Académique Documents
Professionnel Documents
Culture Documents
PERSONAL DIRECTIVO
Citar como:
Lavado-Casimiro, W. S., Aybar, C., Huerta, A., Sabino, E., Zevallos,
J. & Felipe-Obando O. (2016). Generacin de datos grillados de
precipitacin diaria (PISCO Pd 1981-2015) y su utilidad para la
estimacin de umbrales de precipitaciones mximas. Servicio
Nacional de Meteorologa e Hidrologa del Per (SENAMHI).
Estudio de la Direccin de Hidrologa.
Lima-Per
Diciembre 2016
DIRECCIN DE HIDROLOGA 2
CONTENIDO
I. ANTECEDENTES ................................................................................................................ 5
DIRECCIN DE HIDROLOGA 3
Generacin de datos grillados de precipitacin diaria (PISCO Pd 1981-
2015) y su utilidad para la estimacin de umbrales de precipitaciones
mximas.
RESUMEN
DIRECCIN DE HIDROLOGA 4
I. ANTECEDENTES
En este contexto, los productos de estimacin de precipitacin por satlites tal como
CHIRP proporcionan una fuente alternativa de informacin de precipitacin en zonas
donde esta es inexistente o es espacialmente mal distribuida. Sin embargo, a menudo
muestran una alta incertidumbre y un rendimiento pobre cuando son comparados con
observaciones de pluvimetros (Stisen & Tumbo, 2015).
DIRECCIN DE HIDROLOGA 5
II. DATOS DE INGRESO PARA PISCO Pd
Los datos de las EC fueron sometidos a un proceso de control de calidad. As, para cada
EC se realiz un proceso de bsqueda de las estaciones ms cercanas tomando en cuenta
un radio de 20 km, quedndonos con las 3 estaciones ms cercanas para realizar en una
primera fase un control visual comparativo de la informacin; de no existir estaciones
para realizar la comparacin solo se evaluar la consistencia de su serie basado en su
propia climatologa con los datos disponibles. Una vez que el registro es ptimo
procedemos a analizar la fiabilidad de los datos atpicos encontrados, para ello
comparamos todos los valores de la serie con la precipitacin de 200 aos de perodo de
retorno (T) para dicha estacin y de las 3 estaciones cercanas. Si el valor atpico
observado se representa por lo menos en una estacin el valor es conservado, si no se
cumple dicha condicin el valor es removido de la base de datos. Este criterio se aplic
para todas las estaciones utilizadas.
DIRECCIN DE HIDROLOGA 6
informacin disponible en el perodo 1981-2015. Finalmente, se utilizaron 339
estaciones completas para realizar la generacin del producto PISCO Pd.
La informacin satelital fue obtenida del Climate Hazards group Infrared Precipitation
(CHIRP, Funk et al., 2015), este es un producto de estimacin de precipitacin por
satlite basado en un algoritmo que mezcla variables predictoras (CHPclim),
precipitacin generada a travs del Cold Cloud Duration (Mcdougall & Dugdale, 1994)
y climatologa del lugar, que da como resultado el producto CHIRP generado a paso
dcadiario, para la generacin de CHIRP a paso diario este es desagregado en funcin a
los datos de reanalisis Coupled Forecast System (CFS) versin 2.
Previamente para utilizar el producto CHIRP, se realiz una validacin de la misma en
el perodo 1981-2015 considerando el verano austral (Diciembre a Febrero, DEF), el
invierno austral (Junio a Agosto, JJA) considerados los trimestres hmedos y secos en el
Per as como tambin para las series completas. Los estadsticos utilizados fueron el
coeficiente de correlacin para medir la sincronizacin entre las series y el sesgo
(bias) para ver la sobre o subestimacin del CHIRP con respecto a las ECs.
La Figura 2, muestra espacialmente estos estadsticos y se puede observar que para la
sincronizacin de los valores estos son mayormente (coeficiente de correlacin) estos
DIRECCIN DE HIDROLOGA 7
son a nivel nacional significativos a excepcin de algunas estaciones cercanas al mar en
la costa, en cuanto al coeficiente de correlacin globalmente este es mayor en DEF y
menor en la temporada seca JJA, 0.55 y 0.35 respectivamente.
En cuanto al sesgo, se observa que el CHIRP sobreestima las lluvias sobre todo en la
vertiente del Pacfico focalizado en la costa central y sur y cerca al mar. Mientras que en
el resto del pas se observa una sobreestimacin de las lluvias.
En base a estos estadsticos de comparacin se puede concluir que el CHIRP es una
covariable comparable con las lluvias de las ECs y puede ser utilizada para la
generacin de los productos mezclados, siempre y cuando se tenga los cuidados del caso
en regiones donde presenta malas performances.
DIRECCIN DE HIDROLOGA 8
III. ESTIMACIN DE PISCO - Pd
DIRECCIN DE HIDROLOGA 9
preliminar, Pd) obteniendo as los datos diarios grillados finales, PISCO Pd
(PRODUCTO FINAL en la Figura 3).
Metodologa Pd v1.0
Datos
Espacial
Para
c/da PISCO/Prec_diaria
S Validacin
I VAR. cruzada
Log (x+1) R G SI Error Cuadratico SI KED
95 Medio
%
CHIRPS
NO Mtodos de
NO Interpolacin
R-IDW
IDW
Preliminar M Preliminar
Pdm Pd
PISCO Pm/Pdm si
MENSUAL Factor Pd>0;
Pm 1 si Pd=0 Producto Final
VE refleja la distancia mxima y la forma en que un punto tiene
influencia sobre otro punto a diferentes distancias
Figura 3. Flujograma de generacin producto PISCO precipitacin diaria versin 1. SIG es significancia
estadstica, Pdm es precipitacin acumulada mensual preliminar, Pd es precipitacin diaria preliminar, Pm
es el producto mensual final.
DIRECCIN DE HIDROLOGA 10
CHIRP IDW PISCO Pd
DIRECCIN DE HIDROLOGA 11
Pacfico RMSE pasa de 23 a 1.9, en la vertiente del Amazonas de 35.8 a 3.3 y en la vertiente del
Titicaca de 21.6 a 4.2. Demostrndose la utilidad del PISCO Pd para realizar caracterizaciones
espacio temporales de precipitaciones. As, PISCO Pd ya puede ser utilizado para determinar
umbrales de precipitacin.
Figura 5. Resultados de la validacin independiente expresado con el estadstico raz del error cuadrtico
medio (RMSE). Grficos de dispersin entre los valores satelitales del producto CHIRP (parte superior) y
el producto PISCO Pd (parte inferior) versus datos observados por vertiente hidrogrfica. Mapa de la
parte superior derecha son las vertientes hidrogrficas en Per y mapa de la parte inferior izquierda son
estaciones seleccionadas para la validacin independiente (tringulos rojos), en el perodo 2014-2015.
i) Se consideran solo los valores de precipitacin que son mayores a 0.01 mm.
ii) Los valores ms extremos son retirados para evitar la influencia de valores
atpicos, en nuestro caso antes de estimar los umbrales se retiraron los
valores por encima del percentil 99 considerando los datos tomados en i.
iii) Se estiman los percentiles de 75, 90, 95 y 99% (p75, p90, p95 y p99), ya que
estos permitirn categorizar extremos de precipitacin desde
DIRECCIN DE HIDROLOGA 12
extremadamente lluvioso (valores mayores a p99); muy lluvioso (valores
mayores a p95 y menores a p99); lluviosos (valores mayores a p90 y
menores a p95) y moderadamente lluvioso (valores mayores a p75 y
menores a p90).
Para estimar los umbrales en una primera fase se utiliz la informacin observada de
datos de estaciones climatolgicas de larga duracin (1970-2015), se seleccionaron 187
estaciones a nivel nacional (ver Figura 6). Estas estaciones fueron seleccionadas por
tener un control de calidad y presentar al menos 95% de datos en el perodo y se
observa que en su mayora estas estaciones son bien distribuidas en la vertiente del
Pacfico y del lago Titicaca y pobremente distribuidas en la vertiente del Amazonas. En
estas EC se estimaron los valores de umbrales de extremos para los percentiles de 75,
90, 95 y 99 para la duracin de lluvia de un da.
As, la Figura 7 muestra los valores de umbrales para p75, p90, p95 y p99 para cada una
de las estaciones. Como es de esperarse se observa que los valores de los percentiles se
incrementan acorde como se incrementan sus valores. Espacialmente los mayores
valores de umbrales de precipitacin estn localizados en la selva peruana (parte norte
donde existen ms ECs) y en la parte norte de la vertiente del Pacfico (explicada por ser
la zona ms impactada por el Fenmeno de El Nio) mientras los valores ms bajos se
dan en la vertiente del Pacfico sobre todo en la parte sur de esta vertiente.
DIRECCIN DE HIDROLOGA 13
correlaciones espaciales, lo que llevo a tener buenos variogramas experimentales. As,
la Figura 9 muestras los mapas de umbrales de p70, p90, p95 y p99 a nivel nacional y
en formato de grillas (rster). Como se puede observar estos mapas recogen los patrones
espaciales presentados en las Figuras 7 y 8.
Figura 6. Distribucin espacial de las 187 estaciones climatolgicas utilizadas para la determinacin de
umbrales (1970-2015).
DIRECCIN DE HIDROLOGA 14
Figura 7. Mapas de umbrales de precipitacin mxima para un da de duracin para cada estacin
climatolgica de la Figura 6 a) Mapa de percentil 75, b) Mapa de percentil 90, c) Mapa de percentil 95 y
d) Mapa de percentil 99.
DIRECCIN DE HIDROLOGA 15
Figura 8. Mapa de precipitacin mxima maximorum de PISCO Pd (1981-2015).
DIRECCIN DE HIDROLOGA 16
a) b)
c) d)
Figura 9. Mapa de umbrales grillados a nivel nacional generados al combinar umbrales de estaciones
climatolgicas de largo perodo de informacin (1970-2015) ver Figura 7 y el mapa de precipitacin
mximo maximorum de PISCO Pd (1981-2015) ver Figura 8 a) Mapa de percentil 99, b) Mapa de
percentil 95, c) Mapa de percentil 90 y d) Mapa de percentil 75. Crculos (Buffer), representan la
confiabilidad de las interpolaciones.
DIRECCIN DE HIDROLOGA 17
VI. RESUMEN GENERAL, LIMITACIONES Y USO A CORTO PLAZO
Por primera vez en el Per, se ha desarrollado un producto grillado de precipitacin
diaria a nivel nacional que comprende el periodo 1981-2015 utilizando tcnicas
geoestadsticas y que combina datos de estaciones climatolgicas con el producto
grillado CHIRP, denominado PISCO Pd (PISCO precipitacin diaria). Este producto es
parte de los subproductos de PISCO (Peruvian Interpolate data of the SENAMHIs
Climatological and hydrological Observations por sus siglas en ingles) que ya ha
desarrollado el producto de precipitacin mensual que es utilizado actualmente para el
monitoreo de sequas (http://www.peruclima.pe/?p=Indicadores-de-sequias).
Los datos de PISCO Pd as como sus niveles de confiabilidad espacial y los umbrales
determinados estarn prximamente de libre disponibilidad en la pgina web de la
institucin (www.peruclima.pe).
Figura 10. Izquierda mapa de precipitacin acumulada diaria y Derecha mapa de potenciales peligros en
base a umbrales de precipitaciones extremas, para el 28 de Noviembre del 2016.
DIRECCIN DE HIDROLOGA 19
VII. BIBLIOGRAFA
Alfaro-Lozano Luis (2014). Estimacin de umbrales de precipitaciones
extremas para la emisin de avisos meteorolgicos. Nota Tcnica 001.
SENAMHI-DGM-2014.
Almazroui M. (2011). Calibration of TRMM rainfall climatology over
Saudi Arabia during 1998-2009. Atmospheric Research 99 (3-4): 400-
414 doi: 10.1016/j.atmosres.2010.11.006
Andres N, Vegas Galdos F, Lavado Casimiro WS, Zappa M. (2014).
Water resources and climate change impact modelling on a daily time
scale in the Peruvian Andes. Hydrological Sciences Journal 59 (11):
2043-2059 doi: 10.1080/02626667.2013.862336
Ayre M, Nettle R. (2015). Doing integration in catchment management
research: Insights into a dynamic learning process. Environmental
Science and Policy 47: 18-31 doi: 10.1016/j.envsci.2014.10.011
Carey M, Baraer M, Mark BG, French A, Bury J, Young KR, McKenzie
JM. (2014). Toward hydro-social modeling: Merging human variables
and the social sciences with climate-glacier runoff models (Santa River,
Peru). Journal of Hydrology 518 (PA): 60-70 doi:
10.1016/j.jhydrol.2013.11.006
Chappell A, Renzullo LH, Raupach TJ, Haylock M. (2013). Evaluating
geostatistical methods of blending satellite and gauge data to estimate
near real-time daily rainfall for Australia. Journal of Hydrology 493:
105-114 doi: 10.1016/j.jhydrol.2013.04.024
Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Shukla S, Husak
G, Rowland J, Harrison L, Hoell A, et al. (2015). The climate hazards
infrared precipitation with stations a new environmental record for
monitoring extremes: 1-21 doi: 10.1038/sdata.2015.66
Ioris AAR. (2012). The neoliberalization of water in Lima, Peru.
Political Geography 31 (5): 266-278 doi: 10.1016/j.polgeo.2012.03.001
Kuznetsov M, Yakirevich A, Pachepsky YA, Sorek S, Weisbrod N.
(2012). Quasi 3D modeling of water flow in vadose zone and
DIRECCIN DE HIDROLOGA 20
groundwater. Journal of Hydrology 450-451: 140-149 doi:
10.1016/j.jhydrol.2012.05.025
Lasage R, Muis S, Sardella CSE, van Drunen MA, Verburg PH, Aerts
JCJH. (2015). A Stepwise, participatory approach to design and
implement community based adaptation to drought in the Peruvian
Andes. Sustainability (Switzerland) 7 (2): 1742-1773 doi:
10.3390/su7021742
Mantas VM, Liu Z, Caro C, Pereira AJSC. (2015). Validation of TRMM
multi-satellite precipitation analysis (TMPA) products in the Peruvian
Andes. Atmospheric Research 163: 132-145 doi:
10.1016/j.atmosres.2014.11.012
Mcdougall VD, Dugdale G. (1994). Experience of the Tamsat Group in
West Africa
Stisen S, Tumbo M. (2015). Interpolation of daily raingauge data for
hydrological modelling in data sparse regions using pattern information
from satellite data. Hydrological Sciences Journal (March 2015): 1-16
doi: 10.1080/02626667.2014.992789
Thouret JC, Enjolras G, Martelli K, Santoni O, Luque JA, Nagata M,
Arguedas A, MacEdo L. (2013). Combining criteria for delineating
lahar-and flash-flood-prone hazard and risk zones for the city of
Arequipa, Peru. Natural Hazards and Earth System Science 13 (2): 339-
360 doi: 10.5194/nhess-13-339-2013.
DIRECCIN DE HIDROLOGA 21