CORRELACIN ENTRE IMGENES
SATELITALES DE NUBOSIDAD Y
PRECIPITACIN
Rigoberto Guerrero Coronel*, Jasson Sanchez*, David Serpa*, Alvaro Bacuilima*, Leida Pearreta
*Facultad de ingeniera, Escuela de Ingeniera Civil
{rigoberto.guerrero94, jasson.sanchez, jose.serpa, alvaro.bacuilimam, leiday.pearretat}@ucuenca.ec
Abstract The purpose of this research is to determine if
there is a relationship between cloudiness and precipitation in
continental Ecuador, sets the precipitation as dependent
variable of the cloudiness. The analysis includes the use of
satellite cloudiness (GSFC) and precipitation (NEO) products,
for the entire year 2015 and obtained from sources of free access.
The process is standardizing the image obtained, transforming
it into a matrix and apply regressions using numerical methods.
The first result obtained is the correlation coefficient r. In
addition, it is expressed in scatter plots, in which the precision
of the fit with the regression curve be estimated. The results are
also displayed spatially on maps that express the difference
between correlation points and those belonging to the regression
curve. Finally, precipitation is more dependent on cloudiness
characteristics than on others.
Keywords Cloudiness, precipitation, correlation,
satellite, image.
Resumen El propsito de esta investigacin se centra en
determinar si existe relacin entre nubosidad y precipitacin en el
Ecuador continental, establece a la precipitacin como variable
dependiente de la nubosidad. El anlisis comprende el uso de
productos satelitales de nubosidad (GSFC) y de precipitacin
(NEO), correspondientes a todo el ao 2015 y obtenidos de fuentes
de libre acceso. El proceso es estandarizar la imgen obtenida,
transformarla en matrices y aplicar regresiones haciendo uso de
mtodos numricos. El primer resultado obtenido es el coeficiente
de correlacin r. Este coeficiente es expresado en grficas de
dispersin, en las cuales se estima la precisin del ajuste con la
curva de regresin. Tambin se visualizan los resultados
espacialmente en mapas que expresan la diferencia existente entre
los puntos de correlacin y los pertenecientes a la curva de
regresin. Finalmente se encuentra que la precipitacin es ms
dependiente de unas caractersticas de la nubosidad que de otras.
Palabras Clave nubosidad, precipitacin,
correlacin, satlite, imagen satelital.
I. INTRODUCCIN
Actualmente no se ha encontrado un mtodo exacto
para estimar la precipitacin mediante parmetros que
la provocan, pues debido a su variabilidad todo proceso
se vuelve incierto, an ms cuando existen distintos
tipos de precipitacin, como convectivas, orogrficas y
de elevacin frontal [1]. Por otro lado, es imposible
llevar un registro exacto y metdico de todos los
factores climticos que influyen en la precipitacin. Por
lo que se hace necesario recurrir a satlites y sensores
que pueden registrar diferentes tipos de informacin y
representarla de manera espacial. Existe un anlisis que
relaciona la precipitacin convectiva con las tormentas
elctricas, haciendo uso de radares que registran la
presencia de relmpagos [2]. Este estudio realizado en
China obtiene coeficientes de correlacin r alrededor de
0,86, lo cual demuestra que hay relacin entre los
factores analizados y que el mtodo aplicado es
eficiente.
Debido a la alta variabilidad espacial y temporal de
la precipitacin en el Ecuador [3], se hace necesario el
anlisis exhaustivo de los factores que influyen en la
precipitacin. Entre ellos estn el relieve, la nubosidad,
la velocidad y direccin del viento. En el caso de la
nubosidad, la componen varias caractersticas como la
presin y temperatura que al influenciar directamente
sobre el agua en estado gaseoso, son las principales
causantes de la condensacin. Existe libre acceso a
productos satelitales de nubosidad y precipitacin, los
cuales pueden ser utilizados para realizar un anlisis de
correlacin. Para este estudio el anlisis intentar
demostrar que la precipitacin depende de diferentes
caractersticas de nubosidad, mediante regresiones. El
resultado de la relacin entre nubosidad y precipitacin
puede ser representado de manera espacial para un
anlisis posterior. El objetivo de esta investigacin es
determinar las zonas del Ecuador que presenten mayor
correlacin con los diferentes factores que influencian
en la precipitacin, lo que servir de base para futuras
regionalizaciones de los regmenes de precipitacin.
II. MARCO TERICO
NUBOSIDAD
La nubosidad se refiere a la fraccin de cielo que se
encuentra cubierto por nubes, las cuales estn
constituidas por partculas de agua o hielo, segn la
temperatura de la nube. La manera en que las nubes se
distribuyen sobre una determinada regin depende de:
la topografa, altitud y distancia de la lnea costera [4].
El Ecuador posee un alto contenido de nubosidad
debido a que se encuentra en la zona ecuatorial. La
Sierra se encuentra cubierto por nubes casi de forma
permanente, sobre todo en las zonas de climas fros. La
Costa posee una nubosidad considerable, pero menor a
la de la Sierra, debido a las corrientes ocenicas [7]. Por
otro lado, la Amazona es muy variable en nubosidad,
pero se producen fuertes lluvias durante todo el ao.
PRECIPITACIN
El clima en el Ecuador est influenciado por la
presencia de la cordillera de Los Andes, la Amazona y
el ocano Pacfico, los que determinan los diferentes
regmenes de las llamadas regiones naturales del
Ecuador: Costa, Sierra y Amazona [6].
Adicionalmente, los regmenes climticos estn
relacionados con tres factores: el movimiento de la
Zona de Convergencia Intertropical (ZCIT), el relieve
que produce lluvias orogrficas y las corrientes del
Pacfico que tienen influencia en la regin andina [3].
En la Costa, la distribucin de la precipitacin
define una temporada hmeda (Diciembre Abril) y
otra seca (el resto de los meses), en correspondencia
con el calentamiento estacional del ocano circundante
y a la migracin, hacia el sur, de la Zona de
Convergencia Intertropical (ZCIT), [6]. Los lmites de
influencia significativa del fenmeno de El Nio
(ENSO) estn dados por las estribaciones occidentales
de la cordillera de los Andes. Adems, la
regionalizacin para la Costa, consistente en 13 zonas
de precipitacin homognea. Las regiones de Santa
Elena, Manta y Portoviejo se presentan como las ms
secas (622 mm/ao en Manta-Jipijapa), en contraste
con las reas aledaas a Santo Domingo, donde el
promedio de lluvia en el ao suma 2,262 mm/ao [6].
La Sierra vara desde los 500 m s. n. m. (metros
sobre el nivel del mar) hasta sobrepasar los 5.000 m. s.
n. m., encontrndose relacionados con la altura una
serie de pisos climticos que presentan diferentes
condiciones meteorolgicas [7]. Experimenta una
influencia variante de las masas de aire ocenico y
continental [6]. Se distinguen dos periodos secos, el
primero (entre junio y septiembre) se presenta mucho
ms seco que el otro perodo (diciembre) dado que las
masas de aire pierden su humedad en ambas
estribaciones. Adems, tiene dos estaciones lluviosas
(febrero-mayo y octubre-noviembre). La precipitacin
en los valles interandinos vara entre 800 y 1,500
mm/ao, mientras que el pie de montaa cercano a
Puyo alcanza los 3,443 mm/ao [6].
La regin oriental mantiene lluvias permanentes
durante casi todo el ao, dndose el mximo de
precipitacin de todo el Ecuador en el rea de Mera y
Puyo (provincia de Pastaza), en donde supera los 4,500
mm/ao [6]. Su rgimen es gobernando por una
compleja circulacin de masas de aire estacionales que
discurren desde los principales centros de alta y baja
presin ubicados entre Bolivia y Brasil [6].
Las regiones de Santa Elena, Manta y Portoviejo se
presentan como las ms secas (622 mm/ao en Manta-
Jipijapa), en contraste con las reas aledaas a Santo
Domingo, donde el promedio de lluvia en el ao suma
2,262 mm/ao [6].
IMGENES SATELITALES DE PRECIPITACIN Y MODIS)
NUBOSIDAD
Las imgenes satelitales de precipitacin muestran
dnde y cunta lluvia cay en todo el planeta, en mm
[12]. El sensor MODIS (Moderate Resolution Imaging
Spectroradiometer) con su franja de barrido de visin
de 2.330 km de ancho, recorre nuestro planeta en
periodos de uno y dos das tomando informacin en 36
bandas espectrales discretas. El sensor mide el
porcentaje de la superficie del planeta que est cubierto
por nubes. Esto permite una amplia cobertura espacial
MODIS, junto con MISR y Ceres, para ayudar a los
cientficos a determinar el impacto de las nubes y los
aerosoles en el balance energtico de la Tierra.
Adems, registra la frecuencia y distribucin de la
cobertura de nubes, MODIS mide las propiedades de
las nubes, como la distribucin y tamao de las gotas
tanto en agua como las nubes con temperaturas
extremadamente baja.
La Misin de Medicin de Lluvias Tropicales o
Tropical Rainfall Measuring Mission (TRMM) es una
conjuncin de exploracin espacial entre la NASA y la
Agencia de Exploracin Aeroespacial Japonesa
(JAXA), diseada para monitorear y estudiar
precipitaciones tropicales y subtropicales, entre 35 N
y 35 S. Dio lugar a una investigacin que ha mejorado
la comprensin de la estructura de los ciclones
tropicales y su evolucin, las propiedades del sistema
convectivo, las relaciones rayo de tormenta, el clima,
modelado del tiempo, y los impactos humanos sobre las
precipitaciones. Los datos tambin apoyan las
aplicaciones operativas, tales como inundaciones y
sequas.
RELACIN ENTRE PRECIPITACIN Y
NUBOSIDAD
La precipitacin y la nubosidad son parmetros que
no tienen una relacin directa, ya que algunas nubes
altas son muy fras y no producen lluvia mientras otras
nubes calientes, cuyas cimas no alcanzan
temperaturas inferiores a los 0C, son las responsables
de la mayor parte de la precipitacin que cae sobre la
superficie terrestre [8]. Para la formacin de
precipitacin se requiere la elevacin de una masa de
vapor de agua en la atmsfera, de tal manera que una
parte se enfre, se condense y precipite. La saturacin
ocurre cuando se cumplen las condiciones de punto de
roco, temperatura hasta la cual el aire no saturado debe
enfriarse para alcanzar la presin de vapor de
saturacin. Esto tambin se puede dar al aumentar la
presin de las nubes cuando aumenta su densidad de
vapor de agua [9], [1]. Entonces la precipitacin puede
ser de tres tipos: 1) elevacin frontal, cuando el aire
caliente es elevado por un aire fro, 2) orogrfica,
cuando el aire hmedo es elevado por una cadena
montaosa, y convectiva, cuando el aire es arrastrado
hacia arriba por el calor enfocado en un punto, por
ejemplo, el centro de una celda de una tormenta
elctrica, [1].
III. MATERIALES Y MTODOS
NUBOSIDAD Y PRECIPITACIN (PRODUCTOS
Los productos a continuacin descritos fueron
descargados de la pgina web de Goddard Space Flight
Center. Se tratan de imgenes con informacin de 8
das, las cuales fueron procesadas en ArcMap 10.3.1
mediante la herramienta de lgebra de mapas para
obtener composiciones mensuales.
i. Cloud fraction (cobertura de las nubes)
Estas imgenes representan la fraccin del cielo que
se encuentra cubierta por nubes. Se define como el
nmero de pixeles que contienen una nube dividido
para el nmero total de pixeles. Es as que un valor de
uno denota un pixel completamente cubierto por nubes
y un valor de 0 evidencia un pixel sin nubes [10].
 ii. Cloud water content (contenido de agua de las Posteriormente se grafic la curva de ajuste junto
nubes) con la dispersin para obtener una interpretacin
efectiva de la regresin. En estas grficas se puede
En este producto las diferentes tonalidades de color determinar si la relacin entre nubosidad y
representan la cantidad de gramos de agua por metro precipitacin puede ser descrita por la curva obtenida
cuadrado que se obtendra, si se drenara toda el agua de en la regresin.
las nubes en una capa plana en el suelo [11].
REPRESENTACIN ESPACIAL DE LA DIFERENCIA
iii. Cloud top pressure (presin en la parte ENTRE VALORES OBSERVADOS Y AJUSTADOS
superior de las nubes)
Para obtener una visualizacin espacial del grado de
Este tipo de imgenes representan la presin ajuste de la curva con los valores observados, el valor
atmosfrica en la parte superior de las nubes en absoluto de la diferencia entre cada uno de los valores
hectopascal (hPa) [12]. Los meteorlogos utilizan esta observados y ajustados (figura 1) fue representado en
informacin para determinar las reas de crecimiento una matriz de iguales caractersticas a las anteriores.
de las nubes y la probabilidad de precipitacin [12]. Con el objetivo de apreciar mejor la magnitud de la
REPROYECCIN DE IMGENES MODIS A WGS84 diferencia se normaliz la matriz, obteniendo valores
entre 0 y 1. Finalmente se convirti la matriz
Parara realizar la correlacin entre imgenes de normalizada de diferencias a una imagen, de manera
nubosidad y precipitacin es necesario que todas las que cada diferencia corresponda al mismo pixel del
imgenes se encuentren en el mismo sistema de cual se extrajo la informacin de partida. Se modific
coordenadas. Los productos disponibles descargados dicha imagen, para que represente el Ecuador
de la pgina de Nasa Earth Observation (NEO) se continental con tonalidades que distingan las zonas con
encuentran en formato GeoTIFF y georreferenciados mejor relacin entre las variables, lo que permite hacer
con el sistema de coordenadas geogrficas mundial un anlisis completo a los resultados obtenidos.
(WGS84). Mientras que los productos MODIS,
disponibles en la pgina web de GSFC, se encuentran
en formato HDF con proyeccin sinusoidal. Con la Valor observado
ayuda de la herramienta HDF to GeoTIFF Conversion
Tool, proporcionada por la NASA, se procedi a re-
proyectar las imgenes HDF a coordenadas 0 1
geogrficas. Permitiendo as tener todos los productos Curva de regresin
necesarios para la correlacin en el mismo sistema de
coordenadas.
= 0 1
REGRESIN Y COEFICIENTE DE CORRELACIN
ENTRE PRODUCTOS
Para manipular algebraicamente las imgenes, se
asignaron los valores de los pixeles de las imgenes a
una matriz con nmero de filas y columnas igual a la
distribucin de pixeles de la imagen. Posteriormente, se Figura 1. Curva de regresin y valores observados
reordenaron los elementos de dicha matriz en un vector,
IV. RESULTADOS
lo que facilita la aplicacin del mtodo numrico de
regresin. El vector obtenido correspondiente a cada REGRESIONES Y CORRRELACIONES.
producto de nubosidad se relacion con el
correspondiente al vector de la imagen de precipitacin A continuacin, se presentan los grficos de los
del mismo mes. As se conforman las duplas de resultados ms sobresalientes de la investigacin. El
vectores con los productos de nubosidad y de tipo de regresin elegida fue la cuadrtica, pues era la
precipitacin. que mejor r daba. Los meses elegidos para expresar los
Para determinar la relacin existente entre vectores resultados fueron enero, abril, julio y octubre,
de nubosidad y precipitacin se les aplic una regresin correspondientes a los cambios de rgimen mensual de
lineal (por mnimos cuadrados) o una regresin precipitacin. En la Tabla 1 se registran los valores de
cuadrtica. El tipo de regresin utilizada depende de la r para cada regresin.
dispersin obtenida al graficar los pares ordenados de
producto de nubosidad y precipitacin. Una vez
obtenida la ecuacin correspondiente a la curva de
regresin se procedi al clculo del coeficiente de
determinacin r2 y el coeficiente de correlacin r. Este
ltimo determina si el grado de relacin entre las
variables es alto (r cercano a 1 o -1) o si por el contrario,
no existe relacin entre las variables estudiadas (r
cercano o igual a 0). La recta o parbola de ajuste se
obtiene aplicando el mtodo numrico presentado por
indicadas por [10]..
Tabla. I. Valores de r para cada producto, en los meses de estudio. y la precipitacin, indica que a mayor presin la
CLOUD FRACTION precipitacin disminuye. Lo cual es confirmado por
valores negativos de coeficiente r (Tabla I).
MES Enero Abril Julio Oct
Finalmente la relacin entre temperatura superficial de
r 0,725 0,716 0,450 0,318 la nube y la precipitacin (figura 3) seala que a mayor
CLOUD WATER CONTENT temperatura habr menor precipitacin, presentando el
r 0,774 0,505 0,513 0,623 mejor coeficiente de correlacin (Tabla 1) .
CLOUD TOP PRESSION
MAPAS DE APROXIMACIN
r -0,845 -0,887 -0,777 -0,927
CLOUD TOP TEMPERATURE Cloud fraction
r -0,853 -0,892 -0,804 -0,931 Los valores de correlacin obtenidos durante primer
semestre del ao 2015 corresponden a valores altos,
siendo enero (Figura 4) el mes que mejor se adapta a
la regresin con r=0,725. Mientras que en el segundo
semestre se nota una baja correlacin, pues existe
mayor dispersin de los datos. En este periodo el mes
con menor correlacin es agosto (Figura 5) con
r=0,318. Los lugares con menos correlacin estn en
la pennsula de Santa Elena, pues ah la nubosidad es
dispersada por vientos del oeste, que provocan que la
precipitacin se produzca ms adentro del pas.

Figura 2. Curva de regresin y valores observados precipitacin-

Cloud fraction (enero)

Figura 4. Mapa de correlacin Precipitacin-Cloud fraction del mes

de enero.

Figura 3. Curva de regresin y valores observados precipitacin-

Cloud top temperaure (enero)
Para la relacin entre la cobertura de nubes (Cloud
fraction) y la precipitacin (Figura 2), se tiene que en
enero a mayor cobertura de nubes existe mayor
profundidad de precipitacin, este caso es similar al
mes de abril. Lo cual es confirmado por altos valores
de r en los meses representativos de periodos hmedos
(enero y abril). Por otro lado, es desestimado por bajos
Figura 5. Mapa de correlacin Precipitacin-Cloud fraction del mes
valores de r en los dos meses representantes de la
de agosto.
estacionalidad seca.
Cloud water content
En la relacin entre el contenido del agua y la
precipitacin la relacin tambin es proporcional, a El mes de enero presenta un r mximo de 0,774 y
mayor contenido de agua se registran ms milmetros el mes de septiembre un r mnimo de 0,343. En las
de precipitacin. Estos resultados son confirmados por Figuras 6 y 7, las zonas de correlacin alta o baja
valores de r mayores a 0,5 (Tabla I). Por otro lado, la varan segn el mes. En el mes de enero se da una
relacin entre presin en la parte superior de las nubes
correlacin alta en la mayora del territorio. En el mes
de septiembre, la correlacin vara en la Costa, Sierra
y Amazona. En la Costa la correlacin disminuye en
gran medida con respecto a enero llegando a valores
nulos en algunas zonas, mientras que en la zona de la
Sierra la correlacin es alta y en la Amazona la
correlacin llega a valores medios.

Figura 8. Mapa de correlacin Precipitacin-Cloud top pressure del

mes de enero.

Figura 6. Mapa de correlacin (Precipitacin-Water content) del mes

de enero.

Figura 9. Mapa de correlacin Precipitacin-Cloud top pressure del

mes de septiembre.

Cloud top temperature

Al igual que en el caso del anlisis de cloud top

pressure, los datos mensuales de temperatura y
precipitacin se encuentran agrupados presentando
una tendencia cuadrtica. Se observa tambin un alto
Figura 7. Mapa de correlacin (Precipitacin- Water content) del
mes de septiembre
grado de correlacin en cada uno de los meses de
estudio. El mes con mayor correlacin es octubre con
Cloud top pressure r = -0,9309, mientras que el mes con menor correlacin
febrero con r = -0,7176 (Figuras 10 y 11). No hay
Durante todo el periodo de 12 meses analizado precipitacin en la sierra centro porque la temperatura
existe una alta correlacin, el mes con mayor es demasiado baja, a tal punto que la presin no es la
correlacin es octubre con r = -0,927 y el mes con suficiente para condensar el contenido de las nubes.
menor correlacin es febrero, r = -0,6875 (figuras 8 y
9). Por lo general se observa que hay menos
correlacin en la sierra alta y en la pennsula de Santa
Elena, debido a que son zonas de baja y alta presin,
respectivamente. Por lo cual las nubes no pueden
alcanzar una presin que permita condensar el agua.
Estas presiones se consiguen en la costa interna, as
como en la sierra media y baja.

Figura 10. Mapa de correlacin Precipitacin-Cloud top

temperature del mes de octubre

Figura 11. Mapa de correlacin Precipitacin-Cloud top
temperature del mes de febrero
V. CONCLUSIONES
Los valores de correlacin utilizando productos
satelitales son satisfactoriamente altos, resultados
similares a los de [2]. Lo que significa que hay alta
relacin entre las propiedades de la nubosidad y la
precipitacin, debido a que tienen un nexo directo que
es el punto de roco.
Se obtuvieron valores ms altos de de r con
regresiones cuadrticas. En algunos casos la regresin
lineal y cuadrtica daba valores de r semejantes. En las
grficas de dispersin se pueden ver puntos demasiado
alejados de la recta de correlacin. Esto es debido a
datos faltantes producidos por fallas del satlite lo que
hace que se tengan valores de correlacin extremos que
alteran el resultado general y la representacin espacial
del mismo.
Los resultados de presin y temperatura indican una
relacin inversa con la precipitacin. Lo cual se
corrobora con el concepto de punto de roco, se necesita
una temperatura baja para producir precipitacin.
Adems, a temperaturas bajas las presiones
disminuyen, lo que se registra en la zona suroeste del
Ecuador (figuras 9 y 11). En la mayor parte de
superficie de la Amazona siempre se observa un valor
alto de correlacin, debido a que ah se producen
precipitaciones la mayor parte del ao. En la Sierra hay
ms correlacin en las alturas medias y bajas de la
cordillera, y menor correlacin en las cumbres. Esto
debido a la orografa y a la temperatura de las nubes,
pues a temperaturas demasiado bajas no se dan las
condiciones para la condensacin. Mientras que en la
Costa hay nubosidad pero no precipitacin, debido a los
fuertes vientos del oeste que trasladan las nubes a zonas
internas de la costa donde se produce ms
precipitacin.
Estos resultados sirven de base de estudio para
realizar una regionalizacin de regmenes de
precipitacin a nivel nacional. Adems con el
conocimiento de las zonas con mayor correlacin es
posible realizar un estudio de la ubicacin de
pluvimetros y pluvigrafos.
Se recomienda integrar al anlisis productos de
viento (velocidad y direccin) para determinar en
dnde precipitan las nubes desplazadas de la Pennsula
de Santa Elena. As mismo, se debe analizar el relieve
del pas para determinar los lugares en los que se
produce la lluvia orogrfica.
Las correlaciones mxima y minina varan
significativamente debido a varios defectos de los
productos de precipitacin y nubosidad. En las
imgenes de precipitacin se encontraron datos
faltantes en ciertos pixeles. Adems, los pxeles de su
alrededor posean valores de nubosidad, temperatura y
presin demasiado bajos, lo que altera la correlacin y
los mapas finales. Es por eso que varios mapas no
representan de manera correcta el valor de r. Al
momento de realizar el anlisis, se tendra que tomar en
cuenta estos factores, ya que cambian la tendencia de la
curva de regresin y con esto afectan directamente a los
coeficientes de regresin. Se recomienda hacer un
filtrado de imgenes o un proceso de relleno de datos
faltantes mediante el mtodo del vecino ms prximo,
para priorizar la influencia de datos circundantes en una
zona sin datos.
AGRADECIMIENTOS
A la Doctora Daniela Ballari, al Departamento de
Investigacin de la Universidad de Cuenca y su
proyecto de investigacin por habernos brindado las
pautas iniciales para este trabajo.
REFERENCIAS
[1] V. T. Chow, D. R. Maidment y L. W. Mays,
Hidrologa Aplicada, Bogot: McGRAW-HILL, 1994.
[2] Y. Zhou, X. Qie y S. Soula, A study of the
relationship between cloud-to-ground lightning and
precipitation in the convective weather system in
China, Annales Geophysicae, pp. 109-113, 2001.
[3] R. Celleri , P. Willems y J. Feyen, Space-
time rainfall variability in the Paute Basin, Ecuadorian
Andes, HYDOLOGICAL PROCESSES , vol. 21, pp.
3316-3327, 2007.
[4] Azorn , Serrano, Baguera, Mora y Sanchez,
Performance of Drought Indices for Ecological,
Agricultural, and Hydrological Applications, 2012.
[5] Capa, Rodriguez y Portela, La enseanza de
la Fsica para la Convergencia Europea, Revista
Espaola de la Fsica, pp. 20-22, 2004.
[6] J. Cedeo y M. C. C. Donoso, Atlas
pluviomtrico del Ecuador, Documento Tcnico del
PHI - LAC, vol. 21, 2010.
[7] INOCAR, DERROTERO DE LA COSTA
CONTINENTAL ECUADOR, 2005.
[8] ROGERS, de Fsica de las nubes, Barcelona,
Ed. Revert, 1977, p. 248.
[9] A. J. Raudkivi, Hydrology: an advanced
introduction to hydrological processes and modelling,
California: Pergamon Press, 1979.
[10] S. C. Chapra y R. P. Canale, Least-Squares
Regression, de Numerical Methods for Engineers,
New York, The McGraw-HIll Companies, Inc, 2010,
pp. 454-484.
[11] NEO: NASA EARTH OBSERVATION.
Cloud Water Content Concept, [En lnea].
http://neo.sci.gsfc.nasa.gov/view.php?datastId=MOD
AL2_M_CLD_WP&date=2016031 (ltimo acceso:
09 de 04 de 2016).
[12] de Evaluacin de Imgenes Satelitales de
Precipitaciones (TRMM 3B43 mensual) en Regin
Costa, Sierra y Oriente del Ecuador, Cuenca, 2014, p.
51.
[13] NEO: NASA EARTH OBSERVATION,
[En lnea]. Available:
http://neo.sci.gsfc.nasa.gov/view.php?datasetId=MY
DAL2_M_CLD_FR. [ltimo acceso: 07 04 2016].
[14] NEO: NASA EARTH OBSERVATION.
MODIS Cloud Water Content Image, [En lnea].
Available:
http://neo.sci.gsfc.nasa.gov/view.php?datasetId=MY
DAL2_M_CLD_WP. [ltimo acceso: 07 04 2016].
[15] GODDARD SPACE FLIGHT CENTER.
MODIS Cloud Top Pressure y Cloud Top Temperature
Images, [En lnea]. Available:
https://ladsweb.nascom.nasa.gov/browse_images/gra
nule_browser.html?form=AADS&browseType=Gran
ule. [ltimo acceso: 23 03 2016].
[16] NEO: NASA EARTH OBSERVATION.
TRIM Rainfall Image, [En lnea]. Available:
http://neo.sci.gsfc.nasa.gov/view.php?datasetId=TRM
M_3B43M. [ltimo acceso: 07 04 2016].
[17] GSFC: GODDARD SPACE FLIGHT
CENTER. Cloud Fraction Concept, [En lnea].
Available:
http://disc.sci.gsfc.nasa.gov/giovanni/additional/data-
holdings/PIP/cloud_fraction.shtml. [ltimo acceso:
09 04 2016].
[18] NEO: NASA EARTH OBSERVATION.
Cloud Water Content Concept, [En lnea]. Available:
http://neo.sci.gsfc.nasa.gov/view.php?datasetId=MO
DAL2_M_CLD_WP&date=2016-03-01. [ltimo
acceso: 09 04 2016].
[19] ESA: EUROPEAN SPACE AGENCY.
Cloud Top Pressure Concept, 2014. [En lnea].
Available:
http://envisat.esa.int/handbooks/meris/CNTR2-7-2-2-
3-3.html. [ltimo acceso: 9 Abril 2016].
[20] Live Science Staff. Taking the Temperature
of Clouds, 2010. [En lnea]. Available:
http://www.livescience.com/29542-taking-the-
temperature-of-clouds.html . [ltimo acceso: 9 Abril
2016].