Introducción

Si bien las ciudades son espacios donde predomina el comercio, la industria y el progreso económico, también son generadoras de múltiples problemas ambientales debido su crecimiento y densidad poblacional. Según la Organización Meteorológica Mundial (OMM), actualmente unos 3500 millones de personas residen en zonas urbanas. Se prevé que en 2050 esta cifra se eleve a 6300 millones, pasando así de representar el 50% de la población mundial a constituir más del 70%. Lo anterior se traduce en un aumento en la urbanización, que equivale a la alteración de los paisajes naturales y la eventual sustitución de superficies vegetales por zonas impermeables (^{Johnson 2001}; ^{Shuster et al., 2005}; ^{Wickham et al., 2002}). Uno de los principales impactos de las ciudades es la sobreexplotación de los acuíferos (^{Zektser et al., 2005}). La sobreexplotación se presenta cuando la extracción de aguas subterráneas a largo plazo excede la recarga del acuífero (^{Zektser et al., 2005}). Según ^{Niemczynowicz (1999)}, ante el actual crecimiento de la población urbana, es cada vez más difícil encontrar y utilizar nuevas fuentes de agua necesarias para satisfacer la creciente demanda de agua. En el mismo contexto, las áreas urbanas ejercen múltiples presiones sobre la cuenca hidrográfica (^{Niemczynowicz, 1999}). Lo anterior se debe a que en la cuenca existe una interrelación e interdependencia espacial y temporal entre el medio natural y las acciones humanas dentro del sistema. Según ^{Shuster et al. (2005)}, un incremento en la impermeabilidad, consecuencia de la urbanización, tiene efectos significativos en el ciclo hidrológico. Específicamente, los aumentos de superficies impermeables pueden disminuir sustancialmente la infiltración y, como consecuencia, generar mayor producción de escorrentía (^{Hey, 2001}; ^{Hsu et al., 2000}). Hay tiempos de concentración más cortos con efectos directos sobre inundaciones urbanas y una disminución de la recarga de los acuíferos (^{Rhoads, 1995}; ^{Smakhtin, 2001}). Es decir, los procesos de infiltración y percolación pueden disminuir debido a la impermeabilidad de las zonas urbanas. También existen evidencias de que las áreas urbanas han venido alterando los regímenes de evapotranspiración debido al cambio de uso de suelo y las precipitaciones (^{Carlson & Arthur, 2000}; ^{Dale et al., 2000}).

Agregado a lo anterior, se tienen los potenciales impactos del cambio climático sobre el ciclo hidrológico. Según ^{Kharraz (2012)}, estos impactos son uno de los principales retos para la gestión del agua, especialmente en países en desarrollo, donde el aumento de la población y la escasez del recurso hídrico han producido pérdidas de cultivos y ganado, hambrunas, migración y riesgos a la seguridad humana. Por esta razón, los tomadores de decisiones y los ciudadanos deben conocer los potenciales impactos del cambio climático con la finalidad de adaptarse a sus efectos y desarrollar mayor resiliencia (^{Soto & Herrera, 2019}). Con base en lo anterior, en esta investigación se evalúa los efectos de una de las zonas urbanas más importantes del estado de Guanajuato sobre los procesos del ciclo hidrológico, específicamente en la recarga de los acuíferos y de las implicaciones futuras que tendrá el cambio climático en las grandes ciudades. Se plantea lo anterior bajo la hipótesis de que, al combinar un modelo hidrológico distribuido, las proyecciones de los modelos de circulación general y los escenarios climáticos del Grupo Intergubernamental de Expertos sobre el Cambio Climático se podrá evaluar y pronosticar los impactos aludidos.

Materiales y Métodos

La metodología diseñada considera el acoplamiento del monitoreo en campo, el modelo hidrológico distribuido TETIS (^{Francés et al., 2007}), los Modelos de Circulación General (GCM, por sus siglas en inglés) y los escenarios de Gases Efecto Invernadero (GEI) del Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC, por sus siglas en inglés). Finalmente, se ha usado el software Terrset^® para la proyección de los cambios de uso de suelo (Figura 1). En ^{Orozco et al. (2020)}, se puede encontrar una descripción más detallada de los modelos y herramientas usadas en la investigación.

Fuente: Elaboración propia.

Figura 1 Esquema conceptual de la metodología desarrollada e implementada en la presente investigación. 

La información usada en el modelado hidrológico distribuido ha consistido en datos diarios de precipitación y temperatura, obtenidos de 10 estaciones meteorológicas que opera el Servicio Meteorológico Nacional (SMN) de México. Sin embargo, con la finalidad de mejorar los inputs del modelo hidrológico y evitar inconsistencias en la interpolación de las variables meteorológicas, se ha decidido usar el Multi Source Weighted-Ensemble Precipitation (MSWEP). Con lo anterior, se pasó de tener 10 estaciones a 36 estaciones virtuales con una buena aproximación a los datos de precipitación observados en el periodo del 2000 al 2014¹ (Figura 2 y 3).

Fuente: Elaboración propia.

Figura 2 Distribución espacial de las estaciones meteorológicas del SMN (a) y las estaciones virtuales MSWEP (b). 

Fuente: Elaboración propia.

Figura 3 Comparación de los datos de precipitación mensual de las estaciones meteorológicas y el MSWEP. 

Asimismo, se han usado los caudales observados diarios de la estación hidrométrica Las Adjuntas, obtenidos del Banco Nacional de Datos de Agua Superficial (Bandas) (Figura 4). En el cálculo de los parámetros del modelo hidrológico e hidromorfometría de la cuenca se ha utilizado información geográfica (edafología, geología, cubierta vegetal y usos de suelo, etc.) en escala 1:250 000; obtenida del Instituto Nacional de Estadística y Geografía (INEGI). Además de un modelo digital de elevación con una resolución espacial de 30 metros (^{Orozco & Ramos, 2020}).

Fuente: Elaboración propia.

Figura 4 Ubicación de la subcuenca del río Turbio, los acuíferos y las principales áreas urbanas. 

Modelos de Circulación General

En las proyecciones de las variaciones de precipitación y temperatura se han usado los GCM del Proyecto Inter-Comparación de Modelos Acoplados-Fase 5 (CMIP5) (^{Giorgetta et al., 2013}). El CMIP5 incluye las proyecciones de 15 GCM (^{Neelin et al., 2013}; ^{Orozco et al., 2020}). En combinación con los GCM del CMIP5, se ha empleado los escenarios GEI RCP4.5, RCP6.0 y RCP8.5 del IPCC (^{Stocker et al., 2013}). Los GCM realizan las proyecciones a escala regional (de 100 km a 500 km), haciendo complicado y poco preciso representar los efectos del cambio climático a escala de cuenca o subcuenca. Por esta razón, en la presente investigación se ha llevado a cabo el proceso de downscaling.

Downscaling

En la presente investigación se ha realizado un downscaling estadístico empleando las proyecciones de los GCM y los datos de las variables observadas en el área de estudio para pasar de una escala regional a una local. Dichos modelos se ajustan utilizando datos actuales del clima, posteriormente, son aplicados para proyectar regionalmente futuros cambios climáticos a partir de los datos que se tienen de los GCM (^{Wilby et al., 2004}). En esta investigación se ha seleccionado el método estadístico delta, de acuerdo con el diagrama de ^{Trzaska et al. (2014)}, al ser el que mejor se adapta a la capacidad computacional y la calidad de los datos (Figura 5).

Fuente: ^{Trzaska et al. (2014)}.

Figura 5 Diagrama de flujo usado para la selección de la metodología downscaling a emplear en la investigación. 

Resultados y Discusión

En la calibración y validación del modelo TETIS se ha usado como función objetivo el índice de Eficiencia de Nash-Sutcliffe (NSE, por sus siglas en inglés). El modelo hidrológico TETIS calibrado ha alcanzado una eficiencia de 0.74 de NSE en la reproducción de los caudales observados en la estación Las Adjuntas (Figura 6). El periodo seleccionado para la calibración ha comprendido del 01 de octubre de 2012 al 30 de septiembre de 2014, al representar el patrón de lluvias más frecuente en la subcuenca del río Turbio. Asimismo, se utilizaron sólo dos años hidrológicos con la finalidad de reducir el tiempo de cómputo de la calibración automática con el algoritmo Shuffled Complex Evolution desarrollado por la Universidad de Arizona (SCE-UA).

Fuente: Elaboración propia.

Figura 6 Eficiencias obtenidas con el modelo hidrológico TETIS en el periodo de calibración. 

A pesar de que el modelo calibrado presenta inconsistencias en simular el año seco (Figura 6), el resultado es aceptable considerando que, según ^{Moriasi et al. (2007)}, los modelos con 0.6 de NSE son aceptables. Es importante comentar que en esta primera etapa del trabajo no se ha incluido en el modelado hidrológico los cuerpos de agua que influyen de manera directa en la respuesta hidrológica del sistema.

En el caso de la validación temporal realizada al modelo se usaron cuatro años hidrológicos (01 de octubre de 2005 al 30 de septiembre de 2009), obteniéndose un NSE de 0.64, que es aceptable de acuerdo con ^{Moriasi et al. (2007)}.

Pronósticos climáticos

Utilizando los datos de precipitación mensual de la base histórica (1982-2014), se aplicó la técnica downscaling para cada estación meteorológica con la finalidad de realizar la proyección sobre la variabilidad de la precipitación y temperatura bajo los efectos del cambio climático para el futuro cercano (año 2035). Al comparar los datos de precipitación anual de la base histórica respecto a los datos proyectados para los escenarios de cambio climático, se observan disminuciones para los tres escenarios GEI (Tabla 2). Específicamente, en el mes de julio los tres escenarios RCP pronostican las mayores anomalías (Figura 8). Lo anterior se debe a que las proyecciones de los GCM del CMIP5 pronostican disminuciones generalizadas de las precipitaciones afectadas por la media de las anomalías.

Tabla 2 Precipitación anual proyectada con las anomalías mensuales y su disminución respecto a la precipitación de la base histórica (1982-2014).  

Escenarios GEI	Años	Precipitación acumulada media anual (1982-2014)	Precipitación proyectada (mm)	Variación de precipitación (mm)
RCP4.5	2015 - 2039	656.4 mm	620.4	-36.1
RCP6.0	2015 - 2039		621.1	-35.4
RCP8.5	2015 - 2039		623.8	-32.6

Fuente: Elaboración propia.

Fuente: ^{Orozco et al. (2020)}.

Figura 7 Eficiencias obtenidas con el modelo hidrológico TETIS en el periodo de validación. 

Fuente: Elaboración propia.

Figura 8 Anomalías en las precipitaciones proyectadas para el mes de junio del año 2035 y para los escenarios RCP4.5 (a), RCP6.0 (b) y RCP8.5 (c). 

Impacto de la urbanización y el cambio climático

Los pronósticos para el año 2035 obtenidos muestran efectos significativos en varios procesos del ciclo hidrológico. Por ejemplo, se prevén cambios en la escorrentía superficial durante el periodo de lluvias (Figura 9). Para los tres escenarios RCP se observa un incremento significativo de la escorrentía superficial en el mes de julio respecto del comportamiento medio registrado en el periodo de control (2012-2014), a pesar de que los pronósticos climáticos prevén una disminución de las precipitaciones. Es decir, no se correlaciona con una disminución de las intensidades de los eventos de precipitación. En el mismo contexto, se observa también incrementos en el mes de enero de aproximadamente 46 m³/s. Estas variaciones para los escenarios RCP están directamente relacionadas con las precipitaciones estimadas y los cambios de uso de suelo estimados con Terrset^® (Tabla 3).

Fuente: Elaboración propia.

Figura 9 Pronósticos de los efectos del cambio climático sobre la escorrentía superficial en el año 2035. 

La nueva hidrodinámica superficial se traduce en disminuciones en el proceso de infiltración, como se puede observar en la Figura 10. Lo anterior dilucida por consiguiente una disminución de la percolación en la subcuenca (Tabla 4). Para poder evaluar los impactos de las zonas urbanas y el cambio climático se analizaron espacialmente los procesos y almacenamientos en la subcuenca. Para ello, se crearon mapas con los valores medios de los flujos y almacenamientos obtenidos de las simulaciones para el año 2035. En la Figura 11 se puede observar que en las áreas urbanas tanto la infiltración y percolación presentan valores de cero o muy cercanos a cero.

Fuente: Elaboración propia.

Figura 10 Pronósticos de los efectos del cambio climático sobre la infiltración en el año 2035. 

Tabla 4 Variación media de los procesos de infiltración y percolación en el ao 2035 respecto del periodo de control. 

Proceso	Escenario RCP4.5	Escenario RCP6.0	Escenario RCP8.5
Infiltración	-25.29%	-24.55%	-23.08%
Percolación	-24.92%	-24.17%	-22.70%

Fuente: Elaboración propia.

Fuente: Elaboración propia.

Figura 11 Pronósticos de los efectos del cambio climático en la infiltración para el año 2035. 

Al interpretar los resultados obtenidos en esta investigación, se puede concluir que la precipitación disminuirá, por lo que la capacidad de almacenamiento capilar del suelo se verá reducida principalmente en las zonas urbanas y las áreas agrícolas. Asimismo, se generará un escurrimiento superficial más rápido, reduciéndose los tiempos de permanencia del agua en superficie, reflejándose en menores infiltraciones y, por ende, menor percolación del sistema. Bajo condiciones de cambio climático, se estima que la recarga de los acuíferos en la zona de estudio disminuirá entre un 22.7% y un 24.9%.

Conclusiones

La metodología implementada en esta investigación ha permitido evaluar el impacto de la urbanización y el cambio climático sobre los procesos y almacenamientos del ciclo hidrológico y, con ello, pronosticar los potenciales impactos en la recarga de los acuíferos que comprende la subcuenca del río Turbio. Los resultados obtenidos pronostican que la disminución de las precipitaciones será uno de los efectos del cambio climático, afectando la hidrodinámica del sistema, principalmente los procesos de infiltración y percolación para el futuro cercano. Estos efectos se acentúan en las zonas urbanas, los cuales se pronostica pasarán de 102 km² a 419 km² en la subcuenca para el año 2035. Estos resultados son de gran transcendencia y forman parte de una primera etapa de la investigación, por lo cual, deberán ser validados a través de realizar un análisis de incertidumbre que permita establecer el error en cada uno de los elementos que incluye la metodología llevada a cabo en la investigación y poder realizar la evaluación al futuro lejano.