Corrección de sesgo y transferencia estadística en series de precipitación máxima anual satelital en el río Piura

Bias correction and statistical transfer in satellite-based annual maximum precipitation series in the Piura River

Becky Fátima Berrocal-Tito^a*, Jamil Isaac Ramirez-Muñoz^b

^aUniversidad Tecnológica del Perú, Lima, Perú

^bUniversidad Nacional Mayor de San Marcos, Lima, Perú

E-mail: ^a c26212@utp.edu.pe, ^b jamil_ramirez.m@hotmail.com

*Autor para correspondencia

Recibido: 11/08/2025Aceptado: 18/12/2025Publicado: 31/01/2026

Citar como: Berrocal, B.F, Ramirez, J.I. 2026. Bias correction and statistical transfer in satellite-based annual maximum precipitation series in the Piura River. Ingeniería del agua, 30(1), 48-62. https://doi.org/10.4995/ia.24476

RESUMEN

El presente trabajo analiza la corrección de sesgo en series de precipitación máxima anual derivadas de productos satelitales y reanálisis en la cuenca del río Piura, Perú. Se aplicaron las técnicas de Mapeo de Cuantiles, Regresión Polinomial Transformación Lineal, Delta Multiplicativo y sobre los productos satelitales (CHIRPS, ERA5, MERRA-2, PERSIANN-CDR, PISCO y RAIN4PE), evaluando su desempeño estadístico mediante NSE, RMSE, MAE, PBIAS y KS. Se usaron datos observados de seis estaciones oficiales, tras pruebas de homogeneidad y completación con Random Forest. Los resultados mostraron que Mapeo de Cuantiles y PISCO ofrecen el mejor ajuste estadístico, incluso en estaciones con vacíos. Asimismo, se exploró la transferencia de parámetros de corrección entre estaciones con climas similares, encontrando que la similitud estadística se ajusta mejor a la proximidad geográfica como criterio de selección. Este enfoque resulta útil para mejorar la calidad de datos en cuencas no aforadas y apoyar el diseño hidrológico en zonas con escaso monitoreo.

Palabras clave | precipitación satelital; corrección de sesgo; cuantiles; series diarias; cuenca del río Piura; transferencia climática; eventos extremos.

ABSTRACT

This paper analyzes bias correction in satellite-derived annual maximum precipitation series and reanalyses in the Piura River basin, Peru. Quantile Mapping, Polynomial Regression Linear Transformation, Multiplicative Delta, and other techniques were applied to satellite products (CHIRPS, ERA5, MERRA-2, PERSIANN-CDR, PISCO, and RAIN4PE), evaluating their statistical performance using NSE, RMSE, MAE, PBIAS, and KS. Observed data from six official stations were used, after homogeneity and completion tests using Random Forest. The results showed that Quantile Mapping and PISCO offer the best statistical fit, even at stations with gaps. Furthermore, the transfer of correction parameters between stations with similar climates was explored, finding that statistical similarity best fits geographic proximity as a selection criterion. This approach is useful for improving data quality in ungauged basins and supporting hydrological design in areas with limited monitoring.

Key words | satellite precipitation; bias correction; quantiles; daily series; Piura River basin; climate transfer; extreme events.

INTRODUCCIÓN

En zonas como la cuenca del río Piura, donde las estaciones pluviométricas son escasas y su distribución espacial es limitada, los productos de precipitación satelital representan una alternativa clave para complementar o sustituir los datos observados (López-Bermeo et al., 2022; Katiraie-Boroujerdy et al., 2020). Sin embargo, estos productos suelen presentar sesgos sistemáticos debido a errores en la detección por sensores, algoritmos de estimación o diferencias topográficas y climáticas locales (Nicholson y Klotter, 2021).

La cuenca del río Piura presenta una alta variabilidad interanual asociada a los eventos El Niño–Oscilación del Sur (ENOS), lo cual genera cambios bruscos en la magnitud de la precipitación y en la frecuencia de eventos extremos. Esta variabilidad constituye un desafío para el diseño hidrológico y para la calibración de modelos de frecuencia en zonas con escaso monitoreo. En este contexto, el análisis de sesgos en productos satelitales y la corrección estadística de series máximas anuales se vuelve fundamental para obtener estimaciones más confiables, especialmente durante periodos hidrometeorológicamente anómalos.

El análisis desarrollado en este estudio abarca el periodo 1981–2015, intervalo que incluye dichos eventos extremos y permite evaluar el comportamiento de los productos satelitales bajo condiciones hidrometeorológicas contrastantes, relevantes para la identificación de sesgos. Estos antecedentes evidencian la necesidad de contar con estimaciones precisas de precipitación máxima diaria y anual para distintos periodos de retorno, esenciales en el diseño de infraestructuras hidráulicas resilientes y en la planificación territorial sostenible.

Las series de máximos anuales resultan fundamentales para caracterizar los eventos extremos de precipitación, ya que permiten generar curvas de intensidad–duración–frecuencia (IDF), desarrollar análisis de riesgo y realizar simulaciones hidrológicas, herramientas indispensables en zonas como Piura, donde los efectos del cambio climático incrementan la variabilidad pluviométrica y la exposición a inundaciones. En este contexto, diversos estudios han documentado la necesidad de aplicar técnicas de corrección de sesgo a los datos satelitales antes de su uso en aplicaciones hidrológicas (Ajaaj et al., 2016; Enayati et al., 2021; Gumindoga et al., 2019). Entre los métodos más empleados destacan el Mapeo de Cuantiles (QM), la Transformación Lineal (LT) y el Delta Multiplicativo (DM), los cuales mejoran la fidelidad de los datos ajustando sus propiedades estadísticas a series observadas (Li et al., 2023; Okirya y Du Plessis, 2025; Ouatiki et al., 2023). No obstante, la transferencia de estas técnicas hacia regiones no aforadas o con características climáticas distintas sigue siendo un reto técnico y metodológico, especialmente cuando se busca estimar series máximas anuales para el análisis de eventos extremos. La literatura reciente señala que la estacionalidad y las teleconexiones climáticas modulan la forma y variabilidad de las distribuciones extremas, lo cual debe considerarse al analizar estas series (Urrea-Méndez y del Jesus, 2025).

Diversos autores han señalado que la magnitud y persistencia del sesgo dependen de la escala temporal empleada en el análisis, siendo generalmente mayores a escalas diarias que en acumulados mensuales o anuales debido a errores en la detección de eventos convectivos y a la heterogeneidad espacial de la lluvia (Teutschbein y Seibert, 2013; Ajaaj et al., 2016; Katiraie-Boroujerdy et al., 2020; Enayati et al., 2021). En consecuencia, la evaluación de los métodos de corrección a partir de datos diarios resulta más exigente, pero a la vez más representativa del desempeño real de los productos satelitales en el análisis de extremos hidrológicos.

Además de la corrección de sesgo, un componente innovador de este estudio es la evaluación de la transferibilidad regional de los parámetros estadísticos entre estaciones con características climáticas y fisiográficas similares. Este enfoque busca determinar si los coeficientes obtenidos en estaciones con series completas pueden aplicarse a otras con datos escasos o incompletos, optimizando la calibración en regiones con baja densidad de monitoreo. Estudios recientes en África y Asia han mostrado el potencial de esta estrategia para mejorar la regionalización de la precipitación corregida (Okirya y Du Plessis, 2025; Ouatiki et al., 2023), aunque su aplicación en contextos costeros andinos aún es incipiente.

Por otro lado, el trabajo incorpora técnicas modernas de computación estadística, que permiten un tratamiento más robusto y reproducible de la información. Se implementaron algoritmos de relleno de datos basados en Random Forest y rutinas vectorizadas en el lenguaje R, lo que posibilitó automatizar los procesos de evaluación y comparación entre múltiples productos satelitales. Este uso de herramientas de aprendizaje automático representa una mejora frente a metodologías tradicionales de completación o ajuste manual de datos, reduciendo la incertidumbre asociada al preprocesamiento de las series hidrometeorológicas. En conjunto, estas estrategias fortalecen el aporte metodológico del estudio, al integrar la corrección de sesgo, la transferencia regional y la computación estadística avanzada en un mismo marco de análisis, con el propósito de mejorar la calidad y aplicabilidad de los datos satelitales en cuencas costeras no aforadas del Perú.

En Perú, la mayoría de investigaciones se ha concentrado en cuencas andinas o amazónicas, existiendo escasos estudios sobre las cuencas costeras occidentales, como la del río Piura. Este trabajo aborda dicha brecha mediante la evaluación comparativa de cuatro métodos de corrección de sesgo aplicados a seis productos satelitales de precipitación (CHIRPS, ERA5, PERSIANN-CDR, PISCO, RAIN4PE y MERRA-2), utilizando como referencia datos observados en seis estaciones representativas de la cuenca media (Chalaco, Chulucanas, El Virrey, Morropón, San Pedro y Santo Domingo), distribuidas en diferentes zonas climáticas según la clasificación de Thornthwaite adaptada por SENAMHI (2020).

El presente estudio tiene como objetivo evaluar la efectividad comparativa de distintos métodos de corrección de sesgo aplicados a productos de precipitación satelital con resolución diaria, analizando su impacto sobre las series de precipitación máxima anual derivadas para el periodo 1981–2015 y la viabilidad de transferir parámetros estadísticos entre estaciones con condiciones climáticas similares. Esta aproximación permite examinar cómo la escala temporal de los datos influye en la magnitud del sesgo y en la representatividad de los eventos extremos en la cuenca media del río Piura, aportando una metodología aplicable al mejoramiento de datos hidrometeorológicos en cuencas no aforadas.

MATERIAL Y MÉTODOS

Enfoque de la investigación

El presente estudio adopta un enfoque cuantitativo comparativo orientado a evaluar el desempeño de distintos métodos de corrección de sesgo en productos de precipitación satelital y a analizar la transferibilidad regional de los parámetros estadísticos obtenidos. La investigación se desarrolló de manera secuencial, combinando análisis estadístico, modelamiento computacional y validación cruzada entre estaciones con condiciones climáticas contrastantes.

Con el fin de representar de forma sintética la secuencia metodológica y sus interrelaciones, se incluyó un mapa conceptual (Figura 1) que muestra los procedimientos clave abordados, desde la adquisición de datos hasta la transferencia regional, resaltando las conexiones entre cada etapa y los objetivos específicos del estudio. Este esquema permite al lector visualizar el flujo de trabajo, las técnicas empleadas y la relación entre los componentes de corrección de sesgo, evaluación estadística y transferibilidad.

Unidades de análisis

El estudio se desarrolló en la cuenca alta del río Piura, que se encuentra en la vertiente del Pacífico norte del Perú, entre las coordenadas aproximadas 5°00’–6°00’ S y 79°30’–80°30’ O. La cuenca abarca una superficie aproximada de 4648 km² y se extiende desde la zona andina media hasta la ciudad de Chulucanas. El río principal nace en las estribaciones occidentales de la cordillera de los Andes, a más de 3000 m s.n.m., y desciende hacia el noroeste con un marcado gradiente altitudinal hasta el sector de Chulucanas, a menos de 100 m s.n.m.

La topografía de la cuenca presenta contrastes significativos: las zonas altas (Chalaco y Santo Domingo) son montañosas y con pendientes pronunciadas; las zonas intermedias (Morropón y San Pedro) tienen relieves colinosos y transicionales; mientras que las zonas bajas (El Virrey y Chulucanas) corresponden a valles amplios y de escasa pendiente, con suelos aluviales. Estas diferencias fisiográficas condicionan tanto los patrones espaciales de precipitación como la respuesta hidrológica durante eventos extremos.

Climáticamente, la cuenca alta del río Piura se ubica dentro de una región tropical semiárida a subhúmeda, con fuertes contrastes espaciales controlados por la altitud y la influencia del océano Pacífico tropical oriental. De acuerdo con la Clasificación Climática de Thornthwaite adaptada por SENAMHI (2020), la cuenca alta del río Piura presenta ocho zonas climáticas principales, tal como se aprecia en la Figura 2. La precipitación varía en la cuenca alta del río Piura, entre 200 mm anuales en la zona baja , 400-800 mm para la zona intermedia y más de 1200 mm en la zona alta.

La dinámica atmosférica de la región está dominada por la circulación del anticiclón del Pacífico sur y la zona de convergencia intertropical (ZCIT), cuya posición y oscilación determinan la estacionalidad de las lluvias. Los eventos El Niño–Oscilación del Sur (ENOS) constituyen el principal modulador de la precipitación, generando incrementos súbitos y anomalías positivas extremas durante episodios cálidos, como los de 1983, 1998 y 2017 (ENFEN, 2017).

En este contexto, se consideraron seis estaciones pluviométricas representativas: Chalaco, Chulucanas, El Virrey, Morropón, San Pedro y Santo Domingo. Estas estaciones fueron seleccionadas por su disponibilidad de datos, localización fisiográfica contrastante y pertenencia a diferentes regímenes climáticos, lo que permite analizar la transferibilidad estadística de los parámetros de corrección entre ambientes con distinta respuesta pluviométrica.

Técnicas de recolección

Se emplearon datos diarios observados de precipitación proporcionados por SENAMHI y seis productos satelitales: CHIRPS, ERA5, MERRA-2, PERSIANN-CDR, PISCO y RAIN4PE, para el rango temporal 1981–2015. Se aplicó una limpieza y control de calidad a las series observadas que incluyó detección de valores atípicos y pruebas de homogeneidad (Pettitt (1979), Buishand (1982) y SNHT (Alexandersson, 1986)), además del relleno de datos faltantes mediante el algoritmo Random Forest (Breiman, 2001), reconocido por su robustez en la predicción no paramétrica y su capacidad para manejar relaciones no lineales entre variables hidrometeorológicas. Este procedimiento se aplicó únicamente para completar vacíos temporales en cada estación, utilizando como predictores las precipitaciones del mismo día registradas en las demás estaciones disponibles. No se realizó interpolación espacial ni se incorporaron variables climáticas adicionales.

Corrección de sesgo

El procesamiento de datos y la corrección de sesgo se implementaron íntegramente en el lenguaje R, mediante funciones vectorizadas y una estructura modular que permitió automatizar la aplicación de cada técnica en los seis productos satelitales analizados (CHIRPS, ERA5, MERRA-2, PERSIANN-CDR, PISCO y RAIN4PE). Este enfoque aseguró reproducibilidad, eficiencia computacional y comparabilidad entre estaciones. Los cuatro métodos de corrección de sesgo evaluados fueron seleccionados por su amplia utilización en estudios hidrológicos y climáticos, y se describen a continuación:

Transformación Lineal (LT):

Consiste en ajustar la media y desviación estándar del producto satelital para igualarlas con las de la serie observada, aplicando una transformación lineal del tipo:

$$P_{corr}=a+b\cdot P_{sat} (1)$$

donde a y b se obtienen por ajuste estadístico.

Es un método simple, adecuado cuando las diferencias entre series son principalmente aditivas o proporcionales (Teutschbein y Seibert, 2013).

Delta Multiplicativo (DM)

Ajusta el producto satelital mediante un factor multiplicativo basado en la relación entre la media observada y la media satelital:

$$P_{corr}=P_{sat}\cdot {\overline{P}}_{obs}/{\overline{P}}_{sat} (2)$$

Es útil para estudios climáticos de largo plazo y cuando se requieren ajustes de escala (Ajaaj et al., 2016).

Regresión Polinomial (PR)

Modela la relación entre la precipitación satelital y la observada mediante una función polinómica de orden 2:

$$P_{corr}=a+b\cdot P_{sat}+c\cdot P_{sat}^2 (3)$$

Permite capturar relaciones no lineales, pero puede suavizar los valores extremos si no se valida adecuadamente (Li et al., 2023).

Mapeo de Cuantiles (QM)

Ajusta la distribución completa del producto satelital a la distribución empírica observada. Para cada cuantil q:

$$P_{corr}=F_{obs}^{-1}\left(F_{sat}\left(P_{sat}\right)\right) (4)$$

En este estudio se aplicó QM no paramétrico, considerando el rango completo de cuantiles de 0.01 a 1, lo cual permite corregir eficientemente tanto la mediana como los valores extremos. Se eligió este rango por su capacidad de mantener estabilidad en los cuantiles extrapolados, evitando oscilaciones en colas largas (Maraun, 2013; Teutschbein y Seibert, 2013).

QM es reconocido como el método más robusto para reducir sesgos en eventos extremos de precipitación, especialmente cuando se trabaja con resoluciones diarias (Katiraie-Boroujerdy et al., 2020; Enayati et al., 2021). Este enfoque resulta especialmente adecuado en regiones donde los extremos presentan comportamientos modulados por la variabilidad climática y estructuras no estacionarias, como se ha demostrado en estudios recientes de modelación de precipitación extrema (Urrea-Méndez y del Jesus, 2025).

Estos métodos han sido ampliamente utilizados en estudios hidrológicos debido a su efectividad para reducir errores sistemáticos antes de alimentar modelos de simulación, tales como HEC-HMS, SWAT, y modelos lluvia–escorrentía semi-distribuidos (Nguyen et al., 2024; Chaudhary y Regmi, 2025). Diversas investigaciones demuestran que la corrección de sesgo mejora sustancialmente el desempeño de estos modelos, al ajustar la distribución de la precipitación y reducir la subestimación o sobreestimación de eventos extremos (Gumindoga et al., 2019; Katiraie-Boroujerdy et al., 2020; Enayati et al., 2021). Este ajuste previo es especialmente relevante cuando los modelos son sensibles a la estructura estadística de la lluvia, como en el caso de la simulación de caudales máximos, estimación de escorrentía directa o generación de hidrogramas de diseño.

Evaluación estadística del ajuste de series corregidas

La valoración del rendimiento de cada técnica se efectuó mediante un control de calidad estadístico entre las series corregidas y las series observadas, empleando cinco indicadores comúnmente utilizados en estudios hidrológicos. El sesgo porcentual (PBIAS) se consideró bajo cuando se encontró entre –10 % y +10 %, y moderado dentro del rango de –25 % a +25 %. Para el error absoluto medio (MAE) y el error cuadrático medio (RMSE) se buscaron valores reducidos, dado que representan una menor desviación respecto a los datos observados. En cuanto al coeficiente de eficiencia de Nash–Sutcliffe (NSE), valores superiores a 0.50 se interpretaron como indicativos de un ajuste aceptable, y mayores a 0.75 como un ajuste bueno. Para la prueba de Kolmogórov–Smirnov (KS), se asumió que no existían diferencias significativas entre la distribución observada y la corregida cuando el estadístico KS fue inferior a 0.05 y el valor p superó 0.95. Estos criterios constituyen métricas de comparación estadística y no una validación en sentido de modelado estricto, y fueron definidos siguiendo estándares ampliamente empleados en la literatura hidrológica (Teutschbein y Seibert, 2013).

Transferibilidad de parámetros de corrección

Se evaluó la posibilidad de aplicar parámetros de corrección (media y desviación estándar) calculados en estaciones donantes hacia otras estaciones con datos incompletos. Para seleccionar dichas estaciones donantes, se empleó un enfoque basado en la similitud estadística entre series máximas anuales no corregidas, considerando criterios como la clasificación climática general según Thornthwaite adaptada por SENAMHI (2020), la ubicación altitudinal y fisiográfica comparable. A partir de este análisis, se identificaron cuidadosamente pares de estaciones designadas como “donantes” y “receptoras”, todas ubicadas en la cuenca del río Piura y con características hidrometeorológicas similares. Las estaciones seleccionadas como donantes fueron El Virrey y Morropón, mientras que las estaciones receptoras elegidas fueron Chulucanas y San Pedro. Siendo los pares El Virrey – Chulucanas y Morropón – San Pedro pertenecientes a la misma zona climática. Adicionalmente se analizó la donante Santo Domingo porque presentaba mejor correlación.

RESULTADOS

Calidad de datos y pruebas de homogeneidad

Las pruebas de homogeneidad aplicadas a las series de precipitación máxima anual (Pettitt, SNHT y Buishand) permitieron identificar rupturas estadísticas en tres estaciones: El Virrey, Morropón y San Pedro, donde se detectaron cambios significativos en la media o la variabilidad (p < 0.05). En estos casos, se aplicó un ajuste mediante igualación de medias y desviaciones estándar entre los segmentos previos y posteriores a la ruptura, con el propósito de preservar la coherencia temporal de las series antes de su uso en los análisis de corrección de sesgo.

Por el contrario, las estaciones Chalaco, Chulucanas y Santo Domingo no mostraron evidencia de inhomogeneidades relevantes (p > 0.05) en ninguna de las pruebas aplicadas, lo que indica que sus registros presentan una estructura estadística estable durante el periodo 1983–2015. Esta diferenciación en el comportamiento de las series constituye un elemento clave en la evaluación posterior de los métodos de corrección de sesgo y en la interpretación de los niveles de incertidumbre asociados a cada estación.

Relleno de datos faltantes

Durante el periodo 1983–2015, las estaciones analizadas presentan diferentes niveles de ausencia de datos diarios de precipitación. De los 11 445 registros esperados, se identificaron los siguientes porcentajes de vacíos: Chalaco (240 datos; 2.1 %), Chulucanas (2769 datos; 22.6 %), El Virrey (423 datos; 3.7 %), Morropón (396 datos; 3.5 %), San Pedro (927 datos; 8.1 %) y Santo Domingo (411 datos; 3.6 %). La magnitud de los vacíos varía entre zonas climáticas, siendo más crítica en Chulucanas, ubicada en la zona baja y donde se detecta más del 20 % de datos ausentes.

Para completar estas ausencias, se aplicó relleno temporal mediante Random Forest (RF), utilizado exclusivamente como modelo predictivo por estación y empleando como predictores las precipitaciones del mismo día en las demás estaciones disponibles. Este procedimiento no incluyó interpolación espacial ni variables climáticas adicionales. Su desempeño fue evaluado frente a la Regresión Lineal (LR), observándose que RF fue claramente superior, con RMSE entre 1.7 y 4.1 mm, mientras que LR mostró errores mayores (por ejemplo, en Chulucanas, RF = 1.69 mm frente a LR = 4.20 mm).

La Tabla 1 resume tanto los porcentajes de vacíos como el desempeño comparado de LR y RF según zona climática, permitiendo identificar las estaciones con mayor vulnerabilidad por ausencia de datos y evidenciando los casos en los que RF ofrece mejoras sustanciales frente a enfoques lineales tradicionales.

Además, las series rellenadas fueron sometidas nuevamente a pruebas de homogeneidad (Pettitt, Buishand y SNHT), sin identificarse nuevas rupturas, lo que confirma que el procedimiento de relleno preservó la coherencia estadística y la estructura climática de cada estación, incluso en aquellas con mayor proporción de vacíos.

Rendimiento de las técnicas de ajuste de sesgo

Los productos satelitales fueron evaluados mediante las técnicas de corrección: Delta Multiplicativo (DM), Transformación Lineal (LT), Mapeo de Cuantiles (QM) y Regresión Polinomial (PR). QM obtuvo los mejores resultados de ajuste de distribución en todas las estaciones, con valores KS ≤ 0.03 y p-values = 1.00. Por ejemplo, en la estación El Virrey con PISCO, QM redujo el PBIAS de -42.29% a 3.03% y aumentó el NSE de 0.30 a 0.63.

La Figura 3 presenta la comparación temporal entre las series observadas y las series corregidas para el producto PISCO en la estación El Virrey, seleccionado porque obtuvo el mejor desempeño general según los indicadores estadísticos de la Tabla 2. En particular, PISCO corregido mediante Mapeo de Cuantiles (QM) redujo el PBIAS original de –42.29 % a 3.03 %, disminuyó el RMSE de 46.78 mm a 33.92 mm y redujo el KS de 0.33 a 0.03 (p = 1.00), lo que evidencia una corrección más precisa tanto en magnitudes como en distribución.

Esta figura permite visualizar cómo cada método modifica la estructura temporal de la serie, especialmente durante los años de máximos (por ejemplo, 1998) y mínimos (2004–2006), donde las diferencias entre métodos son más evidentes.

Los resultados de la Figura 3, junto con los indicadores de la Tabla 2, muestran que los métodos lineales (DM y LT) corrigen adecuadamente la media —por ejemplo, reducen PBIAS a 0 %— pero no ajustan la forma de la distribución (KS ≈ 0.12). En contraste, QM no solo mejora la media sino también la estructura estadística completa, alcanzando KS = 0.03 y uno de los valores más altos de NSE (0.63).

La Figura 4 complementa el análisis temporal mostrando la relación entre los valores observados y los corregidos mediante Quantile Mapping (QM) para el producto PISCO y, de forma comparativa, para ERA5. En el caso de PISCO, el ajuste es consistente: la regresión lineal simple presenta una pendiente de 0.7982, un intercepto de 18.447 y un coeficiente de determinación R² = 0.6615, lo que indica una alta correspondencia con la línea 1:1. Este comportamiento confirma que QM reproduce adecuadamente tanto la magnitud como la variabilidad de la precipitación máxima anual, reduciendo los sesgos sistemáticos residuales.

No obstante, la Figura 4 también revela que la corrección no es uniforme en todos los rangos de precipitación. Los valores altos (>150 mm), asociados a eventos extremos, se alinean mejor con la diagonal, lo cual coincide con los resultados numéricos de la Tabla 1 (por ejemplo, para PISCO-QM se obtiene PBIAS = 3.03 % y KS = 0.03, p = 1.00). Sin embargo, en el rango intermedio entre 50 y 150 mm se observa la mayor dispersión, evidenciando que ninguno de los métodos —incluido QM— logra una coincidencia perfecta en precipitaciones moderadas. Esta dispersión es consistente con la mayor variabilidad del MAE en este rango (por ejemplo, MAE = 26.87 mm para PISCO-QM), lo que sugiere que las discrepancias entre productos satelitales y observaciones son más complejas en intensidades medias que en valores muy altos o muy bajos.

En el caso de ERA5, aunque el ajuste es menor (pendiente = 0.6363, R² = 0.4203), se mantiene un patrón similar: buena coincidencia en eventos altos y mayor dispersión en valores intermedios, mostrando que este comportamiento no depende únicamente del producto satelital sino también de la estructura estadística de la precipitación en la estación El Virrey. En conjunto, estas evidencias refuerzan la conclusión de que QM es el método más robusto para corregir eventos extremos, pero enfrenta limitaciones en la corrección fina de precipitaciones moderadas.

Comparación entre productos satelitales

La evaluación conjunta de las métricas de desempeño muestra diferencias claras entre los productos satelitales analizados. En términos generales, PISCO fue el producto con mejor rendimiento, tanto antes como después de aplicar los métodos de corrección de sesgo. Por ejemplo, en la estación El Virrey, la corrección mediante mapeo de cuantiles (QM) permitió alcanzar un NSE de 0.63 y un RMSE de 33.92 mm, valores que indican una alta correspondencia con las observaciones y una reducción sustancial de la desviación respecto a la serie original.

En contraste, productos como MERRA-2 y PERSIANN-CDR presentaron los mayores sesgos iniciales, con PBIAS inferiores a –60 %, y mantuvieron valores negativos de NSE incluso después de aplicar los diferentes métodos de corrección, lo cual sugiere limitaciones estructurales en la representación de los máximos anuales de precipitación. Un caso intermedio es ERA5, que mostró mejoras parciales tras la corrección: en la estación Santo Domingo, su PBIAS pasó de –42 % sin corrección a –15 % con Transformación Lineal (LT), aunque todavía fuera del rango óptimo recomendado para análisis hidrológicos.

Estos resultados confirman que la capacidad de corrección depende tanto del producto satelital como del método aplicado, y que la estructura original de errores en ciertos productos (como MERRA-2 y PERSIANN-CDR) limita la efectividad de los ajustes estadísticos incluso después del procesamiento.

La comparación conjunta entre productos y métodos permite identificar, para cada estación, la combinación que ofrece el desempeño más estable después de la corrección del sesgo. Sin embargo, el “mejor” resultado no siempre implica un ajuste óptimo en términos hidrológicos, especialmente en estaciones donde todos los métodos presentan limitaciones importantes. La Tabla 3 resume el producto y el método con resultados más favorables en cada estación, considerando las métricas NSE, RMSE y PBIAS.

Los resultados muestran que PISCO es el producto más sólido en la mayoría de estaciones, mientras que RAIN4PE destaca en Morropón. En cuanto a los métodos, QM es el más consistente en estaciones áridas y semiáridas, donde logra mejorar tanto la forma de la distribución como los valores extremos. Sin embargo, en estaciones como Chalaco, ubicadas en zonas lluviosas de mayor complejidad orográfica, todas las técnicas —incluyendo QM, LT y DM— produjeron NSE negativos, lo que indica un desempeño deficiente en la representación de años húmedos y secos. En este contexto, PR aparece como el método con el mejor resultado relativo, pero esto no debe interpretarse como un ajuste adecuado: al suavizar la serie, PR reduce la variabilidad de los máximos y no es recomendable para análisis hidrológicos basados en extremos.

Transferencia de parámetros entre estaciones

Se evaluaron transferencias desde Santo Domingo y Morropón hacia la estación San Pedro y de Santo Domingo y El Virrey hacia la estación Chulucanas. En el caso de San Pedro, la transferencia de parámetros desde Santo Domingo utilizando LT sobre PISCO elevó el NSE a 0.92, y redujo el PBIAS de –8.23% a –1.04%. Para Chulucanas, la transferencia desde Santo Domingo con LT sobre PISCO alcanzó un NSE de 0.78 y un RMSE de 20.91 mm, comparado con 21.53 mm sin corrección. En la Tabla 4 se presenta el ejemplo de la estación San Pedro con donante Santo Domingo.

Con el fin de visualizar el impacto de la transferencia regional, se incorporó un gráfico comparativo que muestra la serie observada frente a las series corregidas antes y después de la transferencia (Figura 5). Este ejemplo, correspondiente al caso Santo Domingo → San Pedro, evidencia cómo la aplicación de parámetros transferidos reduce la dispersión, aproxima la variabilidad anual corregida a la estructura observada y mejora las métricas de desempeño (por ejemplo, NSE de 0.91 a 0.92 y PBIAS de –8.23% a –1.04 % en LT). Esta representación gráfica complementa el análisis numérico y permite apreciar visualmente la eficacia de la transferencia en escenarios con alta similitud estadística entre estaciones.

Evaluación estadística

La evaluación del desempeño se realizó mediante las métricas RMSE, MAE, NSE, PBIAS y KS, las cuales permiten analizar simultáneamente la escala del error, la capacidad predictiva temporal y la correspondencia distribucional entre las series corregidas y observadas. Si bien QM fue el método más efectivo para la corrección directa del sesgo, en el análisis de transferencia regional se observó un comportamiento diferente: la Transformación Lineal (LT) produjo los valores más estables de NSE, RMSE y PBIAS en las estaciones receptoras. En conjunto, los resultados sintetizados en la Tabla 5 indican que, mientras QM resulta preferible para la corrección local, LT representa la opción más consistente para la transferencia de parámetros, incluso entre estaciones ubicadas en zonas climáticas diferentes.

Los resultados de la Tabla 5 muestran que, aunque QM es el método más eficaz para la corrección directa del sesgo, la Transformación Lineal (LT) presenta un desempeño más estable cuando se transfieren parámetros a estaciones distintas. Esto se evidencia en Chulucanas y en San Pedro, donde LT logra valores de NSE de 0.92 y 0.78, respectivamente, con RMSE bajos y PBIAS dentro de rangos aceptables. Un aspecto especialmente relevante es que en ambos casos la estación que actúa como mejor donante es Santo Domingo, la cual pertenece a una zona climática diferente a la de Chulucanas y San Pedro; sin embargo, la similitud estadística entre distribuciones permitió una transferencia exitosa. Este resultado sugiere que, en la cuenca del río Piura, la coincidencia estadística entre series puede ser un criterio más determinante que la coincidencia climática estricta para la transferencia de parámetros, lo que coincide con lo observado previamente en estaciones donde la similitud de clima no garantizaba el mejor ajuste. En conjunto, estos hallazgos reflejan que la efectividad de la transferencia depende tanto del método como de las características estadísticas específicas de cada estación.

DISCUSIÓN

Los resultados obtenidos muestran que el Mapeo de Cuantiles (QM) es el método más consistente para corregir la distribución completa de las series máximas anuales de precipitación en la cuenca media del río Piura. Este comportamiento coincide con estudios realizados en regiones tropicales y semiáridas (Okirya et al., 2025; Katiraie-Boroujerdy et al., 2020; Enayati et al., 2021), donde QM destaca por su capacidad para reducir sesgos tanto en la mediana como en los valores extremos. En nuestro caso, QM alcanzó valores de KS ≤ 0.03 y p-values ≥ 0.97 en todas las estaciones, lo que evidencia una correspondencia casi perfecta entre la distribución corregida y la observada. Este resultado es especialmente relevante para el análisis de extremos hidrológicos, dado que las series máximas anuales son particularmente sensibles a sesgos en las colas de la distribución. Este resultado coincide con lo señalado por Urrea-Méndez y del Jesus (2025), quienes destacan que los métodos capaces de ajustar la distribución completa ofrecen un mejor desempeño en la representación de extremos bajo condiciones climáticas no estacionarias.

Sin embargo, la corrección no fue homogénea en todos los rangos de precipitación: mientras los valores altos (>150 mm) se ajustaron con buena precisión, las precipitaciones intermedias (50–150 mm) presentaron la mayor dispersión residual. Esta limitación coincide con lo reportado en la literatura para productos satelitales afectados por errores de detección en eventos convectivos de intensidad moderada. La mejora obtenida por QM debe interpretarse, por tanto, como un ajuste global de la estructura estadística, pero no como una solución completa para discrepancias asociadas a procesos físicos no capturados por los sensores satelitales.

Un hallazgo relevante del estudio es la clara superioridad de PISCO frente a los demás productos evaluados. Incluso sin corrección, PISCO muestra un desempeño significativamente mejor que ERA5, MERRA-2 y PERSIANN-CDR, lo cual coincide con investigaciones previas que destacan su robustez en regiones andinas y costeras del Perú. La alta coincidencia estadística de PISCO con los datos observados confirma su idoneidad como producto base para análisis hidrológicos regionales. Sin embargo, su limitación temporal (hasta 2016) impone restricciones para estudios recientes o para evaluar tendencias climáticas contemporáneas. En este sentido, la corrección de ERA5 mediante QM se presenta como una alternativa adecuada cuando se requiere información actualizada o continua en el tiempo.

En cuanto a la transferencia regional de parámetros, los resultados revelan un patrón distinto al observado en estudios previos. Mientras que Okirya et al. (2025) identificaron la similitud climática como condición clave para transferencias exitosas, en la cuenca del río Piura se observó que la similitud estadística entre distribuciones es un predictor más fuerte del desempeño. Casos como Santo Domingo → Chulucanas y Santo Domingo → San Pedro demostraron que estaciones ubicadas en zonas climáticas diferentes pueden lograr ajustes superiores a los obtenidos con estaciones geográfica o climáticamente similares. Este hallazgo es especialmente relevante para cuencas costeras con fuerte heterogeneidad pluviométrica y con baja densidad de estaciones, ya que sugiere que los criterios de selección de donantes deben priorizar métricas empíricas (correlación, distancia KS, similitud de medias y desviaciones) antes que clasificadores climáticos generales.

Otro aspecto destacable es que, aunque QM fue el mejor método para corregir datos in situ, la Transformación Lineal (LT) se desempeñó mejor en el contexto de transferencia de parámetros. En particular, LT produjo los valores de NSE más altos (hasta 0.92) y los menores PBIAS en estaciones receptoras, mostrando una estabilidad superior en escenarios donde los parámetros no provienen de la misma estación. Esto sugiere que, al transferir ajustes, los métodos que modifican únicamente la estructura de primer orden (media y desviación estándar) son menos sensibles a diferencias de forma entre distribuciones, mientras que QM puede amplificar discrepancias si la estructura estadística de la estación donante no es totalmente compatible con la receptora.

Aunque el estudio evaluó la corrección de sesgo en productos satelitales a partir de series puntuales, no se procedió al cálculo de mapas grillados de precipitación corregida debido a limitaciones asociadas tanto a la disponibilidad como a la estructura de los datos. En primer lugar, la densidad espacial de estaciones pluviométricas en la cuenca alta del río Piura es insuficiente para generar superficies interpoladas con confiabilidad estadística, especialmente en un territorio con fuertes gradientes altitudinales y climáticos. En segundo lugar, los productos satelitales corregidos fueron tratados en forma de series temporales puntuales, extraídas en las coordenadas específicas de cada estación, sin disponerse de campos completos corregidos que permitieran una representación espacial coherente. La construcción de un mapa grillado corregido hubiese requerido desarrollar un procedimiento adicional de interpolación, fusión o downscaling espacial, que excedía los objetivos del presente estudio, enfocado principalmente en la evaluación temporal del sesgo y en la transferibilidad regional de parámetros.

Finalmente, es importante reconocer las limitaciones inherentes del estudio. El uso de series máximas anuales restringe la evaluación a un único valor por año, lo cual reduce la información disponible para analizar la estructura subdiaria o eventos de corta duración, clave para drenaje urbano y modelación hidrológica en tiempo real. Asimismo, la longitud de las series (33 años) permite análisis de frecuencia básicos, pero no capta completamente la ocurrencia de eventos raros asociados a retornos mayores a 50 años. En términos computacionales, el algoritmo Random Forest se aplicó únicamente para el relleno temporal por estación, sin incluir predictores climáticos adicionales que podrían mejorar su desempeño durante eventos extremos. Estas limitaciones representan líneas claras para futuras investigaciones centradas en escalas subdiarias, incorporación de predictores oceánico-atmosféricos y expansión espacial hacia más estaciones de la cuenca.

CONCLUSIONES

El Mapeo de Cuantiles (QM) se confirmó como el método más eficaz para corregir sesgos en las series máximas anuales de precipitación, logrando la mayor coherencia con las observaciones y mejorando significativamente los indicadores estadísticos en todas las estaciones evaluadas. Su capacidad para ajustar la forma completa de la distribución confirma su utilidad en análisis de extremos hidrológicos, esenciales para estudios de frecuencia y diseño hidráulico.

Entre los productos satelitales, PISCO mostró el mejor desempeño general, evidenciando su confiabilidad como fuente de referencia en cuencas con baja densidad de estaciones. No obstante, su limitación temporal resalta la necesidad de emplear productos como ERA5 cuando se requieran análisis actualizados, siempre acompañados de corrección estadística.

En la evaluación de transferencia regional, los resultados indicaron que la similitud estadística entre estaciones constituye un criterio más sólido que la proximidad geográfica o la clasificación climática. Además, la Transformación Lineal (LT) se mostró más estable que QM al transferir parámetros entre estaciones, lo que sugiere que los ajustes basados en media y desviación estándar son más adecuados cuando las distribuciones no son totalmente equivalentes.

Las principales limitaciones del estudio están asociadas a la longitud de las series anuales, la representación limitada de eventos raros y la ausencia de información subdiaria. Futuras investigaciones deben incorporar predictores oceánico-atmosféricos y considerar escalas temporales más finas para mejorar la robustez de la corrección en eventos extremos.

Finalmente, los resultados tienen implicaciones prácticas directas para la gestión hídrica y la modelación hidrológica en cuencas no aforadas: las series corregidas permiten alimentar modelos lluvia–escorrentía con menor incertidumbre, mejorar estimaciones de caudales máximos y apoyar el diseño seguro de infraestructura hidráulica y medidas de reducción de riesgos ante eventos extremos.

AGRADECIMIENTOS

Esta investigación no ha recibido financiamiento externo.

REFERENCIAS

Ajaaj, A.A., Mishra, A.K., Khan, A.A. 2016. Comparison of bias correction techniques for GPCC rainfall data in semi-arid climate. Stochastic Environmental Research and Risk Assessment, 30, 1659–1675. https://doi.org/10.1007/s00477-015-1155-9

Alexandersson, H. 1986. A homogeneity test applied to precipitation data. Journal of Climatology, 6(6), 661-675. https://doi.org/10.1002/joc.3370060607

Aybar, C., Fernández, C., Huerta, A., Lavado, W., Vega, F., Felipe-Obando, O. 2019. Construction of a high-resolution gridded rainfall dataset for Peru from 1981 to the present day. Hydrological Sciences Journal, 65(5), 770–785. https://doi.org/10.1080/02626667.2019.1649411

Breiman, L. 2001. Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324:1010933404324

Buishand, T.A. 1982. Some methods for testing the homogeneity of rainfall records. Journal of Hydrology, 58(1-2), 11-27. https://doi.org/10.1016/0022-1694(82)90066-X

Chaudhary, A., Regmi, R.K. 2025. Assessment of satellite-based precipitation product (SPP) and its use in hydrological research in Nepal: A case study in the Sunkoshi River Basin. H₂Open Journal, 8(4), 190–210. https://doi.org/10.2166/h2oj.2025.060

ENFEN. 2017. Informe Técnico Extraordinario N°001-2017/ENFEN: El Niño Costero 2017. Estudio Nacional del Fenómeno El Niño. https://enfen.imarpe.gob.pe/download/informe-tecnico-el-nino-costero-2017/?wpdmdl=540&ind=1523839300089

Enayati, M., Bozorg-Haddad, O., Bazrafshan, J., Hejabi, S., Chu, X. 2021. Bias correction capabilities of quantile mapping methods for rainfall and temperature variables. Journal of Water and Climate Change, 12(2), 401–419. https://doi.org/10.2166/wcc.2020.261

Gumindoga, W., Rientjes, T.H.M., Haile, A.T., Makurira, H., Reggiani, P. 2019. Performance of bias-correction schemes for CMORPH rainfall estimates in the Zambezi River basin. Hydrology and Earth System Sciences, 23, 2915–2938. https://doi.org/10.5194/hess-23-2915-2019

Katiraie-Boroujerdy, P.S., Naeini, M.R., Asanian, A.A., Chavoshian, A., Hsu, K.-L., Sorooshian, S. 2020. Bias correction of satellite-based precipitation estimations using quantile mapping approach in different climate regions of Iran. Remote Sensing, 12(13), 2102. https://doi.org/10.3390/rs12132102

Li, X., Yu, W.H., Nanding, N., Chen, S., Hu, Y., Li, L. 2023. Statistical bias correction of precipitation forecasts based on quantile mapping on the sub-seasonal to seasonal scale. Remote Sensing, 15(7), 1743. https://doi.org/10.3390/rs15071743

López-Bermeo, C., Montoya, R.D., Caro-Lopera, F.J., Díaz-García, J.A. 2022. Validation of the accuracy of the CHIRPS precipitation dataset at representing climate variability in a tropical mountainous region of South America. Physics and Chemistry of the Earth, 127, Article 103184. https://doi.org/10.1016/j.pce.2022.103184

Maraun, D. 2013. Bias correction, quantile mapping, and downscaling: Revisiting the inflation issue. Journal of Climate, 26(6), 2137–2143. https://doi.org/10.1175/JCLI-D-12-00821.1

Nicholson, S.E., Klotter, D.A. 2021. Assessing the reliability of satellite and reanalysis estimates of rainfall in equatorial Africa. Remote Sensing, 13(18), 3609. https://doi.org/10.3390/rs13183609

Nguyen, N.Y., Anh, T.N., Nguyen, H.D., Dang, D.K. 2024. Quantile mapping technique for enhancing satellite-derived precipitation data in hydrological modelling: A case study of the Lam River Basin, Vietnam. Journal of Hydroinformatics, 26(8). https://doi.org/10.2166/hydro.2024.225

Okirya, M., Du Plessis, J. 2025. Evaluating bias correction methods using annual maximum series rainfall data from observed and remotely sensed sources in gauged and ungauged catchments in Uganda. Hydrology, 12(5), 113. https://doi.org/10.3390/hydrology12050113

Ouatiki, H., Boudhar, A., Chehbouni, A. 2023. Accuracy assessment and bias correction of remote sensing-based rainfall products over semiarid watersheds. Theoretical and Applied Climatology, 154, 763–780. https://doi.org/10.1007/s00704-023-04586-y

Pettitt, A.N. 1979. A non-parametric approach to the change-point problem. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(2), 126-135. https://doi.org/10.2307/2346729

SENAMHI. 2020. Climas del Perú - Mapa de Clasificación Climática Nacional. https://www.senamhi.gob.pe/?p=mapa-climatico-del-peru

Teutschbein, C., Seibert, J. 2013. Is bias correction of regional climate model (RCM) simulations possible for non-stationary conditions? Hydrology and Earth System Sciences, 17, 5061–5077. https://doi.org/10.5194/hess-17-5061-2013

Urrea-Méndez, D., del Jesus, M. 2025. Modeling extreme precipitation in Spain: a non-stationary approach integrating climate teleconnections. Ingeniería del Agua, 29(3), 149–164. https://doi.org/10.4995/ia.2025.23034