Vaupés Yavaraté 4.067 17,80 0,99 0,77 1,75 Vaupés Mitú 363 9,21 1,00 0,70 1,70 Vaupés Papunaua 9.667 10,15 0,95 0,58 1,49 Vaupés Taraira 949 8,40 0,69 0,52 1,05 385 6,05

VICHADA INFORMACIÓN GENERALPoblación (Habitantes) 73.702 Indice de Gini ND 67,0Producto Interno Bruto (PIB) Departamento 433 Indice de Necesidades Básicas Insatisfechas (INB)(millones de pesos) RIESGO MULTI-AMENAZA 25 20 16,31 ‰  Rank partamental de la AAL 2  AAL (‰) 15 10 5 0 Posición departamento Contribución de cada amenaza a la AAL 98,15% 1,85% INUNDACIÓN TERREMOTOProbabilidad de exceder una pérdida en 50 años Pérdidas Máximas Probables39,4% (TR 100 años) 18% (TR 250 años) 10% (TR 500 años) 800 TERREMOTO INUNDACIONES 600 400 200 0 PML 50 PML 100 PML 250 PML 500 PML 1000 PML 1500 18% 10% 4% 2% 1% 0,7% en 10 años en 10 años en 10 años en 10 años en 10 años en 10 años EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES DEPARTAMENTAL

EVALUACIÓN INTEGRAL DEL RIESGO DE DESASTRES MUNICIPAL RI MunicipalDepartamento Municipio AAL Multi-amenaza AAL Multi-amenaza RF F RI Vichada Puerto Carreño [Col$ millones] [‰] 1,00 0,63 1,63 Vichada Santa Rosalía 16.209 20,44 1,00 0,68 1,68 Vichada Cumaribo 1.177 13,80 1,00 0,70 1,70 Vichada La Primavera 10.222 13,54 1,00 0,80 1,80 2.427 11,68

Anexo IAI. Anexo • 212

AI.1. Evaluación probabilista del riesgo: el modelo global El Modelo global del riesgo, desarrollado ocurrido todavía a través del uso de un La evaluación del riesgo realizada eninicialmente para la evaluación del riesgo a método predictivo probabilista que calcula este estudio se realizó con un modelonivel global del GAR 13 (Global Assessment las pérdidas debidas a posibles eventos abierto de uso libre: la plataforma CAPRAReport, UNISDR) y luego actualizado para futuros. El cálculo es realizado considerando (Comprehensive Approach to Probabilisticel GAR 15, considera los componentes las incertidumbres propias de las amenazas, Risk Assessment). Esta plataforma de fuenterelevantes para la evaluación del riesgo la exposición y la vulnerabilidad. En algunos abierta puede ser usada gratuitamente.de desastres: los elementos o bienes aspectos, este análisis es similar al utilizadoexpuestos, el nivel de amenaza que estos en la industria de seguros y reaseguros, la ALCANCE Y LÍMITES DELenfrentan y su vulnerabilidad frente a dicha principal diferencia, sin embargo, es que la MODELO A NIVEL GLOBALamenaza. El modelo global, fue la base evaluación realizada con fines de seguro ytécnica para la evaluación del riesgo para reaseguro solo cubre carteras limitadas de Una evaluación del riesgo a nivel globalColombia objeto de esta publicación. En elementos asegurados. Por otro lado, para solo es posible a un nivel de resolucióneste anexo se presentan las bases técnicas este caso el riesgo se calculó utilizando grueso. Esto significa que debe hacerse dedel modelo, cuyo objetivo fue la obtención un proxy del valor total de los bienes forma consistente en cada fase sin entraruna evaluación del riesgo para todos de un país, considerando igualmente la en demasiados detalles o alta precisión.los países del mundo, considerando las responsabilidad fiscal del estado, que fue Un alto nivel de precisión sería, en realidad,grandes amenazas que resultan en riesgo calculada a su vez, considerando tanto irrelevante para la escala de análisis. Nocatastrófico. La evaluación tanto de las los bienes públicos como aquellos de sería posible producir una evaluaciónamenazas como del riesgo que se realizó hogares de bajos ingresos, ya que estos global a alta resolución debido a la faltapara este estudio está basada en análisis requerirán la intervención del estado de información detallada para todos losprobabilistas que resultan en las métricas para la rehabilitación y reconstrucción. La países, así como por la falta de tiempo ydel riesgo mencionadas en el capítulo 4 evaluación de pérdidas futuras en estos los recursos económicos que un estudio dede esta publicación. Estas metricas son portafolios permite cuantificar el riesgo este tipo requeriría. El análisis a nivel globalconsideradas como la forma mas apropiada soberano por desastres, el cual debe ser permite obtener resultados que proveende medir el riesgo de desastre a cualquier tenido en cuenta por los ministerios de una idea de magnitud del riesgo de desastreescala. hacienda, economía y planeación, con el a escala nacional. Igualmente, permite objetivo de reducir la vulnerabilidad fiscal obtener una clasificación general y rankingsEste modelo, hasta ahora el único de de los países. entre países con base en el riesgo, usandosu tipo, considera eventos que no han indicadores relativos. Estos indicadores213 • Anexo I

son especialmente útiles para identificar el estudio depende del objetivo requerido y el formas posibles en las que dicho fenómenoriesgo de desastre a nivel global y para fines uso de los resultados. se podría manifestar en la región analizada,comparativos, para resaltar la necesidad de en términos de su frecuencia y severidad.implementar medidas para la reducción del Las metodologías para evaluar la amenazariego, protección financiera y preparación y el riesgo, para definir la exposición y la Posteriormente, la amenaza es caracterizadafrente a los desastres. Igualmente, para vulnerabilidad que componen el Modelo en cada punto en un territorio determinado,alentar a los países a realizar evaluaciones Global, así como los resultados de riesgo, a través de la probabilidad de distribucióndel riesgo con mejores detalles a nivel métricas e indicadores, son un paso hacia la de las intensidades asociadas, definidasubnacional y urbano, usando el enfoque disminución de la brecha entre gobiernos y en términos de su valor central y suprobabilista. usuarios de esta información y la industria de medida de dispersión, que da cuenta de la modelación del riesgo que posee el “know- incertidumbre asociada con la ocurrenciaCabe anotar que la resolución y la precisión how” de este tipo de evaluaciones. Sin una de dicho grado de intensidad. Es importanteno están solamente asociadas con la gestión del riesgo eficiente en las próximas resaltar que, con respecto al estudio delevaluación de la amenaza, sino también décadas, las herramientas e información riesgo catastrófico, es relevante estudiarcon la representación de la exposición y la apropiadas deben estar a la mano de los aquellos casos donde el fenómeno puedecaracterización de la vulnerabilidad. Por actores involucrados en la gestión del riesgo causar perdidas correlacionadas; en otrasesta razón, es necesario tener consistencia y en las mas altas esferas de la administración palabras, daños simultáneos en un áreacompatibilidad en el nivel de rigor y detalles pública, para que de esta forma pueda extensa.en las diferentes fases de la evaluación permear a los niveles posteriores. Eldel riesgo. La elección de la resolución Modelo Global de Riesgo provee una visión ENFOQUE BASADO EN EVENTOSestá relacionada con el tipo de decisiones global del riesgo, como una semilla queque se pretende tomar con el resultado debería derivar en evaluaciones locales del El propósito de la evaluación probabilistade la evaluación. Para este estudio, las riesgo detalladas para todos los países. Un del reisgo es la caracterización de lassimplificaciones y suposiciones, apropiadas entendimiento integral del riesgo es la base pérdidas en un conjunto de elementospara el trabajo a nivel global, significan que para una gestión del riesgo efectiva. expuestos, dadas la ocurrencia dela precisión fue sacrificada. Sin embargo, se eventos de amenaza. Como se mencionóobtuvo un “panorama común” del riesgo REPRESENTACIÓN DE LA anteriormente, dadas las incertidumbrespara los países que permite una vista inicial AMENAZA Y EVALUACIÓN propias de la estimación, la pérdida esy comparativa de su dimensión económica y PROBABILISTA DEL RIESGO modelada como una variable aleatoria. Encapacidad para recuperarse del impacto de general, lo que se busca conocer sobre lalos desastres. En otras palabras, este análisis Las amenazas asociadas a fenómenos pérdida es:provee información sobre la resiliencia naturales son medidas con base en sueconómica de los países en términos de frecuencia de ocurrencia y severidad, • El universo de todas las pérdidasindicadores del flujo económico de los esta última es caracterizada a través de posibles (eg. El dominio de la variablepaíses. El uso de información mas detallada un parámetro de intensidad calculado en aleatoria que describe la pérdida)está relacionado con la necesidad de ubicaciones geográficas específicas. Larealizar análisis beneficio-costo para la evaluación de la amenaza, por lo tanto, • La función de densidad de probabilidadimplementación de medidas de reducción está basada en la frecuencia de ocurrencia de la pérdida, que está definida dentrodel riesgo. Es importante señalar que a histórica del fenómeno y sus diferentes del dominio de la variablemedia que la escala se disminuya a nivel niveles de intensidad. Una vez se definen losnacional y subnacional, se requieren parámetros que caracterizan la ocurrencia Un evento de pérdida, A, definido dentroanálisis mas detallados, aún utilizando el del fenómeno desde el punto de vista físico, del universo de toas las pérdidas posibles (omismo enfoque metodológico aplicado en es necesario generar un conjunto de eventos espacio de muestreo) S, puede representarseesta evaluación. Las métricas probabilistas estocásticos -a través de la simulación de en un diagrama de conjuntos (Ver Figurapueden ser usadas en todas las escalas una serie de eventos aleatorios- los cuales, A1-1). El evento A es un subconjunto de S, yterritoriales, y la precisión apropiada para el analíticamente hablando, definen todas las está definido de una forma completamente • 214

arbitraria, eg. su definición depende a 100 millones. Esto significa que A viene Entoces si, por ejemplo, A está definidoexclusivamente de la pregunta que se definido por el tomador de decisiones, como el conjunto de pérdidas mayores a 10quiere responder. En este sentido, el evento según el tipo de decisión considerada. Sin millones, estamos realmente interesados enA se puede definir, por ejemplo, como embargo, la definición de A en si misma no conocer la probabilidad de que la pérdidael conjunto de pérdidas mayores a 10 es de interés, y lo que se buscar conocer es sea mayor a 10 millones, eg P(A).millones, o el conjunto de pérdidas menores la probabilidad de A, denotado como P(A). Figura A1-1. Representación gráfica de un evento arbitrario A dentro del espacio de muestreo SDado que A se define arbitrariamente, no es A. Necesitamos encontrar una forma en subdividiendo el espacio de muestreoconveniente realizar un análisis individual la cual P(A) pueda ser determinada por S por un número finito de eventos basede riesgo para cada evento específico cualquier evento A de interés, esto se logra conocidos, B (Figura A1-2) Figura A1-2. Subdivisión del espacio de muestreo S en eventos base BLos eventos base B deben cumplir las • Matemáticamente esto significa que significa que los eventos de pérdida Bsiguientes características: estos nunca se intersectan, esto es, que no pueden ocurrir simultáneamente. la intersección es un conjunto vacío. • Ser mutuamente excluyentes. En términos de análisis del riesgo, esto • Ser colectivamente exhaustivos. En términos matemáticos esto significa que215 • Anexo I

la unión de todos los conjuntos B iguala los eventos B, vistos como un todo, Para determinar P(A) para cualquier eventoel espacio de muestreo S. En términos representan integralmente el universo A, usamos intersecciones que ocurren entrede análisis del riesgo, esto significa que de todas las pérdidas posibles. un evento A y un evento B (Figura A1.3).Figura A1-3. Intersección entre el evento A y el evento base BDado que el evento A puede definirse como Por lo tanto, sustituyendo la Ecuación 1 En análisis del riesgo, la colección dela unión de sus intersecciones con los en la Ecuación 2, obtenemos la solución eventos base B es construida de la definicióneventos base B, y aplicando el tercer axioma de P(A) mostrada en la ecuación 3, que es de escenarios de amenaza. La colecciónde teoría de la probabilidad, podemos simplemente la definición del teorema de la de escenarios de amenaza es generada,definir P(A) como la suma, para todos los probabilidad total: usualmente de manera estocástica, la cualeventos base B, de la probabilidad de representa integralmente todas las formasocurrencia de las intersecciones: en la cual la amenaza se podría manifestar en el territorio de análisis.Para cualquier evento base Bj, definimos la Esta ecuación indica la probabilidad de La medida de intensidad referidasprobabilidad P(A|Bj) como la probabilidad ocurrencia de cualquier evento de pérdida corresponden a las variables físicas quecondicional de A, dado que Bj ha ocurrido. en el espacio de muestreo S. representan la severidad del fenómeno en elEsta probabilidad condicional viene dada área de análisis.por: En resumen, dentro del contexto de evaluación del riesgo, la definición de los eventos de interés A es completamente arbitraria, por lo tanto su probabilidad P(A) es calculada como una función de la distribución de probabilidad de la pérdida de los eventos base de pérdida B. Esto implica que la base de eventos B no puede ser definida arbitrariamente. • 216

AI.1.1. Metodologías y enfoques de evaluación Para el desarrollo de este Atlas de Riesgo densidad de probabilidad de la pérdida de la Tabla AI.1.se han utilizados técnicas del estado del un escenario característico de la amenaza.arte con el fin de caracterizar la exposición, Es decir, son en primera medida el elemento Tabla AI-1. Distribución de la poblaciónevaluar las amenazas consideradas y integrador de la amenaza y la vulnerabilidad por nivel de ingresomodelar el riesgo de desastres con un en su ubicación, y en segunda medida, elenfoque probabilista y holístico o integral. elemento integrador de las pérdidas totales Nivel de ingreso Límite INB perA continuación, se presenta un resumen para un escenario o evento. Su adecuada capita *de los principales aspectos analíticos y caracterización es de gran importancia para Bajo <=$1,025técnicos que describen la forma como se la adecuada estimación de las pérdidas. A Medio bajo <=$4,035han realizado las evaluaciones y obtenido continuación, se presentan los pasos para Medio alto <=$12,475los resultados. Estos enfoques también la construcción de un modelo de exposición >$12,476se han utilizado a nivel global en el Atlas coarse grain que permite configurar, valorar AltoGAR (UNISDR, 2017), documento también y caracterizar los elementos expuestosrealizado con las técnicas desarrolladas por frente a diferentes amenazas con un nivel de 2. Extraer el conteo de población urbanaINGENIAR: Risk Intelligence. detalle básico para contar con una imagen operativa del riesgo a nivel municipal. La cobertura con el conteo de poblaciónMODELACIÓN DE LA EXPOSICIÓN El mismo enfoque analítico del riesgo global empleada ha sido la definida por presentado aquí se puede utilizar para LandScan (ORNL, 2007) y actualizada al Los elementos expuestos son fundamentales evaluar el riesgo a nivel local (e.g. urbano), año más reciente con los correspondientespara la evaluación del riesgo, debido a que lo que cambiaría sería el nivel de detalle del indicadores de crecimiento de población.comprenden los objetos sobre los cuales modelo de exposición. El procedimientose evalúan las pérdidas potenciales; es descrito a continuación ha sido el utilizado El conteo de población urbana se obtuvodecir, son la fuente de las pérdidas que se también a nivel global para el Atlas GAR de la cobertura nacional de poblaciónpueden presentar debido al hecho de estar (UNISDR, 2017). interceptada con una máscara ajustadaexpuestos a las amenazas y ser susceptibles de áreas urbanas. Dicha mascara estáde sufrir un daño. En términos matemáticos, 1. Clasificación de acuerdo con el nivel de conformada por la cobertura de áreaslos elementos expuestos proveen desarrollo construidas del MODIS 500m (Schneiderindividualmente el valor absoluto máximo et al., 2009; 2010) en adición de las celdasposible de la pérdida en su ubicación, El país se clasificó según su economía, por contiguas de la cobertura original deasí como los sumandos de la función de medio del Ingreso Nacional Bruto (INB) per población (LandScan) que contienen más cápita en cuatro grupos definidos como en de 2,000 habitantes.217 • Anexo I

Figura A1-4. Cobertura del conteo de población Población urbanaMáscara ajustadade áreas urbanasCoberturade conteo depoblación Figura A1-5. Proceso de extracción de población urbana 3. Clasificación de cada una de las áreas asentamientos (Satterthwaite, 2006). y consecuentemente el tiempo necesario urbanas por nivel de complejidad para obtener resultados del análisis. De aquí Asignado el nivel de complejidad, se realizó en adelante se asignaró a cada celda de 5x5Una vez extraído el conteo de población un muestreo de población en grupos de km un identificador para continuar con elurbana, se realizó una clasificación por celdas de 5x5 km, con el objeto de reducir procesamiento de información en bruto ynivel de complejidad basado en total de el tamaño de la base de datos (número de no geográficamente.la población de cada área urbana como registros) así como reducir el tiempo dese presenta en la Tabla AI.2 (tamaño de análisis de la información para la exposición Tabla AI-2. Criterio de clasificación de acuerdo con Satterthwaite (2006) Nivel de complejidad Índice Descripción Urbano mayor 1 >=20,000 habitantes Urbano menor 2 <20,000 y >2,000 habitantes Rural 3 <= 2,000 habitantes • 218

Conteo de población urbana Clasificación por nivel de Agregación del conteo de complejidad población Información en bruto del conteo de población urbana categorizada por nivel de complejidad (resolución de 5x5) Agregación del conteo de población urbana en celdas de 5x5 km Figura A1-6. Asignación del nivel de complejidad y agregación de población 4. Distribución de población por nivel de para tal fin se utilizó la curva de distribución ingreso de según la siguiente ecuación ingreso de ingreso en la población GINI (curva de poblacion (%popi, pop area urbanaj )= Lorenz). % popi*(pop area urbanaj ⁄1000)Con el objetivo de estimar los activos [población]dedicados al uso residencial es necesario Con dichos límites se realiza la distribuciónestimar la población por nivel de ingreso, de población en áreas urbanas por nivel de GINI (Lorenz curve) High 100 % of GNI 80 COL Middle high equality 60 40 20 Middle low 0 Low 0 20 40 60 80 100 Population quintile Figura A1-7. Distribución del ingreso219 • Anexo I

Conteo población Población por nivel deurbana información ingreso en bruto Agregación de Conteo población Ingreso altopoblación urbana en urbana Ingreso medio alto Ingreso medio bajo celdas de 5x5 km localización individual Ingreso bajo Figura A1-8. Proceso de distribución de población por nivel de ingreso 5. Estimación de población por ocupación sector. Con base en indicadores nacionales empleados (%empl.sectori,pop.area urbanaj ) de empleo en los sectores de servicios e =empleoCon el objetivo de estimar los activos industria es posible estimar el número de *% empl.sectori (pop.area urbanaj⁄1000)dedicados a actividades no residenciales empleados en cada uno usando la siguiente [empleados x103]es necesario estimar la fuerza laboral por ecuación: Conteo población Industrial Comercial Conteo población Ingreso alto urbana Ingreso medio alto Ingreso medio bajo localización individual Ingreso bajo Figura A1-9. Estimación empleados por sector 6. Estimación empleados del gobierno dedicados a actividades de administración de empleo del gobierno siguiendo laCon el objetivo de estimar los activos gubernamental, es necesario estimar el misma ecuación anterior con el indicador número de empleados a partir indicadores adecuado. • 220

Indicador empleados del Gobierno gobierno Conteo población urbana localización individual Figura A1-10. Estimación de empleados del gobierno 7. Estimación de capacidad instalada de nacionales de camas por cada 1000 camas tipo admin (camas,fuente gasto saludi ) servicios de salud habitantes, con este indicador además de =camas indicadores de gastos en salud según la *(fuente gasto saludi⁄(gasto total salud.))Para estimar la capacidad de servicios de fuente (Gasto publico/privado en salud) se [camas/1000Hab]salud por tipo de administración (publica/ estiman el número de camas hospitalarias/privada) se realiza una estimación del capacidad de atender personas según tiponúmero de camas hospitalarias/capacidad de administración de acuerdo a la siguientede atender personas basado en indicadores ecuación: Indicadores servicios de Salud pública salud Salud privada Conteo población urbana localización individual Figura A1-11. Proceso de estimación de capacidad instalada en salud221 • Anexo I

8. Estimación de capacidad instalada en educativos por tipo de administración. *(1-((asistencia priv.)⁄100)) [estudiantes] servicios de educación estudiantes privados Con los indicadores anteriores es posibleCon el objetivo de estimar la capacidad estimar el número de estudiantes porinstalada en servicios de educación, =est.secundaria*((asistencia priv.)⁄100)+ est. tipo de administración en cada una de lasse realiza la estimación del número de localizaciones con la siguiente ecuación:estudiantes por tipo de administración primaria(publica/privada) en base a indicadores estudiantes (estudiantesi ,pop area urbanaj )nacionales del número de estudiantes *((asistencia priv.)⁄100) [estudiantes] =((pop area urbanaj)⁄(total area urbana))por nivel educativo y la asistencia a centro *(estudiantesi/1000) [estudiantes x 103] estudiantes publicos =est.secundaria*(1-((asistencia priv.)⁄100))+ est.primaria Conteo de estudiantes Educación pública por tipo de admon. Educación privada Conteo población urbana localización individualFigura A1-12.Proceso de estimación de capacidad instalada en educación 9. Redistribución de población por por WAPMERR en usos residenciales/ estructurales haya. Así, ahora cada registro sistema estructural y nivel de ingreso/ no residenciales también por nivel de corresponderá a un sistema estructural de sector complejidad, esta se realiza respecto de un nivel de ingreso/sector específico en una las razones calculadas con base en la localización de 5x5 km de un área urbana deUna vez estimado el conteo de población información contenida en el catálogo de nivel de complejidad asociado. Lo anterioren usos residenciales y no residenciales es distribución de sistemas estructurales por resulta en una base de datos que se muevenecesario redistribuir dicha población en usos residenciales/no residenciales (Jaiswal de una distribución de población pura a unadiferentes sistemas estructurales presentes et al., 2010) distribución de tipo de activos (poblaciónen el país. Para este propósito se hizo uso en sistemas estructurales) según la siguientede la información provista por el grupo Con la información recopilada y calculada ecuación:WAPMERR (utilizada para el Atlas Global anteriormente es posible redistribuirGAR 2017, de la UNISDR), que contiene la la población en los diferentes sistemas población(%pop sist.estruc.i ),pop.sectorj)=información de distribución de población estructurales. Se debe prestar atención en el pop.sectorj*%pop sist.estruc.i )por nivel de complejidad y sistema formato de la nueva información generada, [población]estructural. pues en la nueva información en bruto no sólo habrá un registro por localización (pasoTambién fue necesario realizar también una 1 a 7) sino tantos registros por localizaciónredistribución de la información provista como la combinación de sectores y sistemas • 222

Estudiantes Educación pública Distribución por Sistemas (Capacidad Educación privada sistema estructural estructurales instalada) Salud pública SE1 SE2 SE3 SE4 SE5 SE6 Localización Salud privadaSalud (Capacidad Gobierno Conteo de instalada) Industrial población por Localización Comercial sector y sistema Ingreso alto Empleo Ingreso medio alto estructural Localización Ingreso medio bajo individual Ingreso bajoConteo población urbana Localización individual Conteo de población por sector Conteo de población por sector Figura A1-13.Proceso de distribución por sistema estructural 10. Ponderación del valor expuesto Con los valores unitarios de ponderación proxy area construidaabcd (nivel de aproximado basado en valores/áreas anteriores, se estima el peso de cada desarrolloa,nivel complejidadb, sectorc,SEd ) unitarias elemento expuesto en el valor total =proxy area construidaabcd*val.unit.costoabc expuesto del país como se indica en las [factor valor expuesto por nivel deUna vez estimado el número de personas/ siguientes ecuaciones: complejidad,sector y sistema estructural]ocupantes en cada uno de los usos/sectores,el área construida es ponderada respecto de proxy area construidaabcd (nivel devalores unitarios por habitante, y así mismo desarrolloa,nivel complejidadb, sectorc,SEd )en lo relativo al valor del metro cuadrado de =poblaciónbcd*val.unit.area construidaabcconstrucción con el objetivo de realizar una [factor area construida por nivel dedistribución del stock de capital. compllejidad,sector y sistema estructural]223 • Anexo I

Factor área unitaria [m2/hab]Conteo población Proxy área construida por por Sector y SE Sector y SE Factor costo por área unitaria [USD/m2] Proxy valor expuesto por Sector y SE en una localización individual para un nivel de complejidad y de desarrollo definidoFigura A1-14.Proceso de estimación de valores proxy 11. Distribución del stock de capital el valor normalizado del proxy valor sistema estructural] basado en población por sistema expuesto calculado en el paso anterior. El estructural y nivel de ingreso/sector valor expuesto se estimó con la siguiente Cada registro (valor expuesto) representa ecuación: cierto sistema estructural de un nivel deTodos los pasos anteriores fueron realizados ingreso/sector en un área urbana con unacon el ánimo de obtener un indicador (proxy VALFIS(stock de capitallat,long ,proxy valor representación particular en el centroide deldel valor expuesto) basado en población expuestoi ) grupo de celdas respectivo de 5x5 km.para distribuir en stock de capital. El valor =stock de capitallat,longdel stock de capital se distribuye a nivel *(proxy valor expuestoi ⁄(proxy exposed valuesubnacional de acuerdo con la cobertura del nacional))producto interno bruto (PIB), multiplicando [valor expuesto,por área urbana,sector y • 224

AI.1.2. Modelación de las amenazasAI.1.2.1 MODELACIÓN DE particular, por lo cual se constituyen en el de la tierra. Dado que la magnitud está AMENAZA SÍSMICA objetivo primordial de los estudios y análisis relacionada con la energía liberada en el de amenaza sísmica. El movimiento del foco del sismo, la intensidad de dichas El peligro que induce la actividad sísmica terreno se caracteriza por tener variables ondas se encuentra relacionada con lasobre regiones aledañas a poblaciones o representativas tanto en amplitud, como magnitud. Los efectos de la magnitud sonasentamientos humanos ha derivado en frecuencia y duración. Algunos parámetros principalmente: el aumento en la amplitudla necesidad de establecer parámetros logran caracterizar el movimiento en uno de de la intensidad, la variación en el contenidoque definan el nivel de la amenaza y estos componentes, mientras otros pueden frecuencial y el aumento en la duración demetodologías generales que permitan caracterizar los tres. Dada la complejidad la vibración.estimar dichos parámetros. Los parámetros asociada al tránsito de las ondas sísmicasque definen el nivel de peligro en un por la corteza terrestre, resulta imposible En la medida que las ondas se desplazanmodelo de amenaza sísmica se conocen reproducir perfectamente el movimiento del por el medio rocoso, son absorbidas parcialcomo parámetros de movimiento fuerte. terreno en un sitio determinado, por muy y progresivamente por los materiales por losEstos parámetros definen la intensidad completo que sea el modelo que se adopte. que transitan. Como resultado, la energíadel movimiento en el sitio de análisis. Su De acuerdo con esto, la elección del modelo por unidad de volumen varía en función deestimación se hace por medio de ecuaciones de estimación del movimiento fuerte debe la distancia. Dado que la intensidad estáconocidas como funciones de atenuación, hacerse de acuerdo con los alcances del relacionada con la energía de las ondas,las cuales dependen principalmente de la estudio que se realice. se encuentra también relacionada con ladistancia de la fuente sismogénica al sitio, distancia. Muchas funciones de atenuaciónla magnitud sísmica, y el tipo de mecanismo Uno de los principales componentes en un relacionan la intensidad en términos defocal de ruptura. análisis de amenaza sísmica es el estudio algún parámetro de movimiento fuerte, de las funciones de atenuación de los con una de las distancias presentadas enParámetros de movimiento fuerte parámetros de intensidad que caracterizan la Figura A1-15, las cuales caracterizan de el movimiento. La mayor parte de la energía diferente manera el origen del movimientoLos parámetros de movimiento fuerte de un sismo se libera en forma de ondas de vibratorio.permiten definir la amenaza en un área en esfuerzo, que se desplazan por la corteza Proyección de superficie D1 Sitio Zona de mayor esfuerzo D2 Epicentro D3 D4 D5 Superficie de ruptura Hipocentro Figura A1-15. Ejemplo de varias medidas de distancia usadas en funciones de atenuación. (Kramer, 1996)225 • Anexo I

La distancia D1 representa la distancia del medida que se cuenta con mayor cantidad ordenadas del espectro de manera directa.sitio a la proyección en superficie del plano de registros de sismos, es posible refinar las Esto puede realizarse a partir de regresionesde falla. D2 es la distancia a la superficie funciones de atenuación, lo que deriva en sobre espectros calculados a registrosde falla. D3 es la distancia epicentral. una frecuente publicación de correlaciones acelerográficos de zonas con buenaD4 corresponde a la distancia hasta la nuevas y más refinadas. El nivel de instrumentación sísmica.zona en la superficie de falla que liberó refinamiento aumenta a medida que seuna mayor cantidad de energía, la cual desarrollan métodos de procesamiento más Alternativamente, se puede calibrar unno necesariamente corresponde con el avanzados. Un sinnúmero de funciones de modelo teórico de las características físicashipocentro. Y por último D5 es la distancia atenuación de aceleración máxima han sido de una fuente, medio de tránsito de ondas,hipocentral. desarrolladas a nivel mundial en las últimas y comportamiento de la respuesta en el 4 décadas, dada la alta relevancia de este sitio, para predecir la forma del espectroLa aceleración máxima (PGA) es el insumo dentro de los análisis de amenaza de amplitudes de Fourier (EAF). A partir deparámetro más empleado en los estudios sísmica. la solución del rompimiento instantáneode amenaza sísmica para representar el sobre una superficie esférica en un mediomovimiento del terreno, por lo cual se han Dada la importancia que ha tenido el perfectamente elástico, es posible estimarpropuesto diversos modelos de atenuación espectro de respuesta dentro de la práctica las amplitudes del espectro de Fourier.de este parámetro con la distancia y las de la ingeniería sísmica, se han desarrolladopropiedades del medio transmisor. A relaciones de atenuación para obtener lasFigura A1-16.Esquema de una función de atenuación típica y sus componentes, incluyendo la distribución de probabilidad de la intensidad (Y) pronosticada.EVALUACIÓN PROBABILISTA de la probabilidad total. Por lo tanto, la Por lo tanto, para calcular las tasas deDE LA AMENAZA SÍSMICA tasa de excedencia de alguna medida de excedencia de valores de intensidad intensidad asociada a la ocurrencia de un es necesario construir un conjunto de La evaluación probabilista de la amenaza evento de amenaza, en un punto particular escenarios estocásticos, mutuamentesísmica se basa en la ecuación propuesta del territorio de análisis, se puede calcular excluyentes y colectivamente exhaustivos,por Esteva (1970) para el cálculo de tasas como la suma ponderada de la probabilidad cada uno con una distribución geográficade excedencia de medidas de intensidad de excedencia del nivel de intensidad de momentos de probabilidad quede movimiento sísmico, como función de para el cual se está calculando, para todos caractericen las medidas de intensidad delas características de generación de los los escenarios que definen la amenaza, movimiento fuerte. Desde hace más de 30terremotos y la atenuación de las ondas usando como factores de ponderación las años se ha desarrollado una metodologíasísmicas a su paso por la corteza terrestre, la frecuencias anuales de ocurrencia de los robusta de evaluación probabilista decual a su vez es una aplicación del teorema terremotos. la amenaza sísmica, mediante la cual es posible involucrar de manera analítica la • 226

incertidumbre asociada a variables como muy bien a las características generales de Richter. En estos casos, la sismicidad quedala tasa de ocurrencia de terremotos en las zonas de deformación y rompimiento descrita como,una región, la magnitud y ubicación de de la corteza terrestre. Es usual tambiénlos sismos y la atenuación de la energía asignar una probabilidad uniforme a la (1)del movimiento fuerte. La metodología ocurrencia de los terremotos dentro de lade evaluación probabilista de la amenaza geometría de las fuentes. Dado que esta en donde M0 es la mínima magnitud osísmica fue establecida inicialmente por suposición implica que toda la energía del magnitud umbral. λ0, β, y Mu son parámetrosCornell (1968) y Esteva (1970), y puede terremoto es irradiada desde el hipocentro, que definen la tasa de excedencia deresumirse en cuatro pasos principales, Der-Kiureghian y Ang (1977) plantearon cada una de las fuentes sísmicas. Estossegún lo establece Reiter (1990): una manera de considerar el tamaño de parámetros, diferentes para cada fuente, la superficie de ruptura dentro de análisis se estiman mediante procedimientos 1. Caracterización de las fuentes de amenaza. Relaciones entre la magnitud estadísticos de máxima verosimilitud e generadoras de terremotos con sísmica y el tamaño de la zona de ruptura, información experta. De esta manera, cada influencia en el sitio de análisis, en considerando fuentes planas pueden una de las fuentes sismogénicas queda términos de su geometría y distribución encontrarse en Brune (1970), Singh et al. caracterizada mediante los siguientes de probabilidad de inicio de la ruptura (1982) o Wells y Coppersmith (1994). parámetros de sismicidad: en el área definida. Parámetros de sismicidad de • Recurrencia de magnitudes: se identifica 2. Definición de la sismicidad de las fuentes sismogénicas mediante el parámetro β que representa fuentes consideradas, a partir del la pendiente promedio de la curva registro histórico de eventos ocurridos Es común considerar que el proceso de de recurrencia de magnitudes (curva sobre su geometría (catálogo sísmico) generación de terremotos en una fuente de número de eventos con magnitud y sus características sismotectónicas. sigue un proceso de Poisson, es decir, se mayor que M, versus magnitud sísmica Existen diferentes modelos de considera que el número de ocurrencias M) en la zona de magnitudes bajas. recurrencia de magnitudes para en una ventana de tiempo dada es caracterizar la tasa de ocurrencia de independiente del número de ocurrencias • Magnitud máxima, Mu: se estima con terremotos. en cualquier otra ventana de tiempo, o base en la máxima longitud de ruptura en otras palabras, que el proceso no tiene posible de cada una de las fuentes y en 3. Estimación de parámetros de memoria. Esta manera de ver la recurrencia otras características morfotectónicas. movimiento fuerte en el sitio de magnitudes permite establecer tanto de análisis. Esto se lleva a cabo la distribución de probabilidad de la • Tasa de recurrencia de sismos con empleando funciones de atenuación ocurrencia de terremotos de diferente magnitud mayor que la de umbral, de movimiento que consideren la magnitud, como la distribución de λ0: corresponde al número promedio incertidumbre asociada a la estimación probabilidad del tiempo entre la ocurrencia de eventos por año de sismos con de los parámetros. de dos terremotos consecutivos. magnitud mayor que M0 que ocurren en una determinada fuente. 4. Finalmente se combinan las En el modelo poissoniano, la actividad incertidumbres asociadas a localización, de la i-ésima fuente sísmica se especifica Atenuación de las intensidades tamaño y atenuación y se obtienen en términos de la tasa de excedencia de de movimiento fuerte las tasas anuales de excedencia de las magnitudes, λ(M), generadas por esta parámetros de movimiento fuerte. fuente. La tasa de excedencia de magnitudes Una vez determinada la tasa de actividad mide qué tan frecuentemente se generan de cada una de las fuentes sísmicas, esCaracterización de las fuentes sísmicas temblores con magnitud superior a una necesario evaluar los efectos que, en específica. Para la mayor parte de las fuentes términos de intensidad sísmica, produce La caracterización de las fuentes sísmicas, la función λ(M) es una versión cada una de ellas en un sitio de interés.generadoras de terremotos puede hacerse modificada de la relación de Gutenberg y Para ello se requiere saber qué intensidadmediante diferentes geometrías. Es usual se presentaría en el sitio en cuestión, hastamodelar las fuentes como planos en elespacio, dado que esta geometría se ajusta227 • Anexo I

ahora supuesto en terreno firme, si en la de amplitudes de Fourier del movimiento ellas, puede calcularse la amenaza sísmicai-ésima fuente ocurriera un temblor con fuerte para una magnitud y una distancia considerando la suma de los efectos demagnitud dada. conocidas. Estos modelos se conocen la totalidad de las fuentes sísmicas y la como modelos de espectro de fuente (Aki, distancia entre cada fuente y el sitio deLa intensidad de movimiento fuerte, s, se 1967; Brune, 1970). Estos modelos están interés (donde se encuentra el elementomodela como una variable aleatoria con basados en formulaciones sismológicas expuesto). La amenaza, expresada enel fin de incorporar de manera racional la clásicas, las cuales permiten definir la forma términos de las tasas de excedencia deincertidumbre asociada a su estimación. En matemática de los desplazamientos de las intensidades s, se calcula como:la práctica común de la ingeniería sísmica, fuentes cuando ocurre un sismo, así comoel interés se centra en la estimación de el contenido frecuencial del movimiento (2)parámetros de movimiento de amplitud fuerte, para diferentes mecanismos demáxima (PGA, PGV y PGD), así como dislocación. En donde la sumatoria abarca la totalidadordenadas del espectro de respuesta. Es de las fuentes sísmicas N, y Pr(S>s I M,Ri ) esusual representar estos parámetros de En décadas pasadas varios autores han la probabilidad de que la intensidad excedamovimiento fuerte como variables aleatorias usado modelos de espectro de fuente para un cierto valor, dadas la magnitud del sismodistribuidas lognormal, con momentos derivar funciones de atenuación (Ordaz y M, y la distancia entre la i-ésima fuente yde probabilidad dados por la función de Singh, 1992; Atkinson 1995; Gallego 1999; el sitio Ri. Las funciones λi (M) son las tasasatenuación. Tavaloki y Pezeshk, 2005; Zafarani y Soghrat, de actividad de las fuentes sísmicas. La 2012; Bernal 2014). integral se realiza desde M0 hasta Mu, lo quePor otra parte, desde hace más de 30 años indica que se toma en cuenta, para cadala sismología moderna ha estudiado el CÁLCULO DE LA AMENAZA SÍSMICA fuente sísmica, la contribución de todas lasproblema de propagación de las ondas magnitudes.sísmicas por la corteza terrestre, y ha Una vez conocidas la sismicidad dederivado expresiones matemáticas que las fuentes y los patrones de atenuaciónpermiten caracterizar la forma del espectro de las ondas generadas en cada una de • 228

AI.1.2.2 MODELACIÓN DE generación de tsunamis tectónicos se deben generalmente la teoría de ondas en aguas AMENAZA POR TSUNAMI involucrar dos aspectos relevantes. Estos poco profundas. A este tipo de ondas se son: i) el acoplamiento entre el medio sólido les conoce también como gravitacionales, Las ondas gravitacionales generadas en elástico que representa la corteza terrestre y dado que la gravedad es la que controlael océano cuando un fenómeno detonante el medio líquido que representa el océano el mecanismo de restauración del medio.desplaza verticalmente una gran masa de y ii) la relación entre los desplazamientos Cuando transitan ondas gravitacionales poragua es lo que se le conoce como tsunami. verticales en la superficie del océano y el un medio para el cual la longitud de onda,Este tipo de ondas puede viajar por miles lecho marino. λ, es mucho mayor que su profundidadde kilómetros e impactar las costas de (λId), la aceleración vertical resultantevarios continentes. Existen diferentes El problema de generación está asociado es despreciable en comparación con latipos de tsunami los cuales se diferencian con el comportamiento del sistema agua- gravedad. Esto implica que el movimientoprincipalmente en el mecanismo detonante lecho, y la manera como las ondas sísmicas de la masa de agua, en dirección horizontal,que los genera. influyen en las ondas hidrodinámicas que es prácticamente constante desde el fondo se generan. Es posible aproximar este hasta la superficie. Esta es la característicaMODELACIÓN DE LA AMENAZA problema por medio de dos planteamientos primordial de las ondas largas u ondas diferentes: en aguas poco profundas (shallow-water Es posible identificar tres procesos waves). Para el caso del tsunami, laprincipales que participan en la amenaza • Sistema acoplado: Un sistema agua- profundidad de los océanos se encuentrade tsunami: i) generación, ii) propagación, lecho acoplado significa que las ondas típicamente alrededor de los 5 km, mientrasy iii) arribo. La generación tiene que ver con sísmicas que viajan por la corteza que la longitud del frente de ondas puedelas condiciones en las cuales se induce el influyen en el comportamiento de la ser de varios cientos de kilómetros, razónmovimiento vertical de la masa de agua masa de agua. Se trata de un sistema por la cual la aproximación de onda largaoceánica, generando ondas gravitacionales. refinado en el cual deben tenerse en es suficientemente válida para caracterizarLa propagación tiene que ver con la manera cuenta las variaciones en la forma del el tránsito de la energía del tsunami en marcomo dichas ondas se propagan por el lecho marino dentro del análisis de abierto.océano hasta alcanzar las costas. Y el arribo propagación del tsunami.involucra la amplificación de las amplitudes El desarrollo matemático de la teoría dede onda de tsunami por efecto de la • Sistema desacoplado: El sistema ondas en aguas poco profundas se basa endisminución de la batimetría. desacoplado indica que no existe una la formulación de Stokes, la cual describe relación directa entre la deformación el movimiento unidimensional de un fluidoSi bien los procesos de generación y del lecho y el movimiento de la no viscoso, sujeto a fuerza gravitacionalpropagación son de gran importancia como masa de agua. En otras palabras, las constante, y limitado por un fondo rígidocondiciones iniciales para la modelación deformaciones elásticas de la corteza y una superficie libre. A pesar de serdel arribo de las ondas, su estudio no es por efecto del paso de las ondas conocidas desde hace más de 150 años,el objetivo de esta evaluación dado que sísmicas se consideran despreciables. las ecuaciones asociadas a la formulaciónpara el análisis del riesgo de desastre son En caso de que el desplazamiento de Stokes no tienen aún una soluciónrelevantes únicamente las condiciones de cosísmico del lecho marino sea de establecida para el caso general. Por estearribo e impacto. Por esta razón se utiliza dimensiones apreciables, es común motivo se han desarrollado formulacionesla formulación asintótica del modelo de suponer un lecho rígido de geometría específicas para ser aplicadas en diferentesgeneración y propagación de Dutykh y Dias igual a la máxima deformación elástica casos en los cuales algunas suposiciones(2007), y el modelo acoplado de arribo inducida por el sismo. pueden simplificar el problema. Para elpropuesto por Madsen y Fuhrman (2009). caso del tsunami se requiere solucionar la Modelo de propagación formulación de Stokes únicamente para elModelo de generación caso de ondas largas con amplitudes bajas En el estudio de la propagación de las en la superficie libre, propagándose en una En la modelación del mecanismo de ondas de tsunami por el océano se aplica dirección, en un medio incompresible y de229 • Anexo I

profundidad somera y constante. crucial para el funcionamiento correcto de estos mapas se considera únicamenteAl suponer que el comportamiento los sistemas de alerta, de manera que sean la condición de refracción de ondas,hidrodinámico de los tsunami se basa en la capaces de predecir el tiempo de llegada despreciando el efecto de reflexión, dadoteoría de ondas largas, es posible emplear la de las ondas, y permitan la ejecución de los que no se trata de un mapa de amplitudesteoría geométrica de propagación óptica de protocolos de evacuación y respuesta a la o amplificaciones de onda. La Figura A1-17rayos para determinar aproximadamente el emergencia. Con los mapas de refracción presenta un mapa de refracción de ondastiempo que le toma al frente de ondas arribar de ondas, se presentan los contornos de para el tsunami de Indonesia del 26 dea un destino específico. Esta información es igual tiempo de arribo. En el cálculo de diciembre de 2004.Figura A1-17. Diagrama de refracción de ondas, con contornos de tiempo de arribo. Tsunami de Indonesia, 26 de diciembre de 2004. (Fuente: NOAA)Modelo de arribo tienen longitudes de onda muy grandes en baja compresibilidad del agua, la amplitud comparación a la profundidad del medio de de la superficie del mar aumenta en el frente En mar abierto la amplitud de las tránsito, la velocidad de avance se mantiene de onda por efecto de la compresión, lo cualondas de tsunami es baja y prácticamente prácticamente constante. A medida que la genera olas de gran tamaño que rompenimperceptible. Sin embargo, al acercarse profundidad del lecho marino empieza a contra las zonas costeras.a la costa la amplitud aumenta disminuir, también disminuye la velocidadsignificativamente hasta romper en forma del frente de onda. Sin embargo, la parte En la actualidad existen modelos analíticosde una ola destructiva. Esta amplificación se posterior de la onda se encuentra una para la solución del arribo de las ondasdebe a la disminución de la profundidad del longitud de onda mar adentro con relación de tsunami a la costa. Algunos de estosagua en las zonas costeras. al frente de onda, por lo cual su velocidad modelos han sido ampliamente usados para sigue siendo controlada por la profundidad determinar alturas de ola por efecto de laEn mar abierto, las ondas gravitacionales del lecho marino en ese punto. En ocurrencia de tsunamis. Estas formulacionesviajan a una velocidad igual a √gh, en consecuencia, la longitud de onda empieza se basan en las siguientes suposiciones:donde h es la profundidad del lecho marino a recortarse, es decir, que la onda sey g la aceleración de la gravedad. Como comprime horizontalmente para compensar • Los efectos del rompimiento de olas ense trata de ondas largas, es decir, que el cambio de velocidad. Debido a la muy la costa son despreciables. • 230

• Los efectos de la disipación de energía gravitacional de tsunami y s es la pendiente del número de Iribarren: en el fondo son despreciables. batimétrica promedio, entendida como la distancia horizontal sobre la vertical. Esta (5) • Se asume reflexión total de las ondas en definición implica que valores bajos de s la línea de costa. Esto quiere decir que corresponden a pendientes altas y valores (6) se considera que la línea de costa no se altos de s corresponden a pendientes modifica en ningún momento. bajas. Dado que la amplitud final de las Para valores bajos de s, las ecuaciones ondas depende de la pendiente batimétrica anteriores tienen a infinito. Esto quiere • Se consideran ondas gravitacionales promedio y de la longitud de la onda decir que cuando la batimetría es periódicas, es decir, que se ignora la gravitacional y su amplitud en mar abierto, extremadamente pendiente la solución no naturaleza transiente de los tsunamis. Iribarren y Nogales (1964) definieron un lineal deja de ser válida, básicamente debido parámetro adimensional que describe la a que la amplitud de las olas no puede • Se asume que la pendiente batimétrica alteración que sufren las ondas por los crecer indefinidamente. Esta característica es constante. procesos que ocurren cerca a la costa. Este fue definida por Carrier y Greenspan (1958) parámetro se conoce como el número de como el criterio de rompimiento. MadsenSegún Madsen y Fuhrman (2009), la altura Iribarren o parámetro de surf, y está definido y Fuhrman (2009) escribieron el criterio dede la ola en la línea de costa se puede como: rompimiento en función del número dedeterminar de la siguiente manera: Iribarren como: (4) (3)en donde R es la amplitud de la ola en en donde L∞ es la longitud de onda en (7)la línea de costa, a0 es la amplitud en mar abierto. Madsen y Fuhrman (2009)la superficie libre mar adentro, h0 es la obtuvieron formulaciones analíticas para donde Rmax corresponde a la máximaprofundidad del lecho marino mar adentro, el cálculo de la amplitud de la onda y su amplitud que pueden alcanzar las olas paraω es la frecuencia angular de la onda velocidad en la línea de costa, en función las características implícitas en ξ.231 • Anexo I

AI.1.2.3 MODELACIÓN DE posibles en las que la amenaza relacionada simultáneamente para la coordenada AMENAZA POR con ciclones tropicales podría manifestarse de latitud (Y). Después del proceso de CICLONES TROPICALES en las regiones de análisis en términos de perturbación, las características principales frecuencia y severidad. del ciclón se mantienen inalteradas, lo que La simulación de ciclones tropicales es significa que cada punto de trayectoria hijaun enfoque ampliamente aceptado para Para cada evento se caracteriza la amenaza, tendrá la misma presión central y velocidadla evaluación de esta amenaza. Los usos en cualquier punto de un territorio dado, a de viento sostenida que el original.principales de la simulación de ciclones través de la probabilidad de distribución deson la estimación de las intensidades del la intensidad (v10, η), definida en términos La Figura A1-18 muestra el resultado delviento y marea de tormenta para el diseño de su valor esperado y su varianza. La proceso de perturbación aplicado a lade edificaciones e infraestructura y la amenaza viene entonces representada trayectoria del Huracán Sandy (2012). Laestimación de pérdidas para establecer como un conjunto de eventos estocásticos línea roja muestra la trayectoria original deprimas de seguros (Vickery et al., 2009). con intensidades promedio y frecuencias de Sandy sobre las Bahamas, y las líneas azules ocurrencia compatibles con la información son las 10 simulaciones obtenidas de SandyUna evaluación basada en eventos se histórica disponible. para aplicar el proceso bidimensional deutiliza para crear un conjunto de ciclones Wiener.estocásticos que, a su vez, se usa para Perturbación de las trayectoriasla evaluación de pérdidas. La amenaza de los ciclones MODELACIÓN DE AMENAZA DE VIENTOasociada con ciclones tropicales se definepor medio de su frecuencia anual de Para cada ciclón histórico, se genera Tal como presentado por Vickery et al.,ocurrencia y su severidad, caracterizando un conjunto de cien trayectorias “hijas” (2009a), la modelación del campo de vientoesta última a través de un parámetro de siguiendo un proceso bidimensional de es un proceso de tres pasos: i) dadas lasintensidad calculado en cada ubicación Wiener en el cual la trayectoria histórica características del ciclón como presióngeográfica especifica. La intensidad es perturbada artificialmente para crear central y el rádio de vientos máximos (Rmv),seleccionada para vientos fuertes es la una nueva trayectoria hija. Este proceso de se calcula la velocidad del viento a alturavelocidad para ráfagas de 3 segundos a perturbación es presentado en la ecuación de gradiente. La altura de gradiente es la10 metros de la superficie (v10). Para la 8 para la coordenada de latitud (X) de los altitud en la cual la velocidad del vientomarea de tormenta, la intensidad es la puntos de la trayectoria: no se ve afectada por las condiciones dealtura de subida del agua en la costa (η). la superficie. Esta se asume, usualmente,La evaluación de la amenaza está basada (8) como equivalente a la velocidad media delen la frecuencia histórica de ocurrencia de viento, ii) de la velocidad del viento a alturaciclones tropicales y sus diferentes grados de donde X(tk) es la coordenada de longitud de gradiente, se calcula la velocidad mediaintensidad. Una vez definidos los parámetros de un punto de la trayectoria en el instante de superficie, aplicando un modelo de capaque caracterizan la ocurrencia de ciclones tk, X(tk+1) es la coordenada de longitud del límite atmosférica (CLA); y iii) la velocidadtropicales, desde el punto de vista físico, es siguiente punto de la trayectoria registrado media de superficie es modificada pornecesario generar un conjunto de eventos en el instante tk+1, ΔXk, k+1 es la longitud condiciones específicas del sitio, comoestocásticos a través de la simulación de una delta conocida entre el instante k y k+1, y amplificación topográfica y rugosidad de laserie de eventos aleatorios. El conjunto de e es una variable aleatoria que sigue una superficie, y se ajusta a un tiempo promedioeventos aleatorios incluye todas las formas distribución normal con μ=0.0 y σ=0.5. utilizando factores de ráfaga. Un proceso equivalente debe realizarse • 232

Figura A1-18. Proceso de perturbación de la trayectoria aplicado al huracán Sandy.Campo de viento del gradiente ciclón. El rádio de vientos máximos (Rmv) se Velocidad del viento en superficie calcula como función de la presión centralLa velocidad del viento del gradiente (VG) del ciclón P0, La velocidad del viento a altura de gradientese calcula utilizando la representación (VG) es modificada para obtener la velocidadpresentada por Holland (1980), en la cual VG (10) a nivel de superficies (10 metros sobre aguaes dada como o tierra, v10) utilizando un modelo de capa Vickery y Wadhera (2008) encontraron límite atmosférica. Vickery et al. (2009b) (9) que es posible modelar el parámetro de modelaron la variación de la velocidad Holland B como función de un parámetro media del viento, u(z) con altura z, en la capadonde r es la distancia de observación (eg. no dimensional, A, definido como límite del ciclón comoLa distancia del sitio de cálculo al centro dela tormenta), B es el parámetro de Holland, (11) (13)∆P es el gradiente de presión (∆P = Pn-P0,donde Pn es la presión atmosférica nominal (12) donde k el coeficiente de von-Karmanestablecida a 100.5 KPa), ρ es la densidad (k=0.4), u* es la velocidad de fricción, z0 es ladel aire, y f es el parámetro de fuerza de donde Rd es la constante de gas aire y es la longitud de rugosidad aerodinámica, y andCoriolis, definido como temperatura de superficie del mar (dada en H* es la altura de la capa límite. Vickery et °K). al., (2009b) modelaron H* como (9)donde Ω es la velocidad de rotación angularde La Tierra, y Φ es la latitud del ojo del233 • Anexo I

(14) (17) Rugosidad de la superficiedonde I es la inestabilidad inercial, definida donde Cd es el coeficiente de arrastre, y u es La rugosidad de la superficie espor Kepert (2001) como la velocidad del viento en superficie. directamente considerada en el cálculo de la velocidad del viento en superficie, (15) Modificadores de sitio de utilizando parámetros z0 (longitud de la velocidad del viento rugosidad aerodinámica) y Cd (coeficienteCuando se usa este modelo, el término de arrastre). Estos parámetros dependen∂VG/∂r no es considerado. La velocidad de Las condiciones locales modifican el del tipo de terreno sobre el que se calcula lafricción, u*, se define como valor final de la velocidad del viento en cada velocidad del viento. Para nuestro modelo, ubicación geográfica. Dentro del modelo de utilizamos el valor central de los rangos (16) viento, la rugosidad de superficie y el efecto propuestos por la OMM (OMM, 2010), para topográfico son considerados como los ocho clases generales de terreno (ver Tabla).donde τ es es la tensión del viento en principales modificadores de la velocidadsuperficie, definida como del viento a nivel local.CLASE DE TERRENO DESCRIPCIÓN DEL TERRENO LONGITUD DE RUGOSIDAD COEFICIENTE DE ARRASTRE Z0 (M) DE LA SUPERFICIE C10 Mar Condiciones de mar abierto para todas las velocidades del 0.001-0.003 Liso viento, llanura de marea, desiertos indiferenciados y asfalto. 0.0002-0.005 0.003-0.005 Terrenos indiferenciados con vegetación insignificante como 0.005-0.03 Abierto 0.005-0.008 playas amplias, cayos y arrecifes expuestos. 0.03-0.10Abierto rugoso Agua de zonas costeras para vientos >30m/s, terreno abierto 0.008-0.012 Rugoso y llano, hierba, algunos obstáculos aislados, alrededores de 0.10-0.25 0.012-0.019 0.25-0.5 0.019-0.032 Muy rugoso aeropuertos. 0.5-1.0 0.032-0.065 Cerrado Cultivos bajos, pocos árboles, grandes obstáculos 1.0-2.0 Caótico >0.065 ocasionales. >2.0 Ligeramente boscoso, cultivos altos, centros de pequeñas ciudades. Bosques de manglar, plantaciones de palma, áreas metropolitanas. Bosques tropicales maduros, edificios del casco urbano. Mezcla de edificaciones altas y bajas, grandes zonas boscosas irregulares con muchos claros. • 234

Efecto topográfico Si esta condición no se cumple, entonces la donde τ es la duración objetivo de ráfaga pendiente media topográfica (mT) entre el (3 segundos) y Tu = 3.13z0.2. La intensidad de El efecto topográfico es evaluado a través sitio (X, Y) y el sitio (K, L) se calcula como turbulencia Iu se calcula comode la identificación de áreas protegidasy expuestas al viento en un Modelo de (66) (21)Elevación Digital (MED). El factor delefecto topográfico (FT) es definido por la donde D es la distancia entre el sitio (X, Y) dondeexposición del sitio topográfico, como: y el sitio (K, L). Si |mT| ≤ m, entonces el sitio (X, Y) se clasifica como exposición normal. (22) • Baja exposición. Corresponde a Finalmente, si |mT| >m entonces el sitio (X, Y) depresiones topográficas (eg. Sitio se clasifica como alta exposición. Finalmente, la velocidad media del viento protegido). FT = 0.8. a 10 metros sobre agua o tierra se calcula Factor de ráfaga como • Exposición normal. Corresponde a un sitio plano. FT = 1.0. Los modelos de vulnerabilidad utilizados (23) en el cálculo del riesgo correlacionan la • Alta exposición. Corresponde a la cima pérdida con la velocidad del viento para Los campos de viento están dados en de las montañas (eg. Sitio expuesto). FT ráfagas de 3 segundos. Esto quiere decir, términos de la distribución geográfica = 1.2. que necesitamos determinar la velocidad de v10. Por lo tanto, para cada ciclón para un tiempo promedio diferente al histórico se calcula cien campos, cada unoPara cada nodo en el MED, dada su ubicación tiempo producido por el modelo del campo correspondiente a una simulación de lageográfica (X, Y), se cuantifica su exposición básico del viento. Se utiliza la fórmula del trayectoria histórica. Para cada conjuntobuscando en las cuatro direcciones factor de ráfaga propuesta por ESDU (1983) de campos de viento, se calcula el valorcardinales (norte, sur, este y oeste). Esta dado que, aunque fue desarrollada para esperado y la varianza del viento en cadabúsqueda es delimitada estableciendo los tormentas extra-tropicales, muchos autores ubicación de la malla, que representan,siguientes parámetros: concluyeron que no hay evidencia que respectivamente, el primer momento sugiera que los factores de ráfaga asociados natural y segundo momento central de una • Nmax: Distancia máxima horizontal en con los ciclones tropicales sean diferentes distribución de probabilidad Gamma que la cual se evaluará la exposición con a los asociados con las tormentas extra- define la naturaleza aleatoria de v10. Por lo respecto a una ubicación fija. tropicales (Sparks y Huang, 1999; Vickery y tanto, se calcula un escenario probabilista Skerlj, 2005). de amenaza para cada ciclón histórico. • m: Pendiente topográfica de referencia, utilizada para evaluar la exposición El fáctor de ráfaga Kτ es definido en ESDU MODELACIÓN DE AMENAZA del sitio con respecto a los terrenos (1983) como POR MAREA DE TORMENTA adyacentes. (19) La marea de tormenta es reconocidaEntonces, para cada sitio (X, Y) en el MED, por ser uno de los efectos mas destructivosbuscamos un sitio (K, L) hasta que falle la donde g es el factor de cresta y Iu es la relacionados con los ciclones tropicales. Elsiguiente condición: intensidad de turbulencia. El factor de cresta objetivo es determinar la altura de subida g se modela como del nivel del mar en la línea de la costa como (18) consecuencia del estrés tangencial ejercido (20) por los fuertes vientos y la baja presióndonde ZLim: es la diferencia de altura atmosférica. La altura total del agua en larequerida entre los sitios (X, Y) y (K, L) para costa (η) es modelada como compuesta porobtener una pendiente m. dos partes,Si el sitio (K, L) existe, entonces el sitio (X,Y) se clasifica como baja exposición, quecorresponde a una depresión topográfica.235 • Anexo I

(24) (26) en tierra (hT) de la altura de subida obtenida en la línea de la costadonde ηC es la altura de subida del agua Para la subida generada por el viento,generada por el viento, y ηP es la subida usamos un modelo simple pero robusto (28)barométrica. Se asume una condición inicial para predicción del nivel del mar en la costa,de un nivel del mar medio sobre todas las propuesto por Tilburg y Garvine (2003), La amenaza por marea de tormenta esubicaciones costeras calculadas. basado en los patrones de circulación modelada en términos de la distribución costera de Ekman, en los cuales la subida geográfica de h. Similar al caso de losDado que la subida del agua generada por generada por el viento (ηC) es modelada campos de viento, para cada ciclón históricoel viento es uno de las mas importantes y considerando el efecto del viento a lo largo y se calcula cien inundaciones por mareasignificativas inundaciones costeras debido a través de la plataforma continental, de tormenta, cada una correspondiente aa la marea de tormenta, se incluye a altura una simulación del trayecto histórico. Debarométrica en el modelo simplemente (27) el conjunto de inundaciones, se calculaañadiendo el efecto barométrico inverso, el valor esperado y la varianza de lay considerando ajuste total (eg. una donde U es la velocidad total del viento, Ux altura de inundación, que representan,disminución de la presión barométrica de es el componente de la velocidad del viento respectivamente, el primer momento1mb corresponde a un aumento del nivel a través de la plataforma, ρa es la densidad natural y el segundo momento central dedel mar de 0.01m). del aire, ρ es la densidad del agua de mar, una distribución de probabilidad Gamma ca es el coeficiente de arrastre en superficie, que define la naturaleza aleatoria de h. (25) cb es el coeficiente de arrastre en el fondo, g es la aceleración de gravedad, L es el anchodonde Pn es una presión atmosférica de la plataforma, α es la pendiente medianominal (tomada como un valor constante del fondo desde la costa a la distancia L, yde 100.5 Kpa), y P(r) es la presión en la costa D0 es la pared costera vertical. Finalmente,producida por el campo de presión del la altura de inundación en la costa (h) seciclón. P(r) puede ser modelada como calcula sustrayendo la elevación topográfica • 236

AI.1.2.4 MODELACIÓN DE LLUVIAS lluvias de la cuenca y se establecen las a partir de conjuntos de datos históricos, (PARA INUNDACIONES, relaciones de precipitación vs. área para la probabilidad de ocurrencia de un SEQUÍAS, la construcción de escenarios estocásticos determinado valor de precipitación en DESLIZAMIENTOS) de lluvia en la región de análisis. Así como un determinado momento del régimen también se usa para la derivación de las pluvial de la zona (día, semana, mes). El componente de amenaza para la curvas de distribución horaria de la lluvia Para el caso de la amenaza por lluvias,evaluación probabilista de riesgo por total diaria, con el fin de implementar el la metodología toma cada día del añoinundaciones se define como una serie modelo hidrológico seleccionado Clark hidrológico y determina la distribuciónde escenarios estocásticos de lluvia, modificado. de probabilidad que mejor se ajusta a loscolectivamente exhaustivos y mutualmente registros históricos, para finalmente obtenerexcluyentes, acoplados a la respuesta La metodología propuesta utiliza datos distribuciones de probabilidad de lluviade la cuenca para obtener escenarios de climáticos históricos de la región de interés, específicos para los 365 días del año. Luego,intensidad de la inundación (en términos principalmente la acumulación diaria de usando los parámetros de las distribucionesde la profundidad y velocidad del agua) precipitación. Se prefiere el uso de datos seleccionadas se generan númerosen el área de interés. Los escenarios de observados en estaciones dado que son aleatorios para un determinado número delluvia describen la distribución espacial, mediciones directas y tienen periodos años de simulación de precipitación totalla frecuencia de ocurrencia, la duración de registro largos (en comparación con diaria (del orden de 1,000 años). Las seriesy la aleatoriedad de la intensidad de la los registros de radar o de satélite). Sin aleatorias luego son correlacionadas enprecipitación en la cuenca. En esta sección embargo, la metodología propuesta permite el tiempo y en el espacio para representarse presenta una metodología de generación también el uso de datos recopilados las condiciones climáticas de la región desintética de series de lluvia e identificación por teledetección, los cuales son útiles análisis.de escenarios de lluvia intensa para evaluar principalmente en caso de que no sela amenaza por inundación (Bernal et al., puedan obtener registros históricos de las El primer paso es seleccionar las funciones2017). estaciones, para complementar valores de distribución de probabilidad que pueden faltantes, ante la existencia de datos de ser aplicadas a la modelación de cadaIniciando a partir de la base de datos de baja calidad o la ausencia de estaciones variable. Se consideran distribucionesregistros históricos de precipitación diaria operativas. normalmente empleadas en cienciasdentro de la cuenca, se generan series atmosféricas como son Gamma, Lognormal,estocásticas de precipitación al estimar Generación estocástica de Normal, Weibull o Gumbel, entre otras.los parámetros de distribuciones de eventos de lluvia intensa Posteriormente, para cada día del año,probabilidad que se ajustan a los registros los parámetros de las distribucionespara cada día del año para cada estación El objetivo del modelo es establecer las seleccionadas se estiman mediante eldentro del área de estudio. Las series características de los aguaceros fuertes que método de los momentos o de máximaaleatorias resultantes son luego ajustadas se pueden presentar en la cuenca, a partir verosimilitud.por un procedimiento de correlación de los registros históricos de precipitacióntemporal y espacial. Después, eventos de medidos en estaciones pluviométricas. Entre El ajuste de las distribuciones delluvias intensas se seleccionan de la serie las características que se desean conocer probabilidad se evalúa usando métodosestocástica haciendo uso de umbrales de los aguaceros fuertes se encuentra la cualitativos y cuantitativos. Los métodosdefinidos por el criterio del modelador. intensidad de la lluvia (que se asocia con cualitativos incluyen herramientas gráficas la profundidad máxima de precipitación para discernir subjetivamente la bondadInformación requerida promedio), su distribución espacial, su del ajuste. Se utiliza la superposición de frecuencia y su duración. la distribución paramétrica ajustada y El insumo principal del modelo de el histograma de datos, gráficos cuantil-lluvias intensas es una base de datos de La generación de series estocásticas de cuantil, gráficos de distribución acumulativaprecipitación diaria, a partir de la cual se precipitación hace uso de distribuciones empírica y teórica (CDF), y gráficos deobtiene la caracterización del régimen de paramétricas de probabilidad para estimar, probabilidad-probabilidad o comparaciones • 237

de probabilidad acumulativa. La selección climática. Al seguir este procedimiento, se obtienencualitativa se realiza con el Criterio de series de precipitación que mantienen laInformación de Akaike (AIC) o el Criterio Para el caso de la precipitación, se debe relación histórica de días de no lluvia conBayesiano de Información (BIC), que hacer una consideración especial para respecto al total de días, según la temporadamiden la calidad relativa de los modelos los días de no lluvia, ya que estos valores del régimen de lluvias. Si se utiliza la funciónde distribución para un conjunto dado pueden afectar el ajuste de las distribuciones de densidad de probabilidad sin hacer estede datos. Está claro que los criterios AIC de probabilidad y el ajuste estadístico final ajuste, no se obtienen días secos en lasy BIC no dan ninguna indicación sobre que permite comparar los resultados con series aleatorias.la calidad del modelo, sino que es una la serie histórica. Entonces, para seriescomparación entre la bondad de ajuste de de precipitación se divide la función de Luego de definir la distribución decada modelo y su complejidad en términos densidad de probabilidad en dos partes 1) probabilidad que mejor se ajusta a losde un valor de penalización que aumenta cuando la precipitación es igual a cero (P0) valores diarios históricos, para cada uno decon el número creciente de parámetros 2) cuando la precipitación es mayor a cero los 365 días del año, se generan númerosajustados (Banimahd y Khalili, 2013). (1-P0). La probabilidad de que ocurra un día aleatorios para n años de simulación. ComoNumerosas alternativas de distribuciones seco se define como: resultado, se obtienen series aleatorias dede probabilidad se ponen a prueba para datos de precipitación total diaria para cadacada día del año hidrológico y cada variable (29) una de las estaciones en el área de estudio. Figura A1-19. Funciones de densidad de probabilidad y probabilidad acumulada teniendo en cuenta días de no lluviaLas series aleatorias generadas se truncan temporal indica la correlación de una en series independientes. De esta manera,a cero en el límite inferior, y no se define un variable con sus valores pasados y futuros se evitan cambios abruptos en los valoreslímite superior dado que el objetivo de la (Wilks, 2006). Además, se incluyen los efectos de precipitación y temperatura.simulación es generar escenarios extremos de la correlación espacial, que representan lade precipitación que no han ocurrido aún. aparición de datos simultáneos en múltiples Estas simulaciones no se pueden considerar estaciones del área de estudio, utilizando como un pronóstico, pero si como una serieEn seguida, con el fin de incluir la la matriz de autocorrelación espacial entre de datos que representan estadísticamentecorrelación existente entre valores de valores de las diferentes estaciones de las condiciones históricas del régimen deprecipitación y temperatura en periodos de registro. Las series de números aleatorios precipitación del área. En estas series setiempo sucesivos, se calcula la matriz de correlacionados son más suaves, ya que los pueden encontrar mayor número de eventosautocorrelación para cada una de las series valores adyacentes (en escalas temporales y de precipitación y de intensidades más altasaleatorias generadas. La autocorrelación espaciales) tienden a ser más parecidos que a las que se pueden encontrar en las series238 • Anexo I

históricas. Incluso, las series simuladas Los resultados globales de la simulación referencia. Esto indica que la metodologíapueden incluir valores atípicos extremos de de series de precipitación se presentan es apta para la generación de seriesprecipitación que corresponden a eventos en la siguiente figura. En estos mapas se de precipitación que se ajustan alde lluvias fuertes cuya intensidad no se ha puede ver el ajuste tanto en magnitud de comportamiento histórico de la zona depresentado aún. la precipitación como en la distribución estudio. espacial de la misma, en una cuenca deFigura A1-20. Mapas de valores medio multianuales para precipitación en una cuenca de referencia. (Tomado de Cardona et al., 2017).En la siguiente figura se muestra el ajuste para el mismo punto de análisis. Se puede las características promedio del clima dedel promedio diario multianual de los ver cómo la metodología propuesta resulta la zona pero incluye escenarios que no hanparámetros de precipitación de las series en series sintéticas con un ajuste preciso a ocurrido aún.históricas del periodo 1981 al 2010 y de la los datos históricos, lo que indica que laserie sintética simulada aleatoriamente, serie aleatoria conserva adecuadamente • 239

Figura A1-21. Promedio diario multianual de precipitación para serie histórica (1981-2010) y serie sintética (Tomado de Cardona et al., 2017).Selección de eventos de lluvias fuertes de estas estaciones supere ese valor la lluvia se deriva directamente de los datos umbral (p.e. mayor que 10 mm en 24 simulados, sin tener que entrar a establecer Un evento de lluvia fuerte se determina a horas). patrones geométricos representativos de lospartir de los siguientes criterios: eventos o localizaciones preferenciales de • Valor umbral medio que considera los centros de tormenta. La interpolación • Número mínimo de estaciones que un valor mínimo para el promedio espacial se hace a partir del método de registren un determinado aguacero para de precipitación en el número de Kriging, ajustando el variograma de los la generación de los mapas de isoyetas estaciones que superan el umbral datos de entrada a series tipo Gaussiana. correspondientes, de tal manera que mínimo. Este criterio se utiliza para En la siguiente figura se muestran los mapas éstos sean confiables para la descripción asegurar que se presenta una lluvia para nueve eventos de lluvias fuertes en la espacial del evento. El número de de intensidad considerable en un área cuenca de referencia. Como se puede ver en estaciones depende de la localización y extensa y no se limita a lluvias fuertes en los mapas, la distribución de la lluvia fuerte densidad de las estaciones en el área de sitios particulares. en la cuenca cambia considerablemente estudio. en magnitud y distribución espacial. En Distribución espacial de la precipitación el conjunto de eventos encontrados no • Valor umbral mínimo para la selección hay dos eventos iguales. Entonces, estos de un evento considerado como Una de las ventajas de utilizar la eventos representan la precipitación total significativo, es decir que, además que generación estocástica de series de diaria en un escenario de lluvia fuerte. el evento esté registrado en el número precipitación en varios puntos del área de mínimo de estaciones definido, la análisis es que la distribución espacial de precipitación registrada en cada una240 • Anexo I

Figura A1-22. Mapas de distribución espacial de tormentas en la Cuenca de referencia (Tomado de Cardona et al., 2017).Distribución temporal de precipitación precipitación histórica sobre el área de establece que las mayores intensidades de estudio. precipitación se registran en lapsos cortos. Los modelos hidrológicos de precipitación Así, los eventos de precipitación para un- escorrentía para la modelación y gestión Por otro lado, las curvas Hu corresponden área determinada se clasifican en cuatrode cuencas hídricas requieren una a una metodología de “tormentas de grupos: primer, segundo, tercer y cuartocaracterización y distribución espacial y diseño” propuesta en 1967 con el fin de cuartil, definidos como el 25% del segmentotemporal de la precipitación. La generación describir la distribución temporal de la temporal en el que ocurre la mayor cantidadde series estocásticas de lluvia constituyen precipitación de una zona en términos de precipitación.una aproximación a la caracterización de probabilistas (Chow et al., 1994). Porla distribución espacial de la lluvia sobre medio del análisis, Hu identificó que la De manera general y como se establece enuna cuenca en términos de la intensidad mayor cantidad de precipitación ocurre el análisis estadístico de la precipitaciónque se espera en un área determinada para en una porción pequeña del total de la (Rao y Kao, 2006), el primer cuartil de launos períodos de retorno (o frecuencia) duración de cada evento, confirmando el distribución Hu es usado para tormentasconsiderados, teniendo en cuenta la concepto de las curvas IDF en las que se con una duración menor o igual a seis horas. • 241

Mientras que el segundo cuartil de duración eventos mayores a 24 horas se hace uso de en el mayor número de estaciones y para elde tormenta es usado para eventos con una la distribución Hu del cuarto cuartil. mayor periodo de registro posible.duración mayor a seis horas y menor a docehoras. Para el tercer cuartil se usan eventos El cálculo de las curvas Hu se debe hacer aentre 12 y 24 horas de duración. Y para partir de registros horarios de precipitación Figura A1-23. Ejemplo de curvas Hu calculadas para Indiana (EEUU) (Rao & Kao, 2006).Proceso de cálculo de curvas Hu 2. Una vez seleccionados los eventos de cada evento y se clasifica cada uno de análisis se deben ordenar por fecha de ellos según la ocurrencia de la mayor El proceso de cálculo de las curvas Hu a ocurrencia y se procede a normalizar cantidad de precipitación en alguno departir de una base de datos de precipitación la duración y la precipitación total los cuartiles mencionados.completa se describe a continuación: acumulada de cada evento. Esto es, 5. Una vez clasificado cada evento dentro para cada evento seleccionado se divide de un cuartil de duración específico,1. Selección de eventos de precipitación cada paso horario entre el número total se determinan sus correspondientes horaria a partir de tres criterios: de horas que duró dicho evento. A su estadísticas. Esto es, para todos los a. Separación mínima entre eventos de vez, para cada valor de precipitación cuartiles, se grafican la totalidad de precipitación de seis horas. en cada paso horario se divide entre la eventos clasificados dentro de cada b. Eventos seleccionados deben tener precipitación total acumulada de todo el grupo intercuartil. una duración mayor o igual a tres evento. 6. Para cada cuartil, para cada paso de horas. duración adimensional (p.e. cada 0.1) c. El umbral mínimo de precipitación 3. Se grafica el total de eventos normalizados. se leen los valores de precipitación horaria escogido es de un milímetro. 4. Se determinan los cuartiles 25, 50, 75 adimensional de cada evento y se y 100 de duración normalizada para242 • Anexo I

ordenan de menor a mayor. y alcanzar los cuerpos de agua naturales en donde Pe es la precipitación efectiva en7. Para cada grupo ordenado se determina o las áreas inundables en la cuenca. El cm, Pm es la precipitación de la tormenta en porcentaje total de lluvia que se convierte en cm, y CN es el factor de escurrimiento. su valor de probabilidad por medio de la escorrentía depende de las características expresión de saturación y permeabilidad de la El factor de escurrimiento es un indicador superficie, su cobertura de vegetación y uso global de la cantidad de agua que será (30) del suelo. absorbida o transpirada por los suelos superficiales. Se obtiene como función deldonde i es el contador para cada evento La profundidad de la inundación se uso de la tierra, la cobertura vegetal y lasordenado y n el número total de eventos calcula a partir de la precipitación efectiva, condiciones de infiltración y transpiracióndentro del rango intercuartil. haciendo uso de factores de inundación del suelo superficial. En la siguiente tabla se que describen el territorio en términos de su presentan los valores de CN usados para las8. Se interpolan los valores obtenidos para potencial de inundación, como una función diferentes coberturas y grupo hidrológico cada paso de duración adimensional, de la topografía. del suelo existentes en la cuenca (Brunner y para cada valor de probabilidad de Bonner, 1994). El rango de aplicación de la interés (10, 20, 30, 40, 50, 60, 70, 80, 90 y Cálculo de la precipitación efectiva ecuación anterior (32), es para valores de: 100%). y volúmenes de escorrentía (32)A partir de la aplicación del algoritmo Como método para determinar losdescrito se obtienen las curvas Hu para volúmenes de escorrentía se emplea el Fuera de este intervalo se considerauna estación pluviométrica determinada y número de curva o factor de escurrimiento que la precipitación efectiva es igual asu correspondiente área aferente. dado por el Soil Conservation Service de cero. También se debe garantizar que la los Estados Unidos. Al definir los factores precipitación efectiva no sea mayor que laAl aplicar la metodología de generación de escurrimiento, es posible determinar la precipitación de la tormenta.estocástica de eventos de lluvia intensa precipitación efectiva.con la distribución temporal a partir de las Teniendo en cuenta la informacióncurvas Hu , es posible generar hietogramas La precipitación efectiva corresponde consignada en la sigueite tabla y lasintéticos para cualquier ubicación dentro a la intensidad de lluvia remanente, información contenida en los mapasde la extensión de las lluvias simuladas. luego que, de la profundidad total de presentados que describen el tipo de suelo,Este procedimiento se repite para toda precipitación aportada por la tormenta, cobertura vegetal y la condición del suelola colección de escenarios de lluvia se ha gastado una porción en procesos para la cuenca, se obtienen los mapas deintensa, para obtener una representación hidrológicos de infiltración, interceptación número de curva de escurrimiento teniendoespacial y temporal integral del régimen de y evapotranspiración. Ésta escorrentía en cuenta tres condiciones de humedadprecipitación en la cuenca. se calcula en función del valor total de de suelo antecedentes: seca, intermedia y precipitación y del factor de escurrimiento húmeda que se presentan a continuación.AMENAZA POR INUNDACIÓN en determinado punto, de la siguiente manera: La intensidad de la precipitación se debeconvertir en profundidad de lluvia efectiva, (31)que corresponde a la porción de la lluviatotal que puede convertirse en escorrentía • 243

USO DE LA TIERRA O CUBIERTA CONDICIÓN DE LA SUPERFICIE TIPO DE SUELO ABCD Ralo, baja transpiración 45 66 77 83 Bosques (sembrados y cultivados) Normal, transpiración media 36 60 73 79 Espeso o alta transpiración 25 55 70 77 Caminos De tierra 72 82 87 89 Superficie dura 74 84 90 92 Muy ralo o baja transpiración 56 75 86 91 Ralo, baja transpiración 46 68 78 84 Bosques Naturales Normal, transpiración media 36 60 70 76 Espeso, alta transpiración 26 52 62 69 Muy espeso, alta transpiración 15 44 54 61 Descanso (sin cultivo) Surcos rectos 77 86 91 94 Surcos rectos 70 80 87 90 Cultivo de surco Surcos en curvas de nivel 67 77 83 87 Terrazas 64 73 79 82 Surcos rectos 64 76 84 88 Cereales Surcos en curvas de nivel 62 74 82 85 Terrazas 60 71 79 82 Leguminosas (sembrada con maquinaria o al Surcos rectos 62 75 83 87 voleo) o potrero de rotación. Surcos en curvas de nivel 60 72 81 84 57 70 78 82 Terrazas Pobre 68 79 86 89 Normal 49 69 79 84 Pastizal Bueno 39 61 74 80 Curvas de nivel, pobre 47 67 81 88 Curvas de nivel, normal 25 59 75 83 Curvas de nivel, bueno 6 35 70 79 Potrero (permanente) Normal 30 58 71 78 Superficie impermeable 100 100 100 100 CLASIFICACIÓN DE SUELOS (según afectan las características del material en el escurrimiento) Tipo A: (Escurrimiento mínimo). Incluye gravas y arenas de tamaño medio, limpias, y mezclas de ambas. Tipo B: Incluye arenas finas, limos orgánicos e inorgánicos, mezclas de arena y limo. Tipo C: Comprende arena muy fina, arcillas de baja plasticidad, mezclas de arena, limo y arcilla. Tipo D: (Escurrimiento máximo). Incluyendo principalmente arcillas de alta plasticidad, suelos poco profundos con subhorizontes casi impermeables cerca de la superficieModelo de precipitación- cuenca, de la cantidad de precipitación identifican modelos materiales y simbólicos,escorrentía: Clark Modificado efectiva que debe ser transitada por de acuerdo con la clasificación propuesta un cauce específico en un punto de por Singh (1988). Los modelos de precipitación escorrentía concentración determinado en función delson aproximaciones de cálculo, a nivel de tiempo. Dentro de los modelos existentes se244 • Anexo I

MODELOS DE ESCORRENTÍA SIMBÓLICO MATERIALNO MATEMÁTICO MATEMÁTICO LABORATORIO ANÁLOGOEMPÍRICO CONCEPTUAL TEÓRICO LINEAL NO LINEAL INVARIANTE EN EL VARIANTE EN EL TIEMPO TIEMPO CONCENTRADO DISTRIBUIDO DETERMINISTICO ESTOCÁSTICOFigura A1-24.Clasificación de modelos hidrológicos, propuesta por Singh (Adaptado de Singh, 1988).Los modelos de tipo simbólico se clasifican drenajes de la cuenca. a la salida de la cuenca, y dmáx es la máximade acuerdo a su base matemática. Dentro • La atenuación, o disminución de la distancia de alguna celda a la salida de lade los modelos matemáticos físicamente cuenca.basados, se encuentran los modelos magnitud de descarga a medida que eldistribuidos y agrupados. El modelo exceso de precipitación es almacenado El tiempo de concentración puedeseleccionado para el análisis de escorrentía en la cuenca (en el suelo, superficie y calcularse aplicando la ecuación de Kirpichen la cuenca es el método Clark modificado, canales). (1940), la cual se expresa como:o ModClark. Este modelo es paramétricodistribuido, es decir, las variaciones Proceso de traslación (34)espaciales de las características y procesoshidrológicos son consideradas de manera El tiempo que le toma a una partícula en donde tc es el tiempo de concentraciónexplícita (Brunner y Bonner, 1994). Esto de agua llegar a la salida de la cuenca se en horas, L es la longitud del cauce principalse traduce en que se tienen en cuenta las modela mediante una malla de tiempos en m y S es la pendiente media del caucevariaciones en el tiempo de viaje hacia el de viaje. Para cada celda del territorio, se principal.punto de concentración, desde todos los determina el tiempo hasta la salida de lapuntos de la cuenca de análisis. siguiente manera: Con la información del cauce y la topografía general se obtiene la pendiente mediaEl modelo Clark modificado define dos (33) del cauce empleado el método de Taylor-procesos fundamentales en el proceso de Schwarz (Springall, 1970) la cual está dadatransformación de un volumen de lluvia en en donde tcelda es el tiempo de viaje del agua por:escorrentía directa: desde la celda en consideración, tc es el tiempo de concentración de la cuenca, dcelda (35) • La traslación o movimiento del exceso es la distancia de la celda en consideración de precipitación a lo largo de los • 245

en donde la longitud del cauce principal El caudal de salida promedio para el tiempo tiempo, da el hidrograma de salida final (Qt)L se divide en n número de segmentos de t es entonces: (42)longitud l y para cada uno de ellos se calculasu pendiente S. (41)Del área de cada celda se determina Para cada celda de la malla de cálculo, se De esta manera, el modelo Clark modificadoel volumen de escurrimiento en cada calcula un caudal de salida promedio, para puede verse esquemáticamente de lamomento del tiempo. Estos volúmenes son cada momento del tiempo. Al final, la suma siguiente manera:enrutados usando el modelo de reservorio de los caudales promedio, en cada paso delineal dentro del proceso de atenuación.Proceso de atenuación El almacenamiento de corto plazojuega un papel muy importante en latransformación del exceso de precipitaciónen escorrentía. En el método de Clark,este almacenamiento se modela como unreservorio lineal. En un reservorio linealaplica la ecuación de continuidad de laforma: (36)en donde dS/dt es la tasa de cambio del Figura A1-25. Modelo de escorrentía directa ModClark. Modelo conceptual (Adaptadoalmacenamiento en la cuenca, en el tiempo de Kull & Feldman, 1998)t, It es el caudal de entrada, y Ot es el caudalde salida. En el modelo de reservorio A diferencia del método de Clark (1945), malla de análisis se obtienen tiempos delineal, el caudal de salida está relacionado que es un modelo agrupado, el modelo concentración y relaciones de atenuacióncon el volumen almacenado de manera ModClark (Peters y Easton, 1996) presenta el que derivan en una serie de hidrogramas enproporcional: cálculo y caracterización de los procesos de la salida de cada una de las celdas. A partir traslación y atenuación antes descritos de de la envolvente de dichos hidrogramas se (37) manera distribuida en la cuenca de análisis obtiene el hidrograma de salida en el punto por medio de una malla previamente de concentración deseado en el análisis.en donde R es el parámetro de reservorio definida. De cada una de las celdas de lalineal. Al combinar y solucionar lasecuaciones anteriores mediante un enfoquesencillo de diferencias finitas, se obtiene que (38)en donde CA y CB son coeficientes deenrutamiento, que se calculan como: (39) (40)246 • Anexo I