Vous êtes sur la page 1sur 15

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

FACULTAD DE CIENCIAS
DEPARTAMENTO DE FISICA, METEOROLOGIA Y ING. AMBIETAL

Tema: Climate Predictability Tool

Profesor : Dante Castro

Curso : Estadística Climatológica

Alumno :

- Cusi Bravo, Alfredo


- Marroquín Palomino, Andrea
- Pillaca Quispe, Rony Paul

Ciclo : 2017 – II

La Molina, 08 de diciembre del 2017


I. RESUMEN
En el presente informe se detallará un análisis al pronóstico de un modelo de
predicción climática (CPT) aplicado a los datos de precipitación de las estaciones
meteorológicas de la región costa norte del Perú, para lo cual se recurrió trimestralizar
los datos de precipitación mensualizados de un periodo de 24 años (1990 - 2013) para
los meses de Diciembre – Enero – Febrero. Este análisis ha tendido a conllevar una
comparación de los dos métodos que se utilizó, que lo podemos encontrar en el CPT,
el ACC (Análisis de Correlación Canónica) y ACP (Análisis de Componentes
Principales), métodos que tienen parámetros para evaluar si nuestro modelo fue bien
utilizado.
II. OBJETIVOS
 Objetivo General
- Realizar un pronóstico para DEF (diciembre, enero y febrero) de las estaciones
utilizando como predictor a la temperatura de la superficie del mar (TSM)
 Objetivo Especifico
- Efectuar una comparación entre los ACC y ACP para distintas regiones de El
Niño.
- Determinar las regiones donde el evento del Niño fue pronosticado con un bajo
error.

III. MARCO TEORICO


3.1 Análisis de Correlación Canónica (ACC)
Es expresado en mapas, donde se observa el grado de correlación que existe en el
comportamiento del predictor respecto al comportamiento en las estaciones a ser
pronosticadas.
3.2 Análisis de Componentes Principales (ACP)
Es una técnica estadística de síntesis de la información, o reducción de la dimensión
(número de variables). Es decir, ante un banco de datos con muchas variables, el objetivo
será reducirlas a un menor número perdiendo la menor cantidad de información posible.
(FUENTE: Universidad Abierta de Cataluña)
3.3 Función ortogonal empírica (EOF)
El CPT usa al EOF para hacer los pronósticos cruzados y validados, para luego calcular
un el índice de bondad que expresa lo bueno que pueden ser los pronósticos. (FUENTE:
International Research Instituote for Climate and Society The Earth Institute of Columbia
University)
3.4 Valores estadísticos

 Correlación de Pearson
Medida de la relación lineal entre dos variables aleatorias cuantitativas. Es
independiente de la escala de medida de las variables.

 Correlación de Spearman
Es una medida de la correlación (la asociación o interdependencia) entre dos
variables aleatorias continuas.

 Varianza
Es una medida de dispersión definida como la esperanza del cuadrado de la
desviación de dicha variable respecto a su media. O en pocas palabras, es la media
de los residuos al cuadrado.

 Bias
Mide la correspondencia entre el promedio de pronósticos y el promedio de
valores observados.

 Hit Score
Es la relación de pronósticos correctos al número de veces que este evento ha
ocurrido.

3.5 Tablas de Contingencia


Los datos procedentes de la observación de dos variables categóricas o categorizadas se
ordenan en una tabla de contingencia. Esta consiste en una tabla de doble entrada. La
casilla o celda, situada en la intersección de una fila y una fila y una columna dada, recoge
la frecuencia absoluta que presentan simultáneamente las modalidades que ocupan la
correspondiente fila y la columna. (Alea Riera, 2000)

Fig.1 Tabla de contingencia


Fuente: Propia

3.6 El TSM y la precipitación:


El Niño está asociado con fuertes precipitaciones en la costa norte del Perú debido al
calentamiento cíclico de las aguas superficiales del océano en la región vecina a la costa.
En general, la costa del Perú es muy seca y solamente llueve en la costa norte del Perú
durante los eventos El Niño. En la región de los Andes Peruanos la precipitación es
estacional, con lluvias fuertes durante los meses de verano del hemisferio sur (Diciembre
–Marzo). Se observa una variabilidad estacional e interanual de las lluvias en la región
andina con lluvias excesivas en algunos años y déficit de lluvias en otros años. Durante
los últimos años, esta variabilidad estacional e interanual con excesivas lluvias y sequías
ha sido asociada con El Niño, por algunos investigadores locales y difundida por los
medios de comunicación.
Las precipitaciones tienden a ser moderadamente mayores/menores que sus promedios
multianuales en el extremo norte de la subregión norte, durante los meses de diciembre a
enero, neutra en la subregión central y ligeramente menores/mayores que sus promedios
en la subregión sur, principalmente en el mes de febrero, cuando las anomalías de la TSM
son positivas/negativas en la región Niño 1+2. Esta relación se atenúa en la subregión
norte cuando se considera sucesivamente las regiones Niño 3, Niño 3.4 y Niño 4, mientras
que la relación se acentúa en la región centro y sur cuando se considera sucesivamente
las anomalías positivas/negativas de la TSM en las regiones Niño 3, Niño 3.4 y Niño 4,
principalmente en febrero. Para los años con eventos El Niño, los coeficientes de
correlación entre las lluvias en la región andina y los índices para la región Niño 3.4 se
asemeja al caso en que se consideran todos los años y la región Niño 1+2, excepto que
los índices de correlación son mayores en las subregiones norte y sur. Para el caso de la
subregión sur, los máximos valores de correlación ocurren en el mes de marzo. Para los
años con eventos fríos, no existe una relación coherente. (IGP, 2000-2007)

Fig.2 Regiones Niño


Fuente: IGP

IV. METODOLOGIA
4.1 Data
Para este presente estudio se utilizaron datos históricos de precipitación de 15 estaciones
que fueron extraídos de la página del SENAMHI (Servicio Nacional de Meteorología e
Hidrología) y estos a su vez se utilizaran con un periodo de 24 años (1990 - 2013), y
con un umbral de datos faltantes de 20%.
4.2 Área de estudio
La data que se utilizó se encuentra en su mayoría en la costa norte del Perú, en las
regiones de Tumbes y Piura, conformadas por las siguientes estaciones:

Fig.3 Mapa de las ubicaciones de las estaciones meteorológicas e hidrológicas.


Fuente: Propia

4.3 Procedimiento
En primera instancia se recurrió a la agrupación trimestral de los datos, para que
posteriormente se realice un AED (análisis exploratorio de datos) con la finalidad de
observar si este tiene una cantidad de datos faltantes evaluada con respecto al umbral, que
para este informe será de 20%, luego de este análisis se tendrá que completar los datos
recurriendo al método de completación por regresión múltiple lineal. Ya completados los
datos para las estaciones elegidas se tendrá que proceder con el análisis en el programa
de Climate Predictability Tool (CPT) donde se recurrirá a las herramientas de Análisis de
Correlación Canónica (ACC) y Análisis de Componentes Principales (ACP),
seguidamente se llevó a cabo una comparación de los resultados de cada proceso con la
finalidad de generar un pronóstico el cual solo se tomara en cuenta un periodo de los 2
últimos años del resultado. Posteriormente se hará un análisis del modelo mediante los
atributos que poseen (Hit score, ROC, Coef. Pearson, entre otros), con la finalidad de
saber si nuestro modelo predictor fue bien utilizado para la data de las estaciones
utilizadas.
V. RESULTADOS

1. Del cálculo del Análisis de Correlación Canónica (ACC), se obtuvieron los


siguientes resultados que se presentaran en dos casos, uno con atributos aceptables
tal caso es de la estación de Morropon y por otro lado se tiene a la estación de
Pananga cuyos atributos son bajos.
- Estación de Morropon.

Fig.4 Medidas de dispersión para la estación de Morropon


Fuente: Propia

Fig.5 Tabla de Contingencia para la estación de Morropon


Fuente: Propia
- Estación de Pananga.

Fig.6 Medidas de dispersión para la estación de Pananga


Fuente: Propia

Fig.7 Tabla de contingencia para la estación de Pananga


Fuente: Propia
2. Del cálculo del Análisis de Componentes Principales (ACC), se obtuvieron los
siguientes resultados que se presentaran en dos casos, uno con atributos aceptables
tal caso es de la estación de Morropon y por otro lado se tiene a la estación de
Pananga cuyos atributos son bajos.

- Estación de Morropon.

Fig.8 Medidas de dispersión para la estación de Morropon


Fuente: Propia

Fig.9 Tabla de contingencia para la estación de Morropon


Fuente: Propia
- Estación de Pananga.

Fig.10 Medidas de dispersión para la estación de Pananga


Fuente: Propia

Fig.11 Tabla de contingencia para la estación de Pananga


Fuente: Propia

VI. DISCUSIONES
Como se observa en los resultados obtenidos a través del CPT, las observaciones
ocurridas son muy diferentes a las pronosticadas en un área específica de la gráfica
que se encuentra en la segunda figura de los resultados para cada estación. Siendo
estas (Morropon y Pananga) unas estaciones que están ubicadas en la zona de la costa
norte del Perú donde generalmente se encuentran expuestas al fenómeno del niño o
de la niña, que hace que las características meteorológicas cambien de manera
considerable, llegando a ser muy diferentes a las pronosticadas.
Aunque los indicadores estadísticos son una referencia técnica, se debe entender lo
que significan, es por esto que el hecho de que el coeficiente de Pearson y el de
Spearman sean negativos ratifica lo mostrado en las gráficas, además estos indican si
la distribución de los datos es lineal o monótica respectivamente, y para este caso las
estaciones presentadas tienen bajo el coeficiente lo cual indica que necesariamente no
se distribuyen con normalidad a una lineal o monótica. De las medidas categóricas,
para la estación de Morropon se tiene un valor moderado del Hit Score 50% al igual
que el Hit Skill Score de 25% los cuales indican que el modelo de pronostico tiene
una aceptación media para la predicción de normales – altas con un 56% de seguridad
de pronóstico. Por otro lado, para la estación de Pananga se tiene bajos valores de HS
(28.57%) y HSS (-14.29%) estos reflejan el mal uso del modelo para estos valores de
precipitación.
Alteraciones por errores de toma de datos o por fenómenos meteorológicos hacen que
esto ocurra, pero nunca se va a tener un valor de 1 en las correlaciones antes
mencionadas ya que el clima es casi impredecible al 100%, porque el ser humano aún
no llega a tener la capacidad de saber o pronosticar sin algún tipo de dudad lo que
pueda pasar climáticamente.
Según la universidad de Piura, para un trimestre EFM, el valor de correlación de
Pearson debería de ser aproximadamente -0.0463, con esto se verifica que, en los
meses de verano, los valores observados con los valores pronosticados no tienen
mucha relación.

VII. CONCLUSIONES

- El CPT aun muestra una confiabilidad ligeramente mayor al 50% para a estación
de Morropon, pues va presentando un buen comportamiento en años normales.
- El modelo de pronostico climático fue aplicado mejor para la estación de
Morropon en comparación con la estación de Pananga.
- Las diferencias entre los cálculos del ACC y el ACP fueron casi nula, por ende,
establecer un cálculo extra para el pronóstico seria innecesario.
- La zona de la costa norte del Perú tiende a presentar una no similitud entre lo
observado con lo pronosticado para la mayoría de estaciones, pero estos a su vez
son ligeramente afectados por la topografía accidentada que se tiene para
algunas estaciones meteorológicas e hidrológicas en la región norte del Perú.
- Los fenómenos como el niño o la niña alteran considerablemente la calidad del
pronóstico.
VIII. BIBLIOGRAFIA

Bibliografía
Mason, S. (2016). Climate Predictability Tool. Switzerland: Columbia University.

Metzger, L. (2016). Manual para generar pronostico hidrologicos estacionales. España:


PRASDES.

OMM. (2010). Manual del sistema Mundial de Proceso de datos y Prediccion.


ANEXOS
- Resultados de la estación Hacienda Bigote

Fig.12 Medidas de Dispersión para la estación de Hacienda Bigote


Fuente: Propia

Fig.13 Tabla de contingencia para la estación de Hacienda Bigote


Fuente: Propia
- Resultados de la estación de Porculla

Fig.14 Medidas de Dispersión para la estación de Porculla


Fuente: Propia

Fig.15 Tabla de contingencia para la estación de Porculla


Fuente: Propia

Vous aimerez peut-être aussi