Fuentes y métodoSources and method
Volumen de agua: DGA (2018), Evaluación de la condición trófica en cuerpos lacustres, que resume los estudios batimétricos DGA/DCPRH de cada lago (Llanquihue figura como “1586 km³”, errata de 158,6). Valores marcados con ≈ provienen de Wikipedia sin fuente primaria citada. Los lagos binacionales indican el volumen total.
Mapa de ubicación: contorno de Chile y países vecinos de Natural Earth 1:10M (proyección sinusoidal); toca un lago en el mapa para ir a su ficha.
Presión urbana: habitantes del Censo 2017 (INE, manzanas urbanas) que viven a 2 km o menos de la orilla, más pueblos argentinos ribereños (GeoNames), divididos por la superficie total del lago. No incluye población rural dispersa ni población flotante de verano, por lo que subestima la presión en lagos turísticos o con riberas rurales pobladas. Es un indicador de presión, no una medición de calidad del agua.
Flujos: líneas ilustrativas que salen de cada zona urbana hacia el lago; una línea por cada 1.000 habitantes (Censo 2017; GeoNames para pueblos sin límite urbano, mínimo 1 línea si tiene población registrada). El largo de la pluma crece con la población; el grosor y la intensidad disminuyen al alejarse de la ciudad, con trazado y grosor parcialmente aleatorios. No representan corrientes ni descargas reales.
Solo lagos de agua dulce: se excluyen embalses (Rapel, Colbún, Laguna del Maule…), lagunas costeras (Budi…), lagunas salinas (Negro Francisco, Laguna Verde de Atacama, Laguna de los Cisnes) y la Laguna de Aculeo (seca desde 2018). Lista de 100 lagos según áreas medidas en OpenStreetMap; lagos sin nombre en OSM se identifican por coordenadas. Lagos muy compactos de ~10 km² podrían faltar (la descarga incluyó lagos con más de 15 km de orilla).
Lagos: contornos y áreas © colaboradores de OpenStreetMap (ODbL), medidos sobre el elipsoide WGS84. Lagos binacionales: se dibujan completos; la línea punteada es el límite internacional y el ranking usa solo la parte chilena (límite aproximado, Natural Earth 1:10M).
Poblados ribereños: polígonos = límite urbano censal 2017 (INE); puntos = localidades sin límite urbano oficial (GeoNames).
Gran Santiago: límites urbanos censales 2017 (INE) de las 32 comunas de la provincia de Santiago + Puente Alto y San Bernardo, unidos; divisiones comunales del Censo 2017; autopistas y vías expresas = Red Vial MOP 2019 (clase 1). La ciudad se centra sobre cada lago, a la misma escala.
Water volume: DGA (2018), Evaluación de la condición trófica en cuerpos lacustres, which summarises the DGA/DCPRH bathymetric studies of each lake (Llanquihue appears as “1586 km³”, a typo for 158.6). Values marked ≈ come from Wikipedia with no primary source cited. Binational lakes show their total volume.
Locator map: outline of Chile and neighbouring countries from Natural Earth 1:10M (sinusoidal projection); tap a lake on the map to jump to its card.
Urban pressure: 2017 Census residents (INE, urban blocks) living within 2 km of the shore, plus Argentine lakeside towns (GeoNames), divided by the lake's total area. It excludes scattered rural population and summer visitors, so it underestimates pressure on tourist lakes or lakes with populated rural shores. It is a pressure indicator, not a water-quality measurement.
Flow lines: illustrative lines from each urban area into the lake; one line per 1,000 inhabitants (2017 Census; GeoNames for villages without an official urban limit, at least 1 line if population is recorded). Plume length grows with population; width and intensity decrease away from the town, with partly random paths and widths. They do not represent real currents or discharges.
Freshwater lakes only: reservoirs (Rapel, Colbún, Laguna del Maule…), coastal lagoons (Budi…), salt lakes (Negro Francisco, Laguna Verde in Atacama, Laguna de los Cisnes) and Laguna de Aculeo (dry since 2018) are excluded. The list of 100 lakes is based on areas measured from OpenStreetMap; lakes without a name in OSM are identified by coordinates. Very compact lakes of ~10 km² could be missing (the download included lakes with more than 15 km of shoreline).
Lakes: outlines and areas © OpenStreetMap contributors (ODbL), measured on the WGS84 ellipsoid. Binational lakes are drawn whole; the dashed line is the international border and rankings use only the Chilean part (approximate border, Natural Earth 1:10M).
Lakeside towns: polygons = 2017 census urban limits (INE); dots = localities without an official urban limit (GeoNames).
Greater Santiago: 2017 census urban limits (INE) of the 32 communes of Santiago province plus Puente Alto and San Bernardo, merged; commune boundaries from the 2017 Census; motorways and expressways = MOP 2019 road network (class 1). The city is centred on each lake, at the same scale.
Sobre el autorAbout the author
Soy Gonzalo Cortés, ingeniero civil de formación, con un Ph.D. en Ingeniería Civil y Ambiental de UCLA, con foco en Ciencias Hidrológicas. Mi trabajo se centra en las matemáticas de estimar lo que no se puede medir directamente: combinar modelos imperfectos con observaciones escasas y ruidosas para recuperar el estado más probable de un sistema y su incertidumbre.
I am Gonzalo Cortés, a Civil Engineer by training, with a Ph.D. in Civil and Environmental Engineering from UCLA, focusing on Hydrologic Sciences. My work centres on the mathematics of estimating what cannot be measured directly: combining imperfect models with sparse, noisy observations to recover the most likely state of a system and its uncertainty.
- Asimilación de datos bayesiana. Suavizadores de ensamble y métodos de partículas (particle batch smoother) que actualizan estados y parámetros de modelos con observaciones satelitales, entregando distribuciones posteriores en lugar de respuestas únicas.
- Problemas inversos en percepción remota. Modelos lineales de mezcla espectral resueltos píxel a píxel para estimar fracciones subpíxel a partir de imágenes multiespectrales.
- Reanálisis por ensambles. Reconstrucciones largas y de alta resolución construidas a partir de ensambles de simulaciones restringidas por décadas de observaciones.
- Análisis estadístico de sensibilidad. Cuantificar cómo cambian las respuestas de un sistema ante forzantes cambiantes, usando series de tiempo y métodos de regresión.
- Aprendizaje automático para pronóstico. Redes neuronales recurrentes (LSTM) para la predicción diaria y estacional de caudales.
- Bayesian data assimilation. Ensemble smoothers and particle methods (particle batch smoother) that update model states and parameters with satellite observations, yielding posterior distributions rather than single answers.
- Inverse problems in remote sensing. Linear spectral mixture models solved per pixel to estimate sub-pixel fractions from multispectral imagery.
- Ensemble reanalysis. Long, high-resolution reconstructions built from ensembles of model runs constrained by decades of observations.
- Statistical sensitivity analysis. Quantifying how system responses shift under changing forcings, using time-series and regression methods.
- Machine learning for forecasting. Recurrent neural networks (LSTM) for daily and seasonal streamflow prediction.
Aplico estos métodos al pronóstico de recursos hídricos de nieve con Snowdata y NILUS. Ocasionalmente hago clases en la Universidad de Chile. También soy emprendedor de e-commerce, pescador con mosca, surfista y skater.
I apply these methods to snow water resources forecasting with Snowdata and NILUS. I occasionally teach at the University of Chile. I am also an e-commerce entrepreneur, a fly fisherman, a surfer and a skateboarder.
Mi investigación ha sido publicada en:My research has been published in:
- Water Resources Research
- Remote Sensing of Environment
- Geophysical Research Letters
- Journal of Hydrometeorology
- Journal of Hydrology
Mis publicaciones en Google Scholar →My publications on Google Scholar → · Blue Drops