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

Abstract

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.

The need to have stations that take climatic information permanently, corresponds in essence to temporarily record a variable in a discrete way being this continuous in space, so it requires the application of spatial prediction models that allow inquiring about such spatio-temporal variations in non-sampled areas. Methodologies such as inverse distance, Kriging, minimum curvature, triangulation, radial basis functions have been used to generate such continuous surfaces in space from climatic data obtained in discrete form. Currently, methodologies such as linear regressions, Ramdom Forest algorithm, principal component analysis that seek to generate continuous climate surfaces in an area of interest from measurements at certain points by integrating topographic or geographic variables have been developed (Mejía et al, 1999; Sluiter, 2009; Hengl, 2009; Guzmán D, 2014; IDEAM, 2014; Álzate, 2008; Xu, 2013). The models of regionalized variables through multiple linear regressions consist of a deterministic model, developed from studies of the influence of topography on hydrology and hydrometeorology (Rauthe et al., 2013), seeks through point data such as precipitation or temperature from a set of stations to determine dependence with respect to geographic location and physiographic conditions by applying a multiple regression with which a value of the climatic variable in a desired region is obtained (Soenario et al., 2010). The purpose of this study has been to apply a generalized model taking into account physiographic and geographic variables for the study area, and the results are compared with other deterministic methods such as inverse distance weights (IDW), minimum curvature (Spline) and probabilistic methods such as ordinary Kriging; likewise, to identify advantages and disadvantages of its application in the use of the generation of continuous climatic surfaces. The feasibility of the implementation of this methodology demands a high consumption of computational resources and knowledge of the stochastic component, but it has an easy accessibility in obtaining explanatory variables for the phenomenon, which can be used within a model to improve the climatological spatial prediction surfaces in areas where there are no climatic records through the application of statistical analysis and the phenomenon itself. There are also packages that implement such regionalizations such as Regnie or ANUCLIM that facilitate the processes to the user, but also limit the results by losing analysis of the intermediate processes and that can possibly help to improve such spatial prediction surfaces.