Interpolación espacial de series de precipitación diaria

M. F. Moreno-Pérez, José Roldán Cañas

Resumen

Con el fin de generar registros sintéticos de precipitación diaria en lugares en los que no se dispone de datos, se han propuesto gran variedad de métodos a escala regional. Sin embargo, estos métodos solo han considerado la influencia de variables geográficas. En este sentido, se han empezado a desarrollar métodos que tienen en cuenta variables climáticas que pueden ser fácilmente identificadas y medidas en cualquier punto. Debido a las características climáticas de Andalucía, en la que coexisten varias zonas montañosas junto con el valle del Guadalquivir que se abre al Océano Atlántico, las variables geográficas consideradas en el estudio han sido la distancia al mar y la altitud sobre el nivel del mar, mientras que las variables climáticas que se han tenido en cuenta son la precipitación media anual y el número de días lluviosos. El procedimiento que hemos seguido se basa en la estimación de los parámetros del modelo estocástico cadena de Markov –mixta exponencial, y consiste en la ponderación de los valores de las variables, teniendo en cuenta su proximidad a los puntos sin registro de lluvia. Una vez se han estimado los coeficientes, se han simulado series de 52 años de precipitación diaria en las dos estaciones elegidas como testigo.

Texto completo:

PDF

Referencias

ASCE, (1999). Hydrology Handbook. American Society of Civil Engineers ASCE, 2a. edición, New York.

Alcaide, M., (1986). Análisis estacional y regional de la precipitación en el valle del Guadalquivir. Tesis doctoral, Universidad de Córdoba.

Ashraf, M., J.C. Loftis y K.G. Hubbard, (1997). Application of geostatisticals to evaluate partial weather station network. Agricultural Forest Meteorology, 84, 255-271. https://doi.org/10.1016/S0168-1923(96)02358-1

Beek, E.G., A. Stein y L.L.F. Janssen, (1992). Spatial variability and interpolation of daily precipitation amount. Stochastic Hydrol. Hydraul., 6, 209-221. https://doi.org/10.1007/BF01581451

Buytaert, W.R., R. Célleri, P. Willems, B. De Biévre y G. Wyseure, (2006). Spatial and temporal rainfall variability in montain areas: A case study from the south Ecuadorian Andes. Journal of Hydrology, 329, 413-421. https://doi.org/10.1016/j.jhydrol.2006.02.031

French, M.N., W.F. Krajewski y R.R. Cuykendal, (1992). Rainfall forecasting in space and time using a neural network. Journal of Hydrology, 137, 1-37. https://doi.org/10.1016/0022-1694(92)90046-X

Gil, A., (1998). Regionalización de parámetros de modelos estocásticos de precipitación diaria en zonas monta~nosas. Trabajo Fin de Carrera, E.T.S.I.A.M., Universidad de Córdoba.

Goovaerts, P., (2000). Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall. Journal of Hydrology, 228(1), 113-129. https://doi.org/10.1016/S0022-1694(00)00144-X

Hanson, C.L., H.B. Osborn y D.A. Woolhiser, (1989). Daily precipitation simulation model for montainous areas. Trans. ASAE, 32(3), 865-873. https://doi.org/10.13031/2013.31083

Johnson, G.L. y C.L. Hanson, (1995). Topographic and atmospheric influences on precipitation variability over a mountain watershed. Journal of Applied Meteorology, 34(1), 68-87. https://doi.org/10.1175/1520-0450-34.1.68

Kyriakidis, P.C., N. L. Miller y J. Kim, (2004). A spatial time series framework for simulating daily precipitation at regional scales. Journal of Hydrology, 297, 236-255. https://doi.org/10.1016/j.jhydrol.2004.04.022

Moreno, F., (1996). Regionalización de parámetros de modelos estocásticos de precipitación diaria. Trabajo Fin de Carrera, E.T.S.I. Agrónomos y Montes, Universidad de Córdoba, 120 pp.

Moreno, F. y J. Roldán, (1999). Regionalization of Daily Precipitation Stochastic Model Parameters. Application to the Guadalquivir Valley in Southern Spain, Phys. Chem. Earth (B), 24, 1-2, pp. 65-71. https://doi.org/10.1016/S1464-1909(98)00013-6

Pérez Lucena, J., (1994). Modelo estocástico de la precipitación diaria. Aplicación a las estaciones de Córdoba y Sevilla. Trabajo Fin de Carrera, E.T.S.I. Agrónomos y de Montes, Universidad de Córdoba, 151 pp.

Teegavarapu, R.S.V. y V. Chandramouli, (2005). Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. Journal of Hydrology, 312, 91-206. https://doi.org/10.1016/j.jhydrol.2005.02.015

Teegavarapu, R.S.V., (2007). Use of universal function approximation in variance-dependent surface interpolation method. An application in hydrology. Journal of Hydrology, 332, 16-29. https://doi.org/10.1016/j.jhydrol.2006.06.017

Woolhiser, D.A. y G.G.S. Pegram, (1979). Maximum likelihood estimation of Fourier coefficients to describe seasonal variations of parameters in stochastic daily precipitation models. J. Appl. Meteorol., 18(1), 34-42. https://doi.org/10.1175/1520-0450(1979)018<0034:MLEOFC>2.0.CO;2

Woolhiser, D.A. y J. Roldán, (1986). Stochastic daily precipitation models. 2. A comparison of distribution of amounts. Water Resour. Res., 18(5), 1461-1468. https://doi.org/10.1029/WR018i005p01461

Woolhiser, D.A., C.L. Hanson y C.W. Richardson, (1988). Microcomputer program for daily weather simulation U.S.D.A. Agric. Res. Serv., ARS-75, 49 pp.

Woolhiser, D.A., (1992). Modeling daily precipitation. Progress and problems. En Statistics in the environmental and earth sciences, A. Walden y P. Guttorp (eds.), Edward Arnold, Londres, pp. 71-89.

Abstract Views

785
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