Publication:

Modelo de predicción espacial regionalizado para temperatura y precipitación mediante regresiones lineales múltiples

La necesidad de tener estaciones que tomen información climática de forma permanente, corresponde en esencia a registrar temporalmente una variable de forma discreta siendo esta continua es el espacio, por lo que requiere la aplicación de modelos de predicción espacial que permitan indagar sobre dichas variaciones espacio – temporales en áreas no muestreadas. Metodologías como distancia inversa, Kriging, curvatura mínima, triangulación, funciones de base radial han sido utilizados para generar dichas superficies continuas en el espacio a partir de datos climáticos obtenidos de forma discreta. En la actualidad se ha venido desarrollando metodologías como regresiones lineal, algoritmo Ramdom Forest, análisis de componentes principales que buscan generar superficies climáticas continuas en un área de interés a partir de las mediciones en ciertos puntos mediante la integración de variables topográficas o geográficas (Mejía et al, 1999; Sluiter, 2009; Hengl, 2009; Guzmán D, 2014; IDEAM, 2014; Álzate, 2008; Xu, 2013) Los modelos de variables regionalizadas mediante regresiones lineales múltiples consisten en un modelo determinístico, desarrollado a partir de estudios de influencia de la topografía en la hidrología e hidrometeorología (Rauthe et al., 2013), busca a través de datos puntuales como precipitación o temperatura de un conjunto de estaciones determinar dependencia respecto a la localización geográfica y condiciones fisiográficos aplicando una regresión múltiple con lo cual se tiene un valor de la variable climática en una región deseada (Soenario et al., 2010). El propósito de este estudio ha sido aplicar un modelo generalizado teniendo presente variables fisiográficas y geográficas para el área de estudio, y los resultados son comparados con otros métodos determinístico como pesos inverso a la distancia (IDW), mínima curvatura (Spline) y métodos probabilísticos como Kriging ordinario; Así mismo, identificar ventajas y desventajas de su aplicación en la utilización de la generación de superficies continuas climáticas. La viabilidad de la implementación de esta metodología demanda un alto consumo de recursos computacionales como de conocimiento del componente estocástico, pero tiene una facilidad en la accesibilidad a la obtención de variables explicativas para el fenómeno, que puede ser utilizadas dentro de un modelo para mejorar las superficies de predicción espacial climatológica en áreas donde no se dispone de registros climáticos mediante la aplicación de análisis estadístico y propio del fenómeno. Así mismo existe paquetes que implementan dichas regionalizaciones como Regnie o ANUCLIM que facilitan al usuario los procesos, pero que así mismo limitan los resultados al perder análisis de los procesos intermedios y que posiblemente pueden ayudar a mejorar dichas superficies de predicción espacial.