Determinación de áreas hidroclimáticamente homogéneas. Una propuesta técnica

D. De León Pérez, E. Domínguez

Resumen

Diferentes investigadores en hidroclimatología aplican técnicas basadas en autovectores para comprimir grandes volúmenes de información mientras conservan la estructura invariante de los datos originales. La presente investigación desarrolló una metodología que aplica una de estas técnicas, Análisis de Componentes Principales, a los elementos de variabilidad en series de tiempo hidroclimáticas y luego se identifican grupos o clústers mediante el método “k-means”. El resultado es un mapa regionalizado por variable. Finalmente se hace la intersección de estos mapas y obteniéndose áreas que presentan una estructura hidroclimática homogénea debido que las variables comparten su estructura de varianza. En el caso de estudio se evaluaron 8 variables para Colombia (9268 series de tiempo), obteniendo como resultado 26 regiones hidroclimáticas. Obtener regiones hidroclimáticamente homogéneas brinda la posibilidad de generar, entre otros, proyectos de adaptación al cambio climático de forma localizada con el fin de dar soluciones cuasi particulares que maximicen los resultados.

 


Palabras clave

regionalización hidroclimática; áreas homogéneas; hidroclimatología; climatología; variabilidad hidroclimática; series de tiempo; análisis de componentes principales

Texto completo:

PDF

Referencias

Abadi, A.M., Rowe, C.M., Andrade, M. 2019. Climate regionalization in Bolivia: A combination of non-hierarchical and consensus clustering analyses based on precipitation and temperature. International Journal of Climatology, 40(10), 4408-4421. https://doi.org/10.1002/joc.6464

Aliaga, V.S., Ferrelli, F., Piccolo, M.C. 2017. Regionalization of climate over the Argentine Pampas. International Journal of Climatology, 37(S1), 1237-1247. https://doi.org/10.1002/joc.5079

Arthur, D., Vassilvitskii, S. 2007. k-means++: The advantages of careful seeding. In: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics, pp. 1027–1035. https://dl.acm.org/doi/10.5555/1283383.1283494

Badr, H., Zaitchik, B.F., Dezfuli, A.K. 2015. A tool for hierarchical climate regionalization. Earth Science Informatics, 8, 945-958. https://doi.org/10.1007/s12145-015-0221-7

Bradley, J. 1968. Distribution-Free Statistical Tests. Prentice-Hall, Englewood Cliffs, NJ, 283-310.

Coulibaly, P., Evora, N.D. 2005. Comparison of neural network methods for infilling missing daily weather records. Journal of Hydrogy, 341 (1-2), 27-41. https://doi.org/10.1016/j.jhydrol.2007.04.020

De Gooijer, J. 2017. Elements of Nonlinear Time Series Analysis and Forecasting. Springer Series in Statistics. Springer International Publishing. https://doi.org/10.1007/978-3-319-43252-6

De León Pérez, D. 2017. Análisis de sincronización espacio-temporal de señales océano-atmosféricas y variables hidroclimatológicas de Colombia. Tesis de maestría, Facultad de Ingeniería, Pontificia Universidad Javeriana. http://hdl.handle.net/10554/35731.

Dingman, S.L. 2015. Physical Hydrology: Third Edition. Waveland Press. https://www.waveland.com/browse.php?t=382

Domínguez, E., Angarita, H., Rivera, H. 2010. Viabilidad para pronósticos hidrológicos de niveles diarios, semanales y decadales en Colombia. Ingeniería e investigación, 30(2), 178-187. Disponible en http://www.scielo.org.co/pdf/iei/v30n2/v30n2a18.pdf. Último acceso: marzo de 2021.

Dubois, P., Hinsen, K., Hugunin, J. 1996. Numerical python. Computers in Physics, 10(3), 262. https://doi.org/10.1063/1.4822400

Environmental Systems Research Institute (ESRI). 2015. Arcgis for desktop. http://www.esri.com

Fedorov, V. 2015. Spatial and temporal variations in solar climate of earth in the present epoch. Izvestiya, Atmospheric and Oceanic Physics, 51(8), 779-791. https://doi.org/10.1134/S0001433815080034

Gómez Lende, S. 2011. Región y regionalización: Su teoría y su método. El nuevo orden espacial del territorio argentino. Universidad del Bío-Bío, 26, 83-122. http://www.ubiobio.cl/miweb/webfile/media/222/Tiempo/2011/%2327.05.pdf

Govindaraju, R.S., 2000. Artificial neural networks in hydrology. ii: Hydrologic applications. Journal of Hydrologic Engineering, 5(2), 124-137. https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(124)

Grubbs, F.E. 1950. Sample criteria for testing outlying observations. Annals of Mathematical Statistics, 21(1), 27-58. https://doi.org/10.1214/aoms/1177729885

Haan, C. 1977. Statistical Methods in Hydrology. Iowa State University Press. http://hdl.handle.net/1969.3/24532

Hannachi, A. 2004. A primer for eof analysis of climate data. Department of Meteorology, University of Reading, 1-33.

HIMAT. 1978. Resolución 00337, por el cual se adopta un sistema de codificación para las estaciones hidrometeorológicas. Instituto Colombiano de Hidrología, Meteorología y Adecuación de Tierras, Bogotá, Colombia.

Hotellin, H. 1933. Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24, 417-441. https://doi.org/10.1037/h0071325

Hunter, J.D. 2007. Matplotlib: A 2d graphics environment. Computing In Science & Engineering, 9(3), 90-95. https://doi.org/10.1109/MCSE.2007.55

IDEAM. 2001. El medio ambiente en Colombia, 2nd Edición. Instituto de Hidrología, Meteorología y Estudios Ambientales, IDEAM, Bogotá D.C., Colombia. http://www.ideam.gov.co

IPCC, Stocker, T., Qin, D., Plattner, G.K., Tignor, M., Allen, S., Boschung, J., Nauels, A., Xia, Y., Bex, V., Midgley, P. 2013. Annex III: Glossary. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, book section AIII, p. 1447–1466. https://www.climatechange2013.org

Jones, E., Oliphant, T., Peterson, P., et al. 2001. SciPy: Open source scientific tools for Python. http://www.scipy.org/

Leland, C., Pederson, N., Hessl, A.m Nachin, D, Davi, N., D’Arrigo, R., Jacoby, G., 2013. Climate regionalization in Bolivia: A combination of non-hierarchical and consensus clustering analyses based on precipitation and temperature. Dendrochronologia, 31(3), 205-215. https://doi.org/10.1016/j.dendro.2012.11.003

León, G., Zea, J., Eslava, J. 2000. Circulación general del trópico y la zona de confluencia intertropical en Colombia. Meteorología Colombiana, 1, 31-38. http://168.176.14.11/fileadmin/content/geociencias/revista_meteorologia_colombiana/numero01/01_05.pdf

Leys, C., Ley, C., Klein, O., Bernard, P., Licata, L. 2013. Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of Experimental Social Psychology, 49(4), 764-766. https://doi.org/10.1016/j.jesp.2013.03.013

Lorenz, E.N. 1970. Climatic change as a mathematical problem. Journal of Applied Meteorology, 9(3), 325-329. https://doi.org/10.1175/1520-0450(1970)009%3C0325:CCAAMP%3E2.0.CO;2

MADS. 2012. Decreto 1640, por medio del cual se reglamenta los instrumentos para la planificación ordenación y manejo de las cuencas hidrográficas y acuíferos, y se dictan otras disposiciones. Ministerio de Ambiente y Desarrollo Sostenible, Bogotá, Colombia. Disponible en https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49987

Malcolm, G.A., McDonnell, J.J. 2005. Encyclopedia of hydrological science. John Wiley & Sons Ltd. https://doi.org/10.1002/0470848944

McKinney, W. 2010. Pandas: a foundational python library for data analysis and statistics. Python for High Performance and Scientific Computing, 14(9), 1-9.

Mesa, O.J., Poveda, G., Carvajal, L. 1997. Introducción al clima de Colombia. Universidad Nacional de Colombia.

Montgomery, D., Jennings, C., Kulahci, M. 2015. Introduction to Time Series Analysis and Forecasting. Wiley Series in Probability and Statistics. Wiley. https://onlinelibrary.wiley.com/doi/abs/10.1111/jtsa.12203

Montoya Gaviria, G. d. J. 2008. Lecciones de meteorología dinámica y modelamiento atmosférico. Universidad Nacional de Colombia. Facultad de Ciencias. http://ciencias.bogota.unal.edu.co/fileadmin/Facultad_de_Ciencias/Publicaciones/Archivos_Libros/Libros_Geociencias/Lecciones_de_Meteorologia_dinamica/Metereologia.pdf

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duch- esnay, E. 2011. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, Microtome Publishing. hal-00650905v1. Disponible en https://hal.inria.fr/hal-00650905v1. Último acceso: marzo de 2021.

Poveda, G. 2004. La Hidroclimatología de Colombia: Una síntesis desde la escala inter-decadal hasta la escala diurna. Revista de la Academia Colombiana de Ciencias, 28(107), 201-222. Disponible en https://www.accefyn.com/revista/Vol_28/107/201-222.pdf.

Último acceso: marzo de 2021.

Poveda, G., Jaramillo, A., Mantilla, R. 2001. Asociación entre el fenómeno el niño y las anomalías de humedad del suelo y del índice “ndvi” en colombia. In: IX Congreso Latinoamericano e Ibérico de Meteorología y VIII Congreso Argentino de Meteorología. p. 8.

http://www.accefyn.com/revista/Vol_28/107/201-222.pdf

Poveda, G., Mesa, O.J. 1997. Feedbacks between hydrological processes in tropical south america and large-scale ocean–atmospheric phenomena. Journal of Climate, 10(10), 2690-2702. https://doi.org/10.1175/1520-0442(1997)010%3C2690:FBHPIT%3E2.0.CO;2

Python Core Team. 2017. Python: A dynamic, open source programming language. https://www.python.org/.

R Core Team. 2017. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/

Rossum, G. 1995. Python reference manual. Tech. rep., CWI (Centre for Mathematics and Computer Science), Amsterdam, The Netherlands, The Netherlands.

Samarasinghe, S. 2016. Neural networks for applied sciences and engineering: from fundamentals to complex pattern recognition. CRC Press. 25, 33

Velasco, A. 2016. Integración del concepto de variabilidad hidroclimática en pronósticos hidrológicos de largo plazo de resolución mensual en Colombia. Tesis de maestría, Facultad de Ingeniería, Pontificia Universidad Javeriana. http://hdl.handle.net/10554/19628

Ward, J.H., Marion, JR. 1963. Application of an Hierarchical Grouping Procedure to a Problem of Grouping Profiles. Educational and Psychological Measurement, 23(1), 69-81. https://doi.org/10.1177/001316446302300107

White, D., Richman, M., Yarnal, B. 1991. Climate regionalization and rotation of principal components. International Journal of Climatology, 11(1), 1-25. http://doi.org/10.1002/joc.3370110102

WMO. 1994. Guía de prácticas hidrológicas: adquisición y proceso de datos, análisis, predicción y otras aplicaciones. Organización Meteorológica Mundial. http://www.whycos.org/hwrp/guide/index_es.php

Abstract Views

369
Metrics Loading ...

Metrics powered by PLOS ALM




Esta revista se publica bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.

Universitat Politècnica de València

Fundación para el Fomento de la Ingeniería del Agua

e-ISSN: 1886-4996     ISSN: 1134-2196   

  

https://doi.org/10.4995/ia