Universidad de CuencaDoctorado en RRHH

Curso de Análisis Espacial

Angel Vázquez–Patiñoangel.vazquezp@ucuenca.edu.ec

26 de febrero de 2016

Regionalización del clima en Sudamérica mediante agrupamiento

jerárquico aglomerativo

Regionalización

División en zonas con características homogéneas teniendo en cuenta métricas climáticas que sean las más relevantes y en una resolución apropiada acorde a los datos y la pregunta científica.

Paso importante en estudios de variabilidad climática y tiene el potencial de mejorar la precisión y el poder de distinguir mecanismos responsables de la variación espacio–temporal en cada región.

Objetivo

Análisis de Agrupamiento (AA) utilizando una o más variables

Utilizar AA jerárquico novedoso y diseñado específicamente para regionalización climática

Precipitación dominada por la diferencia estacional

Sudamérica [-81.31, -34.8; -50, 12.42].

Método

AAjerárquicos

Divisivos y Aglomerativos

no-jerárquicosMétodo de Agrupamiento Jerárquico Aglomerativo (AJA)✔

fácil definicióndeterminísticos, más informativos y previsiblesfácil validación de los resultados

╳unidireccionalessensibles al ruido en los datos. Componentes Principales (ACP)

Método

Método AJA regional linkage (Badr et al., 2015)HiClimREste método adopta un criterio de validación (Dezfuli, 2011)Nivel satisfactorio

regiones homogéneasgeográficamente contiguas

Criterios, simultáneamenteminimizar la correlación inter–regionalmaximizar la correlación intra–regional.

Método

N elementos espaciales, cada elemento con una serie temporal de longitud M, para ser divididos en k regiones

En el método de actualización de regional linkage, la similitud entre grupos se mide mediante la correlación r de Pearson entre las series de tiempo promedio de cada región

Método

Corte óptimo determinado minimizando las correlaciones inter–regionalesDendrograma

Método

Misión de medición de lluvia tropical (TRMM)Escala mensual [01/1999–12/2013] a 0,25° (27,84 km)Datos dominados por las diferencias en el ciclo estacional, se usó la medianaCada elemento espacial (N=186 250) con longitud de serie temporal M=12⨉

Datos

Resultados

Tabla 1: total acumulado del porcentaje de la varianza de los datos de entrada explicados de acuerdo al número de componentes principales (CP).

Resultados

Dendrograma

nCP : 0α : 0.01R : 30

nCP : 9α : 0.01R : 33

nCP : 0α : 0.05R : 14

nCP : 9α : 0.05R : 10

nCP : 0R : 7

nCP : 9R : 7

nCP : 0R : 5

nCP : 9R : 5

nCP : 0R : 4

nCP : 9R : 4

nCP : 0R : 3

nCP : 0R : 2

Conclusiones

1. El significado físico de las regiones depende de la naturaleza de las series de datos.2. El preprocesamiento tiene impacto en los resultados. Dependiendo de la pregunta

científica, se debe evaluar el uso de métodos de detrending, estandarización, ACP, etc.3. El número de regiones a estudiar dependerá de la pregunta científica y la evaluación

de las regiones generadas dependerá del conocimiento previo del área de estudio.4. En general, sin tener un conocimiento del área, la regionalización climática sería un

punto de partida potencialmente eficaz para conocer la variabilidad climática de la variable estudiada.

5. Se podría mejorar los resultados utilizando otras variables en el proceso de regionalización (e.g., temperatura). Esto es posible con el método regional linkage y se presenta como un ejercicio de regionalización multivariable para mejorar el estudio de la variabilidad estacional en el área de estudio.

Agradecimientos

Daniela Ballari

Lenin Campozano

Preguntas

Referencias

Badr, H.S., Zaitchik, B.F., Dezfuli, A.K., 2015. A tool for hierarchical climate

regionalization. Earth Science Informatics 8, 949–958. doi:10.1007/s12145-

015-0221-7

Dezfuli, A.K., 2011. Spatio-temporal variability of seasonal rainfall in western

equatorial Africa. Theoretical and Applied Climatology 104, 57–69.

doi:10.1007/s00704-010-0321-8