Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2008
i
Catlogo de publicaciones oficiales
http://www.060.es
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
5 . CONCLUSIONES ................................................................................................................... 29
BIBLIOGRAFA .......................................................................................................................... 30
iii
iv
Resumen
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
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.
Figura 1. Rejilla sinptica de baja resolucin mostrando las ponderaciones asociadas a cada punto para el clculo de
distancias sinpticas.
2
DATOS UTILIZADOS
3
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS
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).
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:
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.
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:
6
METODOLOGA DE LA ESTIMACIN DE PRECIPITACIN
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.
7
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS
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.
8
VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN
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
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
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
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
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
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
-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
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.
16
VALIDACIN DE LAS ESTIMACIONES DE PRECIPITACIN
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
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
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
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
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
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
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
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
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
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
i=1
|xc xio|2
RECM c = [8]
n
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
-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
-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
29
MTODO DE REGIONALIZACIN DE PRECIPITACIN BASADO EN ANLOGOS
BIBLIOGRAFA
30