Mtodos de estimacin para completar datos de precipitacin

A continuacin, se presenta una recopilacin de los principales mtodos

de estimacin para completar datos de precipitacin:

1. Mtodos de Series
Anuales

1.1 Mtodo de la Razn q

Se aplica a pares de estaciones, en donde A tiene los datos completos y
B no.

La razn (q) entre los valores mensuales, anuales o medios, tiende a ser
constante. As, si se tienen dos estaciones (A y B), se determina q como:

q = bi / ai

Donde:

i: desde 1 hasta N

N: nmero total de datos de la serie

bi: dato i de la estacin B

ai: dato i de la estacin A

Por tanto, el valor bj faltante en la estacin B, se obtiene como: bj = q *

aj

Ventajas: permite rellenar medias de diferentes perodos y puede ser

utilizado para valores mensuales y anuales.

1.2 Mtodo de la Razn-Normal

Considera promedios de precipitacin anuales en perodos iguales,
no normales.
Se aplica a tres estaciones cercanas y uniformemente espaciadas con
respecto a la estacin en estudio.

Sea Px la precipitacin anual de una estacin X para un ao

determinado y utilizando los datos de dos estaciones A y B conocidas, se
tiene que:

Px = 0.5 * ( Nx * PA / NA + Nx * PB / NB )

Donde:

Nx: precipitacin promedio de la estacin X, para el mismo perodo que

se obtiene la lluvia promedio de la estacin A (NA) y B (NB).

PA y PB: valores correspondientes a Px, de las estaciones A y B.

Ventajas: Este mtodo se sugiere para cuando las diferencias en las

precipitaciones anuales normales de las estaciones consideradas son
mayores que un 10 %. Desventajas: la uniformidad de espaciamiento
puede ser difcil de cumplir en algunas regiones. (1)

2. Completacin por
Regresiones Mltiples
Se recomienda para estimacin de datos mensuales y anuales de la
estacin en estudio, en base a datos pluviomtricos consistentes de una
estacin cercana.

Se establece una correlacin como esta:

Y = a + b*X1 + c*X2 + + n*Xi

Donde:

Y: valor de precipitacin estimada

Xi: valor de precipitacin en estaciones con informacin completa

a,b,c: constantes de regresin

Es ms recomendable que el mtodo de regresin Lineal, pero siempre

que se cuente con estaciones cercanas y confiables. (2)

3. Mtodos Multi
Variantes
Todos los mtodos se basan en el estudio de las correlaciones lineales
individuales entre las series.

3.1 Razn Normal

Emplea tres estaciones.

Requiere realizar los clculos con los valores de las series

previamente normalizados mensualmente, en donde el coeficiente de
correlacin calculado es el de Pearson.

Calcula el dato incompleto, x(t) de una serie, a partir de los datos de

las series de tres estaciones vecinas y contemporneas que presenten un
alto grado de correlacin con la serie a completar, se estima a travs de la
expresin:

Donde:

x, x1 , 2 x y 3x: son las medias de las variables en cuestin de la serie

incompleta y de las tres series vecinas respectivamente

x1(t) , x2(t) y x3(t): son los datos correspondientes a las series vecinas
respectivamente.

- Ventajas: Este mtodo juega con la variabilidad registrada en otras

estaciones y con la razn proporcional entre ellas, y al tener tres
estaciones se suaviza la influencia que podra tener un error en una de
ellas.

3.2 Combinacin Lineal Ponderada

La idea es sustituir la falta de datos a partir de los datos de series
estadsticamente prximas, que son conocidas como vecinas.

Se tiene que para un mes t determinado, el dato incompleto x(t) se

puede expresar como:

Donde:

ri: es el coeficiente de correlacin de Pearson entre la serie i-sima y la serie

incompleta y xi(t) es el valor del instante t de la serie i-sima.

Los coeficientes de correlacin de Pearson deben calcularse con los

valores de las series normalizados mensualmente.

Ventajas: El nmero de series que se utilizan para el completado es

arbitrario en principio. (3)
4. Transformada
Wavelet (TW)
Permite estudiar series de tiempo con una resolucin baja para escalas
grandes (Estructuras generales) y con resoluciones altas para escalas
pequeas (Estructuras finas). La construccin del algoritmo se puede dar
de la siguiente manera:

Seleccionar dos estaciones vecinas, una vaca (f) y otra completa (g).
Ambas deben pertenecer a la misma familia de distribucin y con
indicadores climticos similares.

a) Estandarizar las seales de las estaciones siguiendo la metodologa de

Nakken.

b) Descomponer la seal con las siguientes ecuaciones, hasta un cierto

grado N.

Donde:
c) Promediar los valores de f en el nivel N.

d) Obtener la tendencia de f en el nivel N y los ruidos de g en todos los

niveles.
e) Realizar el proceso inverso de la estandarizacin del paso b) para
obtener la seal h.

f) Finalmente, los valores faltantes f son reemplazos los valores generados

h.

A continuacin, podemos apreciar un grfico que muestra la

reconstruccin de precipitaciones mediante el empleo del presente
mtodo.

Ventajas: Este mtodo por su naturaleza, es independiente de la cantidad

de informacin utilizada en el anlisis. En consecuencia, es muy til para
emplearlo en situaciones dnde no se cuenta con suficiente informacin.
(4)
5. Mtodo de las
Isoyetas

(5)

6. Neural Networks
Este modelo explora las variables de espacio y el tiempo para predecir
patrones en los datos y estimar datos faltantes sobre precipitaciones. Esta
capacidad ha sido confirmada mediante el uso de modelos matemticos
probados por Cybenko (1989) y Hornik (1989).
El proceso de estimacin se realiza en dos fases. Primero, se modela la
red y se pretende estimar los pesos o parmetros de la red. Luego, se
procede a validar el modelo mediante la insercin de datos no empleados
en la etapa de modelamiento.

T: Tiempo de retardo

T se elige de manera que () tienda a cero

m : Dimensin de inmersin

Se emplea esta ecuacin para determinar la dimensin del vecino falso

y estimar la dimensin de inmersin.
: Pesos de las conexiones

se elige de forma que minimice la siguiente expresin

Ecuacin final:
El mtodo bsicamente se basa en corregir el error cuadrtico con ayuda
de los parmetros de ajuste usados. A continuacin, se muestra un cuadro
con el resultado del empleo del presente mtodo.

(6)

7. Inverse-Distance-
Weighted (IDW)
Interpolation
El valor de la interpolacin del campo pi dentro de (xi,yi) es el siguiente:
El valor de pn es conocido en el campo al medir n. Asimismo, los pesos
i,n estn dados por la siguiente expresin:

Donde Cx, Cy y Cz permite pesos anisotrpicos. Adems, el factor de

normalizacin Wi est dado por:
Ventajas: Este mtodo tiene la capacidad de reproducir mediciones
precisas y proveer informacin sin la interaccin o interferencia del
usuario. Adems, este mtodo ha demostrado eficiencia y credibilidad
durante su uso en The National Wheater Service.

Desventajas: Se debe considerar las limitaciones del equipamiento y de

su operacin. Las mediciones individuales de precipitaciones estn sujetas
a error de operacin mecnica y dependen de la calibracin. (7)

Referencias
(1) http://www.imn.ac.cr/publicaciones/revista/2000/Julio/4-RAlfaro-
Julio00.pdf

(2) http://eias.utalca.cl/Docs/pdf/Publicaciones/articulos_cientificos/pizarro
_ausensi_aravena_sanguesa.pdf
(3) http://zucaina.net/Publicaciones/barrera-dea.pdf

(4) (http://www.senamhi.gob.pe/rpga/pdf/2010_vol02/art7.pdf

(5) http://www.srh.noaa.gov/abrfc/?n=map#techniques

(6) http://water.usgs.gov/wrri/07grants/progress/2007FL202B.pdf

(7) http://www.tucson.ars.ag.gov/unit/publications/PDFfiles/1872.pdf

A continuacin, se presenta una recopilacin de los principales mtodos de estimacin

para completar datos de precipitacin:

1. Mtodos de Series Anuales

1.1 Mtodo de la Razn q

Se aplica a pares de estaciones, en donde A tiene los datos completos y B no.

La razn (q) entre los valores mensuales, anuales o medios, tiende a ser constante. As,
si se tienen dos estaciones (A y B), se determina q como:

q = bi / ai

Donde:

i: desde 1 hasta N
N: nmero total de datos de la serie

bi: dato i de la estacin B

ai: dato i de la estacin A

Por tanto, el valor bj faltante en la estacin B, se obtiene como: bj = q * aj

Ventajas: permite rellenar medias de diferentes perodos y puede ser utilizado para
valores mensuales y anuales.

1.2 Mtodo de la Razn-Normal

Considera promedios de precipitacin anuales en perodos iguales, no normales.

Se aplica a tres estaciones cercanas y uniformemente espaciadas con respecto a la

estacin en estudio.

Sea Px la precipitacin anual de una estacin X para un ao determinado y utilizando los

datos de dos estaciones A y B conocidas, se tiene que:

Px = 0.5 * ( Nx * PA / NA + Nx * PB / NB )

Donde:

Nx: precipitacin promedio de la estacin X, para el mismo perodo que se obtiene la

lluvia promedio de la estacin A (NA) y B (NB).

PA y PB: valores correspondientes a Px, de las estaciones A y B.

Ventajas: Este mtodo se sugiere para cuando las diferencias en las precipitaciones
anuales normales de las estaciones consideradas son mayores que un 10 %.
Desventajas: la uniformidad de espaciamiento puede ser difcil de cumplir en algunas
regiones. (1)
2. Completacin por Regresiones Mltiples

Se recomienda para estimacin de datos mensuales y anuales de la estacin en estudio,

en base a datos pluviomtricos consistentes de una estacin cercana.

Se establece una correlacin como esta:

Y = a + b*X1 + c*X2 + + n*Xi

Donde:

Y: valor de precipitacin estimada

Xi: valor de precipitacin en estaciones con informacin completa

a,b,c: constantes de regresin

Es ms recomendable que el mtodo de regresin Lineal, pero siempre que se cuente

con estaciones cercanas y confiables. (2)

3. Mtodos Multi Variantes

Todos los mtodos se basan en el estudio de las correlaciones lineales individuales entre
las series.

3.1 Razn Normal

Emplea tres estaciones.

Requiere realizar los clculos con los valores de las series previamente normalizados
mensualmente, en donde el coeficiente de correlacin calculado es el de Pearson.

Calcula el dato incompleto, x(t) de una serie, a partir de los datos de las series de tres
estaciones vecinas y contemporneas que presenten un alto grado de correlacin con la
serie a completar, se estima a travs de la expresin:
10.png
Donde:
x, x1 , 2 x y 3x: son las medias de las variables en cuestin de la serie incompleta y de
las tres series vecinas respectivamente

x1(t) , x2(t) y x3(t): son los datos correspondientes a las series vecinas
respectivamente.

- Ventajas: Este mtodo juega con la variabilidad registrada en otras estaciones y con la
razn proporcional entre ellas, y al tener tres estaciones se suaviza la influencia que
podra tener un error en una de ellas.

3.2 Combinacin Lineal Ponderada

La idea es sustituir la falta de datos a partir de los datos de series estadsticamente

prximas, que son conocidas como vecinas.

Se tiene que para un mes t determinado, el dato incompleto x(t) se puede expresar
como:
12.png
Donde:

ri: es el coeficiente de correlacin de Pearson entre la serie i-sima y la serie incompleta

y xi(t) es el valor del instante t de la serie i-sima.

Los coeficientes de correlacin de Pearson deben calcularse con los valores de las series
normalizados mensualmente.

Ventajas: El nmero de series que se utilizan para el completado es arbitrario en

principio. (3)

4. Transformada Wavelet (TW)

Permite estudiar series de tiempo con una resolucin baja para escalas grandes
(Estructuras generales) y con resoluciones altas para escalas pequeas (Estructuras
finas). La construccin del algoritmo se puede dar de la siguiente manera:
Seleccionar dos estaciones vecinas, una vaca (f) y otra completa (g). Ambas deben
pertenecer a la misma familia de distribucin y con indicadores climticos similares.

a) Estandarizar las seales de las estaciones siguiendo la metodologa de Nakken.

b) Descomponer la seal con las siguientes ecuaciones, hasta un cierto grado N.

13.png
Donde:
14.png
23.png

c) Promediar los valores de f en el nivel N.

d) Obtener la tendencia de f en el nivel N y los ruidos de g en todos los niveles.

e) Realizar el proceso inverso de la estandarizacin del paso b) para obtener la seal h.

f) Finalmente, los valores faltantes f son reemplazos los valores generados h.

A continuacin, podemos apreciar un grfico que muestra la reconstruccin de

precipitaciones mediante el empleo del presente mtodo.
16.png
Ventajas: Este mtodo por su naturaleza, es independiente de la cantidad de
informacin utilizada en el anlisis. En consecuencia, es muy til para emplearlo en
situaciones dnde no se cuenta con suficiente informacin. (4)

5. Mtodo de las Isoyetas

17.png
(5)

6. Neural Networks

Este modelo explora las variables de espacio y el tiempo para predecir patrones en los
datos y estimar datos faltantes sobre precipitaciones. Esta capacidad ha sido confirmada
mediante el uso de modelos matemticos probados por Cybenko (1989) y Hornik
(1989).
El proceso de estimacin se realiza en dos fases. Primero, se modela la red y se
pretende estimar los pesos o parmetros de la red. Luego, se procede a validar el
modelo mediante la insercin de datos no empleados en la etapa de modelamiento.
18.png
T: Tiempo de retardo

T se elige de manera que () tienda a cero

25.png

m : Dimensin de inmersin

Se emplea esta ecuacin para determinar la dimensin del vecino falso y estimar la
dimensin de inmersin.
22.png
: Pesos de las conexiones

se elige de forma que minimice la siguiente expresin

Ecuacin final:
24.png
El mtodo bsicamente se basa en corregir el error cuadrtico con ayuda de los
parmetros de ajuste usados. A continuacin, se muestra un cuadro con el resultado del
empleo del presente mtodo.
26.png
(6)

7. Inverse-Distance-Weighted (IDW) Interpolation

El valor de la interpolacin del campo pi dentro de (xi,yi) es el siguiente:

26.png
El valor de pn es conocido en el campo al medir n. Asimismo, los pesos i,n estn
dados por la siguiente expresin:
26.png
Donde Cx, Cy y Cz permite pesos anisotrpicos. Adems, el factor de normalizacin Wi
est dado por:
26.png
Ventajas: Este mtodo tiene la capacidad de reproducir mediciones precisas y proveer
informacin sin la interaccin o interferencia del usuario. Adems, este mtodo ha
demostrado eficiencia y credibilidad durante su uso en The National Wheater Service.
Desventajas: Se debe considerar las limitaciones del equipamiento y de su operacin.
Las mediciones individuales de precipitaciones estn sujetas a error de operacin
mecnica y dependen de la calibracin. (7)

Referencias

(1) http://www.imn.ac.cr/publicaciones/revista/2000/Julio/4-RAlfaro-Julio00.pdf

(2)
http://eias.utalca.cl/Docs/pdf/Publicaciones/articulos_cientificos/pizarro_ausensi_araven
a_sanguesa.pdf

(3) http://zucaina.net/Publicaciones/barrera-dea.pdf

(4) (http://www.senamhi.gob.pe/rpga/pdf/2010_vol02/art7.pdf

(5) http://www.srh.noaa.gov/abrfc/?n=map#techniques

(6) http://water.usgs.gov/wrri/07grants/progress/2007FL202B.pdf

(7) http://www.tucson.ars.ag.gov/unit/publications/PDFfiles/1872.pdf