¿Cuándo Está Realmente Calibrado tu Modelo? Criterios Técnicos de Desempeño para QUAL2K

El problema de la calibración visual: cuando el ojo engaña

Una de las prácticas más comunes - y más riesgosas - en la modelación de calidad del agua es la "calibración por ojo": el modelador ajusta parámetros hasta que la curva del modelo "se ve bien" comparada con los datos de campo. El problema es que la percepción visual es subjetiva y puede pasar por alto errores sistemáticos importantes.

¿Cuándo se puede decir con rigor técnico que un modelo está calibrado? La respuesta no está en la percepción visual, sino en indicadores estadísticos cuantificables que permiten evaluar objetivamente qué tan bien el modelo reproduce los datos observados - y cuán robusta es esa capacidad predictiva cuando se usa en condiciones no vistas durante la calibración.

Este artículo presenta los criterios estadísticos más utilizados en modelación de calidad del agua, con énfasis en la función objetivo desarrollada por Fernandez & Camacho (2023) para QUAL2Kw en la cuenca del río Lenguazaque (Cundinamarca), un caso de referencia aplicado a ríos de montaña colombianos.

Las dos etapas que todo modelo debe superar

La evaluación del desempeño de un modelo de calidad del agua comprende dos etapas obligatorias, con datos independientes en cada una:

Indicadores estadísticos de desempeño

La literatura técnica y la práctica internacional han establecido varios indicadores cuantitativos para evaluar el desempeño de modelos de calidad del agua. A continuación se describe cada uno.

1. RMSE - Raíz del Error Cuadrático Medio

El RMSE (Root Mean Square Error) es el indicador más intuitivo:

RMSE = √ [ (1/n) · Σᵢ (sim_i − obs_i)² ]

Está en las mismas unidades que el parámetro (mg/L para OD, DBO5, etc.). Un RMSE menor es siempre mejor. Sin embargo, su interpretación requiere contexto: un RMSE de 1 mg/L es excelente para OD (media típica 6-8 mg/L) pero podría ser aceptable o inaceptable para DBO dependiendo del rango de valores.

Por esta razón, el RMSE se complementa con la normalización por la media observada: RMSE/media_observada · 100% da el "error relativo". Valores por debajo del 10-15% de la media se consideran generalmente aceptables para calibración.

2. NSE - Eficiencia de Nash-Sutcliffe

El NSE (Nash & Sutcliffe, 1970) es el indicador más utilizado en modelación hidrológica e hídrica:

NSE = 1 − [ Σ(obs_i − sim_i)² / Σ(obs_i − obs̄)² ]

El NSE varía entre −∞ y 1.0. Un NSE = 1 indica ajuste perfecto. Un NSE = 0 significa que el modelo no es mejor que usar la media de los datos observados como predicción. Un NSE negativo significa que el modelo se desempeña peor que la media - señal de calibración fallida.

Los criterios de Moriasi et al. (2007), ampliamente citados, clasifican el desempeño como: Muy bueno (NSE > 0.75), Bueno (0.65 < NSE ≤ 0.75), Satisfactorio (0.50 < NSE ≤ 0.65), e Insatisfactorio (NSE ≤ 0.50).

3. R² - Coeficiente de Determinación

El R² mide la proporción de varianza de los datos observados explicada por el modelo. Es el cuadrado del coeficiente de correlación de Pearson entre observados y simulados.

Advertencia clave: el R² puede ser alto incluso cuando el modelo tiene un sesgo sistemático (predicciones consistentemente altas o bajas). Por esta razón, el R² no debe usarse como único indicador. Un modelo con R² = 0.90 pero NSE = 0.40 tiene buena correlación pero mal ajuste de magnitud.

Infograma: Panel de indicadores de desempeño

Protocolo práctico: cómo reportar la calibración ante las autoridades

Referencias

• Fernandez & Camacho (2023) aplicaron QUAL2Kw en la cuenca del río Lenguazaque (Cundinamarca, Colombia), un río de montaña andino con características típicas de las cuencas colombianas: zonas muertas ("dead zones"), alta reaireación (se recomienda la ecuación de Tsivoglou-Neal), rápida asimilación de materia orgánica y pérdida bacteriana pronunciada.
• El estudio siguió un marco metodológico de 3 etapas: (1) análisis de información con técnicas estadísticas multivariadas (PCA y análisis de cluster para identificar estaciones representativas y parámetros críticos), (2) desarrollo y calibración del modelo, y (3) simulación de escenarios de gestión.
• Los resultados de la función objetivo fueron:
• • Calibración: OF = 0.243
• • Verificación: OF = 0.278 (incremento del 14% respecto a calibración - capacidad predictiva aceptable)
• El aumento del 14% en la función objetivo al pasar de calibración a verificación es un indicador de que el modelo no está sobreajustado: mantiene capacidad predictiva razonable con datos independientes. Este resultado es una referencia útil para estudios similares en ríos andinos colombianos.
• Resumen comparativo de métricas de calibración para modelos de calidad del agua
• Fuente: Adaptado de Nash & Sutcliffe (1970), Moriasi et al. (2007) y Fernandez & Camacho (2023). Elaboración Hydrolitica.
• Presentar la calibración de un modelo ante una CAR o la ANLA requiere documentación estructurada. Los siguientes elementos son necesarios:
• Tabla de datos observados vs. simulados para cada variable de estado en cada estación de monitoreo.
• Cálculo de RMSE, NSE (o R²) y, si se usa múltiples parámetros, la función objetivo normalizada OF.
• Indicación clara del período de calibración y del período de verificación (fechas y condiciones hidrológicas).
• Gráfica de dispersión (observed vs. simulated) para cada variable, con la línea 1:1 y la regresión.
• Perfil longitudinal con puntos observados y curva simulada para OD, DBO y los parámetros más sensibles.
• Análisis de sensibilidad previo: indicar qué parámetros se calibraron y cuáles se tomaron de la literatura.
• Justificación de los valores finales de parámetros calibrados en relación con rangos reportados en literatura para ríos andinos similares.
• El estándar mínimo aceptable para estudios de modelación en Colombia, siguiendo la Guía Nacional de Modelación del Recurso Hídrico (Minambiente 2018), es presentar tanto la etapa de calibración como la de verificación con datos de campo reales.
• Un modelo calibrado con criterios estadísticos rigurosos no es un modelo "perfecto": es un modelo en el que se puede confiar para simular escenarios dentro del rango de condiciones en que fue calibrado y verificado. La función objetivo normalizada de Fernandez & Camacho (2023) ofrece una herramienta práctica para evaluar globalmente el desempeño cuando múltiples parámetros están en juego - especialmente útil en el contexto de los ríos andinos colombianos.
• En Hydrolitica, las herramientas de modelación basadas en QUAL2K permiten ejecutar el proceso de calibración de manera sistemática, comparando datos observados con resultados del modelo para cada variable de estado. Combinar estas herramientas con criterios estadísticos sólidos es el camino para producir estudios de calidad del agua que resistan el escrutinio técnico de las autoridades ambientales y de la comunidad científica.
• Fernandez, N. & Camacho, L.A. (2023). Water quality modeling of the Lenguazaque River Basin using QUAL2Kw. Water, 15(5), 868. https://doi.org/10.3390/w15050868
• Nash, J.E. & Sutcliffe, J.V. (1970). River flow forecasting through conceptual models part I - A discussion of principles. Journal of Hydrology, 10(3), 282-290.
• Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D. & Veith, T.L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885-900.
• Chapra, S.C., Pelletier, G.J. & Tao, H. (2008). QUAL2K: A Modeling Framework for Simulating River and Stream Water Quality. Versión 2.11. US Environmental Protection Agency.
• Ministerio de Ambiente y Desarrollo Sostenible (2018). Guía Nacional de Modelación del Recurso Hídrico (Anexo 15). Bogotá: MADS.
• Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. John Wiley & Sons.