Mapeo regional de variables climáticas en Galicia a partir de datos puntuales
Barra lateral del artículo
Contenido principal del artículo
Resumen
Debido a los múltiples factores que influyen en el clima en Galicia (NO España), éste presenta una alta variabilidad espacial y temporal, lo que afecta directamente a muchas actividades económicas y sociales. Es de gran importancia disponer de redes de observación climática que cubran la mayor parte del territorio, y en el caso de no tenerlas, contar con herramientas que permitan predecir parámetros climáticos.
Las principales herramientas utilizadas para la estimación de parámetros en localizaciones no medidas son las bases de datos climáticos y la interpolación de datos de las estaciones climáticas, siendo el krigeado uno de los métodos de interpolación más usado.
La evaluación de las bases de datos climáticos es muy importante para establecer cuan bien estiman los parámetros y asegurar que resulten en una serie de datos homogénea. Para esto, en el presente estudio se hizo una comparación de datos puntuales de la red de estaciones meteorológicas de MeteoGalicia con datos extraídos de las bases de datos de SIMPA, AEMET y ERA 5 y con datos resultados de la interpolación mediante krigeado de regresión. Los parámetros climáticos usados para el estudio son: temperatura media, precipitación y evapotranspiración potencial de referencia.
Para extraer los datos de SIMPA, ERA5 y AEMET y también para interpolar datos puntales de MeteoGalicia, se trabajó con el entorno de programación estadística R. Después de extraer los datos o de interpolarlos, se compararon con los datos medidos en la red de estaciones climatológicas de MeteoGalicia mediante el índice de Nash-Sutcliffe.
El objetivo de este trabajo es la determinación de que metodología es más efectiva para estimar cada uno de los parámetros estudiados. De manera general, las predicciones basadas en interpolación (AEMET y krigeado de regresión) son las que presentaron una mejor bondad de ajuste, SIMPA presentó también buenos resultados para algunos parámetros. Los parámetros en general con mejores resultados de estimación fueron temperatura media, seguida de precipitación y por último evapotranspiración potencial de referencia.
Palabras clave:
Descargas
Detalles del artículo
Citas
AEMET. n.a. Datos en rejilla de 5 Km ROCIO_IBEB y 2.5 Km ROCIO+_CAN. Ministerio para la transición ecológica y el reto demográfico. https://www.aemet.es/es/serviciosclimaticos/cambio_climat/datos_diarios/ayuda/rejilla_5km
Andrade, M.F., Blacutt, L.A.B. 2010. Evaluación del modelo climático regional preciso para el área de Bolivia: comparación con datos de superficie. Revista Boliviana de Física 17 (17), 1-12. http://www.scielo.org.bo/scielo.php?pid=S1562-38232010000100001&script=sci_arttext
Castillo, F.R., Martínez, A.C., Blanco, R.C. 2006. O clima de Galicia. In: NARANJO, L. & PÉREZ, V.M., A variabilidade natural do clima en Galicia, pp 17-92). MeteoGalicia, Consellería de Medio Ambiente e Desenvolvemento Sostible e Fundación Caixa Galicia. https://www.MeteoGalicia.gal/datosred/infoweb/meteo/docs/publicacions/libros/Variabilidade_Natural_Clima.pdf
Hengl, T. 2009. A practical guide to geostatistical mapping on environmental variables. Office for Official Publications of the European Communities, Luxembourg. https://publications.jrc.ec.europa.eu/repository/handle/JRC38153
Hijmans, R. 2023. raster: Geographic Data Analysis and Modeling_. R package version 3.6-26. https://CRAN.R-project.org/package=raster
Matheron, G. 1971. The Theory of Regionalized Variables and Its Applications. Technical Report 5, Paris School of Mines. Les Cahiers du Centre de Morphologie Mathématique De Fontainebleau, Paris. https://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00167.pdf
McCuen, R., Knight, Z., Cutter, A. 2006. Evaluation of the Nash–Sutcliffe Efficiency Index. Journal of Hydrologic Engineering 11(6), 597-602. https://doi.org/10.1061/(ASCE)1084-0699(2006)11:6(597) DOI: https://doi.org/10.1061/(ASCE)1084-0699(2006)11:6(597)
Ministerio para la transición ecológica y el reto demográfico, centro de estudios y experimentación de obras públicas. 2020. Evaluación de recursos hídricos en régimen natural en España (1940/41 – 2017/18). Madrid. https://www.miteco.gob.es/content/dam/miteco/es/agua/temas/evaluacion-de-los-recursos-hidricos/cedex-informeerh2019_tcm30-518171.pdf
Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., Veith, T.L. 2007 Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations. Transactions of the ASABE 50, 885–900. https://elibrary.asabe.org/abstract.asp?aid=23153 DOI: https://doi.org/10.13031/2013.23153
Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-Fernández, N. J., Zsoter, E., Buontempo, C., Thépaut, J.-N. 2021. ERA5-Land: a state-of-the-art global reanalysis dataset for land applications, Earth System Science Data 13, 4349–4383. https://doi.org/10.5194/essd-13-4349-2021 DOI: https://doi.org/10.5194/essd-13-4349-2021
Payne, M. R. 2023. ClimateOperators: Climate Operators for R. R package version 0.3.2. https://github.com/markpayneatwork/ClimateOperators
Pebesma, E.J. 2004. Multivariable geostatistics in S: the gstat package. Computers & Geosciences 30, 683–691. http://dx.doi.org/10.1016/j.cageo.2004.03.012 DOI: https://doi.org/10.1016/j.cageo.2004.03.012
Rangel, R. 2019. Determinación de la cantidad de recursos hídricos para la gestión a nivel de cuenca por modelación. Estudio de aplicación a las cuencas de Río Cabe (Lugo) y Río Colorado (B. C., México). Ph D Thesis. University of Santiago de Compostela. https://minerva.usc.es/entities/publication/958bfb91-a9ad-4edc-8016-9b957c421eee
Rossiter, D. G. 2024. An introduction to (geo)statistics with R. Cornell University, Section of Soil & Crop Sciences. https://www.css.cornell.edu/faculty/dgr2/_static/files/R_PDF/gs_intro_sf.pdf
Rossiter, D. G. 2022. Conceptual basis of geostatistics. Cornell University, Section of Soil & Crop Sciences, Nanjing Normal University, Geographic Sciences Department. https://www.css.cornell.edu/faculty/dgr2/_static/files/ov/GeostatVeryShortLecture_Handout.pdf
Schulzweida, U. 2023. CDO User Guide (2.3.0). Zenodo. https://zenodo.org/records/10020800
Sekulić, A., Kilibarda, M., Heuvelink, G.B. M., Nikolić, M., Bajat, B. 2020. Random Forest Spatial Interpolation. Remote Sensing 12(10), 1687. https://doi.org/10.3390/rs12101687 DOI: https://doi.org/10.3390/rs12101687
Siles, G.S. 2022. Reanálisis climatológico ERA5: una revisión sobre su uso en el cálculo de atenuación atmosférica en sistemas de comunicaciones satelitales. Investigación & Desarrollo 22 (1), 145–159. https://doi.org/10.23881/idupbo.022.1-12i DOI: https://doi.org/10.23881/idupbo.022.1-12i
Terradellas, E. 2008. Estimación de parámetros de la distribución estadística de temperatura medias mensuales a partir de ficheros de datos incompletos. Acta de las Jornadas Científicas de la Asociación Meteorológica Española 30. http://hdl.handle.net/20.500.11765/1361
Zhang, Y. 2011. Introduction to Geostatistics – Course Notes. Dept. Of Geology & Geophysics, University of Wyoming. https://geofaculty.uwyo.edu/yzhang/files/Geosta1.pdf