Corrección de sesgo y transferencia estadística en series de precipitación máxima anual satelital en el río Piura
Enviado: 11-08-2025
|Aceptado: 18-12-2025
|Publicado: 30-01-2026
Derechos de autor 2026 Ingeniería del Agua
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
precipitación satelital, corrección de sesgo, cuantiles, series diarias, cuenca del río Piura, transferencia climática, eventos extremos
Agencias de apoyo:
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.
Citas:
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
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
