Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
USO DEL ANÁLISIS HIDROLÓGICO E HIDRÁULICO COMO HERRAMIENTA  
DE GESTIÓN DEL RIESGO PARA LA IDENTIFICACIÓN DE ZONAS DE  
INUNDACIÓN URBANA AFECTADAS POR EL RÍO MANTA  
USE OF HYDROLOGICAL AND HYDRAULIC ANALYSIS AS A RISK  
MANAGEMENT TOOL FOR IDENTIFYING URBAN AREAS AFFECTED BY  
FLOODING FROM THE MANTA RIVER  
1
2
Salvador-Zambrano César Andrés ; Reyes-Zambrano Jimmy Leandro ;  
3
4
Chavarría-Párraga Jesús Enrique ; Alarcón-Loor José Ramón  
1
2
3
4
Resumen  
Se evaluó la concordancia de CHIRPS y NASA POWER UTC con registros de la estación Eloy  
Alfaro y se cuantificó la sensibilidad de un dominio hidráulico urbano en Manta, Ecuador. Se  
analizaron 3653 valores diarios por producto (2016–2025) y 627 reportes instrumentales de  
precipitación acumulada en 24 h. La incertidumbre del contraste se estimó mediante 5000  
remuestreos pareados por bloques anuales. Frente a la estación, los sesgos acumulados fueron  
−50,10 % para CHIRPS y +44,43 % para NASA POWER UTC, con coeficientes de concordancia  
de Lin de 0,175 y 0,340, respectivamente. El dominio de 3,07 km² no intersectó los ejes de  
OpenStreetMap identificados como río Manta y coincidió con 193,91 m de ejes del Burro. Con  
igual lámina de lluvia y volumen de entrada, las tormentas de 2, 4 y 8 h produjeron picos de  
entrada de 189,42, 131,21 y 75,19 m³/s y superficies con profundidad máxima ≥ 0,10 m de 78,90,  
6
4
6,16 y 55,61 ha. En un cuarto caso, variar la pendiente de energía en la salida del escenario de  
h añadió 0,16 ha. Los resultados permiten evaluar la elección del insumo pluviométrico y la  
sensibilidad a la duración de la tormenta. La cobertura del dominio y la falta de observaciones  
hidráulicas restringen el uso de los mapas a comparaciones entre escenarios simulados.  
Palabras claves: precipitación; concordancia; inundación urbana; HEC-RAS; sensibilidad  
hidráulica.  
Abstract  
This study evaluated agreement between CHIRPS and NASA POWER UTC and rainfall reports  
from the Eloy Alfaro station and quantified hydraulic sensitivity in an urban model domain in  
Manta, Ecuador. The analysis used 3,653 daily estimates per product (2016–2025) and 627  
instrumental reports of 24-hour precipitation. Uncertainty was estimated from 5,000 paired  
annual-block bootstrap resamples. Relative to the station, cumulative biases were −50.10% for  
CHIRPS and +44.43% for NASA POWER UTC, with Lin concordance coefficients of 0.175 and  
0
.340, respectively. The 3.07 km² domain had no overlap with OpenStreetMap centerlines labeled  
Manta River and intersected 193.91 m of Burro centerlines. For equal rainfall depth and inflow  
volume, 2-, 4-, and 8-hour storms yielded peak inflows of 189.42, 131.21, and 75.19 m³/s and  
areas with maximum depth ≥ 0.10 m of 78.90, 66.16, and 55.61 ha. In a fourth run, changing the  
downstream energy slope of the 4-hour case added 0.16 ha. The results inform rainfall input  
Información del manuscrito:  
Fecha de recepción: 06 de agosto de 2026.  
Fecha de aceptación: 15 de octubre de 2026.  
Fecha de publicación: 16 de noviembre de 2026.  
2041  
Salvador-Zambrano et a. (2026)  
selection and quantify sensitivity to storm duration. Domain coverage and the lack of hydraulic  
observations limit the maps to comparisons among simulated scenarios.  
Keywords: precipitation; agreement; urban flooding; HEC-RAS; hydraulic sensitivity.  
lluvia–escorrentía y la propagación  
1. Introducción  
hidráulica  
permiten  
identificar  
La identificación de zonas de  
inundación urbana depende de la  
lluvia utilizada, la representación del  
terreno y las condiciones hidráulicas.  
Las revisiones de Teng et al. (2017)  
y Mignot y Dewals (2022) muestran  
que estas decisiones condicionan las  
salidas del modelo. Para la gestión  
del riesgo, es necesario distinguir  
extensión calculada, exposición de  
sectores susceptibles en quebradas  
urbanas. En una cuenca costera,  
Reyes et al. (2026) examinaron la  
respuesta a incrementos de lluvia y  
distinguieron  
la  
susceptibilidad  
geoespacial de la inundación  
estimada con un modelo hidráulico.  
Esa distinción es pertinente en  
Manta, donde la utilidad de las  
manchas depende de qué cauces y  
sectores quedan incluidos en el  
dominio.  
elementos urbanos  
y
efectos  
observados, de acuerdo con el  
Marco de Sendai y su terminología  
CHIRPS  
integra  
estimaciones  
(
United Nations Office for Disaster  
Risk Reduction [UNDRR], 2015,  
017).  
satelitales  
y
observaciones de  
estaciones (Funk et al., 2015). NASA  
POWER distribuye precipitación  
corregida derivada del reanálisis  
MERRA-2 (Gelaro et al., 2017). El  
desempeño de estos productos  
depende de la escala y del contexto  
geográfico (Beck et al., 2017; Sun et  
2
En Manta, el Plan Maestro  
Hidrosanitario sitúa la confluencia  
Manta–Burro en Miraflores. El  
reporte oficial del 11 de marzo de  
2
025 documentó desbordamientos  
en sectores de Tarqui (Municipio de  
San Pablo de Manta, 2010;  
Secretaría Nacional de Gestión de  
Riesgos [SNGR], 2025). En Ecuador,  
los estudios de Orosco-Tacuri et al.  
al.,  
instrumentales  
Ecuador (Huber Magoffin et al.,  
023; Arechúa-Mazón et al., 2025) y  
2018).  
Los  
contrastes  
realizados  
en  
2
la evaluación de insumos y redes de  
drenaje de Castro et al. (2026)  
respaldan una comprobación local  
(2024) y Tenesaca-Saca et al. (2024)  
muestran cómo la modelación de  
2042  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
antes de emplear estimaciones de  
lluvia en modelos hidrológicos.  
latitud. NASA POWER se extrajo  
para PRECTOTCORR en −80,685°,  
0,965°, community AG y día UTC.  
La descarga del 14 de octubre de  
026 confirmó los 3653 valores  
−
El estudio tuvo tres objetivos.  
Primero, contrastar CHIRPS y NASA  
POWER UTC con reportes de la  
estación Eloy Alfaro durante 2016–  
2
CHIRPS archivados. Se verificaron  
calendario, duplicados y validez  
numérica (Funk et al., 2015; NASA  
POWER, 2026).  
2
025. Segundo, comprobar qué ejes  
fluviales quedan representados en el  
dominio hidráulico disponible.  
Tercero, medir cómo cambian el  
caudal de entrada, la extensión con  
agua y la exposición cartográfica al  
variar la duración de la tormenta o la  
pendiente de energía en la salida. El  
La referencia fue la estación Eloy  
Alfaro 84117099999 del conjunto  
NOAA GSOD, ubicada en −0,950°,  
−80,6833333°, a 1,678 km del punto  
de referencia. Se conservaron los  
valores PRCP utilizables con  
bandera G, que identifica un único  
reporte de acumulación de 24 h, y se  
contraste  
pluviométrico  
y
el  
experimento hidráulico se plantearon  
por separado. Las dos series diarias  
se compararon con la estación,  
convirtieron  
las  
pulgadas  
a
mientras  
las  
simulaciones  
milímetros con el factor 25,4. La  
muestra incluyó 627 fechas entre el  
2 de enero de 2016 y el 24 de junio  
de 2025, de las cuales 277  
registraron 0 mm. Las fechas sin  
reporte válido se excluyeron del  
cálculo (National Centers for  
Environmental Information [NCEI],  
emplearon una lámina común fijada  
para el experimento.  
2. Metodología  
Datos y selección de registros  
Se analizaron 3653 fechas por  
producto, del 1 de enero de 2016 al  
2026).  
31 de diciembre de 2025. CHIRPS  
Índices y contraste pluviométrico  
se consultó en ClimateSERV,  
datatype 0, como promedio del  
rectángulo −80,690 a −80,680° de  
longitud y −0,970 a −0,960° de  
Se calcularon totales anuales y  
mensuales, proporción de enero a  
abril, días húmedos ≥1 mm, Rx1day,  
Rx5day y R20mm. Rx5day utiliza  
2
043  
Salvador-Zambrano et a. (2026)  
cinco días consecutivos completos  
dentro del año; R20mm cuenta días  
conservando todos los pares de  
cada año (semilla 20261014). Se  
calcularon intervalos percentiles del  
95 % para los indicadores por  
producto y para la diferencia de  
RMSE entre NASA POWER UTC y  
CHIRPS, usando los mismos  
bloques en ambos productos (Efron  
& Tibshirani, 1993; Künsch, 1989).  
≥
20 mm (Zhang et al., 2011). La  
concentración se expresó como el  
menor número de días que acumula  
la mitad del total del periodo. Estos  
indicadores se calcularon por  
producto sin imputación ni ajuste de  
sesgo.  
Sobre las 627 fechas se calcularon  
MAE, RMSE, PBIAS, correlación de  
Pearson y concordancia de Lin.  
PBIAS conserva el signo producto  
menos observación; Lin evalúa  
Dominio y experimento numérico  
El perímetro se extrajo de  
Simulacionhec.g01.hdf y se evaluó  
en WGS 84 UTM 17S,  
EPSG:32717. Se calcularon área  
poligonal intersecciones  
vectoriales con entidades OSM  
denominadas Manta Burro,  
/
asociación  
y
proximidad  
a
la  
e
igualdad (Lin, 1989). MAE y RMSE  
se reportaron conjuntamente por su  
distinta ponderación de errores  
y
recuperadas en la ventana −80,730  
a −80,635° y −1,010 a −0,935°. Se  
mantuvo la fecha del extracto: 14 de  
octubre de 2026, 04:05:25 UTC  
(
Willmott & Matsuura, 2005; Chai &  
Draxler, 2014), según el uso  
evaluado (Moriasi et al., 2015). La  
ecuación 1 define MAE y PBIAS, con  
P producto, O observación y n pares.  
(OpenStreetMap contributors, 2026).  
Los nombres proceden del extracto  
OSM.  
훴 |푃ᵢ − 푂ᵢ|  
푀퐴퐸 =  
; ꢀ퐵퐼퐴푆 =  
푛
훴 (푃ᵢ − 푂ᵢ)  
훴 푂ᵢ  
100  
(1)  
Las cuatro ejecuciones de HEC-RAS  
6.6 usaron una lámina de lluvia de  
120,404880 mm, un número de  
curva (CN) de 85, un área aportante  
de 12,710904 km² y un tiempo de  
retardo de 46,18 min. D2, D4 y D8  
representaron tormentas de 2, 4 y 8  
h con una pendiente de energía de  
Se mantuvo la fecha de reporte  
como referencia y se probaron  
desfases del producto de ±1 día para  
explorar diferencias en la hora de  
acumulación. Se generaron 5000  
réplicas pareadas a partir de diez  
bloques anuales con reemplazo,  
2044  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
0
,030 en la condición de profundidad  
fechas internas son un reloj del  
proyecto; las ejecuciones  
normal. S005 mantuvo el hidrograma  
de D4 y redujo la pendiente a 0,005.  
La lámina y el CN se fijaron como  
parámetros experimentales, sin  
asignar un periodo de retorno ni  
estimar la impermeabilización local.  
La lluvia se distribuyó con pesos  
triangulares simétricos en intervalos  
de 5 min. Se aplicó SCS-CN con S =  
corresponden a octubre de 2026.  
Cartografía y exposición  
La profundidad máxima se obtuvo  
restando la elevación del terreno de  
la cota máxima de agua y se  
rasterizó a 4 m. Se excluyeron los  
valores NoData, los píxeles fuera del  
dominio y las celdas cuya cota de  
agua no superó el mínimo  
topográfico local en más de 0,001 m.  
Se aplicó el umbral de profundidad  
máxima ≥ 0,10 m, incluido el cauce.  
A partir de esas máscaras se  
calcularon la unión, la intersección y  
el número de escenarios por píxel.  
Cada huella de edificio OSM se  
contó una sola vez por escenario  
cuando intersectó la máscara. Se  
excluyeron los objetos etiquetados  
como building=no y las relaciones  
multipolígono. La longitud de vías  
motorizadas se estimó mediante  
puntos medios de segmentos de  
hasta 2 m. Los mapas conservaron  
extensión y escala comunes para  
comparar los escenarios.  
25400/CN − 254 y abstracción inicial  
de 0,2S. La escorrentía efectiva  
siguió la ecuación 2 y fue cero para  
P ≤ 0,2S (Soil Conservation Service,  
1986).  
(
푃 − ꢁ,2ꢂ)ꢃ  
푃 + ꢁ,8ꢂ  
퐸 =  
푝푎푟푎 ꢀ > 0,ꢄ푆 (2)  
Los incrementos efectivos se  
convolucionaron en Python con un  
hidrograma triangular de tiempo al  
pico 48,68 min y base 2,67 veces  
ese tiempo, normalizado por  
volumen. HEC-RAS utilizó 3721  
celdas de tamaño nominal 30 m,  
terreno de 4 m, Manning n = 0,06,  
onda difusiva, un ingreso agregado  
al sur y profundidad normal al norte.  
El paso fue 1 s, durante 12 h, con  
721 estados guardados por caso. Se  
comprobaron terminación, código de  
salida cero, duración y balance  
volumétrico (U.S. Army Corps of  
Engineers [USACE], 2024). Las  
2
045  
Salvador-Zambrano et a. (2026)  
3
. Resultados  
intersectó los ejes denominados  
Manta en el extracto de  
OpenStreetMap comprendió  
93,91 m de los ejes denominados  
Burro. Las simulaciones se  
interpretan dentro de ese perímetro.  
La Figura 1 muestra el dominio de  
,072351 km² y su relación con las  
y
3
1
fuentes de precipitación y los cauces  
cartografiados. El perímetro no  
Figura 1. Ubicación de las fuentes de precipitación y del dominio hidráulico  
Nota. WGS 84 / UTM 17S (EPSG:32717). El cuadrado indica el punto de consulta de NASA  
POWER UTC y el centro del rectángulo de CHIRPS. La base satelital Esri World Imagery se  
consultó el 13 de octubre de 2026. Ejes fluviales de OpenStreetMap, © OpenStreetMap  
contributors, ODbL.  
enero y abril se acumuló el 84,52 %  
Distribución de la precipitación  
y el 79,30 % del total de cada  
La precipitación media anual  
producto, respectivamente. La mitad  
estimada por NASA POWER UTC  
de la lluvia del periodo se concentró  
fue 2,50 veces la de CHIRPS  
en 186 días para NASA POWER  
(705,96 frente a 282,58 mm). Entre  
UTC y en 79 para CHIRPS. Los  
2046  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
máximos anuales de cinco días  
Rx5day) variaron entre 47,56 y  
54,49 mm para NASA POWER  
60,65 mm en NASA POWER UTC y  
(
de 101,00 mm en CHIRPS. Los 120  
pares de totales mensuales tuvieron  
una correlación de Pearson de 0,731  
y una concordancia de Lin de 0,488.  
La Figura 2 muestra la variación  
anual y la distribución estacional.  
1
UTC y entre 24,61 y 101,00 mm para  
CHIRPS. NASA POWER UTC  
registró 60 días con al menos 20  
mm, frente a 16 en CHIRPS. El  
máximo diario del periodo fue de  
Figura 2. Totales anuales y precipitación mensual media durante 2016 a 2025  
Nota. El panel a presenta los totales anuales. El panel b muestra el promedio de los totales de  
cada mes durante el periodo. Fuentes: CHIRPS y NASA POWER UTC, con 3653 fechas por  
producto.  
opuestos. Los desfases de ±1 día no  
Concordancia instrumental  
mejoraron la concordancia respecto  
CHIRPS tuvo un menor error  
del emparejamiento por fecha de  
absoluto medio y NASA POWER  
reporte. La Figura 3 muestra la  
UTC una menor raíz del error  
dispersión con respecto a la línea de  
cuadrático medio (Tabla 1). Sus  
igualdad.  
sesgos acumulados tuvieron signos  
2
047  
Salvador-Zambrano et a. (2026)  
Tabla 1. Contraste sobre 627 reportes instrumentales de 24 horas  
Indicador  
MAE (mm)  
RMSE (mm)  
PBIAS (%)  
Pearson (r)  
Lin (ρc)  
CHIRPS  
4,962  
NASA POWER UTC  
5,986  
12,037  
−50,10  
0,216  
11,577  
+44,43  
0,368  
0,175  
0,340  
Nota. Los indicadores corresponden a las fechas seleccionadas. PBIAS positivo indica  
sobreestimación acumulada respecto de la estación.  
Figura 3. Contraste de cada producto con la estación Eloy Alfaro  
Nota. La línea discontinua indica igualdad. El tamaño y la intensidad del marcador aumentan  
cuando varias fechas comparten las mismas coordenadas. Fuente instrumental: NOAA GSOD,  
reportes con bandera G.  
de −0,46 mm, con un intervalo del 95  
Los intervalos percentiles del 95 %  
%
de −1,35 a +0,27 mm. El intervalo  
para RMSE fueron 9,93 a 14,72 mm  
para CHIRPS y 9,26 a 14,22 mm  
para NASA POWER UTC. Para  
PBIAS, fueron −63,88 % a −39,89 %  
abarca cero y admite diferencias en  
ambas direcciones.  
Sensibilidad hidráulica  
y
+23,58  
%
a
+67,38 %,  
respectivamente. Los intervalos de  
PBIAS mantuvieron signos opuestos  
en la muestra remuestreada. La  
diferencia pareada de RMSE (NASA  
POWER UTC menos CHIRPS) fue  
Con un volumen común de entrada  
de 1 010 187,27 m³, acortar la  
tormenta de 4 a 2 h aumentó el  
caudal pico de entrada en 44,36 % y  
la superficie con profundidad  
2048  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
máxima ≥ 0,10 m en 19,25 %. Al  
extenderla a 8 h, ambas magnitudes  
disminuyeron en 42,69 % y 15,94 %,  
respectivamente (Figura 4 y Tabla  
D4. Al reducir la pendiente de  
energía en la salida, mantuvo toda la  
superficie de D4 por encima del  
umbral y agregó 0,1584 ha.  
2). S005 conservó el hidrograma de  
Figura 4. Hidrogramas de entrada y superficie simulada por escenario  
Nota. D2, D4 y D8 conservan la lámina de lluvia y el volumen de entrada. El hidrograma de S005  
coincide con el de D4. La superficie incluye cauces.  
Tabla 2. Resultados del experimento hidráulico controlado  
Pico de  
Duración Pendiente  
Área  
(ha)  
P95  
(m)  
Error de balance  
(%)  
Caso  
entrada  
m³/s)  
(
h)  
(m/m)  
(
D2  
D4  
2
4
8
4
0,030  
0,030  
0,030  
0,005  
189,42  
131,21  
75,19  
78,8960  
66,1616  
55,6128  
66,3200  
3,276  
3,059  
2,688  
3,058  
0,004971  
0,003678  
0,003306  
0,003672  
D8  
S005  
131,21  
Nota. P95 corresponde a los píxeles con h ≥ 0,10 m. HEC-RAS informa el error de balance.  
escenario (figuras 5 y 6). Frente a  
Coincidencia  
cartográfica  
y
exposición  
D4, D2 intersectó 88 huellas  
adicionales en el conteo total y 3,021  
km más de vías (Tabla 3). Los  
cambios son diferencias entre  
escenarios a partir de un mismo  
inventario cartográfico.  
La superficie que superó el umbral  
en los cuatro escenarios fue de  
5
5,61 ha, el 70,41 % de la unión de  
8,99 ha. A su vez, 12,76 ha  
7
superaron el umbral en un solo  
2
049  
Salvador-Zambrano et a. (2026)  
Tabla 3. Intersección de objetos cartográficos con agua simulada  
Huellas OSM  
n)  
Vías con agua  
(km)  
Tramos OSM  
(n)  
Escenario  
(
D2  
D4  
475  
387  
321  
387  
11,246  
8,225  
6,288  
8,225  
192  
158  
135  
158  
D8  
S005  
Nota. El inventario comprende 2531 huellas de edificios y 58,460 km de vías motorizadas. Los  
tramos son objetos lineales de OpenStreetMap que intersectan la máscara simulada. Las cifras  
describen exposición geométrica.  
Figura 5. Mosaico de profundidad máxima en las cuatro simulaciones  
Nota. Las clases representan profundidad máxima simulada, con umbral h ≥ 0,10 m. El contorno  
amarillo delimita el dominio. Base satelital Esri World Imagery.  
2050  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
Figura 6. Coincidencia de manchas y exposición cartográfica en D4  
Nota. El panel a muestra cuántos escenarios superan el umbral en cada píxel. En el panel b,  
cada punto representa una huella OSM que intersecta la máscara de D4. Los puntos se ubicaron  
en el promedio de las coordenadas de los vértices de cada huella. Base Esri World Imagery y  
datos © OpenStreetMap contributors, ODbL.  
También compara un dato puntual  
4. Discusión  
de estación con estimaciones que  
representan superficies y pueden  
tener ventanas de acumulación  
distintas. Por ello, los sesgos  
Los dos productos sitúan la mayor  
parte de la lluvia entre enero y abril,  
pero difieren en la acumulación y en  
la concentración de la lluvia en pocos  
días. Este resultado concuerda con  
la necesidad de contrastar cada  
producto a la escala de uso (Sun et  
al., 2018; Huber Magoffin et al.,  
estimados corresponden  
a
la  
muestra pareada y su uso para  
corregir lluvias de diseño requeriría  
evidencia adicional.  
La comparación a volumen fijo  
permite atribuir las diferencias entre  
D2, D4 y D8 a la duración adoptada  
en el experimento. Al concentrar la  
lluvia en menos tiempo, D2 generó  
2
023; Arechúa-Mazón et al., 2025).  
Para Manta, el contraste abarca una  
estación y reportes de 24 h con  
cobertura desigual entre años.  
2
051  
Salvador-Zambrano et a. (2026)  
un pico de entrada mayor y una  
superficie más extensa por encima  
del umbral. El cambio de pendiente  
entre D4 y S005 tuvo un efecto  
pequeño sobre la superficie total en  
las condiciones ensayadas. Su  
resultado se limita a dos valores de  
pendiente bajo profundidad normal.  
Para evaluar el efecto costero habría  
que ensayar una condición de nivel  
aguas abajo con datos de marea. El  
estudio de Reyes et al. (2026) y la  
evaluación de erosividad en Manabí  
de Tamayo-Marín et al. (2025)  
aportan, respectivamente, un marco  
para estudiar amenazas compuestas  
y evidencia regional sobre erosividad  
de la lluvia. Aquí se mantuvo fija la  
geometría del cauce durante las  
simulaciones.  
posprocesamiento a 4 m cumplen  
funciones distintas. El ráster fino  
permite representar el resultado  
sobre el terreno, mientras la  
capacidad de resolver el flujo entre  
obstáculos depende de la malla y de  
cómo se incorporaron las estructuras  
urbanas (Fewtrell et al., 2008;  
Schubert & Sanders, 2012; Iliadis et  
al., 2024).  
El error de balance volumétrico  
inferior a 0,005 % comprueba la  
conservación de volumen en las  
cuatro ejecuciones. La capacidad  
predictiva  
requeriría  
comparar  
caudales, niveles o extensiones  
simuladas con observaciones de una  
crecida (Horritt & Bates, 2002). Antes  
de aplicar este enfoque a la  
zonificación del río Manta, habría  
que comprobar la red fluvial con  
cartografía oficial y levantamientos,  
delimitar un dominio que incluya el  
tramo de interés y los aportes de la  
confluencia, y evaluar la sensibilidad  
a la rugosidad y a la resolución de la  
malla. El modelo disponible mantuvo  
Manning uniforme, usó un solo  
aporte agregado y careció de una  
prueba de convergencia de malla.  
La superficie común identifica  
sectores que superaron 0,10 m bajo  
las  
cuatro  
configuraciones  
puede orientar  
ensayadas  
y
verificaciones de campo. Los  
recuentos de huellas y longitudes  
viales  
expresan  
exposición  
geométrica al agua simulada. Para  
estimar daños se necesitarían datos  
sobre  
vulnerabilidad  
y
características de los elementos  
expuestos. Además, la malla  
nominal  
de  
30  
m
y
el  
2052  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
5. Conclusiones  
Bibliografía  
CHIRPS y NASA POWER UTC  
mostraron sesgos de signos  
Arechúa-Mazón, P., Cisneros-Vaca,  
C., Calahorrano-González, J.,  
&
Manzano-Cepeda,  
M.  
of  
opuestos (−50,10 % y +44,43 %) y  
(2025). Assessment  
concordancias de Lin bajas (0,175 y  
satellite precipitation products  
in an Andean catchment:  
Ambato River Basin, Ecuador.  
Hydrology, 12(9), Artículo  
0,340)  
en  
las  
627  
fechas  
comparadas. La marcada diferencia  
entre las magnitudes estimadas  
justifica evaluar cada producto con  
observaciones locales antes de  
emplearlo para calcular escorrentía.  
225.  
https://doi.org/10.3390/hydrol  
ogy12090225  
Beck, H. E., Vergopolan, N., Pan, M.,  
Levizzani, V., van Dijk, A. I. J.  
M., Weedon, G. P., Brocca, L.,  
Pappenberger, F., Huffman,  
G. J., & Wood, E. F. (2017).  
Global-scale evaluation of 22  
precipitation datasets using  
La duración de la tormenta, con igual  
volumen de entrada, cambió la  
superficie simulada por encima de  
0,10 m de 55,61 ha en D8 a 78,90 ha  
gauge  
hydrological  
Hydrology and Earth System  
Sciences, 21(12), 6201–6217.  
https://doi.org/10.5194/hess-  
observations  
and  
en D2. El cambio de pendiente de  
energía en S005 añadió 0,16 ha  
respecto de D4. Las 55,61 ha  
comunes a los cuatro escenarios  
identifican sectores que permanecen  
sobre el umbral en el conjunto de  
casos analizado.  
modeling.  
21-6201-2017  
Castro, F. A., Reyes, J. L., Palma, W.  
P., Mejía, L. M., & Macías, I.  
A.  
hydroclimatic framework for a  
mountain water-transfer  
(2026).  
Validation-led  
El estudio delimitó un dominio de  
3
,07 km² que no intersecta los ejes  
OSM del río Manta y comprende  
93,91 m de ejes del Burro. Los  
basin. En V. Villa, M.  
Domaneschi, A. Singh, & S.  
Yazdani (Eds.), Proceedings  
of International Structural  
Engineering and Construction  
(vol. 13, núm. 2, art. HAH-07).  
1
mapas localizan intersecciones con  
infraestructura en el dominio  
evaluado. Una evaluación predictiva  
del río Manta requiere cubrir el tramo  
de interés y contrastar el modelo con  
observaciones de crecida.  
ISEC  
https://doi.org/10.14455/ISEC  
2026.13(2).HAH-07  
Press.  
.
2
053  
Salvador-Zambrano et a. (2026)  
Chai, T., & Draxler, R. R. (2014).  
Root mean square error  
Darmenov, A., Bosilovich, M.  
G., Reichle, R., Wargan, K.,  
Coy, L., Cullather, R., Draper,  
C., Akella, S., Buchard, V.,  
Conaty, A., da Silva, A. M.,  
Gu, W., … Zhao, B. (2017).  
(RMSE) or mean absolute  
error (MAE)? Arguments  
against avoiding RMSE in the  
literature. Geoscientific Model  
Development, 7(3), 1247–  
The  
Modern-Era  
1
250.  
https://doi.org/10.5194/gmd-  
-1247-2014  
Retrospective Analysis for  
Research and Applications,  
7
Version (MERRA-2).  
Journal of Climate, 30(14),  
419–5454.  
2
Efron, B., & Tibshirani, R. J. (1993).  
An introduction to the  
5
https://doi.org/10.1175/JCLI-  
D-16-0758.1  
bootstrap. Chapman & Hall.  
https://doi.org/10.1007/978-1-  
4899-4541-9  
Horritt, M. S., & Bates, P. D. (2002).  
Evaluation of 1D and 2D  
Fewtrell, T. J., Bates, P. D., Horritt,  
M. S., & Hunter, N. M. (2008).  
Evaluating the effect of scale  
in flood inundation modelling  
numerical  
predicting  
inundation.  
Hydrology, 268(1–4), 87–99.  
https://doi.org/10.1016/S0022  
models  
river  
Journal  
for  
flood  
of  
in environments.  
Hydrological Processes, 22,  
107–5118.  
https://doi.org/10.1002/hyp.71  
urban  
-
1694(02)00121-X  
5
Huber Magoffin, R., Hales, R. C.,  
Erazo, B., Nelson, E. J.,  
Larco, K., & Miskin, T. J.  
48  
Funk, C., Peterson, P., Landsfeld,  
M., Pedreros, D., Verdin, J.,  
Shukla, S., Husak, G.,  
Rowland, J., Harrison, L.,  
Hoell, A., & Michaelsen, J.  
(
2023).  
Evaluating  
of  
the  
satellite  
performance  
derived temperature and  
precipitation datasets in  
Ecuador. Remote Sensing,  
5(24), Artículo 5713.  
https://doi.org/10.3390/rs1524  
713  
(
2015). The climate hazards  
infrared precipitation with  
stations—A new  
environmental record for  
monitoring extremes.  
Scientific Data, 2, Artículo  
50066.  
https://doi.org/10.1038/sdata.  
015.66  
1
5
Iliadis, C., Glenis, V., & Kilsby, C.  
(2024). Representing  
buildings and urban features  
in hydrodynamic flood  
1
2
models. Journal of Flood Risk  
Management, 17(1), Artículo  
e12950.  
Gelaro, R., McCarty, W., Suárez, M.  
J., Todling, R., Molod, A.,  
Takacs, L., Randles, C. A.,  
2054  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
https://doi.org/10.1111/jfr3.12  
50  
o00140201300Box377343B.p  
df  
9
Künsch, H. R. (1989). The jackknife  
and the bootstrap for general  
stationary observations. The  
Annals of Statistics, 17(3),  
NASA  
POWER.  
Precipitación  
PRECTOTCORR en −0,965°,  
−80,685° durante 2016–2025  
[Extracto de datos UTC  
descargado el 14 de octubre  
(2026).  
diaria  
1
217–1241.  
https://doi.org/10.1214/aos/11  
6347265  
7
de  
2026].  
https://power.larc.nasa.gov/a  
pi/temporal/daily/point?param  
eters=PRECTOTCORR&com  
munity=AG&longitude=-  
Lin, L. I.-K. (1989). A concordance  
correlation  
evaluate  
coefficient to  
reproducibility.  
Biometrics, 45(1), 255–268.  
https://doi.org/10.2307/25320  
8
0
2
0.685&latitude=-  
.965&start=20160101&end=  
0251231&format=JSON&tim  
51  
e-standard=UTC  
Mignot, E., & Dewals, B. (2022).  
Hydraulic modelling of inland  
National Centers for Environmental  
Information. (2026). Global  
Summary of the Day de la  
urban  
advances.  
flooding:  
Journal  
609,  
Recent  
of  
Hydrology,  
27763.  
Artículo  
estación  
84117099999  
1
durante 2016–2025 [Archivos  
anuales descargados el 14 de  
octubre de 2026]. National  
Oceanic and Atmospheric  
Administration.  
https://www.ncei.noaa.gov/da  
ta/global-summary-of-the-  
day/access/  
https://doi.org/10.1016/j.jhydr  
ol.2022.127763  
Moriasi, D. N., Gitau, M. W., Pai, N.,  
&
Daggupati, P. (2015).  
Hydrologic and water quality  
models: Performance  
measures and evaluation  
criteria. Transactions of the  
ASABE, 58(6), 1763–1785.  
https://doi.org/10.13031/trans.  
OpenStreetMap contributors. (2026).  
Cauces, edificaciones y red  
vial de Manta [Extracto de  
datos; base del 14 de octubre  
de 2026 a las 04:05:25 UTC].  
https://www.openstreetmap.or  
g/copyright  
58.10715  
Municipio de San Pablo de Manta.  
2010). Estudio de impacto  
(
ambiental y plan de manejo  
ambiental del Plan Maestro  
Hidrosanitario para Manta.  
https://documents1.worldbank  
Orosco-Tacuri, M. K., Reyes-  
Zambrano, J. L., Chavarría-  
Párraga, J. E., & Alarcón-  
Loor, J. R. (2024). Modelación  
.
9
org/curated/en/60123146824  
012119/pdf/E4236v20Ecuad  
2
055  
Salvador-Zambrano et a. (2026)  
hidrológica e hidráulica de la  
quebrada El Tejado para la  
análisis de zonas de  
content/uploads/2025/03/SitR  
ep-No-56-Lluvias-01012025-  
al-11032025-170000.pdf  
inundación en la ciudad de  
Quito en 2023. Revista  
Soil Conservation Service. (1986).  
Urban hydrology for small  
watersheds (2.ª ed., Technical  
Release 55). U.S. Department  
Científica  
Ingeniería,  
INGENIAR:  
Tecnología  
e
Investigación, 7(14), 300–  
22.  
https://doi.org/10.46296/ig.v7i  
4.0219  
of  
Agriculture.  
3
https://www.govinfo.gov/app/  
details/CZIC-gb980-u73-1986  
1
Sun, Q., Miao, C., Duan, Q., Ashouri,  
H., Sorooshian, S., & Hsu, K.-  
L. (2018). A review of global  
precipitation data sets: Data  
Reyes, J. L., Castro, F. A., Palma, W.  
P., Mejía, L. M., & Macías, I.  
A. (2026). Geospatial rainfall-  
stress testing of compound  
hydro-sedimentary hazards in  
a coastal basin. En V. Villa, M.  
Domaneschi, A. Singh, & S.  
Yazdani (Eds.), Proceedings  
of International Structural  
Engineering and Construction  
sources,  
estimation,  
and  
intercomparisons. Reviews of  
Geophysics, 56(1), 79–107.  
https://doi.org/10.1002/2017R  
G000574  
Tamayo-Marín, A. A., Reyes-  
Zambrano, J. L., & Chavarría-  
Párraga, J. E. (2025). Análisis  
retrospectivo de la erosividad  
de la lluvia en los últimos  
años: aplicación de un modelo  
espacial en la provincia de  
Manabí. MQRInvestigar, 9(2),  
e449.  
(
vol. 13, núm. 2, art. HAH-06).  
ISEC Press.  
https://doi.org/10.14455/ISEC  
2026.13(2).HAH-06  
.
Schubert, J. E., & Sanders, B. F.  
2012). Building treatments for  
(
urban flood inundation models  
and implications for predictive  
skill and modeling efficiency.  
https://doi.org/10.56048/MQR  
20225.9.2.2025.e449  
Advances  
in  
Water  
Resources,  
https://doi.org/10.1016/j.advw  
atres.2012.02.012  
41,  
49–64.  
Tenesaca-Saca, M. E., Reyes-  
Zambrano, J. L., Vallejo-  
Vizhuete, D. P., & Chavarría-  
Párraga,  
Modelación hidrológica  
hidráulica para  
identificación de zonas de  
inundación en la quebrada  
J.  
E.  
(2024).  
Secretaría Nacional de Gestión de  
Riesgos. (2025, 11 de marzo).  
SitRep No. 56: Lluvias del 1  
de enero al 11 de marzo de  
e
la  
2025.  
Las  
Abras,  
Riobamba.  
https://www.gestionderiesgos.  
gob.ec/wp-  
Revista Científica INGENIAR:  
Ingeniería,  
Tecnología  
e
2056  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Uso del análisis hidrológico e hidráulico como herramienta de gestión del riesgo para la identificación de zonas de inundación  
urbana afectadas por el Río Manta.  
Investigación, 7(14), 323–  
43.  
https://doi.org/10.46296/ig.v7i  
4.0220  
Willmott, C. J., & Matsuura, K.  
3
(2005). Advantages of the  
mean absolute error (MAE)  
over the root mean square  
error (RMSE) in assessing  
average model performance.  
Climate Research, 30(1), 79–  
1
Teng, J., Jakeman, A. J., Vaze, J.,  
Croke, B. F. W., Dutta, D., &  
Kim,  
inundation  
S.  
(2017).  
modelling:  
Flood  
A
82.  
https://doi.org/10.3354/cr0300  
review of methods, recent  
advances and uncertainty  
79  
analysis.  
Modelling & Software, 90,  
01–216.  
https://doi.org/10.1016/j.envs  
oft.2017.01.006  
Environmental  
Zhang, X., Alexander, L., Hegerl, G.  
C., Jones, P., Klein Tank, A.,  
Peterson, T. C., Trewin, B., &  
Zwiers, F. W. (2011). Indices  
for monitoring changes in  
extremes based on daily  
temperature and precipitation  
data. WIREs Climate Change,  
2
United Nations Office for Disaster  
Risk  
Reduction.  
(2015).  
Sendai framework for disaster  
risk reduction 2015–2030.  
https://www.undrr.org/publicat  
ion/sendai-framework-  
2
(6), 851–870.  
https://doi.org/10.1002/wcc.1  
47  
disaster-risk-reduction-2015-  
2030  
United Nations Office for Disaster  
Risk  
Reduction.  
(2017).  
Sendai  
framework  
terminology on disaster risk  
reduction.  
https://www.undrr.org/drr-  
glossary/terminology  
U.S. Army Corps of Engineers.  
(2024). HEC-RAS 2D user’s  
manual  
Hydrologic  
Center.  
(Versión 6.6).  
Engineering  
https://www.hec.usace.army.  
mil/software/hec-  
ras/documentation/HEC-  
RAS_2D_Users_Manual_v6.  
6.pdf  
2
057