Meteorologa Colombiana N 1 pp.25 - 30 Marzo, 2000 Santa Fe de Bogot D.C.

ISSN-0124-6984



IMPLEMENTACION DEL METODO DE GANDIN PARA INTERPOLAR DATOS DE
PRECIPITACION EN COLOMBIA (
*
)


GERARDO DE J. MONTOYA G., JESS A. ESLAVA R.
Profesores - Departamento de Geociencias, Universidad Nacional de Colombia
Investigadores Proyecto Proyecciones climticas e impactos socioeconmicos del cambio climtico en Colombia"

ANDRES F. CALDERON D., FERNANDO VEGA H
Coinvestigadores Proyecto Proyecciones climticas e impactos socioeconmicos del cambio climtico en Colombia"

Montoya, G., J. Eslava, A. Caldern & H. Vega. (2000): Implementacin del mtodo de Gandin para interpolar datos de
precipitacin en Colombia. Meteorol. Colomb. 1:25-30. ISSN 0124-6984. Santa Fe de Bogot, D.C. Colombia.


RESUMEN

Se aplica el mtodo de Gandin para interpolar datos de precipitacin en Colombia. Al comparar
este mtodo con el mtodo de Kriging se observa que para el caso cuando las estaciones
usadas en la interpolacin se encuentran distantes del punto de interpolacin, el mtodo de
Gandin produce mejores resultados. Se concluye que este mtodo puede ser eficientemente
usado para la interpolacin de datos de precipitacin y otros datos meteorolgicos.


ABSTRACT

For the interpolation of Colombian precipitation data the Gandin method was used. When the
Gandian and Kriging methods are comparate, for diferents measuring station of interpolation the
interpolation points, was that are distants of found the Gandin method results are belter. Like
conclusion its method can be used efficiently for interpolations of precipitation data and for others
meteorological data.




(
*
)
Trabajo realizado dentro del marco del Grupo de investigaciones en Meteorologa U.N., que cuenta con el apoyo
financiero de COLCIENCIAS y el BID, contratos COLCIENCIAS-U.N. No.562/98. Forma parte de los resultados del Proyecto
de Investigacin apoyado por COLCIENCIAS y el BID Proyecciones climticas e impactos socioeconmicos del cambio
climtico en Colombia", contrato COLCIENCIAS-U.N. No. 321-98
1. INTRODUCCION

En muchos problemas de ciencias de la tierra como la
meteorologa, la geofsica y en otras ramas de la ciencia
en general, donde se opera con procesamiento de datos
observados, a menudo es necesario recurrir a la
interpolacin (extrapolacin). O sea, estimar el valor de
una variable en un punto donde ella no fue observada
con ayuda de valores observados en puntos vecinos.
Este tipo de problemas aparece por ejemplo; cuando se
desea alimentar modelos hidrolgicos, de prediccin del
tiempo, Gandin (1963), en la solucin del problema
inverso de la geofsica, Herzfeld (1996), etc.

Otra importante aplicacin de la interpolacin se
encuentra en los modelos climticos. Actualmente, el
uso de este tipo de modelos, est bastante popularizado
en estudio de variabilidad e impactos climticos. Sin
embargo, y puesto que los resultados de estos modelos
se presentan en puntos de grilla espaciados a veces
cientos de km., se hace necesario interpolar el efecto en
cualquier otro punto no considerado por la grilla. Hacia la
solucin de este tipo de problema esta orientada la
realizacin del presente trabajo.

El problema de la interpolacin se puede plantear en
forma general de la manera siguiente:

sean f1, f2,.......etc., los valores de una variable
observados en los puntos x1, x2,.......etc., y sea f0 el valor
que se quiere estimar en el punto xo. El valor interpolado
puede ser expresado como una combinacin lineal,

f x p f x p f x etc
0 0 1 1 1 2 2
( ) ( ) ( ) .............. (1)


26 MONTOYA et al.: IMPLEMENTACION METODO DE GANDIN
En donde p1, p2,.....etc., son pesos por el momento
desconocidos y f1, f2,.......etc., algunos de los valores
conocidos de la variable involucrados en la interpolacin.


Los mtodos de interpolacin conocidos en la literatura
se pueden clasificar en mtodos de un nivel y mtodos
de dos niveles. En los esquemas de un nivel, los pesos
de (1) se determinan, simplemente aproximando los
valores observados a una funcin o curva dada. Como
ejemplos de estos mtodos se pueden mencionar; el
mtodo lineal, bilineal, la representacin polinomial
(polinomios de Lagrange, Legendre y otros), el mtodo
Spline, etc. En los mtodos de dos niveles la
interpolacin se realiza en dos etapas: en la primera
etapa se determina una funcin que resuma la estructura
estadstica del campo, (por este motivo estos mtodos se
llaman tambin, mtodos estadsticos), y la cual sirva de
base para calcular los pesos de (1). En la segunda etapa,
los pesos de (1) se calculan a travs de un proceso de
optimizacin (minimizacin); por esta razn, a este tipo
de mtodos tambin se les denomina mtodos de
interpolacin ptima. Como ejemplos de estos mtodos
tenemos el mtodo de Kriging descrito por Matheron
(1971) y el mtodo de Gandin (Gandin, 1963). En el
mtodo de Kriging la estructura estadstica del campo se
explica a travs del Semi-variograma, (ver por ejemplo,
Herzfeld, 1996), y en el mtodo de Gandin los pesos de
(1) se estiman a partir de la funcin de autocorrelacin.


En la solucin de problemas como los mencionados
anteriormente y, en particular, cuando se desea interpolar
datos sobre una superficie, se debe tener especial
cuidado en la eleccin del mtodo de interpolacin. Se
sabe por ejemplo que la precipitacin en Colombia
depende mucho de la orografa; tanto de la altura como
del lado de la montaa expuesto directamente al aire
martimo y hmedo, (fenmeno conocido con el nombre
de Fohen). Estos efectos, en cierta forma son tenidos en
cuenta cuando el mtodo de interpolacin usado
considera la estructura estadstica del campo.


En Colombia se han experimentado varios mtodos para
interpolar datos de precipitacin. Por ejemplo, Saavedra
(1993) us el mtodo Spline y para interpolar totales
anuales de precipitacin, Izquierdo (1993) us el mtodo
de Kriging. Sin embargo, para interpolar totales diarios,
este ltimo mtodo parece ser menos esperanzador,
(comunicacin personal). En meteorologa y en particular
en problemas asociados con modelos de prediccin
numrica, por lo general, se usa el mtodo de Gandin en
alguna de sus variaciones. El propsito de este trabajo es
entonces presentar la estructura del mtodo de Gandin
el cual es poco conocido, Herzfeld (1996). Para verificar
las propiedades del mtodo, los resultados obtenidos
por el mtodo de Gandin se comparan con los obtenidos
por otros mtodos como por ejemplo el mtodo de
Kriging. Puesto que el mtodo de Gandin es una
extensin del mtodo de aproximacin polinomial
propuesto por Cressman (1959), comenzaremos por
presentar algunas de las caractersticas de este ltimo.

2. EL METODO DE LA APROXIMACION
POLINOMIAL

Aplicado a la meteorologa, este mtodo fue inicialmente
propuesto por Panofsky (1949), para describir los
campos de la presin y la temperatura a travs de
polinomios. Posteriormente, el mismo fue desarrollado
por Gilchrist & Cressman (1954) y mejorado por
Cressman (1959). Segn este mtodo, el valor de un
elemento o funcin f en cualquier punto se puede
representar por un polinomio de orden K,

f x y p F
k k
k
K
( , )
1
, (2)

En donde, F1, F2,...., FK son funciones dadas.

Por ejemplo,

F F x F y F xy etc
1 2 3 4
1, , , , .. . , (3)

Evidentemente, en lugar de la representacin (3),
podemos usar otras funciones tales como, por ejemplo
funciones esfricas, trigonomtricas, etc. En la prctica
se usan mas valores observados que coeficientes pK,(fI >
pK ), esto nos conduce a un problema de mnimos
cuadrados para determinar los coeficientes.

Matemticamente este problema se enuncia de la
siguiente manera: encontrar los pesos pK en tal forma
que la siguiente expresin sea mnima,
E f p F
i
i
I
k
k
K
ki
( )
1 1
2
(4)
Al minimizar esta expresin se llega al siguiente sistema
de ecuaciones lineales, tambin llamado sistema de
ecuaciones normales, para determinar los pesos pl:

kl l k
l
K
p C
1
(l=k=1,2,....,K), (5)
en donde,
kl ki li
i
I
F F
1
(6)
y,
C F f
k ki i
i
I
1
(7)

Ntese que kl depende de las funciones dadas en (3) y
Ck depende adems de los valores observados fi.

Calculando la matriz kl, en donde kl es la matriz
inversa a kl, encontramos los pesos de (5) a travs de la
siguiente expresin:
p C
k kl l
l
K
1
, (8)
y el valor interpolado en el punto x0 como,

METEOROLOGIA COLOMBIANA N 1, MARZO DEL 2000 27
f b f
o i i
k
I
1
,
(9)

en donde,

b F
i l il
l
K
1
1
(10)

Para escribir a (10) hemos usado el hecho de que,
eligiendo el origen de coordenadas en el punto (x0, y0) ,
de todos los coeficientes pk necesitamos solo el primero.

Este mtodo fue significativamente mejorado con la
modificacin introducida por Cressman (1959) la cual
consisti en introducir la dependencia del inverso de la
distancia. En este caso, en lugar de la expresin (4) se
intenta minimizar la expresin:

E h f a F
i i k ki
k
K
i
I
( )
2
1 1
(11)

en donde h
i
es, por ejemplo, el inverso de la distancia
desde el punto observado hasta el nodo x
0
,

h
x x y y
i
i i
1
0
2
0
2
( ) ( )
(12)

No es difcil acompaar los cambios que para este caso
se siguen en las expresiones (5)-(10).

Vale la pena observar que de acuerdo a (8) y (9), y tal
como se mencion en la introduccin, la interpolacin en
este caso se reduce a una combinacin lineal de tipo (1).
Como podemos observar, en el mtodo de la
interpolacin polinomial, los pesos pi dependen de las
funciones base, de los valores observados y fuertemente
del inverso de la distancia al punto de interpolacin.


3. EL METODO DE GANDIN

El mtodo de la interpolacin ptima, fue originalmente
formulado por Kolmogorov (1941), y descrita en detalle
posteriormente por Gandin (1963), por lo que en la
posteridad recibi su nombre. No obstante, entre otras
contribuciones al desarrollo de este mtodo podemos
citar a Wiener (1949) quien probablemente fue el primero
en usar el trmino interpolacin ptima, y Thompson
(1961). El mtodo de Gandin se aplica no para la funcin
misma sino para su desviacin del valor medio. Por eso,
asumiremos en lo sucesivo que un elemento f se puede
representar como la suma f f f , en donde,
f es el valor medio y f f f , es la
desviacin. La funcin de autocorrelacin espacial se
define a travs del producto de la variable en dos puntos
diferentes,
j i f
f f j i m ) , (
, (13)

en donde la barra encima del producto indica valor
medio.

En el trabajo original de Gandin esta funcin se llama
funcin de autocovariacin. Para el caso cuando se
cumplen las condiciones de homogeneidad e isotropismo,
la funcin de autocorrelacin depende apenas de la
distancia , y para el caso particular i = j, ella coincide
con la dispersin del elemento. Para el clculo de la
funcin de autocorrelacin se determina en primer lugar
la matriz de autocorrelacin espacial haciendo uso de la
frmula:

n
k
j jk
n
k
i ik
n
k
j jk i ik
ij
f f f f
f f f f
1
2 / 1 2
1
2
1
] ) ( ) ( [
)] )( [(
(14)

Una vez obtenida esta matriz, y suponiendo entonces el
cumplimiento de las condiciones de homogeneidad e
isotropismo, se divide el dominio de la funcin en
intervalos y se agrupan las autocorrelaciones de las
estaciones, cuyas distancias entre ellas, pertenecen a un
mismo intervalo. Posteriormente se divide el resultado
obtenido en cada intervalo por el nmero de
autocorrelaciones presentadas. A manera de ejemplo, en
la Fig.1 se presenta la funcin de autocorrelacin para el
campo de la precipitacin diaria en la Sabana de Bogot,
la lnea continua es una curva de ajuste de los datos de
tipo logartmico.

Para el clculo de esta funcin se utiliz la precipitacin
diaria registrada en 30 estaciones de la Sabana de
Bogot durante 6 meses (186 datos en total en cada
estacin); la ubicacin de estas estaciones se presenta
en la Fig.2.

El segundo paso de la interpolacin se realiza en manera
similar al mtodo polinomial. En esta caso, el valor
interpolado se escribe como;

f p f
i i
i
n
0
1
(15)

En donde pi son pesos por el momento no definidos.
Veamos ahora como ellos se determinan. Suponiendo
inicialmente que los valores f
i
los conocemos en
forma exacta, la expresin a minimizar en este caso es,

E f p f
i i
i
n
( )
0
1
2
(16)


28 MONTOYA et al.: IMPLEMENTACION METODO DE GANDIN
lo que nos conduce al siguiente sistema de ecuaciones
normales:
ij j i
j
n
p
0
1
(17)

Para determinar los pesos pi. en (17),
ij i j
f f ,
0 0 i i
f f
, son los coeficientes de autocorrelacin de
la funcin f

entre los puntos i y j y entre el punto de

interpolacin y el punto i respectivamente. Es entonces
evidente que en el mtodo de la interpolacin ptima los
pesos de la interpolacin ya no dependen ms, como en
el mtodo anterior, de unas funciones dadas y de la
distancia directamente. Esta vez, ellos dependen del
coeficiente de autocorrelacin, o lo que es equivalente,
de la funcin de autocorrelacin que, como se puede
observar en la Fig.1, ella tiene un comportamiento similar


al inverso de la distancia. En el caso cuando los datos
observados contienen errores aleatorios, su influencia en
el clculo del valor interpolado, puede ser excluida
usando en lugar de (17) el siguiente sistema de
ecuaciones normales:


ij j i i
j
n
p p
0
1
(18)

en donde, es la medida del error aleatorio puro,
cometido en la observacin del elemento f. Solucionando
entonces el sistema de ecuaciones (18) obtenemos los
pesos pi y el valor interpolado lo encontramos haciendo
uso de la frmula (15).


4. APLICACION DEL METODO PARA
INTERPOLAR DATOS DE PRECIPITACION.

Con el fin de juzgar sobre las ventajas y desventajas del
mtodo de Gandin, en primer lugar, se realizaron
interpolaciones con datos diarios de precipitacin en
diferentes puntos de la Sabana de Bogot, utilizando
para ello los valores observados en estaciones vecinas.
Los resultados se compararon con los valores
observados en dichos puntos y adems con los valores
obtenidos con ayuda de otros mtodos como por
ejemplo, el mtodo de Kriging. En las Figs.3-4 se
compara el error absoluto,

) (
i r
P P abs (19)

en donde, Pr , Pi son; precipitacin real e interpolada
respectivamente, por el mtodo de Gandin (lnea
continua ) y el mtodo de Kriging ( lnea punteada).

Esta comparacin comprende las interpolaciones
realizadas en un punto dado pero utilizando toda la
muestra de datos (186 interpolaciones en total). La Fig.3
corresponde al caso cuando las estaciones vecinas y
usadas en la interpolacin se encuentran cerca al punto,
(4-32 km.), de interpolacin y la Fig.4 al caso cuando las
estaciones vecinas se escogieron distantes al punto, (70-
90 km.). Se observa que en el ltimo caso la
interpolacin con el mtodo de Gandin es mucho ms
eficiente que la realizada con el mtodo de Kriging.


CONCLUSIONES


Se presenta en lengua hispana la estructura del
mtodo de Gandin para interpolacin de datos
meteorolgicos. Al igual que el mtodo de Kriging el
mtodo de Gandin es de dos niveles. Sin embargo,
difiere del anterior en el clculo de la estructura
estadstica del campo.

Al comparar los diferentes mtodos de interpolacin
se nota que en general el mtodo de Gandin produce
mejores resultados, particularmente cuando las
estaciones involucradas en la interpolacin se encuentran
distantes del punto de interpolacin.


AGRADECIMIENTOS.


Al IDEAM por el suministro oportuno de todos los datos
utilizados en este trabajo.


REFERENCIAS BIBLIOGRAFICAS


Cressman, G.P. 1959: An operational objective analysis
system. Month Wea. Rev. 87, No 10
Gandin, L.S. 1963: Objective analysis of meteorolgical
fields. Gidrometizdat, Leningrad, 287 pp. ( en ruso)
Gilchrist, B. & G.P.Cressman. 1954: An experiment in
objective weather analysis. Tellus, 6, No 4
Herzfeld, U.C. 1996: Inverse theory in hearth sciences-
an introductory overview with emphasis on Gandin's
method of optimum interpolation. Math. Geology, Vol 28,
No 2, p137-160.
Izquierdo, J.C. 1993: Uso de Kriging para construccin
de registros de precipitacin en Antioquia. Atmsfera, No
19, p. 13-24.
Kolgomorov, A.H. 1941: Interpolation and extrapolation
of random stationary series. Isvestia acad. Nauk CCCP,
Serie mat. T. 5, No 1. (en ruso)
Matheron, G. 1971. The theory of regionalized variables
and its applications: Cahlers centre morph. Math.
Fontainbleau, V. 5, 211 p.
Panofsky, H.A. 1949: Objective weather analysis Journ.
Of Meteorol., V. 6, No 6.
Saavedra, U.H.A. 1993: Utilizacin de la interpolacin
cbica Spline en la complementacin de series
meteorolgicas. Atmsfera 19, p. 38-45.
Thompson, P.D. 1961. A dynamical method of analysing
meteorological data. Tellus 13, No 3.
METEOROLOGIA COLOMBIANA N 1, MARZO DEL 2000 29
Wiener, N. 1949: Extrapolation, interpolation and
smoothing of stationary time series. New York, 1949.

Curva de Autocorrelacin
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 20 40 60 80 100 120
Distancia
( Km )
C
o
r
r
e
l
a
c
I

n
Real Ajuste Logartmico



FIGURA 1. FUNCIN DE AUTO CORRELACIN PARA LA PRECIPITACIN DIARIA EN LA SABANA DE BOGOT



FIGURA.2. UBICACIN DE LAS ESTACIONES EN LA SABANA DE BOGOT INVOLUCRADAS EN EL ESTUDIO




Comparacin del Error Absoluto de Interpolacin
0
5
10
15
20
25
0
1
0
2
0
3
0
4
0
5
0
6
0
7
0
8
0
9
0
1
0
0
1
1
0
1
2
0
1
3
0
1
4
0
1
5
0
1
6
0
1
7
0
1
8
0
Das
E
r
r
o
r
Kriging Gandin



FIGURA. 3. DISTANCIAS CORTAS AL PUNTO INTERPOLADO.





Comparacin del Error Absoluto de Interpolacin
0
10
20
30
40
50
60
70
0
1
0
2
0
3
0
4
0
5
0
6
0
7
0
8
0
9
0
1
0
0
1
1
0
1
2
0
1
3
0
1
4
0
1
5
0
1
6
0
1
7
0
1
8
0
Das
E
r
r
o
r
Kriging Gandin


FIGURA 4. DISTANCIAS GRANDES AL PUNTO INTERPOLADO.