Las estaciones utilizadas estaban a elevaciones que iban desde los 59 msnm hasta

los 4541 msnm. Los datos de precipitacion, elevación y ubicación de las estaciones

se muestra a continuación.

Datos de las estaciones utilizadas.

 

Cuando la correlación precipitación elevación no es suficiente

Muchos vectores regionales de precipitación regional solo consideran la relacion

lineal de precipitación con elevación. Esto puede ser práctico para cuencas entre

60 km2 a 180 km2. Si estamos tratando con escalas regionales mayores a 10000

km2 entonces otros factores como la latitud y longitud pueden tener una mayor

influencia en la precipitación.

A continuación vemos un gráfico donde se muestra que la relación lineal y directa

entre precipitación - elevación para un área de estudio de 74 000 km2 ya no se

cumple. La precipitación sube con la elevación hasta cotas menores a 4000m,

luego disminuyen a medida que sube la elevación.

Elevación (msnm)

Precipitacion (mm/año)

Distribución de la elevación y precipitación en la zona de estudio.

 

Finalmente el código

Y por último, se muestra el código en Python que realiza la regresión multilineal

que corelaciona la latitud, longitud y elevación con la precipitación.

from sklearn import linear_model

from numpy import genfromtxt

### importamos los datos como un elemento de numpy

mis_datos = genfromtxt('Variables_Climaticas.csv', delimiter=',')

mis_datos_corr = mis_datos[1:,:]

mis_datos_corr

### generamos la correlacion lineal con LinearRegresion

clf = linear_model.LinearRegression()

clf.fit(mis_datos_corr[:,1:],mis_datos_corr[:,:1])

### imprimimos los coeficientes

clf.coef_

### imprimimos el factor independiente

clf.intercept_

### vemos los valores predecidos con a correlacion

clf.predict(mis_datos_corr[:,1:])

 

Corriendo este código podemos llegar a la siguiente ecuación del vector regional:

Precipitación (mm/año) = 38.14 x Longitud° + 235.78 x Latitud°

+ 0.03887 x Elevación (msnm) + 6975.33