MTODO DE REGIONALIZACIN DE

PRECIPITACIN BASADO EN ANLOGOS.

EXPLICACIN Y VALIDACIN

Santos Eduardo Petisco de Lara

rea de Evaluacin y Modelizacin del Cambio Climtico

AGENCIA ESTATAL DE METEOROLOGA

2008

i
Catlogo de publicaciones oficiales
http://www.060.es

Nota Tcnica 3A del rea de Evaluacin y

Modelizacin del Cambio Climtico (NT AEMCC-3A)
Agencia Estatal de Meteorologa

Edita: Centro de Publicaciones

Secretara General Tcnica
Ministerio de Medio Ambiente, y Medio Rural y Marino

ISBN: 978-84-8320-447-4
NIPO: 310-08-061-7
Depsito Legal: M-20504-2008
Imprime: Imprenta de la Agencia Estatal de Meteorologa

ii
ndice

RESUMEN ................................................................................................................................. v

1 . INTRODUCCIN ................................................................................................................... 1

2 . DATOS UTILIZADOS ............................................................................................................ 2

2.1. Datos de calibracin y validacin ................................................................................ 2
2.1.1. Datos atmosfricos ......................................................................................... 2
2.1.2. Datos de precipitacin .................................................................................... 2
2.2. Datos de aplicacin de la metodologa ........................................................................ 3

3 . METODOLOGA DE LA ESTIMACIN DE PRECIPITACIN ...................................................... 4

3.1. Primera fase. Determinacin de la informacin de base general ................................. 4
3.1.1. Obtencin de tipos sinpticos ......................................................................... 4
3.1.2. Obtencin de anlogos de cada tipo sinptico ................................................. 5
3.1.3. Obtencin de predictores significativos para cada tipo sinptico en cada punto 5
3.2. Segunda fase. Clculo de los datos base del da problema y estimacin de la
precipitacin ............................................................................................................... 6
3.2.1. Determinacin de los campos de viento geostrfico ........................................ 6
3.2.2. Obtencin del conjunto de anlogos del da problema ..................................... 6
3.2.3. Determinacin del tipo sinptico y de los predictores adecuados .................... 6
3.2.4. Bsqueda del grupo definitivo de anlogos a usar en la estimacin................. 7
3.2.5. Estimacin de la precipitacin ......................................................................... 7

4 . VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN .................................................... 8

4.1. Validacin de las medias anuales ................................................................................ 8
4.2. Validacin de las medias mensuales ............................................................................ 10
4.3. Validacin de las estimaciones de precipitacin diaria ................................................. 16
4.3.1. Comparacin de percentiles ............................................................................ 16
4.3.2. ndices de verificacin. Errores ....................................................................... 23
4.3.3. ndices de verificacin. Skill-scores ................................................................. 26

5 . CONCLUSIONES ................................................................................................................... 29

BIBLIOGRAFA .......................................................................................................................... 30

iii
iv
Resumen

En el presente trabajo se explica y se valida el mtodo de regionalizacin estadstica basado en

anlogos, que se ha utilizado por la AEMET en la primera fase de la generacin de escenarios regionalizados
de cambio climtico para Espaa.
Se trata de obtener estimaciones de precipitacin sobre una rejilla de alta resolucin de 203 puntos
que cubre la Espaa peninsular y Baleares, basndose en datos en baja resolucin de reanlisis o
modelos globales.
La regionalizacin se realiza obteniendo un conjunto de anlogos sinpticos al da de estudio, tomados
en el perodo de referencia 1961-1990.
La estimacin de precipitacin se realiza calculando la media ponderada de la precipitacin en el punto
de estima, de un conjunto de anlogos al da de estudio, obtenidos buscando la similitud sinptica y
la de un grupo de predictores calculados en la zona de estima; los predictores adecuados dependen del
tipo sinptico del da estudiado y se seleccionan entre los siguientes:
Geopotencial, vorticidad y viento geostrfico en 1 000 y 500 hPa
Intensidad del viento trmico 500/1 000
Tendencia del geopotencial en 1 000 hPa
La validacin se realiza mediante la comparacin de los datos observados en un perodo, con los
correspondientes estimados habiendo calibrado el mtodo en un perodo distinto.
En primer lugar se evala el comportamiento de las medias anuales y mensuales. En segundo lugar se
evala el comportamiento de las estimaciones diarias mediante la comparacin de percentiles signifi-
cativos y mediante el clculo de errores medios de estimacin. Adems, se analizan, mediante skill-scores,
las mejoras del mtodo respecto de las estimaciones basadas en los valores climatolgicos mensuales.

v
vi
 INTRODUCCIN

1. INTRODUCCIN

Existe una demanda creciente de proyecciones regionalizadas de cambio climtico consecuencia de los
distintos escenarios de emisin a la atmsfera de gases de efecto invernadero, para ser utilizadas como
entradas en modelos de anlisis de impactos en ecosistemas y sectores econmicos y sociales sensibles
a las condiciones climticas.
Todas estas proyecciones se construyen a partir de la informacin suministrada por modelos climticos
globales que tratan de reproducir el comportamiento del sistema climtico en funcin de las concen-
traciones de gases de efecto invernadero en la atmsfera, derivadas de diversos escenarios de emisin.
No obstante, hay que tener en cuenta que la actual resolucin de los modelos climticos no es
suficientemente fina como para suministrar datos climticos en alta resolucin espacial o en puntos
geogrficos localizados, que en realidad son los que interesan en un anlisis de impactos. Se hace, pues,
necesario emplear tcnicas o procedimientos que permitan inferir, en base a los datos de baja resolucin
mejor simulados por los modelos climticos, informacin localizada de parmetros de inters para el
analista de impactos. Esto se trata de conseguir mediante las tcnicas de mejora de resolucin o
regionalizacin o downscaling segn la nomenclatura inglesa.
Existen dos tipos bsicos de downscaling: el downscaling estadstico y el downscaling dinmico. El
primero se basa en encontrar relaciones empricas y/o estadsticas entre las variables mejor simuladas
(presin, geopotencial, temperatura o parmetros derivados) en baja resolucin por los modelos
climticos, y las variables de inters en la zona de estudio. Estas relaciones se buscan en una base de
datos de referencia observados y despus se aplican a los datos simulados por los modelos obtenindose
as estimaciones de las variables climticas en la zona de inters, siempre bajo la hiptesis de que las
relaciones obtenidas siguen mantenindose vlidas. El downscaling dinmico se basa en el aumento
de resolucin de los modelos en el rea donde se sitan las zonas de estudio. Esto puede hacerse
aumentando directamente la resolucin en dicha rea, o bien anidando en el modelo climtico de baja
resolucin un modelo de rea limitada de alta resolucin. La aplicacin conjunta de ambos procedimien-
tos (dinmico y estadstico) en un downscaling dinmico-estadstico puede aprovechar las ventajas
de los dos tipos de downscaling. En nuestro caso la obtencin de escenarios ha sido llevada a cabo
mediante procedimientos de downscaling estadstico que sern explicados y validados en los siguientes
apartados.
La precipitacin es una variable de gran inters para el estudio de impactos del cambio climtico. Sin
embargo, su comportamiento estadstico se aleja bastante de la distribucin normal, especialmente en
el caso de las precipitaciones diarias, por lo que es preferible la utilizacin de mtodos no basados en
relaciones lineales como, por ejemplo, los fundamentados en la obtencin previa de anlogos sinpticos.
Una metodologa de este tipo es la que se utiliza en el presente trabajo. En cualquier caso, las
estimaciones de precipitacin vendrn acompaadas de mayor incertidumbre debido a la influencia de
factores locales o mesoescalares no completamente controlables sinpticamente.

1
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

2. DATOS UTILIZADOS

En cualquier regionalizacin basada en downscaling estadstico se utilizan dos tipos fundamentales de

datos: 1) Datos de referencia y de calibracin de la metodologa, y 2) Datos de aplicacin de la
metodologa para la estimacin de las variables deseadas. En lo que sigue se describen los datos e
informacin utilizados en nuestro caso.

2.1. Datos de calibracin y validacin

Estos datos sirven como base de la metodologa del downscaling que se va aplicar y para realizar su
validacin. Consta, a su vez, de una base de datos de geopotencial, y de su correspondiente base de
datos de precipitacin.

2.1.1. Datos atmosfricos

Esta es la que denominaremos base sinptica de referencia y est constituida por datos de geopotencial
en 1 000 y 500 hPa sobre rejilla latitud-longitud y resolucin 2,5 2,5, obtenidos a partir del
reanlisis del NCAR (National Center for Atmospheric Research), (K ALNAY , 1996). Se obtienen los
campos de geopotencial medios diarios promediando los campos de 00 h, 06 h, 12 h, 18 h y 24 h (00 h
del da siguiente), ponderando los datos extremos del da (00 h y 24 h) la mitad que los restantes. De
esta rejilla de geopotencial medio se obtienen las componentes u y v del viento geostrfico con la misma
resolucin y para el rea de trabajo que abarca de 30N a 55N y de 27,5W a 15E y un perodo
de 30 aos entre el 1 de enero de 1961 y el 31 de diciembre de 1990 con un total de 198 puntos
de rejilla. Esta rejilla la denominaremos de aqu en adelante rejilla sinptica y puede verse en la figura
1 donde tambin se muestran las ponderaciones asociadas a cada punto de rejilla y que se utilizarn
posteriormente para el clculo de distancias sinpticas.

PONDERACIONES 1000 mb PONDERACIONES 500 mb

Figura 1. Rejilla sinptica de baja resolucin mostrando las ponderaciones asociadas a cada punto para el clculo de
distancias sinpticas.

2.1.2. Datos de precipitacin

Comprende los campos de precipitacin asociados a cada uno de los das de la base de datos atmos-
fricos anteriormente citados. Los datos se presentan en una rejilla de alta resolucin con 203 puntos
espaciados meridianamente y zonalmente aproximadamente 50 y 60 km respectivamente y distribui-

2
 DATOS UTILIZADOS

dos por el territorio de la Espaa peninsular y

Baleares (figura 2). Esta rejilla fue obtenida
por BORN y RIBALAYGUA (1997) a partir del banco
de datos del Instituto Nacional de Meteorologa
interpolando los datos diarios de los observato-
rios disponibles prximos a los puntos. Para el
clculo de la precipitacin en el punto se deter-
min la media ponderada de dichos datos de
observatorios siendo las ponderaciones las in-
versas de las distancias observatorio-punto y
tomando las distancias inferiores a 10 km igua-
les a 10 km en cualquier caso; de esta manera
el dato de cada punto de la rejilla viene a ser
una representacin promedio de su rea de in-
fluencia. Las series as obtenidas para cada
punto constituyen una base de datos sin ningu-
na laguna. Figura 2. Rejilla de puntos de alta resolucin donde se
calculan las estimaciones de precipitacin.

2.2. Datos de aplicacin de la metodologa

Se trata del conjunto de datos a los que se va aplicar la metodologa de downscaling, desarrollada con
el objeto de estimar las precipitaciones correspondientes. Estos datos son los campos de geopotencial
medio diario sobre la misma rejilla de los campos sinpticos de referencia, dados por los diversos
modelos globales de los que se pretende obtener la informacin regionalizada.

3
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

3. METODOLOGA DE LA ESTIMACIN DE PRECIPITACIN

El objetivo es estimar la precipitacin en cada uno de los 203 puntos de la rejilla de alta resolucin
definida anteriormente.
El mtodo de estimacin de las precipitaciones se basa en un mtodo de anlogos: se trata de buscar
un conjunto de das en la base de referencia que tengan la mayor analoga sinptica con el da problema
junto con la similitud de un conjunto de valores de diversos predictores seleccionados segn el tipo
sinptico de que se trate y el punto en el que se va a estimar la precipitacin. (PETISCO y otros, 2005).

3.1. Primera fase. Determinacin de la informacin de base general

En una primera fase se determinan los parmetros (predictores) significativos para cada tipo sinptico
en cada punto de estima, los cuales quedarn definitivamente establecidos como base para cualesquie-
ra estimaciones que posteriormente queramos realizar. En esta fase se trabaja sobre los datos de
referencia tanto sinpticos como de precipitaciones asociadas y consta de las siguientes etapas:

3.1.1. Obtencin de tipos sinpticos

Se busca un conjunto de tipos sinpticos que representen la circulacin atmosfrica en la zona de
trabajo para el perodo de referencia considerado (1961-1990). Para ello se aplica un anlisis cluster
en dos etapas: en la primera etapa se buscan unos das patrn mediante el procedimiento de Lund
(LUND, 1963); estos das patrn se utilizan como semillas base de una clasificacin por el mtodo
de las k-medias (ANDERBERG, 1973) y los promedios de los grupos as obtenidos (mapas medios de 1 000
y 500 hPa de los elementos de cada grupo) definirn los tipos sinpticos representativos de la circu-
lacin atmosfrica en la zona de trabajo. La similaridad utilizada para construir los grupos y tipos, es
el promedio de las distancias eucldeas entre los campos de valores tipificados de componentes del
viento geostrfico en 1 000 y 500 hPa. La tipificacin se realiza, en cada punto de rejilla, restando la
media correspondiente y dividiendo por la desviacin tipo. Estas distancias eucldeas se calculan intro-
duciendo ponderaciones en cada punto de rejilla siendo mayores cuanto ms nos aproximemos a la zona
de la Pennsula Ibrica y Baleares y diferentes para los campos de 1 000 hPa y 500 hPa como puede
verse en la figura 1; este esquema de ponderaciones se mantendr en etapas posteriores cuando se
calculen distancias entre los campos sinpticos en la zona de trabajo.
La distancia eucldea entre los campos tipificados de cada componente c de dos elementos m y n, donde
c representa una componente cualquiera (u1000 , v1000 , u500 , v500) del viento geostrfico, vendra dada por
la expresin [1].
n

1 wi (cmi cni)2
dc = [1]
wi
en donde:
cmi y cni representan el valor de la componente c tipificada de viento geostrfico en el punto
de rejilla i para dos situaciones sinpticas m, n cualesquiera cuya distancia se quiere
calcular;
wi es la ponderacin correspondiente al punto de rejilla i;
n = 198 es el nmero total de puntos de rejilla del campo.
Una vez calculadas las cuatro distancias d c correspondientes a cada uno de los cuatro campos de
componentes de viento geostrfico, se toma la media de ellas como distancia Ds entre los elementos
considerados.

4
 METODOLOGA DE LA ESTIMACIN DE PRECIPITACIN

Los requisitos de similaridad utilizados para la obtencin de los das patrn de la primera etapa del
anlisis son suficientemente rigurosos como para obtener finalmente un nmero de tipos bastante
amplio que represente de una forma bastante exhaustiva los distintos rasgos de la circulacin, dado
el objetivo que se pretende de estimar precipitaciones.

3.1.2. Obtencin de anlogos de cada tipo sinptico

Para cada tipo sinptico se determinan los 150 elementos de la base de referencia sinptica ms
anlogos al tipo en cuestin. Para ello igualmente se calculan las distancias eucldeas entre los campos
de componentes de viento geostrfico tipificadas. As, la distancia eucldea entre los campos tipificados
de cada componente c del viento geostrfico vendra dada por la expresin [2] que, en este caso
representa la distancia entre un tipo sinptico y una situacin sinptica de la base de referencia:
n

1 wi (cti ci)2
dc = [2]
wi
en donde:
ci representa el valor de la componente c tipificada de viento geostrfico en el punto de
rejilla i para una situacin sinptica cualquiera de la base de referencia;
cti representa igualmente el valor de la componente c tipificada de viento geostrfico en
el punto de rejilla i pero, en este caso, para el tipo sinptico t;
wi es la ponderacin correspondiente al punto de rejilla i;
n = 198 es el nmero total de puntos de rejilla del campo.
Una vez calculadas las cuatro distancias d c correspondientes a cada uno de los cuatro campos de
componentes de viento geostrfico consideradas, se toma la media de todas ellas como distancia Ds
entre el tipo sinptico y el elemento considerado. Hecho esto para todos los elementos de la base de
referencia sinptica tomamos los 150 elementos ms anlogos, es decir, los 150 de menor distancia
Ds , que constituiran el grupo de anlogos asociado al tipo en cuestin y que servirn de base para la
determinacin de predictores.

3.1.3. Obtencin de predictores significativos para cada tipo sinptico en cada punto
Se trata ahora de obtener los predictores que puedan tener una influencia significativa sobre la
precipitacin para cada tipo sinptico de los anteriormente definidos, y en cada uno de los puntos de
estimacin. Hay que decir que, dado que la metodologa se va a aplicar a salidas de modelos climticos,
slo consideraremos como posibles predictores aquellos relacionados con las variables mejor simuladas
por los modelos.
Teniendo esto presente, consideramos como conjunto de posibles predictores pi que pueden influir sobre
la precipitacin a los diez siguientes:
El valor del geopotencial en 1 000 y 500 hPa: p1 , p2.
La tendencia del geopotencial en 1 000 hPa: p3.
El valor de la vorticidad relativa en 1 000 y 500 hPa: p4 , p5.
Las componentes del viento geostrfico en 1 000 y 500 hPa: p6 , p7 , p8 , p9.
La intensidad del viento trmico 1 000/500: p 10.
La introduccin de parmetros de humedad como predictores (como, por ejemplo, la humedad espe-
cfica en 700 hPa), se traduce en una ligera mejora de las estimaciones, aunque hay que advertir que
la humedad no es de las variables mejor simuladas por los modelos. En la validacin que sigue no se
ha tenido en cuenta, por este motivo, el uso de este predictor. No obstante, al aplicar la metodologa
para regionalizar las proyecciones de los modelos globales en un contexto de cambio climtico, podra
ser conveniente, pese a todo, introducir predictores de humedad.

5
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

Los valores de estos predictores se consideran en el punto de la rejilla sinptica ms prximo al punto
de estima de la precipitacin.
A continuacin, consideramos, para cada tipo, su grupo de anlogos sinpticos obtenidos anteriormente
y tomamos cada uno de los puntos de estima. La precipitacin en el punto de estima para cada uno
de los anlogos del tipo la tomamos como predictando, y como predictores tomamos los valores de los
parmetros pi anteriormente mencionados, calculados, para cada anlogo, en el punto de la rejilla
sinptica ms prximo al punto de estima. Se procede ahora a una seleccin de predictores significa-
tivos aplicando un mtodo de regresin paso a paso; de esta manera tendremos para cada tipo
sinptico y para cada uno de los puntos de estima, el conjunto de predictores, con sus correlaciones
parciales, ms apropiado para usar como apoyo en la estimacin de la precipitacin. Esta es una
informacin bsica, establecida para siempre, y que se usar despus en cualquier estimacin. Es
preciso tener en cuenta que el proceso anterior se realiza con el nico objeto de seleccionar aquellos
predictores que podran explicar, en cierto grado, la precipitacin asociada al tipo sinptico y al punto
de estima considerados; no se trata pues, de construir una ecuacin de regresin con la que luego
estimar precipitaciones.
La robustez de la seleccin de predictores ha sido comprobada obteniendo, por el mismo procedimiento,
los predictores asociados a los grupos de anlogos de elementos muestra pertenecientes a los diversos
tipos.

3.2. Segunda fase. Clculo de los datos base del da problema y estimacin de la
precipitacin

Supongamos ahora que tenemos un da determinado con su campo sinptico asociado definido por el
geopotencial en 1 000 y 500 hPa en nuestra rejilla sinptica de trabajo. El objetivo es estimar la
precipitacin asociada a ese campo sinptico en el conjunto de puntos de estima (en nuestro caso la
rejilla de alta resolucin de 203 puntos definida al principio); para ello se realizan los siguientes
procesos:

3.2.1. Determinacin de los campos de viento geostrfico

Para nuestro da problema, determinamos las componentes u y v del viento geostrfico en la rejilla de
trabajo y en los dos niveles considerados.

3.2.2. Obtencin del conjunto de anlogos del da problema

Se determinan N elementos de la base sinptica de referencia anlogos sinpticamente a nuestro da
problema. Para ello se calcula el promedio de las distancias eucldeas de los campos de valores
tipificados de componentes del viento geostrfico, en 1 000 y 500 hPa, definidos sobre la rejilla
anteriormente mencionada, entre el da problema y los das de la base de referencia. La expresin que
nos da la distancia eucldea entre los campos tipificados de cada componente del viento geostrfico
entre el da problema y una situacin sinptica de la base de referencia es similar a la [1] anteriormente
definida.
Una vez calculadas las cuatro distancias correspondientes a cada uno de los cuatro campos de com-
ponentes de viento geostrfico tipificadas consideradas, se toma la media de ellas como distancia ds ,
seleccionando aquellos N anlogos cuya distancia ds al da problema est por debajo de la distancia
umbral lmite considerada, no obstante, en cualquier caso, no se utiliza un nmero de anlogos superior
a 30 y siempre se emplea al menos un anlogo.

3.2.3. Determinacin del tipo sinptico y de los predictores adecuados

Se determina el tipo sinptico de referencia al que pertenecera nuestro da problema. De esta manera
sabramos los predictores significativos para la estimacin de la precipitacin para cada punto de estima
y calcularamos los valores concretos de esos predictores tipificados, para el da problema y para sus
N anlogos, en el punto de la rejilla sinptica ms prximo al punto de estima en cuestin.

6
 METODOLOGA DE LA ESTIMACIN DE PRECIPITACIN

3.2.4. Bsqueda del grupo definitivo de anlogos a usar en la estimacin

Adems de la similaridad sinptica de los campos de valores tipificados de las componentes de viento
geostrfico, para reforzar la similaridad se tiene en cuenta la similitud de los valores tipificados de las
variables predictoras determinadas en 3.2.3., calculados en el punto de la rejilla sinptica (figura 1)
ms prximo al punto de estima (figura 2); esta similitud se obtiene calculando la distancia dp del
conjunto de valores tipificados de los predictores utilizados, es decir:

J
1 fj (ptj pj)2
dp =
J
[3]
fj
1

en donde:
ptj y pj son respectivamente los valores del predictor j tipificado para el da problema, y para
el elemento cuya similaridad con el da problema se quiere analizar;
fj es el peso o ponderacin que se da al predictor j y que se toma igual al valor de su
coeficiente de correlacin parcial con la precipitacin (ver punto 3.1.3);
J es el nmero total de predictores utilizados.
De este modo se calculan los valores de dp para cada uno de los N anlogos al da problema quedndonos
solamente con aquellos cuya dp sea inferior a un umbral.
La distancia definitiva con el da problema de cada uno de los N1 anlogos finalmente seleccionados,
se calcula promediando a su vez la distancia sinptica ds derivada del campo de viento geostrfico
tipificado, con la distancia dp derivada de los predictores tipificados. Es decir:
ds + dp
D = [4]
2
En el caso en que no existan predictores significativos la distancia slo contemplara la analoga
sinptica.

3.2.5. Estimacin de la precipitacin

En primer lugar, se comprueba si la precipitacin en el punto de estima es inferior a 0,1 mm para, al
menos, la mitad ms uno de los anlogos; si es as, la precipitacin estimada se considera igual a cero
concluyendo la estimacin.
Si lo anterior no se verifica, el valor estimado de la precipitacin se calcula determinando la media
ponderada de las precipitaciones de los N1 anlogos en el punto de estima, siendo las ponderaciones
las inversas de las distancias medias D entre cada anlogo y el da problema.

7
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

4. VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

Para estudiar posibles cambios climticos es importante analizar la evolucin de la medias anuales y
mensuales calculadas en perodos de varios aos (30 31 normalmente). Por otra parte, el mtodo
seguido proporciona estimaciones de precipitacin diaria que sirven de dato base para muchos modelos
de impactos que requieren dato diario. Por todo ello, se validar el comportamiento de los valores
medios estimados respecto a los valores observados y adems se analizarn los errores y los skill-score
(WILKS, 1995) de las estimaciones diarias y las diferencias entre las distribuciones de los valores diarios
observados y estimados.

4.1. Validacin de las medias anuales

Se ha calculado la media anual de la precipitacin estimada para el perodo 1981-1990 al objeto de

compararla con la media anual de la precipitacin real del mismo perodo. La precipitacin estimada
en el perodo 1981-1990 se ha determinado utilizando anlogos sinpticos buscados en el perodo
1961-1980 con el fin de independizar completamente el perodo de validacin del perodo de datos
base; adems se ha evitado utilizar anlogos que caigan dentro de un entorno temporal de 10 das
respecto del da de estima para evitar tambin posibles influencias favorables en el resultado.
En la figura 3 pueden verse los valores de la precipitacin media anual observada y estimada, as como
el % de variacin de esta ltima respecto al valor observado correspondiente, para el perodo 1981-1990.
Como puede observarse la distribucin geogrfica de la precipitacin es bastante similar reproducin-
dose con bastante fidelidad las zonas de mayor y menor pluviosidad as como los valores de la misma.
Las variaciones porcentuales no son grandes en la mayora de la zona de estudio, oscilando entre
sobreestimas que no superan el 2% en la zona noroccidental y en algunos puntos del Pirineo, y
subestimas en la zona levantina que llegan a un mximo del 32% en el SE debido, en parte, a que los
valores observados son ms bajos, influyendo en un aumento del porcentaje de variacin, aunque
fundamentalmente es debido a la subestima de la precipitacin en otoo en la zona mediterrnea como
veremos seguidamente.

8
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

ANUAL real ANUAL estimada

0 100 200 300 400 500 600 700 800 900 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0

00 00 00 00 00 00 00 00 00 00 00

Desviacin anual

-1 -9 -8 -7 -6 -5 -4 -3 -2 -1 0,0 10 20 30 40 50 60 70 80 90 10
00 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 0,0
,0

Figura 3. En la parte superior, precipitacin media anual observada (real) y estimada para el perodo 1981-1990. En
la parte inferior, desviacin en % de la precipitacin estimada respecto de la observada.

9
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

4.2. Validacin de las medias mensuales

Se han calculado las medias mensuales de precipitacin en el perodo 1961-1990 tanto para la
precipitacin observada como para la precipitacin estimada; en este ltimo caso las estimaciones de
cada mes se han realizado buscando anlogos fuera de los meses cuya media se est calculando para
as independizar los datos utilizados en la estimacin, de los datos que van a ser validados; asimismo,
no se buscan anlogos en un entorno de diez das del da problema para evitar tambin influencias que
puedan sesgar el resultado. En las figuras 4-7 se muestran los mapas donde se representan los valores
mensuales medios de precipitacin observada y estimada para los meses de todas las estaciones del
ao; igualmente, en la figura 8, se representan las variaciones porcentuales de las medias mensuales
de precipitacin estimada respecto al valor observado correspondiente.
Analizando por estaciones podemos observar los siguientes aspectos: en los meses de invierno la
precipitacin estimada reproduce bastante bien la precipitacin observada; puede verse en los mapas
que la distribucin de la precipitacin est bien reproducida aunque, en general, algo subestimada,
fundamentalmente en los meses de diciembre y enero, salvo en algunas zonas donde se produce una
ligera sobreestima; sin embargo, en la gran mayora de los puntos la desviacin de los valores esti-
mados respecto a los observados no supera el 20%. En los meses de primavera, la distribucin de la
precipitacin est, en general, bien reproducida, fundamentalmente en marzo y abril aunque algo peor
en mayo; hay un predominio de la sobreestima en los meses de marzo y abril mientras que en mayo
vuelve a predominar la subestima; pocos son los puntos en que la desviacin supera el 20%, aunque
en algn caso se supera el 30% de sobreestima en abril y mayo. En verano, las zonas de mayor y menor
pluviosidad estn, en general, bien representadas aunque en junio las diferencias son ms notables;
si nos fijamos en las variaciones relativas podemos observar que estas pueden llegar a ser bastante
grandes, superando incluso el 100%, debido al hecho de que las precipitaciones medias de los meses
estivales son, en general, bajas con lo cual las diferencias relativas quedan excesivamente resaltadas
respecto a las diferencias absolutas. Otoo es la estacin en que la precipitacin media resulta peor
estimada, la subestima es casi absoluta en toda la estacin siendo ms marcada en los meses de
septiembre y octubre, especialmente en la zona mediterrnea donde quizs no quedaran bien refle-
jados en el mtodo todos los factores influyentes; existe, sobre todo en septiembre, una subestima
superior al 20% en la mayora de los puntos llegando en algn caso puntual a valores en torno al 60%.
En resumen, podemos decir que la precipitacin media mensual est razonablemente bien estimada en
invierno y primavera; en verano, en trminos absolutos, quedan aceptablemente reflejados la distri-
bucin geogrfica y los valores bajos propios de la estacin, si bien las variaciones relativas resultan
altas debido precisamente a esos bajos valores de las medias mensuales; finalmente, en otoo la
subestima de la precipitacin media mensual es prcticamente general, las estimaciones son peores y
muy especialmente en las zonas mediterrneas.

10
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

DICIEMBRE real DICIEMBRE estimada

ENERO real ENERO estimada

FEBRERO real FEBRERO estimada

0,0 20 40 60 80 10 12 14 16 18 20 22 24 26 28 30
,0 ,0 ,0 ,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0

Figura 4. Precipitacin media observada (izda.) y estimada (dcha.) para los meses de invierno del perodo 1961-1990.

11
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

MARZO real MARZO estimada

ABRIL real ABRIL estimada

MAYO real MAYO estimada

0,0 20 40 60 80 10 12 14 16 18 20 22 24 26 28 30
,0 ,0 ,0 ,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0

Figura 5. Precipitacin media observada (izda.) y estimada (dcha.) para los meses de primavera del perodo 1961-1990.

12
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

JUNIO real JUNIO estimada

JULIO real JULIO estimada

AGOSTO real AGOSTO estimada

0,0 20 40 60 80 10 12 14 16 18 20 22 24 26 28 30
,0 ,0 ,0 ,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0

Figura 6. Precipitacin media observada (izda.) y estimada (dcha.) para los meses de verano del perodo 1961-1990.

13
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

SEPTIEMBRE real SEPTIEMBRE estimada

OCTUBRE real OCTUBRE estimada

NOVIEMBRE real NOVIEMBRE estimada

0,0 20 40 60 80 10 12 14 16 18 20 22 24 26 28 30
,0 ,0 ,0 ,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0

Figura 7. Precipitacin media observada (izda.) y estimada (dcha.) para los meses de otoo del perodo 1961-1990.

14
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

ENERO FEBRERO MARZO

ABRIL MAYO JUNIO

JULIO AGOSTO SEPTIEMBRE

OCTUBRE NOVIEMBRE DICIEMBRE

-10 -90 -80 -70 -60 -50 -40 -30 -20 -10 0,0 10, 20, 30, 40, 50, 60, 70, 80, 90, 100
0,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 0 0 0 0 0 0 0 0 0 ,0

Figura 8. Desviacin porcentual de la precipitacin media mensual estimada respecto a la observada para el perodo
1961-1990.

15
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

4.3. Validacin de las estimaciones de precipitacin diaria

El mtodo de downscaling utilizado proporciona estimaciones con resolucin temporal diaria; por otra
parte, en muchos casos, los modelos de impactos requieren datos con resolucin diaria, por lo que es
conveniente validar las estimaciones diarias realizadas por el mtodo. Esta validacin se realizar, por
un lado, comparando percentiles significativos de la distribucin de la precipitacin diaria estimada, con
los correspondientes de la distribucin de la precipitacin observada, y por otro lado analizando los
errores y los skill-score de los valores diarios estimados.

4.3.1. Comparacin de percentiles

Se comparan las distribuciones de los valores de la precipitacin diaria observada y estimada analizando
los valores de los percentiles ms representativos. Las estimaciones en este caso se hacen en el
perodo 1981-1990 utilizando anlogos del perodo 1961-1980 para as separar el perodo de estima
del perodo de datos utilizados para la misma; igualmente, no se utilizan anlogos en un entorno de
10 das del da de estima para evitar sesgos favorables en los resultados. En las figuras 9 a 14 se
presentan los percentiles 10, 25, 50, 75, 90 y 99 para la precipitacin observada y estimada as como
la diferencia entre el valor estimado y el valor observado, ntese que se ha empleado distinta escala
en cada caso debido a la gran diferencia en el rango de valores para los distintos percentiles. El percentil
10 es cero para la precipitacin observada y para casi todos los puntos en la estimada, slo en algunos
puntos del norte el percentil 10 llega a los 0,2 mm mximo. Las diferencias en el percentil 25 son
pequeas, en la gran mayora de los puntos no superan los +0,1 mm siendo las mayores de +0,8 mm
en algn punto del norte; el percentil 50 sigue manifestando valores algo superiores en las precipita-
ciones estimadas aunque no llegan a +1 mm, salvo en unos pocos puntos del norte, alcanzando como
mucho valores en torno a +1,5 mm; el percentil 75 tambin presenta diferencias pequeas que son
inferiores a +1 mm en la mayora de los puntos llegando como mucho a +1,3 mm; el percentil 90,
considerado generalmente como lmite para valores extremos, es bastante concordante en la precipi-
tacin observada y estimada, como puede verse en los mapas, aunque se presenta generalmente con
valores inferiores en la estimada respecto a los correspondientes valores en la observada, y que son
mayores en puntos del norte alcanzando diferencias en torno a 2 y 3 mm; por ltimo el percentil 99,
representante de los valores mximos es claramente inferior en la precipitacin estimada con algunos
casos en que la diferencia est en torno a los 19 mm en puntos de la zona mediterrnea y del norte.
En resumen, podemos decir que las precipitaciones ms bajas, representadas por los percentiles 10,
25 y 50, aunque bien representadas en general, estn ligeramente sobreestimadas con respecto a las
correspondientes precipitaciones observadas presentando mayor nmero de das con precipitacin en
el caso de las estimadas. Esto puede ser consecuencia del mtodo de estimacin que se basa en
promedios de las precipitaciones de los anlogos, algunos de los cuales pueden presentar valores que,
aunque sean bajos, pueden hacer subir el valor de la media. Para mayores valores de precipitacin,
percentiles 75 y 90, las diferencias son pequeas en trminos relativos siendo la representatividad de
los valores estimados buena en general, aunque la subestima aumenta a medida que los valores van
siendo ms altos; llegamos as a que los valores ms extremos quedan bastante subestimados como
claramente manifiestan las diferencias en los valores del percentil 99, consecuencia derivada, al menos
en parte, del promedio de los valores de los anlogos, aunque quizs se deba fundamentalmente a que
no estn del todo bien representados los factores que influyan en las precipitaciones ms copiosas.

16
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

Percentil 10 real Percentil 10 estimada

0,0 0,0 0,1 0,1 0,2 0,2 0,3 0,3 0,4 0,4 0,5 0,5 0,6 0,6 0,7 0,7 0,8 0,8 0,9 0,9
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5

Diferencia percentil 10

-1 -0 -0 -0 -0 -0 -0 -0 -0 -0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
,0 ,9 ,8 ,7 ,6 ,5 ,4 ,3 ,2 ,1

Figura 9. En la parte superior, percentil 10 de la precipitacin diaria observada y estimada del perodo 1981-1990. En
la parte inferior, diferencia entre el percentil de la precipitacin estimada y el de la observada.

17
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

Percentil 25 real Percentil 25 estimada

0,0 0,0 0,1 0,1 0,2 0,2 0,3 0,3 0,4 0,4 0,5 0,5 0,6 0,6 0,7 0,7 0,8 0,8 0,9 0,9
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5

Diferencia percentil 25

-1 -0 -0 -0 -0 -0 -0 -0 -0 -0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
,0 ,9 ,8 ,7 ,6 ,5 ,4 ,3 ,2 ,1

Figura 10. En la parte superior, percentil 25 de la precipitacin diaria observada y estimada del perodo 1981-1990.
En la parte inferior, diferencia entre el percentil de la precipitacin estimada y el de la observada.

18
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

Percentil 50 real Percentil 50 estimada

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Diferencia percentil 50

-2 -1 -1 -1 -1 -1 -0 -0 -0 -0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0
,0 ,8 ,6 ,4 ,2 ,0 ,8 ,6 ,4 ,2

Figura 11. En la parte superior, percentil 50 de la precipitacin diaria observada y estimada del perodo 1981-1990.
En la parte inferior, diferencia entre el percentil de la precipitacin estimada y el de la observada.

19
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

Percentil 75 real Percentil 75 estimada

0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,
0

Diferencia percentil 75

-2 -1 -1 -1 -1 -1 -0 -0 -0 -0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0
,0 ,8 ,6 ,4 ,2 ,0 ,8 ,6 ,4 ,2

Figura 12. En la parte superior, percentil 75 de la precipitacin diaria observada y estimada del perodo 1981-1990.
En la parte inferior, diferencia entre el percentil de la precipitacin estimada y el de la observada.

20
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

Percentil 90 real Percentil 90 estimada

0,0 1,0 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20,
0 0 0 0 0 0 0 0 0 0 0

Diferencia percentil 90

-5 -4 -4 -3 -3 -2 -2 -1 -1 -0 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
,0 ,5 ,0 ,5 ,0 ,5 ,0 ,5 ,0 ,5

Figura 13. En la parte superior, percentil 90 de la precipitacin diaria observada y estimada del perodo 1981-1990.
En la parte inferior, diferencia entre el percentil de la precipitacin estimada y el de la observada.

21
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

Percentil 99 real Percentil 99 estimada

0,0 2,0 4,0 6,0 8,0 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40,
0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0

Diferencia percentil 99

-2 -1 -1 -1 -1 -1 -8 -6 -4 -2 0,0 2,0 4,0 6,0 8,0 10 12 14 16 18 20

0,0 8,0 6,0 4,0 2,0 0,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0 ,0

Figura 14. En la parte superior, percentil 99 de la precipitacin diaria observada y estimada del perodo 1981-1990.
En la parte inferior, diferencia entre el percentil de la precipitacin estimada y el de la observada.

22
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

4.3.2. ndices de verificacin. Errores

Se consideran las estimaciones diarias de precipitacin para el perodo 1961-1990. Estas estimaciones
se realizan buscando anlogos fuera del entorno de diez das del da a estimar por la razn anterior-
mente mencionada.
Se calcula para cada mes, el error absoluto medio EAM media de los valores absolutos de las
diferencias entre los valores estimados diarios y los correspondientes observados. Su expresin sera
n
|xie xio|
i=1
EAM = [5]
n
donde n es el nmero de datos y xie y xio son los valores estimados y observados respectivamente.
Dado su amplio uso, tambin calcularemos la raz cuadrada del error cuadrtico medio RECM, el cual,
a su vez, es la media de los cuadrados de las desviaciones de los valores estimados respecto de los
observados y cuya expresin sera

n
|xie xio|2
i=1
RECM = [6]
n
Si bien el error EAM es ms propio como medida de error, el error RECM es ms sensible a los casos
en que las diferencias entre valores estimados y observados son grandes, debido a que las diferencias
estn elevadas al cuadrado. A continuacin se presentan los mapas de la distribucin mensual de ambos
tipos de errores, que pueden verse en las figuras 15 y 16.
Podemos observar que los errores absolutos medios tienden a ser mayores en las zonas de mayor
pluviosidad, lo cual puede deberse simplemente al hecho de ser los valores diarios mayores, dando
mayor margen para el error, lo que no necesariamente implicara mayor error en trminos relativos.
Destacan los bajos errores en los meses estivales, debidos a que hay un predominio de das sin
precipitacin, los cuales estn generalmente bien estimados en esta poca dando lugar a un error
promedio bajo, aunque pudiera haber algunos pocos das con errores ms importantes. La distribucin
del error RECM es parecida a la de EAM si bien destacan ms los errores en otoo en las zonas
mediterrneas donde los valores de precipitacin diaria pueden llegar a ser bastante subestimados,
efecto mejor captado por el RECM.

23
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

ENERO FEBRERO MARZO

ABRIL MAYO JUNIO

JULIO AGOSTO SEPTIEMBRE

OCTUBRE NOVIEMBRE DICIEMBRE

0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4 3,6 3,8 4,0 4,2 4,4 4,6 4,8

Figura 15. Error absoluto medio mensual de la precipitacin diaria estimada respecto a la observada para el perodo
1961-1990.

24
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

ENERO FEBRERO MARZO

ABRIL MAYO JUNIO

JULIO AGOSTO SEPTIEMBRE

OCTUBRE NOVIEMBRE DICIEMBRE

0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,
0

Figura 16. Raz cuadrada del error cuadrtico medio mensual de la precipitacin diaria estimada respecto a la
observada para el perodo 1961-1990.

25
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

4.3.3. ndices de verificacin. Skill-scores

Se trata de determinar si las estimaciones obtenidas con el mtodo son mejores que las obtenidas
mediante otro procedimiento que tomamos como referencia. En este caso se consideran como referencia
las estimaciones obtenidas tomando los valores climatolgicos mensuales del punto de estima,
correspondientes al mes del da para el que se trata de estimar. Se valoran las estimaciones diarias
en el perodo 1961-1990, que se han realizado tomando anlogos fuera del entorno de diez das del
da de estima.
Las expresiones [7] y [8] representaran respectivamente, el error absoluto medio y la raz del error
cuadrtico medio para el caso en que las estimaciones se realizasen tomando los valores climatolgicos
mensuales correspondientes. Estas expresiones representaran adems, medidas de dispersin de los
datos observados de cada mes siendo [7] la desviacin media y (8) la desviacin tipo.
n
|xc xio|
i=1
EAM c = [7]
n

i=1
|xc xio|2
RECM c = [8]
n

Definimos entonces los ndices skill-score de la siguiente manera:

EAM
SKEAM = 1 [9]
EAM c

RECM
SKRECM = 1 [10]
RECM c
La expresin [9] se calcula basndose en el error absoluto medio, mientras que la expresin [10] se
calcula basndose en la raz del error cuadrtico medio. Obsrvese que los valores de los skill-score
sern cero si los errores del mtodo igualasen a los de la referencia, lo que no supondra mejora
respecto a esta, mientras que sern positivos si el mtodo mejora a la referencia, tanto ms cuanto
mayor sea el valor del skill-score, de manera que en el lmite de la estimacin perfecta (error cero)
el skill-score sera 1; por el contrario, valores negativos del skill-score supondran estimaciones peores
que la referencia. Otra interpretacin de las expresiones [9] y [10] es que las estimaciones con el
mtodo pueden considerarse mejores cuanto ms pequeos sean sus errores medios en relacin a la
dispersin propia de los datos observados.
En la figura 17 se representan los skill-score mensuales calculados basndose en el EAM. En general
puede observarse una mejora considerable de las estimaciones hechas con el mtodo respecto a las
realizadas con la climatologa; en los meses de verano, las mejoras son bastante ms discretas,
singularmente en el mes de julio, habiendo algunos puntos en la zona mediterrnea y sur en que las
estimaciones incluso empeoran respecto a la climatologa.
En la figura 18 se representan los skill-score mensuales calculados basndose en el RECM. Tambin se
observa una mejora general de las estimaciones hechas con el mtodo aunque menos marcada que el
caso anterior, debido probablemente a la mayor influencia en el RECM de los errores grandes; las peores
estimaciones se presentan entre mayo y septiembre, donde aunque en la mayora de los casos se
mejora o al menos se iguala a la climatologa hay unos pocos puntos, predominantemente en julio,
donde las estimaciones son peores.
En resumen, los resultados parecen indicar que las precipitaciones de origen atlntico son, en general,
mejor estimadas que las de origen mediterrneo aunque para estas ltimas tambin se manifiesta una
clara mejora respecto a la climatologa; las precipitaciones estivales, debido a su carcter, estn peor
representadas habiendo casos en que los resultados incluso empeoran respecto a la climatologa.

26
 VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN

ENERO FEBRERO MARZO

ABRIL MAYO JUNIO

JULIO AGOSTO SEPTIEMBRE

OCTUBRE NOVIEMBRE DICIEMBRE

-1, -0, -0, -0, -0, -0, -0, -0, -0, -0, 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
0 90 80 70 60 50 40 30 20 10 0 0 0 0 0 0 0 0 0 0 0

Figura 17. Skill-score mensual de la precipitacin diaria estimada basado en el EAM calculado respecto a la climatologa
mensual para el perodo 1961-1990.

27
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

ENERO FEBRERO MARZO

ABRIL MAYO JUNIO

JULIO AGOSTO SEPTIEMBRE

OCTUBRE NOVIEMBRE DICIEMBRE

-1, -0, -0, -0, -0, -0, -0, -0, -0, -0, 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
00 90 80 70 60 50 40 30 20 10 0 0 0 0 0 0 0 0 0 0 0

Figura 18. Skill-score mensual de la precipitacin diaria estimada basado en el RECM calculado respecto a la
climatologa mensual para el perodo 1961-1990.

28
 CONCLUSIONES

5. CONCLUSIONES

Se han presentado mtodos de estimacin para la regionalizacin de precipitacin basndose en

anlogos sinpticos.
Se ha validado el mtodo analizando el comportamiento de los valores estimados en relacin con los
correspondientes observados tanto para los valores medios anuales y mensuales como para los diarios
donde se analiza su distribucin, los errores medios y los skill-score indicativos de la mejora de las
estimaciones basadas en el mtodo, respecto a las estimaciones basadas en la climatologa.
Las medias anuales estn bien representadas tanto en su distribucin geogrfica como en sus valores,
aunque hay una subestima en la zona mediterrnea derivada bsicamente de la subestima de la
precipitacin en otoo.
Las precipitaciones mensuales estn razonablemente bien estimadas en invierno y primavera; en
verano se ponen de manifiesto aceptablemente la distribucin geogrfica y los bajos valores propios
de la estacin aunque las desviaciones relativas sean, en algn caso, marcadas precisamente debido
a esos valores bajos; finalmente, en otoo las medias mensuales son generalmente subestimadas,
especialmente en zonas mediterrneas.
La distribucin de los valores diarios de precipitacin est en general bien representada, si bien los
valores ms bajos (percentiles 10, 25), aunque bien reflejados en general, estn ligeramente sobre-
estimados. Los valores ms extremos (percentil 99) estn marcadamente subestimados, debido quizs
tanto a la suavizacin derivada del propio mtodo como a la falta de representacin de algunos de los
factores que influyen en las precipitaciones ms extremas.
En cuanto a los errores medios de la precipitacin diaria podemos observar la tendencia a ser algo
mayores en las zonas de mayor pluviosidad, lo que no implica necesariamente un mayor error en
trminos relativos, y la tendencia a valores bajos en los meses estivales debido al predominio de das
sin precipitacin, los cuales estn bien reflejados aunque las precipitaciones de origen convectivo no
estn del todo bien representadas.
Finalmente los skill-score muestran una mejora considerable de las estimaciones hechas con el mtodo
respecto a las realizadas con la climatologa mensual, aunque en los meses de verano las mejoras son
algo ms discretas con algunos pocos puntos en que se iguala o incluso se empeora algo respecto a
la climatologa.
Las estimaciones se han realizado basndose exclusivamente en informacin de tipo sinptico. En
pruebas realizadas introduciendo parmetros de humedad, se mejoran los resultados disminuyendo
algo los errores. Aunque la humedad no es un parmetro especialmente bien simulado por los modelos
globales, puede ser aconsejable su introduccin en la regionalizacin de la precipitacin debido a que
podra cobrar una mayor importancia en un contexto de cambio climtico.

29
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS

BIBLIOGRAFA

ANDERBERG, M., 1973: Cluster Analysis for Applications, Academic Press.

BORN, R., J. RIBALAYGUA, L. BALAIRN, 1997: Mtodo Analgico de Simulacin de Escenarios Climticos a
Escala Comarcal. Informe Tcnico n. 4. Servicio de Variabilidad y Prediccin del Clima, INM, Madrid.
IPCC, 1999: Guidelines on the Use of Scenario Data for Climate Impact and Adaptation Assessment.
KALNAY, E. y otros, 1996: The NCEP/NCAR 40-Year Reanalysis Project. Bull. Amer. Meteor. Soc., 77,
437-471.
LUND, I., 1962: Map-Pattern Clasification by Statistical Methods. J. Appl. Meteorol., 2, 56-65.
PETISCO, S. E., J. M. MARTN, D. GIL, 2005: Mtodo de estima de precipitacin mediante downscaling. Nota
Tcnica n. 11. Servicio de Variabilidad y Prediccin del Clima, INM, Madrid.
WILBY, R. L., T. WIGLEY, 2000: Precipitation Predictors for Downscaling Observed and General Circulation
Model Relationships. Int. J. Climatol., 20, 641-661.
W ILKS, D., 1995: Statistical Methods in the Atmospheric Sciences, Academic Press.
Z ORITA, E., H. VON STORCH, 1999: The Analog Method as a Simple Statistical Downscaling Technique:
Comparison with More Complicated Methods. J. Climate, 12, 2474-2489.

30