The purpose of this particular work was to explore the benefits and drawbacks of sequential state updating for flood forecasting and identify factors or mechanisms affecting the updating process and thus controlling its performance. The Ensemble Kalman filter was employed to assimilate hourly streamflow observations into a simple but widely used conceptual rainfall-runoff model for flood prediction purposes. Ensembles were constructed by perturbing model forcing and parameters. Parametric perturbations were obtained from multiple model calibrations with an optimization algorithm. Errors in streamflow observations were characterized through an innovative yet simple empirical model. A sensitivity analysis was performed to evaluate the improvement of the first guess forecast. Additionally, the forecast skill was assessed as a function of lead-time. It was found that the improvement is mainly reflected in runoff volume, while the peak timecan be deteriorated as a trade-off of the assimilation process. Overall, ensemble-based models with sequential data assimilation outperformed the best-calibrated deterministic models for lead times of at least 1.5 days.

Este artículo presenta la caracterización del impacto en la modelación de inundaciones generado por la cobertura espacial y frecuencia de muestreo de precipitación, en contraste con la distribución de la red pluviométrica de estaciones de Cundinamarca. En general, las redes pluviométricas se caracterizan por tener vacíos en la medición de la precipitación, tanto a nivel espacial como temporal; por lo tanto, se quiso determinar el impacto que estos vacíos ocasionan en la simulación de inundaciones. Para esto se ejecutaron dos fases de investigación: la primera consistió en la identificación de los eventos de inundación entre los años 2014 y 2018 y la segunda en determinar el impacto de la cobertura espacial y temporal de las estimaciones de precipitación en la simulación de inundaciones, junto con los factores espaciales y temporales que influencian dicho impacto. De esta manera, el principal resultado fue que, al utilizar estimaciones de precipitación a una menor frecuencia de medición temporal y una menor cobertura espacial de medición, las simulaciones de caudales de eventos de inundaciones tienden a exhibir mayores errores. La magnitud de estos errores puede verse influenciada por factores espaciales como el área de drenaje, forma del área de drenaje, pendiente media del cauce y la precipitación climatológica de la zona.