Evaluación de métodos de relleno para series temporales de precipitación y temperatura diarias: el caso de los Andes ecuatorianos

  • Lenin Campozano Departamento de Recursos Hídricos y Ciencias Ambientales, Universidad de Cuenca, Cuenca, Ecuador.Laboratory for Climatology and Remote Sensing (LCRS), Faculty of Geography, University of Marburg, Deutschhausstraße 10, D-35032 Marburg, Germany.
  • Esteban Sánchez Departamento de Recursos Hídricos y Ciencias Ambientales, Universidad de Cuenca, Cuenca, Ecuador.Facultad de Ingeniería, Universidad de Cuenca, Av. 12 de Abril s/n, Cuenca, Ecuador.
  • Álex Avilés Departamento de Recursos Hídricos y Ciencias Ambientales, Universidad de Cuenca, Cuenca, Ecuador.Facultad de Ciencias Químicas, Escuela de Ingeniería Ambiental, Universidad de Cuenca, Av. 12 de Abril s/n, Cuenca, Ecuador.
  • Esteban Samaniego Departamento de Recursos Hídricos y Ciencias Ambientales, Universidad de Cuenca, Cuenca, Ecuador.Facultad de Ingeniería, Universidad de Cuenca, Av. 12 de Abril s/n, Cuenca, Ecuador.
Palabras clave: relleno de datos, métodos determinísticos de relleno, series temporales, precipitación diaria, temperatura media del día, cuenca andina del río Paute

Resumen

Series continuas de precipitación y temperatura facilitan y mejoran considerablemente la calibración y validación de modelos hidrológicos y climáticos, utilizados entre otras cosas, para la planificación y manejo de recursos hídricos y el pronóstico de los posibles efectos del cambio climático en el regimen lluvia-escorrentia de las cuencas hidrográficas. La bondad de ajuste de los modelos está entre los factores que dependen de la continuidad de las series temporales. En países en vías de desarrollo los vacíos en las series temporales de variables climáticas es común. Ya que los vacíos en las series temporales pueden comprometer severamente la utilidad de los datos, este estudio aplicado en la cuenca del río Paute en los Andes Ecuatorianos, examina el desempeño de 17 métodos determinísticos de relleno de datos diarios de las variables precipitación y temperatura media. A pesar de la existencia de métodos de relleno más sofisticados como métodos estocásticos o métodos de inteligencia artificial, en este estudio se dio preferencia a métodos determinísticos por su robustez, facilidad de implementación, y eficiencia computacional. Los resultados revelan que para rellenar series temporales de precipitación diaria, el método de regresión lineal múltiple ponderada es el mejor, debido a la consideración de la razón entre el coeficiente de correlación de Pearson y la distancia con respecto a otras estaciones como factor de ponderación, dando mayor importancia a las estaciones más cercanas altamente correlacionadas. Para temperatura, la media climatológica del día fue claramente el mejor método, posiblemente debido a la escacez de datos de estaciones cercanas localizadas también en elevaciones diferentes, sugiriendo la necesidad de considerar en futuros estudios el impacto de la elevación en la interpolación de datos.

Descargas

La descarga de datos todavía no está disponible.

Citas

Abatzoglou, J.T., K.T. Redmond, L.M. Edwards, 2009. Classification of regional climate variability in the State of California. J. Appl. Meteorol. Clim., 48(8), 1527-1541.

Adeloye, A.J., 1996. An opportunity loss model for estimating value of streamflow data for reservoir planning. Water Resour. Manag., 10(1), 45-79.

Adeloye, A.J., 2011. In: Proceedings of the Symposium HS03 - Risk in Water Resources Management, Melbourne, Australia, IAHS 347, pp. 121-126.

Aguilar, E., I. Auer, M. Brunet, T.C. Peterson, J. Wieringa, 2003. Guidelines on climate metadata and homogenization. World Meteorological Organization, WMO/TD No. 1186, 55 pp. Downloaded from http://www.wmo.int/pages/prog/wcp/wcdmp/documents/ WCDMP-53.pdf in December 2012.

Ashraf, M., J.C. Loftis, K.G. Hubbard, 1997. Application of geostatistics to evaluate partial weather station networks. Agric. For. Meteorol., 84(3-4), 255-271.

Baddour, O., H. Kontongomde (Eds.), 2007. The role of climatological normals in a changing climate. World Climate Data Monitoring Program, World Meteorological Organization, 46 pp. Downloaded from http://www.wmo.int/datastat/documents/WCDMPNo61_1.pdf in October 2012.

Bendix, J., W. Lauer, 1992.: Die Niederschlagsjahreszeiten in Ecuador und ihre klimadynamische Interpretation. Erdkunde, 46, 118-134.

Beauchamp, J.J., D.J. Dowing, S.F. Railsback, 1989. Comparison of regression and time-series methods for synthesizing missing streamflow records. Water Resour. Bull., 25, 961-975.

Bennett, N.D., L.T.H. Newham, B.F.W. Croke, A.J. Jakeman, 2007. Patching and disaccumulation of rainfall data for hydrological modelling. In: Oxley, L., D. Kulasiri (Eds.), Int. Congress on Modelling and Simulation (MODSIM 2007), Modelling and Simulation Society of Australia and New Zealand Inc., New Zealand, 2520-2526.

Celleri, R., P. Willems, W. Buytaert, J. Feyen, 2007. Space-time rainfall variability in the Paute basin, Ecuadorian Andes. Hydrol. Process., 21(24), 3316-3327.

Costa, A.C., A. Soares, 2008. Homogenization of climate data: Review and new perspectives using geostatistics. Math. Geosci., 41(3), 291-305.

Coulibaly, P., N.D. Evora, 2007. Comparison of neural network methods for infilling missing daily weather records. J. Hydrol., 341, 27-41.

Dawson, C.W., C. Harpham, R.L. Wilby, Y. Chen, 2002. Evaluation of artificial neural network techniques for flow forecasting in the River Yangtze, China. Hydrol. Earth Syst. Sci., 6(4), 619-626.

Demyanov, V., M. Kanevski, S. Chernov, E. Savelieva, V. Timonin, 1998. Neural network residual kriging application for climatic data. J. Geogr. Inf. Decis. Anal., 2, 215-232.

Di Piazza, A., F.L. Conti, L.V. Noto, F. Viola, G. La Loggia, 2011. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. Int. J. Appl. Earth Obs. Geoinf., 13, 396-408.

Dingman, S.L., 1994. Physical hydrology. Prentice Hall Englewood Cliffs, NJ, USA, 575 pp.

Diodato, N., M. Ceccarelli, 2005. Interpolation processes using multivariate geostatistics for mapping of climatological precipitation mean in the Sannio Mountains (southern Italy). Earth Surf. Process. Landf., 30, 259-268.

Dumedah, G., P. Coulibaly, 2011. Evaluation of statistical methods for infilling missing values in high-resolution soil moisture data. J. Hydrol., 400(1-2), 95-102.

Gould, P.G., A.B. Koehler, J.K. Ord, R.D. Snyder, R.J. Hyndman, F. Vahid-Araghi, 2008. Forecasting time series with multiple seasonal patterns. Eur. J. Oper. Res., 191, 207-222.

Gyau-Boake, P., G.A. Schultz, 1994. Filling gaps in runoff time series in West Africa. Hydrol. Sci. J., 39(4), 621-636.

Hanson, R.T., M.W. Newhouse, M.D. Dettinger, 2004. A methodology to assess relations between climatic variability and variations in hydrologic time series in the southwestern United States. J. Hydrol., 287, 252-269.

Harvey, C.L., H. Dixon, J. Hannaford, 2010. Developing best practice for infilling daily river flow data. British Hydrological Society, Third International Symposium, Managing Consequences of a Changing Global Environment, Newcastle, UK, 8 pp.

Ilunga, M., D. Stephenson, 2005. Infilling streamflow data using feed-forward back-propagation (BP) artificial neural networks: application of standard BP and Pseudo Mac Laurin power series BP techniques. Water SA, 31(2), 171-176.

Khalil, M., U.S. Panu, W.C. Lennox, 2001. Groups and neural networks based streamflow data infilling procedures. J. Hydrol., 241, 153-176.

Kim, J.-W., Y.A. Pachepsky, 2010. Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT streamflow simulation. J. Hydrol., 394, 305-314.

Kotsiantis, S., A. Kostoulas, S. Lykoudis, A. Argiriou, 2006. Filling missing temperature values in weather data banks. 2nd IEE International Conference on Intelligent Environments, Athens, Greece, 1, 327-334.

Laraque, A., J. Ronchail, G. Cochonneau, R. Pombosa, J.L. Guyot, 2007. Heterogeneous distribution of rainfall and discharge regimes in the Ecuadorian Amazon Basin. J. Hydrometeorol., 8(6), 1364-1381.

Mejia, R., D. Molinaro, G. Ontaneda, F. Rossel, 1996. Homogenización y regionalización de la pluviometria en la cuenca del río Paute. Serie INSEQ Vol. 3. Republica del Ecuador, Ministerio de Energía y Minas, INAMHI, ORSTOM, Quito, Ecuador.

Mileva-Boshkoska, B., M. Stankovski, 2007. Prediction of missing data for ozone concentrations using support vector machines and radial basis neural networks. Informatica, 50-52(31), 425-430.

Mwale, F.D., A.J. Adeloye, R. Rustum, 2012. Infilling of missing rainfall and streamflow data in the Shire River Basin, Malawi: A self organizing map approach. Phys. Chem. Earth, 50-52, 34-43.

Narapusetty, B., T. DelSole, M.K. Tippett, 2009. Optimal estimation of the climatological mean. J. Climate, 22, 4845-4859.

Ng, W.W., U.S. Panu, 2010. Infilling missing daily precipitation data at multiple sites using the multivariate truncated normal distribution model for weather generation. Water, 8 pp.

Ramos-Calzado, P., J. Gómez-Camacho, F. Pérez-Bernal, M.F. Pita-López, 2008. A novel approach to precipitation series completion in climatological datasets: Application to Andalusia. Int. J. Clim., 28, 1525-1534.

Rossel, F., E. Cadier, 2009. El Niño and prediction of anomalous monthly rainfalls in Ecuador. Hydrol. Process., 23(22), 3253-3260.

Salazar, G., H. Rudnick, 2008. Hydro Power plants in Ecuador: A technical and economical analysis. Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century, IEEE. Pittsburg, PA, USA, 5 pp.

Teegavarapu, R.S., V. Chandramouli, 2005. Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. J. Hydrol. 312, 191-206.

Teegavarapu, R.S.V., M. Tufail, L. Ormsbee, 2009. Optimal functional forms for estimation of missing precipitation data. J. Hydrol., 374, 106-115.

Vasiliev, I.R., 1996. Visualization of spatial dependence: An elementary view of spatial autocorrelation. In: Arlinghaus, S.L. (Ed.), Practical Handbook of Spatial Statistics, CRC Press, Boca Raton, Florida, USA, 17-3.

Villazón, M., P. Willems, 2010. Filling gaps and daily disaccumulation of precipitation data for rainfall-runoff model. Proc. 4th Int. Sci. Conf. BALWOI 2010 on Water Observation and Information Systems for Decision Support, Rep. Macedonia, 9 pp.Wagner, P.D., P. Fiener, F. Wilken, S. Kumar, K. Schneider, 2012. Comparison and evaluation of spatial interpolation schemes for daily rainfall in data scarce regions. J. Hydrol., 464-465, 388-400.

Wan, H., X.L. Wang, V.R. Swail, 2010. Homogenization and trend analysis of Canadian near-surface wind speeds. J. Climate, 23, 1209-1225.

Wang, X.L., Q. H. Wen, Y. Wu, 2007: Penalized maximal t test for detecting undocumented mean change in climate data series. J. Appl. Meteor. Climatol., 46 (6), 916-931.

Wang, X.L., 2008a. Accounting for autocorrelation in detecting mean-shifts in climate data series using the penalized maximal t or F test. J. Appl. Meteor. Climatol., 47, 2423-2444.

Wang, X.L., 2008b. Penalized maximal F-test for detecting undocumented mean-shifts without trend-change. J. Atmos. Oceanic Technol., 25(3), 368-384.

Xia, Y., P. Fabian, A. Stohl, M. Winterhalter, 1999. Forest climatology: Estimation of missing values for Bavaria, Germany. Agric. For. Meteorol., 96, 131-144.

Yozgatligil, C., S. Aslan, C. Iyigun, I. Batmaz, 2013. Comparison of missing value imputation methods in time series: the case of Turkish meteorological data. Theor. Appl. Climatol., 112, 143-167.

Publicado
2014-06-25
Estadísticas
Resumen visto = 703 veces
PDF descargado = 742 veces
Cómo citar
Campozano, L., Sánchez, E., Avilés, Álex, & Samaniego, E. (2014). Evaluación de métodos de relleno para series temporales de precipitación y temperatura diarias: el caso de los Andes ecuatorianos. Maskana, 5(1), 99-115. https://doi.org/10.18537/mskn.05.01.07
Sección
Artículos científicos