Generación de pronósticos retrospectivos de caudal para cuencas hidrográficas en Costa Rica por medio de la técnica de análisis de correlación canónica

Abstract

Los pronósticos estacionales de caudales son un componente clave de la gestión integrada del recurso hídrico, ya que apoyan la toma de decisiones en generación hidroeléctrica, abastecimiento de agua y planificación productiva. En este estudio se aplicó el Análisis de Correlación Canónica (ACC) mediante la herramienta Climate Predictability Tool (CPT) para generar y evaluar pronósticos retrospectivos de caudal medio mensual en nueve cuencas de Costa Rica durante el período 1991–2019. Como predictores se utilizaron pronósticos retrospectivos de temperatura superficial del mar (TSM) del NMME y como predicantes las simulaciones retrospectivas de caudal del modelo HYPE CR 1.0. La habilidad predictiva se evaluó mediante validación cruzada, considerando distintas condiciones iniciales. Los resultados muestran una fuerte relación entre la variabilidad de la TSM, asociada al ENOS y otros modos oceánicos de gran escala, y el comportamiento estacional de los caudales. Se obtuvo habilidad predictiva estadísticamente significativa para pronósticos mensuales con hasta tres meses de anticipación, en los períodos MJJ, ASO y DJFM, siendo ASO el de mejor desempeño. Asimismo, se identificó que los pronósticos categóricos ofrecen mayor utilidad para los usuarios finales que los pronósticos determinísticos.

Seasonal streamflow forecasts are a key component of integrated water resources management, as they support decision-making in hydropower generation, water supply, and productive planning. In this study, Canonical Correlation Analysis (CCA) was applied using the Climate Predictability Tool (CPT) to generate and evaluate retrospective monthly mean streamflow forecasts for nine river basins in Costa Rica during the 1991–2019 period. Sea surface temperature (SST) hindcasts from the NMME were used as predictors, while predictands consisted of hindcast streamflow simulations from the HYPE CR 1.0 model. Predictive skill was evaluated using cross-validation, considering different initial conditions. The results show a strong relationship between SST variability, associated with ENSO and other largescale oceanic modes and the seasonal behavior of streamflow. Statistically significant predictive skill was achieved for monthly forecasts with lead times of up to three months during the MJJ, ASO, and DJFM periods, with ASO exhibiting the highest skill. In addition, categorical forecasts were found to be more useful for end users than deterministic forecasts.