Estimación de las precipitaciones diarias de diseño en Argentina a partir de datos derivados de satélite
DOI:
https://doi.org/10.24850/j-tyca-14-03-08Palabras clave:
hidrología estadística, sistemas de información geográfica, lluvias de diseñoResumen
Se presentan los resultados de la estimación de las precipitaciones diarias de diseño en Argentina para el 97 % del territorio nacional continental. Este análisis se basó en el procesamiento de los datos de precipitación derivados de satélite (DPDS) del producto CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data), con una resolución espacial de 5 km y una cobertura temporal de 37 años. La extracción de los mapas de precipitación diaria máxima anual (pdMa) se efectuó por medio de códigos ad hoc desarrollados a través de la plataforma Google Earth Engine. Se compararon las series de pdMa provenientes de CHIRPS con las obtenidas a partir de 64 estaciones pluviométricas provistas por el Servicio Meteorológico Nacional (SMN), determinando las pendientes de la regresión lineal. Estos parámetros de la regresión fueron interpolados al territorio bajo estudio para corregir los mapas de pdMa. Los mapas corregidos se procesaron a través de códigos desarrollados en Python para asociar probabilidades empíricas de no excedencia y ajustar la distribución teórica óptima de probabilidades a cada uno de los 106 778 pixeles considerados. A partir de estos resultados se generaron mapas de precipitaciones diarias de diseño para periodos de retorno comprendidos entre 2 y 100 años. Los resultados se validaron contra 30 estaciones provenientes del Sistema Nacional de Información Hídrica, obteniéndose un acuerdo aceptable. Se considera que los resultados obtenidos serán de utilidad en tareas de diseño hidrológico, en especial en las regiones que carecen de registros pluviométricos adecuados para un análisis estadístico tradicional.
Citas
AghaKouchak, A., Behrangi, A., Sorooshian, S., Hsu, K., & Amitai, E. (2011). Evaluation of satellite-retrieved extreme precipitation rates across the central United States. Journal of Geophysical Research: Atmospheres, 116 (D2). DOI: 10.1029/2010JD014741
Ashouri, H., Hsu, K.-L., Sorooshian, S., Braithwaite, D. K., Knapp, K. R., Cecil, L. D., & Prat, O. P. (2015). PERSIANN-CDR: Daily precipitation climate data record from multi-satellite observations for hydrological and climate studies. Bulletin of the American Meteorological Society, 96(1), 69-83. DOI: https://doi.org/10.1175/BAMS-D-13-00068.1
Bortagaray, N. (2018). Desarrollo e implementación de algoritmos para QGIS en análisis de series de tiempo (tesis de licenciatura). Facultad de Matemática, Astronomía y Física, Universidad Nacional de Córdoba, Córdoba, Argentina. Recuperado de https://rdu.unc.edu.ar/handle/11086/6546
Brito-Hoyos, D. M. (2015). Precipitación histórica mediante serie temporal de datos TRMM. Programa de Bienes Públicos Regionales, Programa Regional de Empleo de Información Satelital para la Producción Agrícola BPR-CONAE. Recuperado de http://200.16.81.92/data/pdf/Precipitacion_Historica.pdf
Brizuela, A. B., Nosetto, M. D., Aguirre, C. A., & Bressán, M. P. (2015). Comparación de datos de precipitación estimada por TRMM con mediciones en estaciones meteorológicas de Entre Ríos, Argentina. UD y la Geomática, 10, 18-26. Recuperado de https://revistas.udistrital.edu.co/index.php/UDGeo/article/view/7919
Brovelli, M. A., Cannata, M., & Longoni, U. M. (2004). LIDAR data filtering and DTM interpolation within GRASS. Transactions in GIS, 8(2), 155-174. DOI: 10.1111/j.1467-9671.2004.00173.x
Caamaño-Nelli, G., & Dasso, C. M. (2003). Lluvias de diseño. Córdoba, Argentina: Universitas.
Canavos, G. C. (2003). Probabilidad y estadística. Teoría y aplicaciones. México, DF, México: McGraw-Hill Interamericana.
Castillo, E. (2012). Extreme value theory in engineering. San Diego, USA: Elsevier Science Publishing.
Catalini, C. G., García-Rodriguez, C. M., Caamaño-Nelli, G. E., & Ordoñez, S. (mayo, 2014). Regionalización paramétrica y valores límites estimados en la región central argentina. IV Taller de Regionalización de Precipitaciones Máximas, Tucumán.
Chow, V. T., Maidment, D. R., & Mays, L. (1994). Hidrología aplicada. Santafé de Bogotá, Colombia: McGraw Hill.
Devoto, G. (2002). Regionalización de lluvias intensas en Argentina. XIX Congreso Nacional del Agua, Villa Carlos Paz, Córdoba, Argentina.
Fernández, P. C., Fornero, L. A., & Rodríguez, S. (1999). Sistemas hidrometeorológicos en tiempo real – lluvias, tormentas y alerta hidrológica de Mendoza. Mendoza, Argentina: Academia Nacional de Agronomía y Veterinaria.
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., & Michaelsen, J. (2015). The climate hazards infrared precipitation with stations - A new environmental record for monitoring extremes. Scientific Data, 2, 150066. DOI: https://doi.org/10.1038/sdata.2015.66
Gavilán, S., Pastore, J. I., Uranga, J., Ferral, A., Lighezzolo, A., & Aceñolaza, P. (2019). Metodología operativa para la obtención de datos históricos de precipitación a partir de la misión satelital Tropical Rainfall Measuring Mission. Revista De La Facultad De Agronomía, 118(1), 111-121. https://doi.org/10.24215/16699513e011
GDAL/OGR contributors. (2021). GDAL/OGR Geospatial Data Abstraction software Library. Open Source Geospatial Foundation [Software]. Recuperado de https://gdal.org
Gebremichael, M., & Hossain, F. (2010). Satellite rainfall applications for surface hydrology. New York, USA: Springer.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. DOI: https://doi.org/10.1016/j.rse.2017.06.031
Guillén, N. F., Botelli, M. C., García, C. M., & Catalini, C. G. (abril, 2015). Estimación de láminas de lluvias máximas diarias y parámetros estadísticos en el centro y norte de Argentina. Segundo Taller sobre Estudios Hidrológicos en Regiones Áridas y Semiáridas de la República Argentina – EHRAS 2015, Córdoba.
Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M., Brett, M., Haldane, A., Fernández-del-Río, J., Wiebe, M., Peterson, P., Gérard-Marchant, P., Sheppard, P., Reddy, T., Weckesser, W., Abbasi, H., Gohlke, C., & Oliphant, T. (2020) Array programming with NumPy. Nature 585, 357-362. Recuperado de https://doi.org/10.1038/s41586-020-2649-2
Huffman, G. J., Bolvin, D. T., Nelkin, E. J., Wolff, D. B., Adler, R. F., Gu, G., & Stocker, E. F. (2007). The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of Hydrometeorology, 8(1), 38-55. DOI: https://doi.org/10.1175/JHM560.1
Hurtado-Montoya, A. F., & Mesa-Sánchez, Ó. J. (2014). Reanalysis of monthly precipitation fields in Colombian territory. Dyna, 81(186), 251-258. DOI: https://doi.org/10.15446/dyna.v81n186.40419
Joyce, R. J., Janowiak, J. E., Arkin, P. A., & Xie, P. (2004). CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of Hydrometeorology, 5, 487-503. DOI: https://doi.org/10.1175/1525-7541(2004)005<0487:CAMTPG>2.0.CO;2
Linsley, R. E., & Franzini, J. B. (1972). Ingeniería de los recursos hidráulicos (4a imp. en español; en inglés: 1964). México, DF, México: Editorial Continental.
Miao, C., Ashouri, H., Hsu, K. L., Sorooshian, S., & Duan, Q. (2015). Evaluation of the PERSIANN-CDR daily rainfall estimates in capturing the behavior of extreme precipitation events over China. Journal of Hydrometeorology, 16(3), 1387-1396. DOI: https://doi.org/10.1175/JHM-D-14-0174.1
Naghettini, M., & Andrade-Pinto, É. J. (2007). Hidrologia estatística. Belo Horizonte: CPRM. Recuperado de http://dspace.cprm.gov.br/xmlui/handle/doc/454
Neteler, M., & Mitasova, H. (2013). Open source GIS: A GRASS GIS approach (vol. 689). New York, USA: Springer Science & Business Media.
Oosterbaan, R. J. (2019). Software for generalized and composite probability distributions. International Journal of Mathematical and Computational Methods, 4, 1-9. Recuperado de https://www.iaras.org/iaras/filedownloads/ijmcm/2019/001-0001(2019).pdf
QGIS Development Team. (2020). QGIS geographic information system. Open source geospatial foundation project (software). Recuperado de https://www.qgis.org/
Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P., Behringer, D., Hou, Y., Chuang, H., Iredell, M., Ek, M., Meng, J., Yang, R., Mendez, M. P., van den Dool, H., Zhang, Q., Wang, W., Chen, M., & Becker, E. (2014). The NCEP Climate Forecast System. Version 2. Journal of Climate, 27(6), 2185-2208. DOI: https://doi.org/10.1175/JCLI-D-12-00823.1
Sepulcri, M. G., Di-Bella, C. M., & Moschini, R. C. (2009). Validación de la ocurrencia de lluvia estimada a partir del algoritmo 3B42 de TRMM con datos pluviométricos en la región pampeana. En: X Congreso Argentino de Meteorología-CONGREMET X. Buenos Aires, Argentina. Recuperado de https://inta.gob.ar/documentos/validacion-de-la-ocurrencia-de-lluvia-estimada-a-partir-del-algoritmo-3b42-detrmm-con-datos-pluviometricos
Su, F., Hong, Y., & Lettenmaier, D. P. (2008). Evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) and its utility in hydrologic prediction in the La Plata Basin. Journal of Hydrometeorology, 9(4), 622-640. DOI: https://doi.org/10.1175/2007JHM944.1
Sun, Q., Miao, C., Duan, Q., Ashouri, H., Sorooshian, S., & Hsu, K.-L. (2018). A review of global precipitation data sets: Data sources, estimation, and intercomparisons. Reviews of Geophysics, 56, 79-107. Recuperado de https://doi.org/10.1002/2017RG000574
Vidal, L., Salio, P., & Pappalardo, L. (2011). Uso combinado de datos TRMM/PR y disdrómetro para corrección de reflectividad de radares meteorológicos en Argentina. Primer Encuentro de Jóvenes Investigadores en Recursos Hídricos - IFRH 2012. Ezeiza, Buenos Aires, Argentina, Instituto Nacional del Agua. Recuperado de https://www.ina.gob.ar/pdf/ifrrhh/03_036_Vidal.pdf
Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., Carey, C. J., Polat, I., Feng, Y., Moore, E. W., VanderPlas, J., Laxalde, D., Perktold, J., Cimrman, R., Henriksen, I., Quintero, E. A., Harris, C. R., Archibald, A. M., Ribeiro, A. H., Pedregosa, F., van Mulbregt, P., & SciPy 1.0 Contributors (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261-272. DOI: https://doi.org/10.1038/s41592-019-0686-2
Weber, J. F., González-Castillo, R., & Peña-Pollastri, H. (2017). Información pluviométrica y pluviográfica en la provincia de La Rioja. XXVI Congreso Nacional del Agua, Conagua 2017, del 20 al 23 de septiembre de 2017, Córdoba, Argentina.
Weber, J. F., & Guillén, N. (2018). Láminas diarias de diseño en la provincia de La Rioja. VI Taller sobre Eventos Hidrometeorológicos Extremos. Mendoza, Argentina.
Zamanillo, E., Larenze, G., Tito, M. J., Pérez, M. & Garat, M. E. (2008). Tormentas de diseño para la provincia de Entre Ríos. Buenos Aires, Argentina: Universidad Tecnológica Nacional.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Tecnología y ciencias del agua
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Por Instituto Mexicano de Tecnología del Agua se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional. Basada en una obra en https://www.revistatyca.org.mx/. Permisos que vayan más allá de lo cubierto por esta licencia pueden encontrarse en Política editorial
