Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1. Mtodos de Series
Anuales
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
Px = 0.5 * ( Nx * PA / NA + Nx * PB / NB )
Donde:
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.
Donde:
3. Mtodos Multi
Variantes
Todos los mtodos se basan en el estudio de las correlaciones lineales
individuales entre las series.
Donde:
x1(t) , x2(t) y x3(t): son los datos correspondientes a las series vecinas
respectivamente.
Donde:
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.
Donde:
c) Promediar los valores de f en el nivel N.
(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
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:
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
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
Ventajas: permite rellenar medias de diferentes perodos y puede ser utilizado para
valores mensuales y anuales.
Px = 0.5 * ( Nx * PA / NA + Nx * PB / NB )
Donde:
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
Donde:
Todos los mtodos se basan en el estudio de las correlaciones lineales individuales entre
las series.
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.
Se tiene que para un mes t determinado, el dato incompleto x(t) se puede expresar
como:
12.png
Donde:
Los coeficientes de correlacin de Pearson deben calcularse con los valores de las series
normalizados mensualmente.
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.
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
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
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)
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