Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del...

UNALM, UNI, UNMSM

IV CONGRESO NACIONAL DEL AGUA

LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013

1

Resumen

La limitada comprensión de las múltiples conexiones entre el clima y la hidrología en las zonas de montaña y la escasez de registros en dichas zonas, es el punto de partida de la presente investigación, la cual abarca principalmente 3 aspectos: a) Se analizo la evolución de los registros de precipitación y temperatura in-situ mayor a 30 años de información. Para las precipitaciones, no se identificaron tendencias considerando un 99% de confianza en una gran parte de los Andes Centrales y del Norte. Para las temperaturas, la zona Sur de los Andes Centrales presenta tendencias locales con valores máximos de 0.03ºC/año. b) Los registros in-situ de precipitación fueron comparados con los datos satelitales TRMM 3B-43 v6 dentro de nueve regiones climatológicamente homogéneas para el periodo común 1998-2007. En cada región la confiabilidad de los registros TRMM es variable. En general, durante el periodo húmedo de noviembre a marzo es confiable en términos de la raíz del error cuadrático medio relativo (%RMSE) y al coeficiente de correlación (%CC), a excepción de zonas como la costa Sur y la vertiente amazónica oriental del Sur. Debido a este comportamiento, se propone la corrección de los datos TRMM en función de los datos in-situ, mediante la generación de factores aditivos y multiplicativos obtenidos de patrones comunes de precipitación. Estos factores logran corregir y extender el periodo mensual donde la estimación del TRMM original no era confiable para la mayoría de las regiones. c) Para la temperatura, se comparan los datos in-situ con los datos de reanálisis NCEP NCAR de manera puntual y periodo común. Se concluye que los niveles de presión 600 y 700 hPa de la temperatura del aire de NCEP NCAP ofrecen una aproximación a las estaciones, sin embargo presentan una variación desde los 10°C en los Andes del Norte hasta 0.4°C en los Andes Centrales. Se propone el empleo de un gradiente regional mensual para la corrección del NCEP NCAR, considerando estaciones de referencia por cada grilla y variaciones altitudinales, La confiabilidad de estas correcciones es muy aceptable para los Andes del Norte y Centrales. Palabras clave: Precipitación; Temperatura; Tendencias; TRMM 3B43; NCEP NCAR reanalisis; Andes

Introducción

En términos del clima, los sistemas montañosos desarrollan un considerable sistema complejo por sí mismos, influenciados por la característica de estrechamiento e incisión profunda de los valles. En su desempeño como almacenadores de agua, las regiones montañosas forman un importante suministro de agua en el periodo seco para las tierras bajas; y así la sociedad en su conjunto percibe cada vez más a las montañas como fuentes de agua, que abastecen a gran parte de la población mundial (Schaeffli et al. 2005). Beniston et al. (1997) describen dicha complejidad que se reflejan en los registros de temperatura y precipitación a diferentes escalas asociados a los fenómenos climáticos y la orografía. El presente estudio se enfoca sobre las zonas con altitud superior a 3000 msnm y que forman parte de los Andes del Norte (Cordilleras Blanca y Negra), Andes Centrales (Cordillera Occidental, Central y Oriental) y Andes del Sur (Vertiente del Titicaca). Una descripción detallada del régimen de precipitaciones en la región Andina se detallan en Espinoza et al. (2009a), Laraque et al. (2007), Garraud et al. (2003) y Ronchail et Gallaire (2006). Estas zonas a su vez presentan poca información, por lo cual es necesario contar con una metodología que permita la extrapolación o la exploración espacial de las precipitaciones y temperaturas. De esta forma se propone un análisis para estas dos variables considerando los datos in-situ del Servicio Nacional de Meteorología e Hidrología de Perú (SENAMHI); los datos obtenidos del satélite que opera bajo el proyecto TRMM (Tropical Rainfall Measuring Mission) para precipitaciones y los datos de reanalisis NCEP NCAR (National Center for Environmental Prediction - National Center for Atmospheric Research) para temperaturas. Muchos estudios se han dedicado al empleo de los productos TRMM con fines hidrológicos, generalmente enfocados en planicies bajas en África (Hughes, 2006; Wilk et al., 2006, Endreny and Imbeah, 2009), en Brasil (Colischonn et al., 2008, Franchito et al 2009) y en la amazonia del Peru (Lavado et al., 2009). Con respecto al reanalisis NCEP NCAR, éstas se encuentran contenida en grillas, siendo el producto más empleado por la disponibilidad de información de parámetros tales como la temperatura del aire, la cual representa una de las más confiables del reanalisis (Kistler et al, 2001).

ANÁLISIS ESPACIO TEMPORAL DE LA PRECIPITACIÓN Y TEMPERATURA MENSUAL EN LAS ZONAS DE MONTAÑA DEL PERÚ. UNA APROXIMACIÓN A LA CORRECCIÓN DE

DATOS TRMM 3B43 Y DE REANALISIS NCEP NCAR

Pedro Rau1,5*, Thomas Condom2,5, Jhan Carlo Espinoza3,5, Waldo Lavado4,5

1 Universidad Nacional de Ingeniería UNI. IMEFEN. Lima, Peru *E-mail: [email protected]

2 Laboratoire d’étude des Transferts en Hydrologie et Environnement (LTHE), UMR 5564, Université Joseph Fourier - Grenoble 1,

IRD - Great Ice, CNRS, G-INP, Grenoble, Francia.

3 Instituto Geofísico del Peru IGP. Lima, Peru.

4 Servicio Nacional de Meteorología e Hidrología del Peru SENAMHI. Lima, Peru.

5 Universidad Nacional Agraria La Molina UNALM, Lima, Peru - Institut de Recherche pour le Développement (IRD Peru).

UNALM, UNI, UNMSM



2

La metodología que se plantea para la corrección de datos TRMM y NCEP NCAR sugiere el empleo de data in-situ Usando los datos TRMM y NCEP NCAR corregidos, se podrá inferir su validación y el comportamiento espacio-temporal de la precipitación en los andes peruanos. Objetivos

Caracterizar el comportamiento de la precipitación y temperatura mensual en las zonas de montaña del Peru desde el año 1964 hasta el año 2007, a través de un análisis de tendencias.

Precisar una metodología para el correcto empleo de fuentes de datos no observacionales tales como los datos satelitales TRMM y de reanálisis NCEP NCAR.

Aproximar metodologías de corrección de estas fuentes de datos, con fines de cubrir espacial y temporalmente las zonas montañosas que no presentan registros de precipitación y temperatura.

Datos y métodos

MODELO DE ELEVACION DEL TERRENO Es obtenido de los datos SRTM (Misión Topográfica Radar Shuttle, NASA-NGA, EEUU), el cual es un modelo digital de elevación de la zona comprendida entre latitudes 56°S a 60°N, de modo que genere una base completa de cartas topográficas digitales de alta resolución de la Tierra. La resolución equivale a 90 m x 90 m de grilla de resolución. Para estudiar las zonas altas, donde hay pocos datos disponibles se ha definido el límite topográfico de 3000 msnm desde su formato grid. También se obtuvo, indirectamente, la delimitación de las principales cuencas hidrográficas que sirvieron de referencia para la verificación de la ubicación de las estaciones meteorológicas y para la regionalización de éstas. La Figura 1 muestra la ubicación de las estaciones in-situ analizadas y las elevaciones del SRTM. ANALISIS DE SERIES DE TIEMPO De acuerdo a Kendall y Stuart (1968), el análisis de series de tiempo requiere mejorar la comprensión del mecanismo estadístico que genero dichas series observadas. Cada serie de datos puede ser representada solo parcialmente dentro de la complejidad del fenómeno que produce las series. Aun asi estas series de datos requiere una explicación antes de realizar alguna interpretación espacial producido por una sola serie de datos. En nuestro estudio, 16 de 49 estaciones de precipitación y 8 de 27 estaciones de temperatura poseen registros por un periodo mayor a 30 años (con periodo común máximo de 1964 al 2007), suficiente longitud de registro para establecer un comportamiento coherente (WMO, 2003). De este modo se realizo un análisis de tendencias con el test de Mann-Kendall (Man Kendall, 1975) y un análisis de quiebres con el test de Pettitt (Pettitt, 1979). Estas metodologías fueron compilados de las guias técnicas de los programas computacionales Trend (Chiew and Siriwardena, 2005) y Khronostat (Boyer, 2002) para sistematizar el proceso de cálculo. El test de Mann-Kendall ha sido una de las metodologías recomendadas por la Organización Meteorológica Mundial (Salarijazi, 2012). El

test de Pettitt ha sido ampliamente utilizado para la detección de puntos de quiebres en series hidrológicas (Espinoza et al., 2009b, Lavado et al, 2012, Salarijazi et al, 2012). ANALISIS DE PRECIPITACIONES Y DATOS TRMM De acuerdo a las condiciones geomorfológicas de la región andina, la distribución de las estaciones SENAMHI in-situ puede agruparse en dos sectores bien definidos correspondientes a los Andes del Norte y Centrales. En función de una correlación aceptable entre la precipitación y los parámetros tales como la altitud, longitud y latitud considerando la delimitación de cuencas hidrográficas, se pudo agrupar las estaciones en 9 regiones representativas (ver Figura 1 y Tabla 2). Con respecto a los datos TRMM, éstos son producto del algoritmo 3B43 ver.6 y por hallarse comprimidos en formatos HDF fue necesario el procesamiento computacional para la obtención de los registros. Para ello se empleó un código libre (Collischonn, 2005) que procesa los archivos en forma matricial, convirtiendo cada grilla TRMM en una serie de precipitación de fácil manejo. Los tipos de errores comunes a las mediciones TRMM son debido a la característica de la toma de muestras discreta. El satélite TRMM es de órbita baja de aproximadamente 350 km de altitud, los sensores de lluvia muestrean la atmósfera regional solo a intervalos de tiempo discretos que a veces no permiten captar las tormentas de duración corta. Muchos estudios han mostrado que el rango de errores de muestreo temporal es desde ±8 hasta ±12% por mes para la precipitación media (Shin & North, 1988; North & Nakamoto, 1989; Bell et al., 1990). Espacialmente, estos registros abarcan grillas de 0.25 x 0.25 grados cubriéndose aproximadamente 770 km2 de área por cada grilla. Se realizaron las comparaciones entre ambas fuentes de precipitación, partiendo desde el análisis de histogramas de frecuencias. La Tabla 1 muestra la disponibilidad de estaciones y el periodo común. En total se trabajaron con 31 estaciones, los cuales cumplen requisitos de correspondencia espacial y temporal con los datos TRMM 3B43. Para la comparación de las dos fuentes de datos se emplea la ecuación 1 y de esta forma se establece un patrón común por región.

ii SENAMHIi∆P µµ −= TRMM [1]

i = número del mes (1, 2, …, 12) µTRMMi = media del registro TRMM para el mes i µSENAMHIi = media del registro SENAMHI para el mes i Seguidamente, se realiza la estimación de errores para estimar la confiabilidad de las estimaciones del TRMM sobre cada estación in situ y sobre cada región, esto será validado con el Error Medio relativo (%MBE), el Error Medio Absoluto relativo (%AE) y la Raíz del Error Cuadrático Medio relativo (%RMSE), adquiriendo este ultimo mayor importancia (Franchito et al., 2009).

N

PPRMSE ii SENAMHITRMM∑ −

=

2)( [2]

PTRMMi: Precipitación TRMM en el mes i (mm/mes) PSENAMHIi: Precipitación SENAMHI en el mes i (mm/mes) i: mes de la serie continua (1998-2007)

UNALM, UNI, UNMSM



3

N: Número de pares comparados. Cuando el RMSE de la precipitación estimada es menor al 50% de la cantidad de precipitación medida, es considerado confiable; cuando el RMSE es igual o mayor que el 50% de la magnitud de la precipitación de referencia, la estimación es considerada no confiable para dicha región. Por otro lado también se establece una relación cuantitativa con el coeficiente de correlación de la regresión lineal entre ambas fuentes de datos sin término constante. Las correlaciones son significativas (p>0.01) cuando presentan un coeficiente de correlación mayor o igual a 0.7. El tipo de distribución probabilística, en todas las estaciones de precipitación SENAMHI, presenta una fuerte asimetría negativa, esta fue disminuida al convertir los datos a logaritmos naturales incrementados en la unidad, el mismo comportamiento es observado para los datos TRMM, los resultados de esta conversión se denominaron datos transformados. MODELOS DE CORRECCION DE DATOS TRMM Se propone la obtención de un patrón común del TRMM en función de la información SENAMHI, esto es posible empleando un modelo aditivo mediante la ecuación (3); o un modelo multiplicativo mediante la ecuación (4).

)1Ilog(SENAMH)1log(1i iif ++ −= µµ TRMM [3]

)1log(

)1Ilog(SENAMH2i

i

if+

+=

TRMMµ

µ [4]

i = número de mes (1,…,12) µlogSENAMHIi+1 = media del registro SENAMHI transformado para el mes i. µlogTRMMi+1 = media del registro TRMM transformado para el mes i. Los vectores f1 ó f2, se aplicarán a cada valor del TRMM original. Finalmente, se obtienen los valores de precipitación total mensual TRMM corregida, para cada mes de los 10 años de registro (1998-2007), obtenidos con la siguiente ecuación (5), bien sea por un modelo aditivo o multiplicativo:

11,, −+= i

c

fjiji TRMMTRMM [5]

TRMMic,j = Precipitación TRMM corregida para el mes i del año j i = número de mes (1,…,12) j = año de la serie (1998, 1999,…,2007) fi = vector aplicado (f1=aditivo ó f2=multiplicativo) Mayor detalle de las metodologías de corrección se describen en Condom et al. (2011) y Rau & Condom (2010). ANALISIS DE TEMPERATURAS Y DATOS NCEP NCAR Se analizaron las estaciones in-situ SENAMHI con registro mayor a 10 años de información y en función de la altitud se

propone obtener un gradiente regional mensual o “lapse rate”

(Γ ) expresado en °C/100 m, el cual describe el decrecimiento de la temperatura con la altitud. Para latitudes Norte, esto es obtenido por Kunkel (1989) y Liston et al (2006) y es aplicado a metodologías de downscaling (Gao et al., 2012). Este gradiente esta relacionado a la teoría de la estabilidad convectiva del aire y del gradiente adiabático seco igual a 1°C/100m (en valores absolutos). En condiciones estables, la atmosfera en el ambiente alcanza un gradiente menor a 1 (gradiente adiabático húmedo). Un gradiente mayor a 1°C/100m representará condiciones inestables resultante en un movimiento amplificado de capas de aire (Tabony, 1985; Barry, 2008). Por otro lado, los datos NCEP NCAR fueron obtenidos de la base de datos del IRI (International Research Institute for Climate and Society, Columbia University, USA), los cuales se encuentran agrupados por niveles de presión. Para nuestro estudio empleamos los niveles: 700 hPa (~ 3000 m), 600 hPa (~4000 m) y 500 hPa (~5500 m). Espacialmente estas grillas cubren 2.5° x 2.5° (77000 km2 por grilla). Los datos se encuentran disponibles desde 1949. La comparación entre datos SENAMHI y NCEP NCAR se realizó mediante la ecuación (6) y corresponde a una metodología del tipo puntual (Rusticucci et al., 2002; Gao et al., 2012).

kk

SENAMHI ii NNRi∆T µµ −= [6]

i = número de mes (1,…,12) k = nivel de presión (500, 600 y 700 hPa)

kSENAMHI i

µ= media del registro SENAMHI (mes i y nivel k).

kiNNR

µ= media del registro NCEP NCAR (mes i y nivel k).

MODELO DE CORRECCION DE DATOS NCEP NCAR Se propone un factor de corrección en función de la información SENAMHI y del gradiente regional, esto es posible empleando la ecuación (7).

k

i

NNRxiNNRBSii

iNNR

hhhhBSfc

kk )().( −Γ+−Γ+= [7]

fci= Factor de corrección para el mes i. BSi= Temperatura media de la estación base para el mes i. Γi= Gradiente para el mes i. hBS= Altitud de la estación base. hNNRk= Altitud de la grilla NCEP NCAR para el nivel de presión k. hx= Altitud en un punto “x” donde se desea corregir en función de los datos NCEP NCAR. NNRi

k= Temperatura media NCEP NCAR original para el nivel k y mes i. La confiabilidad de las correcciones son analizadas con el RMSE (Ecuación 2 aplicado a Temperaturas) y el coeficiente de correlación CC. Mayor detalle de la metodología de corrección se describe en Rau et al. (2013).

UNALM, UNI, UNMSM



4

Andes ubicacion Region Estacion SENAMHI in-situ Temperatura media

(°C/año)

Precipitacion total

(mm/año)

Tendencia

Precipitacion

Tendencia

Temperatura

(°C/año)

QUEROCOCHA (3955 m asl) 7.7 1074.7 - -

RECUAY (3394 m asl) 12.3 836.6 - NS

LAMPAS ALTO (4030 m asl) 5.9 758.9 - -

MARAÑON CHAVIN (3210 m asl) 13.0 725.7 - -

MANTARO MARCAPOMACOCHA (4479 m asl) 4.3 1149.3 NS NS

OCOÑA PULLHUAY (4600 m asl) 12.3 644.3 NS -

ANDAHUA (3587 m asl) 10.1 380.3 NS -

CHIVAY (3633 m asl) 10.0 406.4 NS S (+0.02)

CONDOROMA (4160 m asl) 5.2 649.3 - -

PORPERA (4195 m asl) 4.9 613.6 NS -

SIBAYO (3810 m asl) 8.3 586.8 NS S (+0.01)

TISCO (4175 m asl) 6.8 690.3 NS -

PAÑE (4605 m asl) 3.3 757.5 - -

AGUADA BLANCA (3855 m asl) 5.0 221.4 - -

EL FRAYLE (4060 m asl) 4.7 301.1 NS S (+0.03)

IMATA (4519 m asl) 3.0 550.3 NS NS

LAS SALINAS (4310 m asl) 4.5 333.9 NS -

PAMPA DE ARRIEROS (3715 m asl) 7.6 269.7 NS -

PILLONES (4360 m asl) 3.2 404.0 NS -

LA ANGOSTURA (4150 m asl) 5.4 848.3 NS S (+0.03)

YAURI (3927 m asl) 6.5 804.8 - -

SICUANI (3574 m asl) 11.0 671.0 NS -

POMACANCHI (3700 m asl) 9.9 816.7 - -

CCATCA (3729 m asl) 8.2 609.1 NS -

COLQUEPATA (3729 m asl) 10.3 501.4 NS -

JULIACA (4350 m asl) 10.3 614.2 - -

CABANILLAS (3900 m asl) 9.2 654.9 - S (+0.002)Andes del Sur TITICACA

Andes Centrales, cadena Oeste

QUILCA

Andes Centrales, cadena Central

APURIMAC

Andes Centrales, cadena Este

URUBAMBA

Andes del NorteSANTA


COLCA

Figura 1.- Mapa de estaciones y cuencas hidrográficas

Tabla 1.- Estaciones SENAMHI y tendencias

UNALM, UNI, UNMSM

Evaluación de resultados

ANALISIS DE TENDENCIAS De la Tabla 1, se concluye que no existen tendencias de precipitación, las cuales se categorizan como No Significativa (NS) en todas las estaciones analizadas, para un 99% de confianza con el test de Mann-Kendall, asimismode quiebres arrojan que no existen años significativos consideren un punto de quiebre en la seriePettitt. Para las temperaturas, 4 estaciones ubicadas en el Sur de los Andes Centrales próximos entre si presentan tendencias positivas significativas (S) al 99% de confianza para Chivay; +0.03°C/año para El Frayle; +0.03°C/La Angostura y +0.01°C/año para Sibayoestación Imata que se ubica en la misma región ntendencias significativas. Los puntos de quiebressignificativos con el test de Pettitt al 99% interesante notar que ni las precipitaciones ni tempelas series analizadas que inician desde 1964influenciadas por el salto climático de 1976cual están relacionados anomalías únicas sobre el Océano Pacifico y es un tema de investigación sobre su influencia en las variables hidrológicas en Sudamérica 1997; Perez et al., 1998). DATOS IN-SITU Y TRMM La Figura 2, muestra el comportamiento estacional de las diferencias aritméticas entre los datos TRMM y los datos insitu. En general hay una subestimación de los datos TRMM con respecto a los datos in situ en el excepción de las estaciones Colquepata y Pampacolca.estación Colquepata, perteneciente a la regise halla más próxima a la vertiente amazPampacolca que se halla más próxima al Pac

Figura 2.- Variación estacional de Enero a Diciembre, diferencias entre los datos TRMM y datos in situ. La regionalización obtenida y las grillas TRMM emplmuestran en la Tabla 2. A continuación sla corrección del TRMM en razón de no obtener buenas aproximaciones con el RMSE y el CC.



De la Tabla 1, se concluye que no existen tendencias de como No Significativa

(NS) en todas las estaciones analizadas, para un 99% de Kendall, asimismo los análisis

que no existen años significativos que consideren un punto de quiebre en la serie con el test de

Para las temperaturas, 4 estaciones ubicadas en el Sur de los entre si presentan tendencias

de confianza (+0.02°C/año El Frayle; +0.03°C/año para

año para Sibayo), sin embargo la estación Imata que se ubica en la misma región no presenta

Los puntos de quiebres fueron no 99% de confianza. Es

interesante notar que ni las precipitaciones ni temperaturas en que inician desde 1964 están

1976 (Miller, 1994) al cual están relacionados anomalías únicas sobre el Océano Pacifico y es un tema de investigación sobre su influencia en las variables hidrológicas en Sudamérica (Rosenblüth et al,

l comportamiento estacional de las entre los datos TRMM y los datos in-

n de los datos TRMM respecto a los datos in situ en el periodo húmedo a

n de las estaciones Colquepata y Pampacolca. La Colquepata, perteneciente a la región Urubamba que

la vertiente amazónica y la estación xima al Pacífico.

de Enero a Diciembre, de las diferencias entre los datos TRMM y datos in situ.

La regionalización obtenida y las grillas TRMM empleadas se A continuación se procedió a realizar

de no obtener buenas

Tabla 2.- Estaciones de precipitación in situ (SENAMHI) y correspondencia con las grillas TRMM. A modo de ejemplo se muestran lmes de Enero (Figura 3) en la cual, el aproxima la pendiente lineal acorrigiendo de este modo la pendientelos TRMM originales. El modelo multiplicativo lograla pendiente en un valor de 0.830. Elcorrelación CC es superior a 75 % A nivel anual esta corrección es mucho más significativa especialmente con el modelo aditivo (Figura 4).

Figura 3.- Regresión lineal sin término constante entre los datos SENAMHI, TRMM corregido con elen el mes de enero sobre la región R2.

Figura 4.- Precipitaciones totales anualesestimadas por el TRMM sin correccimodelo aditivo (TRMM A) y modelo

y = 0.5092x

CC = 77%

y = 0.9836x

CC = 78%

0

50

100

150

200

250

300

0 50 100

TR

MM

(m

m)

P SENAMHI ENE (mm)

TRMM original TRMM Aditivo

5

Estaciones de precipitación in situ (SENAMHI) y

TRMM.

A modo de ejemplo se muestran los resultados para R2 para el en la cual, el modelo aditivo

lineal a 0.983 (cerca a la unidad), la pendiente de 0.509 obtenida con

TRMM originales. El modelo multiplicativo logra corregir la pendiente en un valor de 0.830. El coeficiente de

75 % en todos los casos. A nivel anual esta corrección es mucho más significativa especialmente con el modelo aditivo (Figura 4).

Regresión lineal sin término constante entre los datos SENAMHI, TRMM corregido con el modelo aditivo y multiplicativo en el mes de enero sobre la región R2.

Precipitaciones totales anuales in situ (SENAMHI),

TRMM sin corrección (TRMM), corregidas por el modelo multiplicativo (TRMM M).

y = 0.8309x

CC = 78%

150 200 250

P SENAMHI ENE (mm)

TRMM Aditivo TRMM Multiplicativo

UNALM, UNI, UNMSM

DATOS IN-SITU Y NCEP NCAR De acuerdo a la Tabla 1, las temperaturas anuales invarían desde 13°C en la estación Chavin estación Imata. El 44% de las estaciones están ubicadas por encima de los 4000 m, el 48% entre 3500 entre 3000 y 3500 m. Es posible obtener una inversa entra altitud y temperatura tal como seFigura 5, en la cual no se considero las estacionescorta menor a diez años o influenciados por fenómenos de radiación relacionados con la transm(Baigorria et al, 2004), resultando una relación directa altitud y temperatura (estaciones Pullhuay especialmente en zonas cercanas al AltiplanoLa Figura 5, muestra un gradiente adiabático anual°C/100 m, este valor es mayor que el típico valor de 0.6 asumido clásicamente en los modelos climáticos 1985). En general estas regiones ubicadas en los Andes presentan rangos de gradiente adiabáticocadenas montañosas, por tal razón se estimaron gradientes a nivel mensual y se muestran en la Tabla 4

Figura 5.- Relación inversa entre temperaturas anuales SENAMHI y la altitud.

Mes Ene Feb Mar

CC (%) 91 89 90

Γ (°C/100m) -0.79 -0.79 -0.77

Mes Jul Ago Sep

CC (%) 89 90 91

Γ (°C/100m) -1.13 -1.10 -1.06

Tabla 3.- Gradientes mensuales (monthly lapse rateslos Andes del Norte y Centrales del Peru, con el coeficiente de correlación (CC) asociado.

Empleando la ecuación 6, se obtuvieron los patrones mensuales entre los datos in-situ y NCEP NCAR, las cuales tienen una variación desde los 10°C in los Andes del Norte hasta 0.4°C en los Andes Centrales para 600 y 700 hPa. La Figura 6 muestra estas variaciones para 7año promedio. Las grillas y el periodo común entre ambas fuentes de datos se muestran en la Tabla 4Finalmente aplicando la ecuación 7 y en función de las estaciones base identificadas para cada grilla NCEP NCARsegún los resultados anteriores, se obtuvieron las correcciones de los datos NCEP NCAR, el cual equivale a

y = -111.73x + 4751.9CC = 92%

3000

3200

3400

3600

3800

4000

4200

4400

4600

4800

2.0 4.0 6.0 8.0

Alt

itud

e (m

asl

)

Mean annual temperature (ºC)SENAMHI



De acuerdo a la Tabla 1, las temperaturas anuales in-situ, Chavin hasta 3°C para la

de las estaciones están ubicadas por 3500 y 4000 m y el 8%

Es posible obtener una relación lineal tal como se muestra en la

las estaciones con serie corta menor a diez años o influenciados por fenómenos de

misividad atmosférica una relación directa entre

(estaciones Pullhuay y Cabanillas) Altiplano.

adiabático anual de 0.9 , este valor es mayor que el típico valor de 0.6

asumido clásicamente en los modelos climáticos (Tabony, estas regiones ubicadas en los Andes

rangos de gradiente adiabático diferentes a otras por tal razón se estimaron dichos

y se muestran en la Tabla 4.

inversa entre temperaturas anuales SENAMHI y

Abr May Jun

93 90 85

-0.78 -0.99 -1.16

Oct Nov Dic

91 90 89

-0.97 -0.94 -0.88

mensuales (monthly lapse rates) estimados para los Andes del Norte y Centrales del Peru, con el coeficiente de

la ecuación 6, se obtuvieron los patrones situ y NCEP NCAR, las cuales

n los Andes del Norte para 600 y 700 hPa. La

para 700 hPa durante un Las grillas y el periodo común entre ambas

en la Tabla 4. aplicando la ecuación 7 y en función de las

estaciones base identificadas para cada grilla NCEP NCAR anteriores, se obtuvieron las correcciones

equivale a determinar series

Tabla 4.- Estaciones in-situ y grillas NCEP NCAR.

Figura 6.- Variación mensual de la temperatura entre datos inNCEP NCAR para 700 hPa en estaciones representativas. de temperatura en cualquier puntodentro del alcance de su grilla. Estocoincidir con el resto de puntos (medidos y de esta forma se evaluaron las correcciones considerando la metodología del RMSE y CC.

La Figura 7 representa un punto para la grilla 700hPa coincidente con la estacióncorrecciones se consideran satisfactorias con una del error RMSE de 50% a 18% correlación con el CC del 22 % al 85%. Figura 8 representa a la estación Cocorrección se considera satisfactoriaobtenidos en el resto de estaciones a excepción de las que se ubican en la región de los Andes del Sur (Vertiente del Titicaca) en donde fue posible reducir el RMSE pero disminuyendo el CC, en razón del comportamiento directo de la temperatura con la altitud en dichas regiones de planicie.

111.73x + 4751.9CC = 92%

10.0 12.0 14.0

Mean annual temperature (ºC)

Andes ubicacion Estacion SENAMHI in-situ

QUEROCOCHA (3955 m asl)

RECUAY (3394 m asl)

LAMPAS ALTO (4030 m asl)

CHAVIN (3210 m asl)

MARCAPOMACOCHA (4479 m asl)

PULLHUAY (4600 m asl)

ANDAHUA (3587 m asl)

CHIVAY (3633 m asl)

CONDOROMA (4160 m asl)

PORPERA (4195 m asl)

SIBAYO (3810 m asl)

TISCO (4175 m asl)

PAÑE (4605 m asl)

AGUADA BLANCA (3855 m asl)

EL FRAYLE (4060 m asl)

IMATA (4519 m asl)

LAS SALINAS (4310 m asl)

PAMPA DE ARRIEROS (3715 m asl)

PILLONES (4360 m asl)

LA ANGOSTURA (4150 m asl)

YAURI (3927 m asl)

SICUANI (3574 m asl)

POMACANCHI (3700 m asl)

CCATCA (3729 m asl)

COLQUEPATA (3729 m asl)

JULIACA (4350 m asl)

CABANILLAS (3900 m asl)

Andes Centrales, cadena Central

Andes Centrales, cadena Este

Andes del Sur

Andes del Norte



6

situ y grillas NCEP NCAR.

Variación mensual de la temperatura entre datos in-situ y 00 hPa en estaciones representativas.

de temperatura en cualquier punto topográfico natural ubicado dentro del alcance de su grilla. Estos puntos fueron hechos

puntos (estaciones) que poseen datos y de esta forma se evaluaron las correcciones

considerando la metodología del RMSE y CC.

7 representa un punto para la grilla (77.5˚W, 10˚S) a estación Lampas Alto, donde las

correcciones se consideran satisfactorias con una reducción 18% y un incremento de la

con el CC del 22 % al 85%. Del mismo modo, la a la estación Condoroma, en donde al

corrección se considera satisfactoria. Estos resultados son el resto de estaciones a excepción de las que se

ubican en la región de los Andes del Sur (Vertiente del Titicaca) en donde fue posible reducir el RMSE pero

nuyendo el CC, en razón del comportamiento directo de la temperatura con la altitud en dichas regiones de planicie.

Estacion SENAMHI in-situ Grilla NNRPeriodo comun entre

NNR y SENAMHI

77.5W, 10S 1966 - 1973

77.5W, 10S 1965 - 2007

77.5W, 10S 1957 – 1972

77.5W, 10S 1986 - 2007

MARCAPOMACOCHA (4479 m asl) 77.5W, 12.5S 1969 - 2004

72.5W, 15S 2003 - 2007

72.5W, 15S 2000 – 2007

72.5W, 15S 1964 – 2007

72.5W, 15S 1977 – 1995

72.5W, 15S 2003 – 2007

72.5W, 15S 1951 – 2007

72.5W, 15S 2003 – 2007

70W, 15S 1951- 1973/1992-2000

AGUADA BLANCA (3855 m asl) 72.5W, 15S 1991 – 2000

70W, 15S 1963 – 2007

70W, 15S 1949 – 2007

70W, 17.5S 2003 – 2007

PAMPA DE ARRIEROS (3715 m asl) 72.5W, 15S 1999 – 2007

70W, 15S 2003 - 2007

72.5W, 15S 1961 - 2007

72.5W, 15S 1964–1978/1986-2007

70W, 15S 1987 - 2007

72.5W, 15S 1985 – 2007

72.5W, 12.5S 1964-1983/1986-2007

72.5W, 12.5S 2001 – 2007

70W, 15S 1961-1995, 2007

70W, 15S 1964 - 2007

UNALM, UNI, UNMSM

Figura 7.- Dispersión entre datos in-situ y NCEP NCAR originales (NNRo) y NCEP NCAR corregidos (NNRc) para Lampas Alto.

Figura 8.- Dispersión entre datos in-situ y NCEP NCAR originales (NNRo) y NCEP NCAR corregidos (NNRc) para Condoroma.

Aplicaciones

Las zonas de montaña con tendencia temperatura y sin tendencia significativa en la precipitación, y dependiendo de su ubicación, éstas pueden influenciar en el comportamiento de los glaciares cercanos, al no presentar condiciones suficientes para la acumulación de nieve.



situ y NCEP NCAR originales (NNRo) y NCEP NCAR corregidos (NNRc) para Lampas Alto.

situ y NCEP NCAR originales (NNRo) y NCEP NCAR corregidos (NNRc) para Condoroma.

zonas de montaña con tendencia positiva en la temperatura y sin tendencia significativa en la precipitación, y

ubicación, éstas pueden influenciar en el comportamiento de los glaciares cercanos, al no presentar condiciones suficientes para la acumulación de nieve.

La confiabilidad de los modelos de corrección de los datos TRMM para ciertas regiones y meses enherramienta útil para la obtención de registros de precipitación total mensual en cuencas sin medición desde el año 1998. El modelo de corrección propuesto para los datos NCEP NCAR en ciertas regiones, ofrecen una herramienta útil parla obtención de registros de temperatura media mensual en cuencas sin medición desde el año 1949. Estas variables corregidas sirven diversos modelos hidrológicosevapotranspiración potencial (ETP)la estimación de este parámetro en cuencas sin medición. Conclusiones

Para las regiones montañosas por encima de los 3000 msnm, las series de temperatura anual en las estaciones inpresentaron tendencias positivasprueba de Mann-Kendall a un 99% de nivel de confianza con los siguientes valores: +0.02°C/año para Chivay, +0.03°C/año para El Frayle; +0.03°C/año para La Angostura y +0.01°C/año para Sibayo, las cuales se hallan próximas entre si en la regiónSur de los Andes Centrales. Las precipitaciones no presentaron tendencias significativas en ninguna región analizada. Para ambas variables no se detectaron puntos de quiebres en las series mediante la prueba de Pettitt. Con estos resultados, podemos infeAndes Centrales desarrollan un obstáculo significativo para la formación de nieve en un mediano plazo de 10 atendencias positivas de temperatura pueden alcanzar los 0.3°C. Sobre los datos de precipitación de octubre a marzo, los datos in situ son mayores al TRMM, estas diferencias son muy notorias en las estaciones de Janacancha (R4, región Quilca) y Colquepata (R6, regiónUrubamba). En el periodo de mayo a agosto,estima los datos in situ. Dos modelos estadísticos son planteadoslos datos de TRMM, uno aditivo y otro multiplicativo. Elmodelo aditivo ofrece buenas aproximacionesSanta (R1), Pacífico Norte (R2), Colca (R3), Quilca (R4), Apurímac (R5) y Ocoña (R7). El modelo multiplicativomejores resultados en la región Alto

Sobre los datos de temperatura y NCEP NCARempleo de un gradiente adiabáticocon los datos in-situ, con fines delas grillas NCEP NCAR para 600 y 700 hPa. permitió corregir los datos de temperaturafunción de estaciones base in-situ los Andes del Norte y Centrales. Para loposible obtener resultados aceptables

7

La confiabilidad de los modelos de corrección de los datos TRMM para ciertas regiones y meses en el año, ofrecen una herramienta útil para la obtención de registros de precipitación total mensual en cuencas sin medición desde el año 1998.

El modelo de corrección propuesto para los datos NCEP NCAR en ciertas regiones, ofrecen una herramienta útil para la obtención de registros de temperatura media mensual en cuencas sin medición desde el año 1949.

sirven como datos de entrada en modelos hidrológicos para el cálculo de la

(ETP), logrando indirectamente la estimación de este parámetro en cuencas sin medición.

Para las regiones montañosas por encima de los 3000 msnm, las series de temperatura anual en las estaciones in-situ presentaron tendencias positivas significativas mediante la

a un 99% de nivel de confianza con los siguientes valores: +0.02°C/año para Chivay, +0.03°C/año para El Frayle; +0.03°C/año para La Angostura y +0.01°C/año

, las cuales se hallan próximas entre si en la región Sur de los Andes Centrales. Las precipitaciones no

tendencias significativas en ninguna región variables no se detectaron puntos de

quiebres en las series mediante la prueba de Pettitt.

resultados, podemos inferir cuales áreas en los Andes Centrales desarrollan un obstáculo significativo para la formación de nieve en un mediano plazo de 10 años. Las tendencias positivas de temperatura pueden alcanzar los

y TRMM 3B43, en el período datos in situ son mayores al TRMM,

diferencias son muy notorias en las estaciones de Quilca) y Colquepata (R6, región

Urubamba). En el periodo de mayo a agosto, el TRMM sobre

Dos modelos estadísticos son planteados para la corrección de uno aditivo y otro multiplicativo. El

modelo aditivo ofrece buenas aproximaciones en las regiones (R2), Colca (R3), Quilca (R4),

(R5) y Ocoña (R7). El modelo multiplicativo brinda mejores resultados en la región Alto Marañón (R9).

y NCEP NCAR, se propone el gradiente adiabático regional mensual obtenido

fines de corregir las temperaturas en para 600 y 700 hPa. La metodología

permitió corregir los datos de temperatura NCEP NCAR en situ de manera satisfactoria para

los Andes del Norte y Centrales. Para los Andes del Sur no fue posible obtener resultados aceptables.

UNALM, UNI, UNMSM



8

Referencias Bibliográficas

Adeyewa, Z. and Nakamura, K. (2003). Validation of TRMM radar rainfall data over climatic regions in Africa. American Meteorological Society, 42: 331-347. Baigorria G., Villegas E., Trebejo I., Carlos J. and Quiroz R., 2004. Atmospheric Transmissivity: Distribution and empirical estimation around the Central Andes, International Journal of Climatology 24. Barry, R.G. (2008). Mountain Weather and Climate. 3rd edition, Cambridge University Press, Cambridge, 506 pp . Bell, T. Abdullah, A. Martin, L. and North, G. (1990). Sampling errors for satellite-derived tropical rainfall: Monte Carlo study using a space-time stochastic model. J. Geo. Res., 95 (D3), 2195-2205. Beniston, M. Diaz, H.F. and Bradley, R.S. (1997). Climatic change at high elevation sites an overview. Climatic Change, 36, Kluwer Academic Publishers. Netherlands, 233-251. Boyer J.F., 2002. Logiciel Khronostat d’analyse statistique de séries chronologique, IRD UR2, Equipe Hydrologie UMRGBE, Université de Montpellier II, Ecole des Mines de Paris, France. Chiew F. and Siriwardena L. 2005. Trend/Change detection software: User guide, CRC for Catchment Hydrology, Australia. Collischonn, B. Collischonn, W. and Morelli, C. (2008). Daily hydrological modeling in the Amazon basin using TRMM rainfall estimates. Journal of Hydrology, 330 (1-4): 207-216. Condom, T. Rau, P. and Espinoza, J.C. (2011). Correction of TRMM 3B43 monthly precipitation data over the mountainous areas of Peru during the period 1998–2007. Hydrol. Process., 25: 1924–1933. doi: 10.1002/hyp.7949 Endreny T, Imbeah N. (2009). Generating robust rainfall intensityduration- frequency estimates with short-record satellite data. Journal of Hydrology 371: 182–191.

Espinoza, J.C. Ronchail, J. Guyot, J.L. Cochonneau, G. Naziano, F. Lavado, W. De Olivieira, E. Pombosa, R. Vauchel, P. (2009a). Spatio-temporal rainfall variability in the Amazon basin countries (Brazil, Peru, Bolivia, Colombia and Ecuador). International Journal of Climatology 29: 1574–1594.

Espinoza, Villar J. C., J. L.Guyot, J. Ronchail,G. Cochonneau, N.

P. Filizola, P. Fraizy, D. Labat, E. De Oliveira, J. J. Ordoñez Gálvez, and P. Vauchel (2009b), Contrasting regional discharge evolutions in the Amazon basin (1974–2004), J. Hydrol., 375(3-4), 297–311.

Franchito, S.H. Brahmananda, R. Vasques, A.C. Santo, C.M. and Conforte, J.C. (2009). Validation of TRMM precipitation radar monthly rainfall estimates over Brazil. J. Geophys. Res. 114 D02105, doi:10.1029/2007JD009580. Gao, L. Bernhardt, M. and Schulz, K. 2012. Downscaling ERA-Interim temperature data in complex terrain. Hydrology and Earth System Sciences., 9, 5931–5953, 2012. Garreaud, R., Vuille, M. and Clement A.C. (2003). The climate of the Altiplano: observed current conditions and mechanisms of past changes. Palaeogeography Palaeoclimatology, Palaeoecology, 194, 1(3): 5-22. Hughes, D.A. 2006. Comparison of satellite rainfall data with observations from gauging station networks. Journal of Hydrology 327: 399–410.

Jones, P. and Hulme, M. (1996). Calculating regional climatic time series for temperature and precipitation: methods and illustrations. Inter. J. Climatology, 16, 361-377. Kendall, M.G. and Stuart, A. 1968. The Advanced Theory of Statistics. Hafner Publishing Company, New York. Kendall, M.G. 1975. Rank Correlation Methods, Charles Griffin, London UK. Kistler, R. Kalnay, E. Collins, W. Saha, A. White, G. et al. 2001. The NCEP–NCAR 50-Year Reanalysis: Monthly Means CD-ROM and Documentation. Bulletin of the American Meteorological Society, Vol. 82, No. 2. Kunkel, E.K. 1989. Simple Procedures for Extrapolation of Humidity Variables in the Mountainous Western United States. Journal of Climate., 2, 656–669, 1989.

Laraque, A. Ronchail, J. Cochonneau, G. Pombosa, R. Guyot, J.L. 2007. Heterogeneous distribution of rainfall and discharge regimes in the Ecuadorian Amazon basin. Journal of hydrometeorology 8: 1364–1381. Lavado, W. Labat, D. Ronchail, J. Espinoza, J.C. and Guyot J. 2012. Trends in rainfall and temperature in the Peruvian Amazon-Andes basin over the last 40 years (1965-2007). Hydrological Processes, doi: 10.1002/hyp.9418. Lavado, C.W.S., Labat, D., Guyot, J.L., Ronchail, And Ordoñez, J.J., 2009. TRMM rainfall data estimation over the Peruvian Amazon-Andes basin and its assimilation into monthly water balance models. New Approaches to Hydrological Prediction in Data Sparse Regions (Proc. of Symposium HS.2 at the Joint IAHS & IAH Convention, Hyderabad, India, September 2009). IAHS Publ. 333, 2009.

Liston, G.E. and Elder, K. 2006. A meteorological distribution system for high-resolution terrestrial modeling (MicroMet). Journal of Hydrometeorology., 7, 217–234, 2006. Maidment, D. R. (1993). Handbook of Hydrology. Mc Graw Hill. United States. North, G. and Nakamoto, S. (1990). Formalism for comparing rain estimation designs. J Atmos. Ocean. Technol. 6: 985-992. Perez, C. Poveda, G. Mesa, O. Carvajal, L. and Ochoa, A. 1998. Evidencias de cambio climático en Colombia: Tendencias cambios de fase y amplitud de los ciclos anual y semianual. Bulletin Institut Français d’Etudes Andines 27 (3): 537-546. Pettitt, A.N. 1979. A non-parametric approach to change point problem, Appl. Stat. 28:126-135. Pouyaud, B. Vignon,, F. Yerren, J. and Suarez, W. (2003). Glaciares y Recursos Hídricos en la Cuenca del Santa. IRD, SENAMHI, INRENA UGRH, EGENOR, report, 41p. Rau, P. and Condom, T. (2010). Análisis espacio temporal de la precipitación en las zonas de montaña de Perú (1998-2007). Revista Peruana Geo atmosférica RPGA (2) 16-29. Rau, P. Condom, T. and Lavado, W. (2013). Spatio-temporal analysis of monthly temperature in the mountainous regions of Peru. An approach for NCEP NCAR Reanalysis data correction. (in press) Proceedings of the 35th IAHR World Congress, Chengdu, China. Ronchail, J. Gallaire, R. 2006. ENSO and rainfall along the Zongo valley (Bolivia) from the Altiplano to the Amazon basin. International Journal of Climatology 26: 1223–1236.

UNALM, UNI, UNMSM



9

Rosenblüth, B. Fuenzalida, H. Aceituno, P. (1997). Recent temperature variations in southern South América. International Journal of climatology, vol. 17, 67–85. Rusticucci, M. and Kousky, V. 2002. A Comparative Study of Maximum and Minimum Temperatures over Argentina: NCEP–NCAR Reanalysis versus Station Data. Journal of Climate, 2002, vol 15 No. 15, 2089-2101. Salarijazi, M. Akhond-Ali, A. Adib, A. and Daneshkhah, A. 2012. Trend and change-point detection for the annual stream-flow series of the Karun River at the Ahvaz hydrometric station, African Journal of Agricultural Research Vol. 7(32), pp.4540-4552, 21. Schaefli, B. Hingray, B. Niggl, I. and Musy, A. (2005). A conceptual glacio-hydrological model for high mountainous catchments. Hydrology and Earth System Sciences 9:95-109.

Shin, K., and North, G. (1988). Sampling errors study for rainfall estimate using a stochastic model. J. Applied Meteorology. 27: 1218-1231. Tabony, R.C. 1985. The variation of surface temperature with altitude, Meteorol. Mag., 114, 37–48. Wilk, J. Kniveton, D. Andersson, L. Layberry, R. Todd, M.C. Hughes, D. Ringrose, S. and Vanderpost, C. 2006. Estimating rainfall and water balance over the Okavango River Basin for hydrological applications. Journal of Hydrology 331: 18–29. World Meteorological Organization. 2003. Climate: Into the 1st Century, Cambridge University Press, UK.

Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del...

Engineering

Transcript of Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del...