Upload
independent
View
1
Download
0
Embed Size (px)
Citation preview
TRABAJO ESPECIAL DE GRADO
APLICACIÓN DE ÍNDICES DE ESTABILIDAD ATMOSFÉRICA
AL PRONÓSTICO METEOROLÓGICO DE LA REGIÓN CENTRO
NORTE COSTERA DE VENEZUELA.
TUTOR ACADÉMICO: Profesor Abraham Salcedo.
TUTOR INDUSTRIAL: Doctor en Meteorología. Pedro Cárdenas.
Presentado ante la Ilustre
Universidad Central de Venezuela
Por la Br. Mayri Concepción Chourio Álvarez
Para optar al Título de Ingeniera Hidrometeorologista.
Caracas, Noviembre 2009.
- 1 -
Chourio A. Mayri C.
APLICACIÓN DE ÍNDICES DE ESTABILIDAD ATMOSFÉRICA AL PRONÓSTICO METEOROLÓGICO DE LA REGIÓN CENTRO
NORTE COSTERA DE VENEZUELA.
Tutor Académico: Prof. Abraham Salcedo. Tutor Industrial: Dr. Pedro Cárdenas.
Trabajo Especial de Grado. Caracas, UCV. Facultad de Ingeniería.
Escuela de Ingeniería Civil. Departamento de Ingeniería Hidrometeorológica. 2009.
Palabras Clave: Estabilidad Atmosférica - Índices de Estabilidad Atmosférica - Pronóstico Meteorológico. Resumen. Los fenómenos meteorológicos influyen directamente en las actividades diarias de todos los seres humanos, así como en la economía de una región. Por lo tanto cada día se hace imperioso mejorar el pronóstico del tiempo meteorológico. El objetivo principal de esta investigación es generar un aporte al pronóstico meteorológico, para lo cual se propone el uso de Índices de Estabilidad Atmosférica provenientes de sondeos virtuales de la atmósfera, como una herramienta práctica y sencilla que permita evaluar las condiciones sinópticas favorables para la convección; y a su vez con estos, elaborar posibles modelos de pronóstico probabilístico de ocurrencia de lluvia. El área de estudio es la Región Centro Norte Costera de Venezuela, donde se utilizaron sondeos simulados de la atmósfera con el modelo GDAS a las 12:00 UTC, durante el trimestre mayo-julio, en el período 2005-2008, para las coordenadas correspondientes a las estaciones pluviométricas: La Carlota, Maiquetía, Maracay y Valencia. En cada estación, y con el uso de métodos estadísticos, gráficos y analíticos, se determinaron umbrales para cada uno de los índices asociados con la ocurrencia de precipitaciones. A nivel regional, los umbrales obtenidos son: td850 >13 ºC, CAPE>1000 J/Kg, CINH>-60 J/Kg, theta-e850>340 K, KI>30 ºC, WI>45 ºC, CT>18 ºC y TT>34 ºC, que resultan de utilidad en la elaboración de mapas de Índices de Estabilidad Atmosférica como apoyo a los pronósticos operativos a corto plazo. Adicionalmente, se elaboraron ecuaciones de regresión lineal y logística, las primeras fueron utilizadas como diagnóstico para evaluar el comportamiento de la serie de datos utilizada y se determinó que su uso no es aplicable directamente al pronóstico, porque dichas ecuaciones no acotan las salidas del modelo entre los valores límites de las probabilidades [0,1]; sin embargo, las ecuación de regresión logística binaria, están diseñadas de manera que acotan las salidas del modelo proporcionando aciertos superiores al 65%. Por lo tanto, el modelo de regresión logística binaria, cumple con las condiciones para aplicarlo como método de pronóstico en la Región Centro Norte Costera de Venezuela.
- 2 -
Cabe destacar que el porcentaje de aciertos mejora a medida que se amplia la serie de estudio, como se pudo concluir al comparar este desarrollo con el elaborado para un año completo de datos y sondeos en la Estación La Carlota. De igual manera, al aumentar la cantidad de estaciones con datos confiables el modelo suministrará información más confiable y representativa de la región de estudio.
- 3 -
ÍNDICE GENERAL
INTRODUCCIÓN ............................................................................................................................... 10
CAPÍTULO I. Fundamentos de la Investigación ................................................................................ 14
Planteamiento de Problema ................................................................................................................. 14
Marco Referencial ............................................................................................................................... 16
Objetivos .............................................................................................................................................. 20
Objetivo General .................................................................................................................. 20
Objetivos Específicos ........................................................................................................... 20
CAPÍTULO II. MARCO TEÓRICO .................................................................................................. 21
Estabilidad Atmosférica ...................................................................................................................... 21
Tipos de Estabilidad ............................................................................................................. 21
Índices de Estabilidad Atmosférica ..................................................................................................... 22
Temperatura de Rocío a 850 mb. Td850 .............................................................................. 22
Energía Potencial Disponible para la Convección. CAPE ................................................... 23
Inhibición de la Convección. CINH ..................................................................................... 24
Temperatura Potencial Equivalente. Theta-e850.................................................................. 25
Índice K de Whiting. KI ....................................................................................................... 25
Índice de Humedad. WI ........................................................................................................ 26
Índice Cross Total. CT ......................................................................................................... 26
Índice Total de Totales. TT .................................................................................................. 27
Análisis Estadístico de una Serie de Datos. ......................................................................................... 28
Análisis Correlacional. ......................................................................................................... 28
Análisis de Varianza. ANOVA de un Factor ....................................................................... 29
Modelos de Regresión ......................................................................................................................... 29
Regresión Lineal Múltiple. ................................................................................................... 29
Métodos de Selección de Variables. ............................................................................ 30
Por Pasos Sucesivos. ................................................................................................... 30
Eliminación hacia Atrás............................................................................................... 30
Selección hacia Adelante. ............................................................................................ 31
- 4 -
Regresión Logística Binaria. ...................................................................................................... 32
Métodos de Selección de Variables ............................................................................. 32
Introducir ..................................................................................................................... 32
Selección hacia Adelante (Condicional)...................................................................... 32
Selección hacia Adelante (Razón de Verosimilitud) ................................................... 33
Selección hacia Adelante (Wald) ................................................................................ 33
Eliminación hacia Atrás (Condicional) ....................................................................... 33
Eliminación hacia Atrás (Razón de Verosimilitud) ..................................................... 33
Eliminación hacia Atrás (Wald) .................................................................................. 33
CAPÍTULO III. METODOLOGÍA ..................................................................................................... 34
Fase I. Información básica necesaria ................................................................................................... 34
Obtención de la Información ................................................................................................ 35
Datos de Precipitación Diaria. ..................................................................................... 35
Datos de Sondeos Simulados. ...................................................................................... 35
Datos de Sondeos Reales. ............................................................................................ 35
Fase II. Procesamiento de la Información ........................................................................................... 36
Calidad de los Datos. ............................................................................................................ 36
Manejo de Datos. .................................................................................................................. 38
Fase III. Modelos de Pronóstico de Lluvia ......................................................................................... 39
Análisis de Datos .................................................................................................................. 39
Correlación de cada uno de los índices con P01. ........................................................ 39
Resumen descriptivo y ANOVA de un factor. ............................................................ 40
Umbrales ............................................................................................................................... 42
Modelos de Regresión .......................................................................................................... 43
Fase IV. Validaciones Adicionales ...................................................................................................... 44
Comparación de Modelos de Predicción para distintos períodos de tiempo. ....................... 44
Comparación entre Radisondeos Reales e Interpolados (Virtuales) .................................... 44
CAPÍTULO IV. RESULTADOS Y ANÁLISIS ................................................................................. 46
Correlaciones ........................................................................................................................ 46
- 5 -
Regresión Logística Binaria. ...................................................................................................... 32
Métodos de Selección de Variables ............................................................................. 32
Introducir ..................................................................................................................... 32
Selección hacia Adelante (Condicional)...................................................................... 32
Selección hacia Adelante (Razón de Verosimilitud) ................................................... 33
Selección hacia Adelante (Wald) ................................................................................ 33
Eliminación hacia Atrás (Condicional) ....................................................................... 33
Eliminación hacia Atrás (Razón de Verosimilitud) ..................................................... 33
Eliminación hacia Atrás (Wald) .................................................................................. 33
CAPÍTULO III. METODOLOGÍA ..................................................................................................... 34
Fase I. Información básica necesaria ................................................................................................... 34
Obtención de la Información ................................................................................................ 35
Datos de Precipitación Diaria. ..................................................................................... 35
Datos de Sondeos Simulados. ...................................................................................... 35
Datos de Sondeos Reales. ............................................................................................ 35
Fase II. Procesamiento de la Información ........................................................................................... 36
Calidad de los Datos. ............................................................................................................ 36
Manejo de Datos. .................................................................................................................. 38
Fase III. Modelos de Pronóstico de Lluvia ......................................................................................... 39
Análisis de Datos .................................................................................................................. 39
Correlación de cada uno de los índices con P01. ........................................................ 39
Resumen descriptivo y ANOVA de un factor. ............................................................ 40
Umbrales ............................................................................................................................... 42
Modelos de Regresión .......................................................................................................... 43
Fase IV. Validaciones Adicionales ...................................................................................................... 44
Comparación de Modelos de Predicción para distintos períodos de tiempo. ....................... 44
Comparación entre Radisondeos Reales e Interpolados (Virtuales) .................................... 44
CAPÍTULO IV. RESULTADOS Y ANÁLISIS ................................................................................. 46
Correlaciones 46
- 6 -
Resumen descriptivo y ANOVA de un factor ...................................................................... 47
Umbrales ............................................................................................................................... 48
Modelos de Regresión .......................................................................................................... 51
Modelos de Regresión Lineal Múltiple ....................................................................... 52
Modelos de Regresión Logística Binaria..................................................................... 53
Comparación entre distintos períodos. Modelos de Pronóstico ........................................... 54
Comparación entre Radiosondeos Reales e Interpolados ..................................................... 56
CONCLUSIONES ............................................................................................................................... 59
RECOMENDACIONES ..................................................................................................................... 62
REFERENCIAS BIBLIOGRÁFICAS ................................................................................................ 64
APÉNDICE I. TABLAS Y FIGURAS ............................................................................................... 67
APÉNDICE II. APLICACIÓN DE MODELOS AL PRONÓSTICO DE OCURRENCIA
DE LLUVIA. ....................................................................................................................................... 87
- 7 -
LISTA DE TABLAS
Tabla 1. Clasificación de la Estabilidad Atmosférica de propuesta por Pasquill (1970). ................... 22
Tabla 2. Clasificación de la Estabilidad Atmosférica con respecto al valor del índice CAPE
propuesta por García (2008) ................................................................................................................ 23
Tabla 3. Clasificación de la Frecuencia de Tormentas en función del índice K de Whiting,
por Suárez (1987). ............................................................................................................................... 26
Tabla 4. Clasificación de la Actividad Convectiva en función del índice TT por García
(2008). ................................................................................................................................................. 27
Tabla 5. Localización Geográfica de las estaciones meteorológicas de estudio. Fuerza
Aérea/ Región centro norte costera de Venezuela ............................................................................... 34
Tabla 6. Errores en datos de Sondeos Interpolados. Los datos errados se resaltan en color
amarillo. ............................................................................................................................................... 37
Tabla 7. Correlación entre los Índices de Estabilidad Atmosférica y la variable P01. En la
Estación Maracay. Correlación significativa en color azul y no significativa en rojo. ....................... 39
Tabla 8. Resumen descriptivo, valores de F y significancia de los Índices de Estabilidad
Atmosférica. Correlación significativa en color azul y no significativa en rojo. Estación La
Carlota. ................................................................................................................................................ 40
Tabla 9. Umbrales Sugeridos para cada Índice por diferentes autores. ............................................... 42
Tabla 10. Umbral Calculado para la serie completa. Índice td850...................................................... 43
Tabla 11. Valores de los coeficientes de correlación entre la ocurrencia de lluvia y los
diferentes índices de estabilidad, para las 4 estaciones. Las correlaciones que aparecen en
azul son significativas con un α =0.05, mientras que las que aparecen en rojo no lo son.. ................. 46
Tabla 12. Significación de los análisis de varianza para cada uno de los índices por grupos
definidos por la ocurrencia o no de lluvia, en las 4 estaciones. Los que aparecen en azul son
menores a 0.05 y se consideran significativos.. ................................................................................... 47
Tabla 13. Umbral del índice td850 y porcentaje de aciertos en días con lluvia para las 4
estaciones.. ........................................................................................................................................... 49
Tabla 14. Porcentaje de Éxitos en indicación de día con lluvia por índice y estación. ....................... 50
- 8 -
Tabla 15. Umbrales sugeridos de Ocurrencia de Lluvia para diferentes índices de
estabilidad en la Región Centro Norte Costera.. ................................................................................. 51
Tabla 16. Porcentaje de aciertos en los Modelos de Regresión Lineal Múltiple aplicado
cada una de las estaciones. .................................................................................................................. 52
Tabla 17. Porcentaje de aciertos en los Modelos de Regresión Logística Binaria para cada
una de las estaciones. ........................................................................................................................... 53
Tabla 18. Comparación de efectividad entre los métodos de regresión. Estaciones Maracay,
La Carlota y Valencia. ......................................................................................................................... 54
Tabla 19. Comparación de un Modelos de Regresión Logística Binaria en distintos
períodos. .............................................................................................................................................. 55
Tabla 20. Modelo de Regresión Logística Binaria, con todos los Índices (KI, CT, CAPE,
CAP, td850 y theta-e850) y Markov, 2004-2007. Porcentaje de Aciertos. Por L. García,
2009. .................................................................................................................................................... 55
Tabla 21. Diferencias porcentuales entre Radisondeos Reales e Interpolados en la estación
Maracay. .............................................................................................................................................. 58
- 9 -
LISTA DE GRÁFICOS/ FIGURAS
Gráfico 1. Representación gráfica de los índices CAPE y CINH ....................................................... 24
Gráfico 2. Localización Geográfica de las estaciones meteorológicas de estudio. Fuerza
Aérea/ Región centro norte costera de Venezuela. .............................................................................. 34
Gráfico 3. Intervalo de Confianza de la media al 95%. Índice CINH para los grupos 1 y 0.
Estaciones La Carlota y Maracay. ....................................................................................................... 41
Gráfico 4. Recorrido del Índice CINH para los grupos 1 y 0. Estación La Carlota. ........................... 41
Gráfico 5. Comparación entre el IC de la media al 95% y recorridos del índice thetae850
para los grupos 1 y 0. Estación la Carlota. .......................................................................................... 48
Gráfico 6. Diferencias de temperatura entre sondeos reales e interpolados a diferentes
niveles de presión. ............................................................................................................................... 56
Gráfico 7. Diferencias de temperatura entre sondeos reales e interpolados a diferentes
niveles de presión. ............................................................................................................................... 57
- 10 -
LISTA DE SÍMBOLOS Y ABREVIATURAS
Símbolo o Abreviatura Significado
CAPE Índice de Energía Potencial Convectiva.
CINH Índice de Inhibición de la Convección.
CT Índice Cross Total.
F Distribución Probabilística de Fisher.
KI Índice K de Whiting.
P01 Variable de Precipitación dividida en los grupos 0 y 1,
correspondientes a la no ocurrencia y ocurrencia de lluvia,
respectivamente.
T Temperatura de Aire.
Td Temperatura del Punto de Rocío.
Td850 Temperatura del Punto de Rocíoa 850 mb.
Theta-e850 Temperatura Potencial Equivalente a 850 mb.
Ti Temperatura Proveniente de Sondeos Interpolados.
Tr Temperatura Proveniente de Sondeos Reales.
TT Índice Total de Totales.
WI Índice de Humedad.
ca Estación La Carlota
mq Estación Maiquetía
ma Estación Maracay
va Estación Valencia
- 11 -
INTRODUCCIÓN
La lluvia es fundamental para el desarrollo de la vida sobre la Tierra donde, tanto plantas
como animales se benefician de ella y como parte fundamental del ciclo hidrológico, es un
fenómeno natural y periódico; sin embargo, algunos tipos de precipitaciones pueden
ocasionar daños considerables en algunas zonas de acuerdo a las condiciones físico
geográficas de las mismas.
En algunos lugares, la ocurrencia de lluvias acompañadas de inundaciones catastróficas, de
pérdidas humanas y materiales, ha sido alarmante y ha motivado la realización y puesta en
práctica de distintas investigaciones y la ejecución de proyectos que contribuyan a
disminuir los efectos que puede desencadenar la ocurrencia de algunos fenómenos
meteorológicos. En este sentido un pronóstico meteorológico claro y confiable es la base
fundamental de la gestión de riesgo.
El pronóstico meteorológico es un procedimiento que permite estimar el estado futuro de la
atmósfera en base a sus condiciones meteorológicas actuales. Esta estimación depende
directamente de la aplicación apropiada de ciencia y tecnología, las cuales con el paso del
tiempo han evolucionado, aunque manteniendo como aspecto fundamental la recolección
de datos que proporcionen información relevante acerca del estado de la atmósfera, tanto en
superficie como a diferentes alturas.
A pesar de los continuos esfuerzos que realizan los distintos entes encargados del estudio
del tiempo atmosférico, cada día se hace evidente la necesidad de conocer y aplicar nuevas
herramientas que contribuyan a obtener pronósticos más confiables. La presente
investigación se ha desarrollado en la búsqueda de una herramienta que de manera práctica
y sencilla contribuya a mejorar la estimación del tiempo en base al comportamiento vertical
de la atmósfera mediante el uso de Sondeos Atmosféricos e Índices de Estabilidad
Atmosférica, derivados de modelos numéricos de predicción.
- 12 -
Es importante destacar que, además de los utilizados en este trabajo, existen sondeos reales
en una de las estaciones utilizadas, así como sondeos interpolados provenientes de modelos
regionales. La dificultad de trabajar con los sondeos reales es que no se cuenta con una
serie de datos continua. En el caso de los modelos regionales, el hecho es que no se cuenta
con un archivo meteorológico que permita obtener los sondeos correspondientes a fechas
pasadas, es decir sólo se pueden tener los datos del sondeo del día en curso.
Aunque los modelos numéricos de predicción no son exactos, los mismos muestran una
detallada información espacial y temporal de la estructura cinética y dinámica de la
atmósfera y, debido a la gran cantidad de información que se puede obtener a partir de
ellos, es útil la implementación de procedimientos automáticos, que analicen gran parte de
esa información y presenten productos de rápida interpretación, para la tarea operativa del
pronóstico.
Para el desarrollo de esta investigación se determinaron las relaciones existentes entre los
índices, provenientes del modelo GDAS, y la ocurrencia o no de precipitaciones. Se
realizaron pruebas respecto al uso de umbrales para cada índice de estabilidad, se aplicaron
métodos de regresión lineal y logística que involucraban a la vez todos los índices de
estabilidad. Cada prueba fue verificada determinando el porcentaje de aciertos obtenidos
para la serie de estudio y, finalmente, observando las características propias de cada modelo
aplicado, se hace la propuesta de la aplicación de un método de pronóstico meteorológico.
El presente estudio consta de cuatro capítulos y secciones adicionales, los cuales se
presentarán organizados de la siguiente manera:
Capítulo 1. Fundamentos de la Investigación: capítulo introductorio que consta de tres
partes. En primer lugar el Planteamiento del Problema, donde se describen las bases que
constituyen la elaboración de pronósticos del tiempo y la importancia de desarrollar y
aplicar nuevas herramientas al mismo. Luego se encuentra el Marco Referencial, donde se
- 13 -
hace un esbozo de los antecedentes respecto al uso de los Índices de Estabilidad
Atmosférica y a los resultados obtenidos en los trabajos realizados anteriormente. La última
parte de este capítulo esta conformada por los Objetivos Generales y Específicos mediante
los cuales se define de manera clara y concisa las metas, el alcance y una primera
aproximación del desarrollo de la presente investigación.
En el Marco Teórico (Capítulo 2) se realiza una descripción sencilla y clara de la
termodinámica de la atmósfera, se define los conceptos de Estabilidad e Inestabilidad
Atmosférica, tipos de estabilidad, Índices de Estabilidad Atmosférica y su relación con la
ocurrencia de precipitaciones. También se definen los métodos estadísticos utilizados para
analizar una serie de datos y obtener modelos de pronóstico de ocurrencia de lluvia que
proporcionen resultados confiables, como los son los Modelos de Regresión.
El Capítulo 3 contiene la información detallada de la Metodología utilizada, la cual, a
grosso modo consistió en la obtención de información básica necesaria, recolección de
datos, procesamiento y revisión, modelos de pronóstico de lluvia, análisis de datos,
verificación de métodos de predicción y estudio de la viabilidad de cada modelo propuesto.
En el Capítulo 4, Resultados y Análisis, se presentan los resultados obtenidos para las
cuatro estaciones de estudio respecto al uso de índices de estabilidad atmosférica en el
establecimiento de umbrales para la ocurrencia de lluvia y mediante las ecuaciones
derivadas de los métodos de regresión. A la par, se analizan estos resultados para inferir
respecto a los mismos.
Al final se presentan cuatro secciones. En la primera se exponen las Conclusiones derivadas
de cada objetivo propuesto, en la siguiente se hacen las Recomendaciones respecto al
método aplicado en base a los resultados obtenidos y los análisis realizados, con lo cual se
deja la base para el desarrollo de líneas futuras; seguidamente se encuentran las Referencias
Bibliográficas que sirvieron de apoyo para la realización de esta investigación y los
- 14 -
Apéndices que contienen todas las tablas de datos, los figuras inherentes a cada estación de
estudio utilizados a lo largo del trabajo desarrollado y la esquematización gráfica del
proceso de aplicación del modelo de pronóstico de lluvia propuesto.
- 15 -
CAPÍTULO I. FUNDAMENTOS DE LA INVESTIGACIÓN
PLANTEAMIENTO DEL PROBLEMA
Actualmente existen diversos modos de realizar pronósticos para distintas escalas espacio-
temporales. Un sistema moderno diario de pronóstico del tiempo está conformado por cinco
componentes básicos: Colección de datos, Asimilación de datos, Predicción numérica del
tiempo, salidas de Modelos post-procesados, y la Presentación del pronóstico al usuario
final.
Para obtener los datos necesarios en el trabajo de pronóstico, se utilizan las observaciones
de las estaciones de superficie y de aire superior (sondeos atmosféricos), además de
diferentes herramientas, como por ejemplo, las imágenes de satélite de donde se obtiene
una visión global de la situación meteorológica; los radares meteorológicos que
proporcionan una visión regional, y las salidas de diferentes modelos numéricos de la
atmósfera para diferentes alturas. Sin embargo, la variabilidad del tiempo atmosférico, así
como la mayor importancia relativa de algunas localidades, induce a buscar una
herramienta práctica y rápida para pronosticar la ocurrencia de precipitaciones y tormentas
en localidades específicas.
Los datos producidos por radiosondeos reales de la atmósfera, proporcionan una
información valiosa respecto al estado de una capa gaseosa; sin embargo, la baja densidad
de estaciones con dichos datos, hace necesario buscar alternativas que solucionen esta
carencia. En este sentido se tiene como alternativa el uso de datos provenientes de sondeos
virtuales, que resultan de gran aplicabilidad pues son fáciles de obtener, son puntuales
(proporcionando la ubicación de cualquier zona se obtiene el sondeo) y económicos.
Bastaría conocer si los datos suministrados por estos pueden ser aplicados en nuestra área
geográfica.
- 16 -
Las investigaciones realizadas en el país respecto a la estabilidad e inestabilidad de la
atmósfera y los Índices de Estabilidad Atmosférica, relacionados con la ocurrencia de
precipitaciones, han demostrado que estos pueden ser utilizados como indicadores en
predicción de lluvias y que además de manera rápida nos permiten un análisis preliminar
de la estabilidad de las masas de aire.
Por lo expuesto anteriormente se desarrolla el presente estudio con el cual se propone un
método rápido y práctico, que incluye el uso de indicadores útiles para describir
condiciones de potencial inestabilidad atmosférica de la Región Centro Norte Costera de
Venezuela. El cálculo y obtención de estos indicadores está basado en sondeos
atmosféricos simulados con el Modelo GDAS, aunque la metodología utilizada no depende
del tipo de sondeo de que se trate por lo cual puede utilizarse para otras verificaciones.
- 17 -
MARCO REFERENCIAL
La utilidad de los Índices de Estabilidad Atmosférica en el pronóstico meteorológico ha
sido tema de estudio por muchos años y ha contado con numerosos estudios que han
demostrado esa utilidad, entre estos se destacan los siguientes:
A. K. Showalter en 1946 (citado por Suárez, 1987), comenzó a desarrollar para la región
del sur de California (U.S.A) el diagrama de cálculo de Índices de Estabilidad Atmosférica
como una ayuda en el pronóstico de tormentas; Showalter ofreció este índice como una
herramienta simple capaz de proveer un rápido chequeo en las probabilidades de ocurrencia
de tormentas; desde entonces el índice de Showalter ha sido usado y probado en la parte
central y occidental de los Estados Unidos por la Fuerza Aérea y los Servicios
Meteorológicos de este país.
En 1962, Rackliff, propuso la aplicación de un índice de estabilidad para la predicción
regional en las Islas Británicas, cuando las condiciones son favorables para el desarrollo de
tormentas. La intención fue proporcionar un índice rápido de calcular a partir del
radiosondeo de las 2300GMT, con el fin de trazar un mapa de estabilidad que ayude a
delinear aquellas áreas de alta y baja probabilidad de ocurrencia de tormentas.
En 1976, Litynski, Parfiniewiez y Piwkowski (citado por Suárez, 1987), utilizaron el índice
de Showalter combinado con el índice de Humedad para predecir tormentas y granizos.
En 1978, Druyan y Sant (citado por Suárez, 1987), usaron los radiosondeos para desarrollar
y probar un procedimiento objetivo de pronóstico de precipitaciones cada 12 horas en la
región de Bet Degan en Israel.
En 1980, en Venezuela, el Laboratorio Sinóptico del Departamento de Hidrometeorología
de la U.C.V. utilizó el índice de Showalter (SI) en los mapas de estabilidad atmosférica de
- 18 -
Venezuela y sus alrededores, como una ayuda en el pronóstico del tiempo en el Valle de
Caracas y en el Litoral Central; de la elaboración diaria de estos mapas Suárez, D. (1987),
se interesó en la utilidad de estos índices en las zonas tropicales, específicamente en
Maracay y desarrollo una investigación que se titula “Uso del índice de estabilidad
atmosférica de Showalter en la predicción de tormentas en Maracay”, obteniendo los
siguientes resultados para cada una de las siguientes condiciones:
• SI>3ºC, la probabilidad de ocurrencia de tormenta en Maracay es muy baja (5%).
• SI>4ºC, no ocurrieron chaparrones ni tormentas en dicha zona.
• SI>1ºC, es factible predecir tormentas en Maracay.
• SI<1ºC este índice resulta de muy poca utilidad.
En 1999, Ravi, Mohanty, Mandan y Paliwal (citado por Suárez, 1987), usaron el índice de
Showalter (SI) combinado con el índice Total de Totales (TT), mediante una técnica
gráfica, para predecir tormentas en Delhi durante la estación pre-monzón (abril-junio).
En el 2000, M. Romero, bajo la necesidad de optimizar el pronóstico del tiempo en los
numerosos puntos de interés para la empresa C.V.G. EDELCA, decide realizar una
investigación que involucre el estudio del aire superior, su evaluación y comportamiento,
que permita una descripción de lo que ocurre en diferentes niveles de la atmósfera antes de
que ocurra un evento de precipitación, para esto ejecuta una serie de radiosondeos en las
estaciones pertenecientes a la región de estudio ; en tal sentido presenta el Trabajo Especial
de Grado que se denomina “Estudio de cinco Índices de Estabilidad Atmosférica para la
determinación de su aplicabilidad como herramienta en la elaboración de pronósticos
hidrometeorológicos para la cuenca del río Caroní”, del cual concluye que existe un
número considerable de estaciones que presentan señales de adaptabilidad con respecto a
los índices de estabilidad atmosférico calculados en la región de estudio.
- 19 -
Los eventos extremos que tuvieron gran impacto en el Litoral Central y Valle de Caracas en
los años 1999 y 2005 motivaron al surgimiento de una serie de investigaciones en el
Departamento de Hidrometeorología de la U.C.V., entre los más destacados tenemos:
La investigación desarrolla por Durán (2008) que lleva por nombre: Determinación de la
aplicabilidad de cinco Índices de Estabilidad Atmosférica como herramienta de pronóstico
para ser utilizada en la Región Centro Norte Costera de Venezuela, para este estudio
trabaja con un modelo de simulación de sondeos de la atmósfera GDAS por medio del cual
obtiene cinco índices distintos y basándose en la determinación de umbrales para la región
de estudio concluye que: “Se desarrolló una metodología novedosa y práctica que permitió
comprobar la calidad de las predicciones estacionales e incluso se pudiera pensar que de ser
aplicada en otras estaciones, intercaladas entre las ya analizadas en esta investigación y
esparcidas en toda la extensión de la Región Centro Norte Costera de Venezuela permitirá
obtener un estimación significativa de los umbrales de los Índices de Estabilidad
Atmosférica como indicadores de condiciones de potencial de inestabilidad atmosférica.”
La autora descartó el uso del índice de Inhibición Convectiva (CIN) por no presentar
ninguna tendencia clara.
Luis Felipe García (2009) realiza un estudio para las cuencas de los ríos Caroní y Paragua,
el cual denomina Pronóstico de Ocurrencia de Lluvias usando Índices de Estabilidad
Atmosférica y Cadenas de Markov. De su investigación obtiene que, al aplicar la ecuación
de regresión logística a una serie de datos, teniendo como variables independientes algunos
Índices de Estabilidad Atmosférica y las probabilidades de Markov, se puede pronosticar
lluvias con aciertos superiores al 77%, en promedio para un año completo. Adicionalmente
aplica su estudio diferenciando el período seco del lluvioso, y concluye que: el
comportamiento de los índices de estabilidad atmosférica como variable independiente, en
un modelo de regresión logística, varía para cada época del año, es decir, en época seca el
modelo pronostica mejor la no ocurrencia de lluvia y en el período lluvioso pronostica
mejor la ocurrencia.
- 20 -
Pedro Cárdenas (2009), motivado por la necesidad de aplicar un nuevo método de
pronóstico que proporcione valores cuantitativos de probabilidades de ocurrencia de lluvia,
desarrolla un Caso de Estudio en la estación La Carlota. Para su estudio trabaja con todo el
año 2008, manejando la hipótesis de que para determinar y aplicar un modelo de
pronóstico confiable se debe trabajar con series que incluyan años completos, diferenciando
el estudio para la época seca y lluviosa, ya que esto permite conocer el comportamiento de
las variables en diferentes períodos. En general, los resultados muestran aciertos superiores
a 79% para todo el año.
A pesar de todas las investigaciones realizadas respecto al tema de estudio en la Región
Centro Norte Costera de Venezuela no se ha implementado el uso de esta herramienta como
ayuda al pronóstico meteorológico a mediano plazo, en tal sentido y como un primer paso
para esta implementación, se presenta esta propuesta, la cual espera la recepción y
aplicabilidad del método propuesto para la predicción de lluvias.
- 21 -
OBJETIVOS
OBJETIVO GENERAL
Proponer un método de pronóstico de precipitación diaria en la Región Centro Norte
Costera de Venezuela basado en el uso Índices de Estabilidad Atmosférica mediante
sondeos virtuales de la atmósfera.
OBJETIVOS ESPECÍFICOS
1. Simular sondeos atmosféricos con el modelo GDAS en cuatro estaciones ubicadas
en la Región Centro Norte Costera de Venezuela, en el trimestre mayo-julio 2005-
2008.
2. Obtener y determinar Índices de Estabilidad Atmosférica con sondeos simulados.
3. Correlacionar los Índices de Estabilidad Atmosférica con la precipitación diaria.
4. Verificar los umbrales ajustados a la región y período de estudio, para cada índice
de estabilidad atmosférica.
5. Comprobar la aplicabilidad de los Índices de Estabilidad Atmosférica en modelos
de pronóstico, para la región y período de estudio.
- 22 -
CAPÍTULO II. MARCO TEÓRICO
Estabilidad Atmosférica
La estabilidad o equilibrio atmosférico es la condición del aire en reposo, en la cual los
movimientos convectivos no existen o están restringidos. En sentido opuesto, se define la
inestabilidad atmosférica como la condición de movimientos convectivos predominantes de
una masa de aire.
Las variaciones de equilibrio de una masa de aire, se deben a cambios entre los factores
meteorológicos predominantes en estas, respecto a su entorno, siendo la temperatura la
mayor responsable de que desaparezca la estabilidad.
Tipos de Estabilidad
La estabilidad puede ser de diferentes tipos, para definirlos se considerará una
parcela de aire con ciertas condiciones de temperatura, humedad, presión y
densidad. Esta parcela describirá movimientos verticales ascendentes o
descendentes de acuerdo a las condiciones del aire que la rodea, de esta manera, si
la parcela es desplazada de su posición inicial, esta puede: retornar a su estado
original (equilibrio estable), mantener su movimiento hasta lograr un nuevo estado
de equilibrio (condición inestable); o permanece en el lugar de origen (equilibrio
neutral).
Existe una clasificación de Estabilidad atmosférica, propuesta por Pasquill (1970) y
definida por el Gradiente Vertical de Temperatura o razón de variación de la
temperatura con la altura. De acuerdo a Pasquill, se definen 7 clases de estabilidad:
- 23 -
Tabla 1. Clasificación de la Estabilidad Atmosférica de propuesta por Pasquill (1970). CLASE DESCRIPCIÓN VARIACION DE LA TEMPERATURA CON LA ALTURAA Muy Inestable Desciende más de 5.6ºC cada 1000 m.
B Medianamente Inestable Desciende entre 5.1ºC y 5.6ºC cada 1000 m.C Ligeramente Inestable Desciende entre 4.5ºC y 5ºC cada 1000 m.
D Neutra Desciende entre 1.5º y 4.4ºC cada 1000 m.E Ligeramente Estable Aumenta de 1.5ºC a 4.5ºC cada 1000 m.F Medianamente Estable Aumenta entre 4.6ºC y 12ºC cada 1000 m.G Muy Estable Aumenta mas de 12ºC cada 1000 m.
Índices de Estabilidad Atmosférica.
Son parámetros diseñados a partir de datos de temperatura y humedad de la atmósfera, a
diferentes niveles de presión, que proporcionan una medida numérica de la estabilidad
estática de una capa atmosférica dada. Son usados particularmente, para evaluar la
probabilidad de chaparrones y tormentas.
Existen una amplia gama de indicadores usados en distintas partes del mundo, como se
indicó en el Marco Referencial. A continuación se definirán los que serán utilizados para el
desarrollo del presente trabajo de investigación:
Temperatura de Rocío a 850 mb. Td850.
La temperatura de Rocío es la temperatura a la cual habría que enfriar el aire, en un
proceso a presión constante, de modo de alcanzar el nivel de saturación (o en otras
palabras, una humedad relativa de 100%). A 850 milibares esta temperatura sirve
para determinar posible condiciones de movimiento ascendente de una masa de aire.
Este valor numérico de este índice se obtiene directamente de los sondeos.
De acuerdo a pruebas empíricas realizadas se obtuvo el valor de 13 ºC como umbral
para la ocurrencia de lluvias. (Td850 >= 13 ºC).
- 24 -
Energía Potencial Disponible para la Convección. CAPE.
Este parámetro fue diseñado para evaluar la energía liberada una vez que se ha
alcanzado la condensación, en una parcela de aire que se mueve
pseudoadiabáticamente.
Para el cálculo del valor de este índice se usa la siguiente expresión:
CAPE= g ∫ LCL
EL �θ '− θ �
θdz
Donde: g Gravedad (m/seg2)
LCL Nivel de Condensación por ascenso (mgp)
EL Nivel de Equilibrio (mgp)
θ ' : Temperatura Potencial de la Parcela (oK)
θ : Temperatura Potencial del medio ambiente (oK)
Tabla 2. Clasificación de la Estabilidad Atmosférica con respecto al valor del índice CAPE propuesta por García (2008).
CAPE (J/Kg) Estabilidad < 0 Estable
0 a 1000 Levemente Inestable1000 a 2500 Moderadamente Inestable2500 a 3500 Muy Inestable
> 3500 Extremadamente Inestable
Este parámetro mide la inestabilidad convectiva, sin embargo es insuficiente para
predecir la convección.
- 25 -
Inhibición de la Convección. CINH
Este índice representa la cantidad de energía necesaria para elevar la parcela hasta el
Nivel de Libre Convección (LFC). Para favorecer la convección, debe ser lo menor
posible. Esto indicaría que no es necesario dar mucha energía al aire para que
comience la convección.
Este índice se determina mediante la siguiente expresión:
dzTv
)Tv(Tvg=CINH
ambiente
ambienteparcela∫−
Donde: z LFC Nivel de libre Convección, en metros.
z Sup Altura de la superficie, en metros.
Tv parcela Temperatura virtual de la parcela específica.
Tv ambiente Temperatura virtual del ambiente.
Es básicamente lo opuesto del CAPE, gráficamente representa el área negativa entre
el sondeo y el Nivel de Libre Convección (LFC).
Figura 1. Representación gráfica de los índices CAPE y CINH
- 26 -
Temperatura Potencial Equivalente. Theta-e850
Temperatura que sirve para identificar condiciones de aire húmedo y caliente en una
masa de aire. Es la temperatura que una parcela de aire húmeda tendría si fuera
elevada hasta una altura en la que todo el vapor de agua se condensara, abandonara
la parcela, y luego fuera adiabáticamente comprimida hasta la presión de 1000 mb.
Resulta de sumar a la temperatura sensible el calor latente liberado en el proceso de
condensación de la humedad de la parcela.
En teoría, cuando thetae850 toma valores superiores a 340 grados ocurren
precipitaciones (Theta-e850>=340).
Índice K de Whiting. KI
Este índice fue desarrollado por Whiting y es una medida del potencial de tormenta
de una masa de aire, está basado en el gradiente vertical de la temperatura y en la
cantidad y extensión vertical del contenido de humedad en la atmósfera inferior.
Se calcula mediante la siguiente expresión:
K = (T850-T500) + Td850-(T700-Td700)
Siendo: T850 temperatura en grados centígrados a 850 mb.
T500 temperatura a 500 mb.
Td850 temperatura del punto de rocío a 850mb.
T700 temperatura a 700 mb.
Td700 temperatura del punto de rocío a 700 mb.
Whiting clasificó la frecuencia de tormentas en función de su Índice KI, como se
muestra en la Tabla 3.
- 27 -
Tabla 3. Clasificación de la Frecuencia de Tormentas en función del índice K de Whiting, por Suárez (1987).
KI Frecuencia de Tormentas< 20 Ninguna20 a 25 Tormentas Aisladas25 a 30 Tormentas Muy Dispersas30 a 35 Tormentas Dispersas> 35 Tormentas Numerosas
Índice de Humedad. W
El valor del índice de humedad W representa la humedad contenida en los niveles
de 850, 700 y 500 mb.
Para determinar su valor se trabaja con las diferencias entre la temperatura y el
punto de rocío en los 3 niveles antes mencionados.
W= (T850-Td850) + (T700-Td700) + (T500-Td500)
Según García (2009), para valores sobre los 45 ºC, W indica condiciones favorables
para que ocurra convección. (W >= 45 ºC)
Índice Cross Total. CT
El Índice Cross Total o Totales Cruzados, relaciona la humedad en capas bajas con
la temperatura en niveles superiores mediante el calculo de la diferencia entre la
temperatura de punto de rocío en el nivel de 850 mb. y la temperatura en el nivel de
500 mb.
Su valor se obtiene directamente de la siguiente expresión:
CT = (Td850 – T500)
- 28 -
Es de notar, que el valor numérico del índice aumenta cuando se tienen altas
temperaturas de punto de rocío a 850 mb. y bajas temperaturas en 500 mb.
El umbral teórico que se maneja para que se desarrolle la actividad convectiva es
18ºC; sin embargo esta condición no garantiza que se desarrolle la convección.
Índice Total de Totales. TT
Este índice fue introducido por Miller (1972), y se utiliza para identificar
potenciales áreas de desarrollo de tormentas. Representa la estabilidad estática o el
gradiente entre los niveles de 850 y 500, y la humedad a 850 mb. Debido a sus
características no es representativo en situaciones en que la humedad se encuentre
debajo de los 850 mb.
Resulta de la suma de dos índices convectivos el Cross-Total (CT) y el Vertical-
Total (VT).
TT = VT + CT
Donde: VT = (T850-T500)
CT = (Td850 – T500)
Su valor se obtiene directamente de la siguiente ecuación:
TT = T850 + Td850 – 2 * T500
Los valores que relacionan el valor del índice TT con la actividad convectiva, se
muestran en la Tabla 4.
- 29 -
Tabla 4. Clasificación de la Actividad Convectiva en función del índice TT por García (2008).
TT Actividad Convectiva 45 a 50 Posible tormenta 50 a 55 Mayores probabilidades de tormentas, posiblemente severas 55 a 60 Muy probable ocurrencia de tormentas severas
En general, los índices presentados tienen la ventaja de que pueden ser calculados
de manera rápida y sencilla, y en ocasiones su valor es un producto directo del
radiosondeo. Esto permite que tengan gran aplicabilidad y además esta condición
suprime el uso de diagramas termodinámicos para obtener el valor de los mismos.
Análisis Estadístico de una Serie de Datos.
Existen diversas herramientas estadísticas que permiten examinar el comportamiento de
una serie de datos, así como determinar la información que se puede derivar de la misma. A
continuación se hace un esbozo de tres tipos de análisis estadístico:
Análisis de Correlaciones.
Un análisis de Correlación es un procedimiento basado en el uso de un conjunto de
técnicas estadísticas empleadas para medir la intensidad de la asociación entre dos
variables.
Para realizar este análisis se cuenta con el coeficiente de correlación, el cual
proporciona una medida de la intensidad de la relación lineal entre dos variables. El
valor del coeficiente de correlación puede tomar valores desde menos uno hasta
uno, indicando que mientras más cercano a uno sea el valor del coeficiente de
correlación, en cualquier dirección, más fuerte será la asociación lineal entre las dos
variables. Mientras más cercano a cero sea el coeficiente de correlación indicará que
- 30 -
más débil es la asociación entre ambas variables. Si es igual a cero se concluirá que
no existe relación lineal alguna entre ambas variables.
Análisis de Varianza. ANOVA de un Factor.
En ocasiones es importante conocer el comportamiento de las medias de distintos
grupos de variables para saber si estas son iguales o si, por el contrario difieren
significativamente. El ANOVA de un factor es un procedimiento que precisamente
se utiliza para contrastar la hipótesis de que varias medias son iguales. Este
procedimiento genera un análisis de varianza de un factor para una variable
dependiente cuantitativa respecto a una única variable de factor, que es la variable
independiente.
Existen dos tipos de contrastes para comparar medias: a priori y post hoc. Los
contrastes a priori se plantean antes de ejecutar el experimento y los contrastes post
hoc se realizan después de haber llevado a cabo el experimento.
Modelos de Regresión.
Es una técnica empleada para desarrollar la ecuación y dar las estimaciones de la variable
dependiente respecto a una serie de datos que son las variables independientes. Las
ecuaciones de regresión se definen mediante modelos de regresión lineal múltiple y
regresión logística binaria.
Regresión Lineal Múltiple.
La regresión lineal es un modelo que estima los coeficientes de la ecuación lineal,
con una o más variables independientes, seleccionando las que mejor predigan el
valor de la variable dependiente. La ecuación lineal tiene la siguiente forma:
kk xBxBxBBy ++++= ...ˆ 22110
- 31 -
Donde:
ŷ es la estimación de la variable dependiente, y en este caso representa un valor
directo de probabilidad.
Con el objetivo de garantizar que las variables que entren al modelo aporten
información relevante respecto a lo que se quiere pronosticar, existen diversos
métodos de obtención de la ecuación lineal en cuanto a la selección las variables
que definen la ecuación lineal.
La selección del método permite especificar cómo se introducen las variables
independientes en el análisis. Utilizando distintos métodos se pueden construir
diversos modelos de regresión a partir del mismo conjunto de variables.
Métodos de Selección de Variables
Introducir (Regresión).
Todas las variables de un bloque se introducen en un solo paso.
Por pasos sucesivos.
En cada paso se introduce la variable independiente que no se encuentre ya
en la ecuación y que tenga la significación de F más pequeña, si esa
probabilidad es suficientemente pequeña (< 0.05). Las variables ya
introducidas en la ecuación de regresión se eliminan de ella si su
probabilidad para F llega a ser suficientemente grande. El método termina
cuando ya no hay más variables candidatas a ser incluidas o eliminadas.
Eliminación hacia atrás.
En este procedimiento de selección de variables se introducen todas las
variables en la ecuación y después se van excluyendo una tras otra. Aquella
variable que tenga la menor correlación parcial con la variable dependiente
- 32 -
será la primera en ser considerada para su exclusión. Si satisface el criterio
de eliminación, será eliminada. Tras haber excluido la primera variable, se
pondrá a prueba aquella variable, de las que queden en la ecuación, que
presente una correlación parcial más pequeña. El procedimiento termina
cuando ya no quedan en la ecuación variables que satisfagan el criterio de
exclusión.
Selección hacia adelante.
Procedimiento de selección de variables en el que éstas son introducidas
secuencialmente en el modelo. La primera variable que se considerará para
ser introducida en la ecuación será aquélla que tenga mayor correlación,
positiva o negativa, con la variable dependiente. Dicha variable será
introducida en la ecuación sólo si satisface el criterio de entrada. Si ha
entrado la primera variable, se considerará como próxima candidata la
variable independiente que no esté en la ecuación y cuya correlación parcial
sea la mayor. El procedimiento termina cuando ya no quedan variables que
satisfagan el criterio de entrada.
Todas las variables deben superar el criterio de tolerancia para que puedan
ser introducidas en la ecuación, independientemente del método de entrada
especificado. El nivel de tolerancia por defecto es 0,0001. Tampoco se
introduce una variable si esto provoca que la tolerancia de otra ya presente
en el modelo se sitúe por debajo del criterio de tolerancia.
Todas las variables independientes seleccionadas se añaden a un mismo
modelo de regresión. Sin embargo, puede especificar distintos métodos de
introducción para diferentes subconjuntos de variables. Por ejemplo, puede
introducir en el modelo de regresión un bloque de variables que utilice la
- 33 -
selección por pasos sucesivos, y un segundo bloque que emplee la selección
hacia adelante.
Regresión Logística Binaria.
La regresión logística resulta útil para los casos en los que se desea predecir la
presencia o ausencia de una característica o resultado según los valores de un
conjunto de predictores. Es similar a un modelo de regresión lineal pero está
adaptado para modelos en los que la variable dependiente es dicotómica. Los
coeficientes de regresión logística pueden utilizarse para estimar la razón de las
ventajas de cada variable independiente del modelo. La regresión logística se puede
aplicar a un rango más amplio de situaciones de investigación que el análisis
discriminante.
La ecuación de regresión binaria es de la forma:
]...exp[11
ˆ22110 kk xbxbxbb
y+++++
=
Esta ecuación se diferencia de la anterior en que acota las salidas del modelo o
pronósticos entre los valores 0 y 1.
Métodos de Selección de Variables
Introducir.
Procedimiento para la selección de variables en el que todas las variables
de un bloque se introducen en un solo paso.
Selección hacia adelante (Condicional).
Método de selección por pasos hacia adelante en el cual la entrada de las
variables se basa en la significación del estadístico de puntuación y la
- 34 -
eliminación en la probabilidad de un estadístico de la razón de verosimilitud
que se basa en estimaciones condicionales de los parámetros.
Selección hacia adelante (Razón de verosimilitud).
Método de selección similar al anterior pero la eliminación de variables se
contrasta con la probabilidad del estadístico de la razón de verosimilitud,
basado en estimaciones de la máxima verosimilitud parcial.
Selección hacia adelante. (Wald)
En este método de selección la eliminación de variables se efectúa
basándose en la probabilidad del estadístico de Wad.
Eliminación hacia atrás (Condicional).
Selección por pasos hacia atrás donde el contraste para la eliminación se
basa en la probabilidad del estadístico de la razón de verosimilitud, el cual se
basa a su vez en las estimaciones condicionales de los parámetros.
Eliminación hacia atrás (Razón de verosimilitud).
Selección hacia atrás por pasos. El contraste para la eliminación se
fundamenta en la probabilidad del estadístico de la razón de verosimilitud, el
cual se fundamenta en estimaciones de máxima verosimilitud parcial.
Eliminación hacia atrás (Wald).
Selección por pasos hacia atrás. El contraste para la eliminación se basa en
la probabilidad del estadístico de Wald.
- 35 -
CAPÍTULO III. METODOLOGÍA
Fase I. Información básica necesaria:
El desarrollo de la presente investigación se basa en el uso y manejo de datos de
precipitación y de información proveniente de radiosondeos de la atmósfera. Se seleccionó
el período correspondiente al trimestre mayo-julio de los años 2005 al 2008; y con el fin de
cubrir la Región Centro Norte Costera se seleccionaron las estaciones meteorológicas
pertenecientes al Servicio de Meteorología de la Aviación (SERMETAVIA). La
localización geográfica de estas estaciones se muestra en la Tabla 5 y el Figura 2.
Tabla 5. Localización Geográfica de las estaciones meteorológicas de estudio. Fuerza Aérea/ Región Centro Norte Costera de Venezuela.
ALTURA (msnm)º ' " º ' "
LA CARLOTA 80415 MIRANDA 10 29 0 66 50 0 835,0
MAIQUETÍA 80416 VARGAS 10 36 0 66 59 0 43,0
MARACAY 80413 ARAGUA 10 15 0 67 39 0 436,0
VALENCIA 80472 CARABOBO 10 10 0 67 56 0 430,0
ESTACIÓN CÓDIGO ESTADOLatitud (N) Longitud (W)
Figura 2. Localización Geográfica de las estaciones meteorológicas de estudio. Fuerza Aérea/ Región Centro Norte Costera de Venezuela.
- 36 -
Obtención de la Información
El procedimiento de obtención de los datos fue el siguiente:
• Datos de Precipitación Diaria.
Para el compendio de esta información se realizó la solicitud formal de los datos de
precipitación diaria de las estaciones La Carlota, Maiquetía, Maracay y Valencia,
ubicadas en la Región Centro Norte Costera de Venezuela, al Departamento de
Climatología del Servicio de Meteorología de la Aviación (SERMETAVIA).
• Datos de Sondeos Simulados.
Utilizando el Modelo de Asimilación de Datos Globales (GDAS) encontrado en el
sitio web de la NOAA (Administración Nacional Oceánica y Atmosférica),
específicamente en la siguiente dirección:
http://www.arl.noaa.gov/READYamet.php, se utilizaron los sondeos interpolados de
la atmósfera a las 12 horas GMT para cada estación.
De estos sondeos se obtienen los valores numéricos de los índices td850, CAPE y
CINH; y los datos de: presión, elevación, temperatura, punto de rocío, dirección y
velocidad del viento a diferentes alturas geopotenciales.
• Datos de Sondeos Reales.
En la Coordinación de Radisondas del Instituto Nacional de Meteorología e
Hidrología (INAMEH) se solicitó la información existente de los radiosondeos
atmosféricos.
De los archivos suministrados se obtuvieron datos de: presión, elevación,
temperatura, humedad relativa, dirección y velocidad del viento a diferentes alturas
geopotenciales. Para la obtención de datos se utilizó el programa de sondeos
DigiCORA 3.51, y se guardo en formato de texto para su posterior procesamiento.
- 37 -
Fase II. Procesamiento de la Información
La información fue procesada utilizando el Paquete Estadístico para Ciencias Sociales
SPSS, versión 15.0 el cual permite el manejo eficiente de bases de datos de gran tamaño.
Calidad de los Datos
Los datos de precipitación presentaron diversos inconvenientes, de esta manera teniendo
datos de la misma fuente, estos resultaron diferentes y en muchos casos, incongruentes. Se
hizo un manejo comparativo de estos y se realizaron nuevas solicitudes de los datos ante el
SERMETAVIA y bajo estricto control de la información suministrada se tomaron los datos
necesarios; cabe destacar que aun siendo esta data la más confiable, no contaba con la
información de mayo 2007 para las estaciones La Carlota, Maiquetía y Valencia. De modo
que el único control de calidad realizado a los datos de precipitación correspondió al
mencionado análisis comparativo. Por otra parte se encontraron estaciones donde los datos
faltantes y el modo de descarga de la información impidieron utilizar sus datos.
Con respecto a los datos de los radiosondeos reales y virtuales, se realizó un control
elemental basado en la observación lógica de los valores suministrados por cada sondeo. En
este proceso: del radiosondeo interpolado se observaron valores anormales en el punto de
rocío de (-273.15 ºC) en algunos niveles, como por ejemplo en los archivos del 20 y 21 de
mayo de 2008 mostrados en la Tabla 6. Hasta el momento no se conoce si estos datos
corresponden a alguna forma particular de codificar la información, pero por su
imposibilidad física, se tomaron como erróneos.
- 38 -
Tabla 6. Errores en datos de Sondeos Interpolados. Los datos errados se resaltan en color amarillo.
PRESS HGT TEMP DEW PT WND DIR WND SPD PRESS HGT TEMP DEW PT WND DIR WND SPD
977. 315. 24.6 21.4 132.3 0.4 976. 315. 24.2 19.0 92.2 3.6975. 348. 24.0 20.3 134.0 0.7 975. 335. 23.4 17.9 90.7 5.4950. 574. 22.5 18.8 120.3 1.0 950. 561. 21.8 16.1 88.1 6.2925. 806. 20.9 17.4 109.1 1.8 925. 793. 20.5 14.0 86.9 7.3900. 1043. 19.4 16.4 110.3 2.6 900. 1028. 19.3 12.5 87.5 8.2850. 1534. 16.7 13.2 99.6 4.2 850. 1519. 16.7 9.4 88.1 6.7800. 2049. 14.1 10.7 82.6 3.8 800. 2033. 13.8 5.1 89.8 2.7750. 2592. 11.6 8.2 108.7 2.0 750. 2574. 11.4 -6.5 39.5 1.7700. 3168. 9.8 0.1 113.5 3.7 700. 3148. 10.5 -32.5 106.9 3.0650. 3780. 6.9 -12.9 70.7 6.2 650. 3762. 7.9 -55.3 103.2 4.4600. 4433. 4.0 -33.1 92.1 4.5 600. 4415. 3.9 -48.3 89.1 3.0550. 5133. -0.4 -43.9 89.6 3.5 550. 5116. -0.1 -37.6 96.7 3.8500. 5889. -4.0 -273.1 93.4 4.1 500. 5872. -4.4 -50.9 81.0 5.6450. 6710. -9.9 -36.9 100.9 3.4 450. 6693. -9.1 -57.6 99.8 5.0400. 7606. -16.3 -32.5 152.8 5.3 400. 7594. -15.5 -31.9 116.7 5.1350. 8596. -23.8 -25.8 170.6 2.3 350. 8585. -23.3 -25.7 7.3 0.9300. 9704. -31.6 -35.1 310.1 4.6 300. 9694. -31.9 -33.4 287.7 6.0250. 10966. -41.6 -44.1 233.3 5.9 250. 10955. -41.9 -42.9 275.1 9.5200. 12439. -53.8 -55.5 249.1 5.1 200. 12428. -53.8 -54.4 240.3 10.1150. 14220. -69.3 -69.7 309.9 9.8 150. 14211. -68.7 -69.6 300.5 11.9100. 16557. -81.5 -273.1 89.0 7.2 100. 16552. -81.5 -273.1 73.7 10.950. 20580. -63.0 -273.1 113.7 12.9 50. 20578. -64.5 -273.1 90.2 10.220. 26402. -48.8 -273.1 79.9 8.7 20. 26392. -50.0 -273.1 169.2 3.5
NOAA Air Resources Laboratory YR: 2008 MON: 05 DAY: 20 HOUR: 12
NOAA Air Resources Laboratory YR: 2008 MON: 05 DAY: 21 HOUR: 12
Temperaturas de -273.15 ºC no tienen sentido físico, entonces se resolvió eliminarlas del
registro porque representan un error en la data.
Finalmente se realizó el análisis con los siguientes datos:
• Estación La Carlota
o Datos de Precipitación: 321
o Sondeos Simulados: 352
• Estación Maiquetía
o Datos de Precipitación: 321
o Sondeos Simulados: 352
- 39 -
• Estación Maracay
o Datos de Precipitación: 354
o Sondeos Simulados: 354
o Sondeos Reales: 104
• Estación Valencia
o Datos de Precipitación: 323
o Sondeos Simulados: 354
Manejo de Datos
Luego de obtener la información básica y de verificar la calidad de los datos, estos se
procesaron de la siguiente manera:
1. Los datos de precipitación se recodificaron para poder realizar el análisis en dos
grupos de valores; de esta manera se asignó el valor “1” a los días con lluvia (Pp >
0) y “0” (cero) a los días sin lluvia (Pp < 0). La nueva variable con los datos
recodificados se denotó como P01.
2. Con los datos de presión, elevación, temperatura, punto de rocío, dirección y
velocidad a diferentes alturas geopotenciales, provenientes de los sondeos
interpolados, se procedió a calcular los valores de los índices Thetae85, Ki, Wi, TT
y CT.
3. Para procesar la información de los sondeos reales se calculó el valor de la
temperatura del punto de rocío para cada altura geopotencial utilizando la siguiente
fórmula:
Siendo Pr Punto de rocío.
T Temperatura en grados Celsius.
H Humedad relativa.
- 40 -
Fase III. Modelos de Pronóstico de Lluvia
Al proponer un método de pronóstico, basado en el uso de Índices de Estabilidad
Atmosférica, es necesario estudiar si de alguna manera, los índices seleccionados son
capaces de identificar o no la ocurrencia de lluvia.
La relación de dependencia entre los índices y la precipitación se determina mediante
análisis de correlación y análisis de varianza.
Análisis de Datos
A continuación se presenta el procedimiento seguido para el análisis de las variables y su
relación con la ocurrencia de lluvia:
1. Correlación de cada uno de los índices con P01 correspondientes.
El primer análisis realizado se basa en el cálculo de las correlaciones existentes
entre la variable P01 y cada uno de los índices, los valores obtenidos para una de
las estaciones se muestran en la Tabla 7.
Tabla 7. Correlación entre los Índices de Estabilidad Atmosférica y la variable P01 en la estación Maracay. Correlación significativa en color azul y no significativa en rojo.
Corr de P01 Maracaytd85 0,36186
CAPE 0,15871CINH 0,02576
Thetae85 0,33397Ki 0,40359Wi -0,39674TT 0,36828CT 0,41047
Se observa que, excepto uno de los índices, los restantes tienen correlación
significativa con la variable P01.
- 41 -
2. Resumen descriptivo y ANOVA de un factor.
Una forma de estudiar la eficacia de los índices en el pronóstico del tiempo es el
análisis de varianza, pues este tipo de análisis nos indica directamente si las
diferencias de medias son significativas por grupos formados por las
precipitaciones recodificadas, esto es, si los promedios de los índices son
significativamente diferentes para días con lluvia y días sin lluvia.
Para esta parte del análisis se consideran como variables a describir los Índices de
Estabilidad Atmosférica y la variable binaria P01 como variable de agrupación. Se
determinaron los estadísticos descriptivos y las significaciones entre las diferencias
de medias, mediante la distribución F de Ficher, donde se consideran significativos
valores menores que 0.05. En la Tabla 8 se presentan los resultados obtenidos del
análisis de varianza para la Estación La Carlota para cada uno de los índices.
Tabla 8. Resumen descriptivo, valores de F y significancia de las diferencias de medias por grupos para cada Índice de Estabilidad Atmosférica. La Carlota Grupos N Media Mínimo Máximo F Sig.
0 157 13,3 8,2 16,01 164 14,2 8,6 16,60 157 396,0 1,0 1197,01 164 485,5 2,6 1681,00 157 -26,8 -127,1 0,01 164 -18,5 -89,7 0,0
0 157 338,1 328,5 346,0
1 164 340,3 328,5 347,50 157 29,5 5,4 38,41 164 33,5 17,6 39,70 157 24,1 4,2 69,61 164 14,5 3,2 51,30 157 41,8 35,3 46,11 164 43,0 35,1 47,10 157 18,8 12,9 21,81 164 19,9 13,2 22,5
0,000000
0,000000
0,000000
0,000000
0,000000
0,004216
0,000248
0,000000
45,4
52,9
26,6
35,2
35,2
8,3
13,7
33,6
Ki
Wi
TT
CT
td85
CAPE
CINH
Thetae85
- 42 -
En algunas estaciones se obtuvieron valores no significativos respecto a la media de
cada grupo, por esta razón se elaboraron los gráficos de la media con un Intervalo de
Confianza del 95% y los recorridos para cada índice. En el Figura 3, se muestra el
comportamiento de cada grupo cuando los valores son significativos y cuando no lo
son.
Figura 3. Intervalo de Confianza de la media al 95%. Índice CINH para los grupos 1 y 0. Estaciones La Carlota y Maracay.
Figura 4. Recorrido del Índice CINH para los grupos 1 y 0. Estación La Carlota.
- 43 -
Umbrales
Al revisar investigaciones anteriores se encontraron umbrales sugeridos para
algunos índices, por lo cual se decidió verificar la eficacia de los mismos en la
descripción de días con lluvia o no lluvia, en las estaciones utilizadas. Los umbrales
sugeridos por Luis Felipe García, 2009 (Pronóstico de Ocurrencia de Lluvias
Diarias Utilizando Índices y Markov) y Kleiver García, 2009 (Estabilidad
Atmosférica), se muestran en la Tabla 9.
Tabla 9. Umbrales Sugeridos para cada Índice de Estabilidad por diferentes autores.
Índice Umbral sugerido Por:td850 13 Luis F. GarcíaCAPE 500 Luis F. GarcíaCINH
Thetae850 340 Luis F. GarcíaKi 30 Luis F. GarcíaWi Kleiver García
TT 45 Kleiver García
CT 18 Luis F. García
Con el objetivo de conseguir aciertos mayores al 85%, se realizaron pruebas que,
en ocasiones tuvieron que repetirse hasta conseguir satisfacer el porcentaje de
aciertos requeridos para determinar los umbrales de cada índice para la serie de
estudio. En los casos en que hubo que repetir los ensayos se calcularon nuevos
umbrales, este cálculo se realizó promediando los valores máximos y mínimos y
comparando el resultado con la media de cada variable en la serie de estudio
completa. En la Tabla 10 se muestran a modo de ejemplo los cálculos realizados y
el nuevo umbral sugerido para el índice td850, que en este caso particular, coincide
con el sugerido anteriormente.
45
- 44 -
Tabla 10. Umbral Calculado para la serie completa. Índice td850.
Mes Estadígrafo td85ca td85mq td85ma td85va5 Media 13,8 14,5 14,4 14,6
Máximo 16,6 18,5 16,8 16,9Mínimo 8,2 8,2 9,7 9,1
6 Media 14,0 15,2 14,4 14,5Máximo 16,5 18,9 17,0 17,1Mínimo 9,9 9,3 10,5 10,3
7 Media 13,6 14,8 13,8 13,9
Máximo 15,5 18,4 16,1 16,4Mínimo 8,6 8,3 9,2 9,3
Total Media 13,8 14,8 14,2 14,3Máximo 16,6 18,9 17,0 17,1Mínimo 8,2 8,2 9,2 9,1 UMBRAL
12,4 13,6 13,1 13,1 13,0
Modelos de Regresión
Para los modelos de regresión se utilizaron como variables dependientes los índices
de estabilidad atmosférica y como variable dependiente la ocurrencia o no de lluvia,
codificada como se vio anteriormente en los grupos 1 y 0 de la variable P01.
Se hicieron pruebas con cada uno de los métodos de selección de variables y se
decidió, basándose en esas pruebas, que para la Regresión Lineal Múltiple el
método de selección de variables fuera el de pasos sucesivos, mientras que para la
Regresión Logística Binaria, se seleccionó el de eliminación hacia atrás.
En el caso de la Regresión Logística Binaria, el criterio de eficiencia del modelo fue
el porcentaje de éxitos en la indicación del día como lluvioso o no, lo que se utiliza
dada la orientación de la obtención de los modelos para el pronóstico.
- 45 -
Fase IV. Validaciones Adicionales.
Como se trató en detalle en el Marco de Referencia, algunos autores han utilizado otros
períodos dentro del año en la construcción de modelos de pronósticos, lo que induce a
realizar una comparación con los resultados aquí obtenidos. Lo anterior motivó la
realización de esa comparación.
Por otro lado, la utilización de sondeos interpolados de modelos numéricos, junto a la
existencia de sondeos reales para una de las estaciones involucradas, es una razón
incuestionable, para hacer una comparación entre los parámetros de los sondeos reales e
interpolados, ya que los cálculos de los índices de estabilidad dependen de forma directa de
los parámetros de los sondeos. De no existir una relación aceptable entre los parámetros de
sondeos reales e interpolados, se pudieran comprometer los resultados de los modelos de
pronóstico que se obtengan con ellos, aunque los éxitos en la clasificación de los días como
lluvioso o no, determinan su calidad.
Comparación entre distintos períodos. Modelos de Pronóstico.
Para la comparación entre modelos obtenidos para diferentes períodos se utilizaron los
resultados de los modelos elaborados para la estación La Carlota con un año de datos
(Cárdenas 2009) y los correspondientes a este trabajo con el trimestre mayo julio en 4 años
de datos (2005-2008). Además se utilizaron los resultados del trabajo de pronóstico en la
Cuenca del Caroní - Paragua (García, 2009).
Comparación entre Radisondeos Reales e Interpolados (Virtuales).
Como se afirmó anteriormente, la calidad de los modelos depende de forma directa de la
precisión con que se estimen los valores de los índices, que a su vez dependen de los
parámetros de los sondeos, así que esta tarea consistió en la comparación de tales
parámetros para sondeos reales e interpolados.
El análisis realizado puede considerarse preliminar, debido a la frecuente falta de
información existente de sondeos reales y se basó en el cálculo directo de las diferencias
- 46 -
porcentuales entre las variables involucradas en cada tipo de sondeo. El único período
coincidente corresponde al trimestre mayo-julio de los años 2007-2008 en la Estación
Maracay; a lo cual debe su selección.
Es importante señalar que los radiosondeos reales no proporcionan el valor del punto de
rocío y este parámetro fue calculado usando la siguiente ecuación:
- 47 -
CAPÍTULO IV. RESULTADOS Y ANÁLISIS
Finalizada la sección anterior se obtuvieron una serie de resultados derivados de cada
modelo estudiado, estos resultados serán analizados con el propósito de concluir respecto a
la investigación desarrollada. En esta sección sólo se mostrarán los resultados más
relevantes, el resto de los resultados serán mostrados en una sección aparte, la sección de
apéndices.
Correlaciones.
Los resultados de los cálculos de correlaciones entre la ocurrencia de lluvia (P01) y cada
uno de los índices para las 4 estaciones, se muestran en la Tabla 11.
Tabla 11. Valores de los coeficientes de correlación entre la ocurrencia de lluvia y los diferentes índices de estabilidad, para las 4 estaciones. Las correlaciones que aparecen en azul son significativas con un α =0.05, mientras que las que aparecen en rojo no lo son.
Corr de P01 Carlota Maiquetía Maracay Valenciatd85 0,31515 0,18058 0,36186 0,30216
CAPE 0,15932 0,10672 0,15871 0,09541CINH 0,20318 0,12602 0,02576 0,01562
Thetae85 0,30882 0,13493 0,33397 0,29082Ki 0,35285 -0,17866 0,40359 0,30890Wi -0,37728 -0,25022 -0,39674 -0,26295TT 0,27761 0,16308 0,36828 0,27641CT 0,31515 0,23891 0,41047 0,31214
Como puede verse en la Tabla 11, existen algunas correlaciones no significativas para los
índices CAPE y CINH. Es destacable que casi en su totalidad, los valores menores de
correlación corresponden a la estación Maiquetía.
- 48 -
Resumen descriptivo y ANOVA de un factor.
Como se trató en la metodología, se realizaron Análisis de Varianza de un factor para
verificar si los días con lluvias y sin lluvias eran bien señalados por los valores de los
Índices de Estabilidad, donde se buscó verificar si las medias de índices correspondientes a
los dos grupos (lluvia y no lluvia) resultaban significativas.
En la Tabla 12 se presentan los resultados de estos procesamientos, en cuanto a
significación de los Análisis de Varianza, donde se ve que existe una coincidencia total
entre los resultados mostrados anteriormente sobre correlaciones, y los aquí mostrados. Una
información completa sobre cada índice y estación se incluye en la sección de apéndices.
Tabla 12. Significación de los análisis de varianza para cada uno de los índices por grupos definidos por la ocurrencia o no de lluvia, en las 4 estaciones. Los que aparecen en azul son menores a 0.05 y se consideran significativos.
Sig. Anova Carlota Maiquetía Maracay Valenciatd85 0,000000 0,001156 0,000000 0,000000CAPE 0,004216 0,056138 0,002748 0,086904CINH 0,000248 0,023946 0,629035 0,779688Thetae85 0,000000 0,015559 0,000000 0,000000Ki 0,000000 0,001307 0,000000 0,000000Wi 0,000000 0,000006 0,000000 0,000002TT 0,000000 0,003389 0,000000 0,000000CT 0,000000 0,000015 0,000000 0,000000
Cuando se analizan los resultados de la Tabla 12 y los análisis descriptivos
correspondientes, pudiera pensarse que la significación implica de alguna forma la posible
utilización de un índice por separado, en el pronóstico de ocurrencia de lluvia. Lo anterior
llevó a la distinción entre valores medios con intervalos de confianza y recorridos reales de
los índices. En el Figura 5 se presenta el caso del índice Thetae850 en la estación La
Carlota, que como puede verse en la Tabla 12, resulta significativa.
- 49 -
Para el caso del Figura 5, como para todos los restantes (ver apéndices), cuando los análisis
dan como diferencias de medias significativas los valores medios y sus barras de
significación de IC al 95%, no se solapan; no obstante, en el Figura 5 se puede verificar que
aunque la condición anterior se cumple, los recorridos del índice coinciden casi en su
totalidad para los días con y sin lluvia (grupos 1 y 0).
Figura 5. Comparación entre el IC de la media al 95% y recorridos del índice thetae850 para los grupos 1 y 0. Estación la Carlota.
Umbrales.
Para la verificación de los umbrales propuestos y la posible sugerencia de nuevos valores,
se compararon los aciertos obtenidos con los umbrales sugeridos y los cálculos realizados.
Para los cálculos se tomaron los aciertos correspondientes al grupo 1, es decir, aquellos en
que ocurre lluvia. En la Tabla 12 se presenta el cálculo de umbrales para la Td850 con sus
porcentajes de acierto en las 4 estaciones. En este caso el umbral sugerido por trabajos
anteriores, coincide con el actual procesamiento y se resume en lo siguiente:
• Td850 < 13ºC implica 0 (no lluvia).
• Td850 >= 13ºC implica 1 (lluvia).
- 50 -
En la Tabla 13 se presentan los resultados de los cálculos para cada índice y estación, así
como los que cumplen con las condiciones anteriormente expuestas, es decir, que indican
con éxito los días lluviosos con más del 75 % de efectividad. Como puede verse en la Tabla
13, para todos los índices y estaciones se cumple el supuesto anterior, excepto en la
estación Maiquetía donde, el índice Theta-e850 presenta aciertos de 48.9%.
Tabla 13. Umbral del índice td850 y porcentaje de aciertos en días con lluvia para las 4 estaciones.
Td850Umbral P01ca p01mq P01ma P01va
<13 23 6 11 21>=13 141 88 160 175Total 164 94 171 196
% Éxitos 86,0 93,6 93,6 89,3 90,6
Analizando la serie por estaciones se tiene que: el mayor acierto se obtuvo con el índice
WI, en la estación Maracay (100%). De las tablas 7 y 9, se puede notar que esa serie de
datos presenta buena correlación y significaciones, lo cual demuestra robustez en los datos.
El menor porcentaje de aciertos se presenta en la estación Maiquetía; cabe destacar que a lo
largo de todo el desarrollo, los datos provenientes de esa estación presentaron las menores
correlaciones y significaciones, lo que puede deberse a problemas en la calidad de la data
utilizada, ya que, los aciertos del mismo índice obtenidos para el resto de las estaciones,
superan el 95%. Otra posible razón puede estar en la existencia de condiciones físico
geográficas particulares como la frecuente ocurrencia de lluvias por ascenso forzado.
Como también se observa en la Tabla 14, a nivel regional, el porcentaje de éxitos varía
entre 80.9 y 98.6%. El índice con menor porcentaje de aciertos es el Theta-e850, esto es
debido fundamentalmente al resultado obtenido en la estación Maiquetía, en orden
creciente sigue KI con 82.6% de aciertos en indicación de días con lluvia. Finalmente se
encuentra el índice WI es el que mejor se adapta a la región de estudio por presentar
mayores aciertos.
- 51 -
Tabla 14. Porcentaje de Éxitos en indicación de día con lluvia por índice, estación y para la región.
WIUmbral P01ca p01mq P01ma P01va Promedio
<45 161 92 171 193>=45 3 2 0 3Total 164 94 171 196
98,2 97,9 100,0 98,5 98,6CAPE
Umbral P01ca p01mq P01ma P01va
<1000 153 83 170 195>=1000 11 11 1 1Total 164 94 171 196
93,3 88,3 99,4 99,5 95,1CINHUmbral P01ca p01mq P01ma P01va
<-70 3 2 16 16>=-70 161 92 155 180Total 164 94 171 196
98,2 97,9 90,6 91,8 94,6Td850
Umbral P01ca p01mq P01ma P01va <13 23 6 11 21
>=13 141 88 160 175Total 164 94 171 196
% Éxitos 86,0 93,6 93,6 89,3 90,6CT
Umbral P01ca p01mq P01ma P01va <18 20 23 4 16
>=18 144 71 167 180Total 164 94 171 196
87,8 75,5 97,7 91,8 88,2TT
Umbral P01ca p01mq P01ma P01va <45 144 85 145 174
>=45 20 9 26 22Total 164 94 171 196
87,8 90,4 84,8 88,8 88,0KI
Umbral P01ca p01mq P01ma P01va <30 31 27 16 25
>=30 133 67 155 171Total 164 94 171 196
81,1 71,3 90,6 87,2 82,6Thetae85Umbral P01ca p01mq P01ma P01va
<345 156 46 151 179>=345 8 48 20 17Total 164 94 171 196
95,1 48,9 88,3 91,3 80,9
- 52 -
A modo de resumen se presentan en la Tabla 15, los umbrales sugeridos para la zona de
estudio en cada uno de los índices de estabilidad. Debe notarse que sólo en algunos casos,
éstos coinciden con los sugeridos anteriormente
Tabla 15. Umbrales sugeridos de Ocurrencia de Lluvia para diferentes índices de estabilidad en la Región Centro Norte Costera.
Índice Umbralestd850 13CAPE 1000CINH -60
Thetae850 345Ki 30Wi 45TT 45CT 18
Modelos de Regresión
Dadas las dificultades discutidas de este tipo de regresión, para el pronóstico probabilístico
de lluvia, se utilizó fundamentalmente para estudiar cuales variables o índices entraban en
los modelos de regresión por el método de pasos sucesivos. De esa forma se llegó a
conformar el conjunto de predictores potenciales (Índices de Estabilidad) que sería
utilizado, que quedó como sigue:
• Td850
• CAPE
• CINH
• Theta-e850
• KI
• WI
• CT
• TT
- 53 -
Modelos de Regresión Lineal Múltiple
Para la obtención de la ecuación por regresión lineal múltiple se utilizó la selección
paso a paso; los coeficientes de la ecuación de cada estación se mostrarán en los
apéndices, por no considerarse ecuaciones definitivas. En la Tabla 16 se muestran
los aciertos obtenidos para los grupos 1 y 0 de la variable P01 y el porcentaje de
acierto promedio de la estación.
Tabla 16. Porcentaje de aciertos en los Modelos de Regresión Lineal Múltiple aplicado cada una de las estaciones.
0 10 108 49 68,791 44 120 73,17
71,030 221 6 97,361 78 16 17,02
73,83
0 118 65 64,481 45 126 73,68
68,930 47 80 37,011 25 171 87,24
67,49
Promedio
Promedio
PromedioMaracay
Valencia
Carlota
Maiquetía
Estación Observado Aciertos %Pronosticado
Promedio
Al comparar la ecuación de regresión con la variable P01 se obtuvieron aciertos para cada
estación entre 67.49% y 73.83%, en las estaciones Valencia y Maiquetía respectivamente,
sin embargo para aplicar un método de pronóstico de ocurrencia de lluvia no es suficiente
tener aciertos superiores al 65% en promedio, también debe existir equilibrio entre los
aciertos para la ocurrencia y la no ocurrencia de lluvia, grupos 1 y 0. En la Tabla 16, se
observa disparidad entre los aciertos de los grupos 1 y 0, en las estaciones Maiquetía y
Valencia. Sin embargo las estaciones La Carlota y Maracay presentan aciertos similares, lo
cual hace más aceptable su valor promedio.
- 54 -
Modelos de Regresión Logística Binaria
Mediante la aplicación del modelo de regresión logística binaria se seleccionaron las
variables mediante la opción de eliminación hacia atrás; los coeficientes de la ecuación de
cada estación se mostrarán en los apéndices, por no considerarse ecuaciones definitivas.
Los aciertos de resultantes en los grupos 1 y 0 de la variable P01, así como el promedio de
la estación se muestran en la Tabla 17.
Tabla 17. Porcentaje de aciertos en los Modelos de Regresión Logística Binaria para cada una de las estaciones.
0 10 94 63 59,871 38 126 76,83
68,540 225 2 99,121 89 5 5,32
71,650 111 72 60,661 42 129 75,44
67,800 47 80 37,011 23 173 88,27
68,11
Promedio
Promedio
Promedio
PromedioValencia
Estación
Maiquetía
Maracay
Carlota
ObservadoPronosticado
Aciertos %
Mediante el método de selección de variables con eliminación hacia atrás, se incluyeron
como predictores potenciales, todos los índices de estabilidad utilizados en la ecuación de
regresión lineal, y los resultados se muestran en la Tabla 17.
Al verificar este modelo resultó que, el mayor acierto en pronóstico de ocurrencia de lluvia
se obtuvo en la estación Maiquetía, sin embargo, debido a la diferencia entre los aciertos de
los grupos 1 y 0, la ecuación de regresión logística sólo es válida para pronosticar la no
ocurrencia de lluvia en esta estación. Por otra parte, las estaciones La Carlota y Maracay
- 55 -
muestran resultados más parejos y, en promedio, los aciertos superan el 65%, por lo tanto el
comportamiento de la ecuación de regresión logística se adapta mejor en estas estaciones.
Se compararon los resultados obtenidos por ambos tipos de regresión en cuanto a aciertos
de pronósticos. En la Tabla 18 se muestra un resumen de los aciertos obtenidos por cada
método, donde se evidencia que al aplicar el método de regresión lineal múltiple los
aciertos obtenidos son mayores que cuando se trabaja con regresión logística binaria.
Tabla 18. Comparación porcentual de la efectividad de los métodos de Regresión Lineal Múltiple (RLM) y Regresión Logística Binaria (RLB) en la Región Centro Norte Costera.
P01 Prom/RLM Prom/RLB0 63,1 60,01 75,3 76,5
Total 71,1 70,3
Es importante destacar que al utilizar el modelo de regresión lineal múltiple para obtener la
ecuación de pronóstico, pueden encontrarse inconsistencias, como por ejemplo la obtención
de probabilidades mayores que “1” o menores que “0”, porque este método no contempla la
acotación de la probabilidad resultante. Al aplicar el modelo de regresión logística binaria
se resuelve este problema porque está diseñada de modo que acota la salida o pronóstico
entre los valores 0 y 1.
Comparación de Modelos de Pronóstico utilizando distintos períodos.
Se compararon los aciertos obtenidos al utilizar modelos de regresión logística binaria, en
dos períodos diferentes, el primero corresponde al trimestre mayo julio de los años 2005 al
2008, y el segundo al año 2008 completo.
En la Tabla 19, se puede notar que el porcentaje de aciertos mejora al trabajar los modelos
con años completos y, aunque la cantidad de datos analizados en cada período es
prácticamente igual se mejoran los aciertos desde 6% hasta 8%.
- 56 -
En la tabla se observa que para el primer período, ambos modelos pronostican mejor la
ocurrencia de lluvia que la no ocurrencia. Este comportamiento se invierte completamente
en el segundo período donde ambos modelos pronostican mejor la no ocurrencia de lluvia.
Tabla 19. Comparación de un Modelos de Regresión Logística Binaria en distintos períodos.
0 10 94 63 59,871 38 126 76,83
68,540 199 42 82,571 43 82 65,60
76,78
Promedio
Promedio
Mayo-Julio 2005-2008
1 año
Estación La Carlota ObservadoPronosticado
Aciertos %
Tanto el aumento en el porcentaje de aciertos, como el comportamiento contrario de los
modelos en cada período, se deben a que las variables independientes que alimentan a los
modelos son los Índices de Estabilidad Atmosférica y estos no tienen un comportamiento
constante a lo largo de un año. Esta afirmación se evidencia en la Tabla 20, correspondiente
al estudio realizado por García, 2009.
Tabla 20. Modelo de Regresión Logística Binaria, con todos los Índices (KI, CT, CAPE, CAP, td850 y theta-e850) y Cadenas de Markov, 2004-2007. Porcentaje de Aciertos. Por L. García, 2009.
0 10 181 73 71,261 54 191 77,96
74,550 68 48 58,621 31 140 81,87
72,47
0 114 24 82,611 23 51 68,92
77,83
Promedio
Promedio
Promedio
Todo el Año
Lluvioso
Seco
Período ObservadoPronosticado
Aciertos %
- 57 -
Comparación entre Radisondeos Reales e Interpolados (Virtuales).
Se compararon los parámetros procedentes de cada sondeo, elevación, temperatura y punto
de rocío. Los parámetros que interesan para el cálculo de los Índices de Estabilidad
Atmosférica son temperatura y punto de rocío a distintos niveles.
El comportamiento de la temperatura se observa en el Figura 6. En ambos sondeos los
valores obtenidos son muy similares y en la tabla 21 se aprecia que las diferencias
porcentuales antes del nivel de 700 mb., es menor al 2. Al pasar dicho nivel las diferencias
porcentuales aumentan, sin embargo el máximo valor es 4.51%. La máxima diferencia
porcentual (8%), se observa al nivel de 700 milibares y de igual manera en este nivel se
aprecia un cambio en la tendencia conjunta de ambos temperaturas, es decir, antes de los
700 mb., las temperaturas provenientes de los sondeos reales son mayores que las
interpoladas y a partir de este nivel son mayores las temperaturas interpoladas.
Sondeos Reales e Interpolados.Temperatura (ºC)
-100,00
-80,00
-60,00
-40,00
-20,00
0,00
20,00
20 50 100 150 200 250 300 400 500 700 850 925P (mb)
T (ºC
)
TEMPr TEMPi
Figura 6. Diferencias de temperatura entre sondeos reales e interpolados a diferentes niveles de presión.
- 58 -
El comportamiento del punto de rocío se observa en el Figura 7. Este parámetro se
consideró desde el nivel de 100 mb., porque los datos de los 2 niveles inferiores en presión
(50 y 20 mb) presentaban inconsistencias (valores de -273.15 ºC). En ambos sondeos los
valores obtenidos son muy similares, y en la Tabla 21 se aprecia que las diferencias
porcentuales son mayores en los niveles medios.
Sondeos Reales e Interpolados.Punto de Rocío (ºC)
-100,00
-80,00
-60,00
-40,00
-20,00
0,00
20,00
100 150 200 250 300 400 500 700 850 925P (mb)
Td (º
C)
DEWPTr DEWPTi
Figura 7. Diferencias de temperatura entre sondeos reales e interpolados a diferentes niveles de presión.
Es notorio que tanto en temperatura como en punto de rocío, las máximas diferencias
porcentuales se observan al nivel de 700 milibares; sin embargo se puede notar que dicha
diferencia corresponde a la existencia de valores de Punto de Rocío de -273.15ºC, lo cual
no tiene sentido físico. Antes de los 700 mb., la tendencia muestra puntos de rocío
provenientes de los sondeos interpolados mayores a los reales, la cual se invierte al pasar
este nivel.
- 59 -
En la obtención de modelos de pronóstico no se consideraron los casos en los que existían
los valores de Punto de Rocío de -273.15 ºC.
Tabla 21. Diferencias porcentuales entre Radisondeos Reales e Interpolados en la estación Maracay.
PRESS Dif. HGT % Dif. T % Dif. Td %20 -0,23 1,45 por -273.1550 -0,16 1,31 por -273.15100 -0,15 -0,08 -1,79150 -0,14 0,41 -15,49200 -0,15 0,03 -19,31250 -0,16 0,45 -20,31300 -0,17 1,00 -17,40400 -0,18 0,60 -17,12500 -0,22 0,68 -19,95700 -0,37 -8,02 por -273.15850 -0,48 -4,26 -6,14925 -0,55 -4,51 -4,43
- 60 -
CONCLUSIONES
Una vez realizada la recolección de datos, procesados los mismos y obtenida la información
que de ello se generó, conjuntamente con los respectivos análisis, se obtuvieron resultados
que le permite al investigador presentar el siguiente conjunto de conclusiones:
Respecto al primer objetivo específico se concluye que la simulación de sondeos
atmosféricos con el modelo GDAS, es un procedimiento rápido, práctico y sencillo, que
puede ser aplicado a cualquier localidad de la que se conozcan sus coordenadas
geográficas. Además este procedimiento proporciona una amplia gama de datos (altura
geopotencial, temperatura, punto de rocío, velocidad y dirección del viento a diferentes
niveles de presión) y resultados (índices de estabilidad atmosférica ya calculados) que
permiten conocer el comportamiento dinámico de la atmósfera en un momento dado. Para
la región de estudio y período de estudio, la descarga de datos utilizando este modelo,
resultó de útil aplicación, ya que, a diferencia de otros modelos de simulación de datos
atmosféricos, el modelo GDAS posee un archivo meteorológico con datos almacenados
desde el 1º de diciembre de 2004, lo cual permite el análisis comparativo de dichos datos.
El segundo objetivo se refiere a la obtención de Índices de Estabilidad Atmosférica con
sondeos simulados. En este caso los índices td850, CAPE y CINH, se obtuvieron
directamente del sondeo y para determinar los índices Theta-e850, KI, WI, CT y TT el
sondeo suministra los datos que se incluirán en las fórmulas definidas en el Marco Teórico.
El tercer objetivo señala las relaciones entre los índices y la precipitación diaria. De este
objetivo se concluye que ambas variables se encuentran relacionadas, excepto los índices
CAPE y CINH en las estaciones Maiquetía, La Carlota y Valencia. De igual manera, para
toda la serie, estas relaciones son más débiles en la estación Maiquetía. Una de las causas
que puede originar este problema se le atribuye a inconsistencias o errores en los datos y
posible ocurrencia frecuente de lluvias por ascenso forzado.
- 61 -
Para complementar el cuarto objetivo, se calcularon umbrales regionales para cada índice,
obteniéndose elevados porcentajes de aciertos para la muestra de días con lluvia. Sin
embargo, por las características de la serie de estudio, el uso de los umbrales como modelo
de pronóstico de ocurrencia de lluvia sólo puede aplicarse, por el momento, a la elaboración
de mapas de estabilidad atmosférica.
Para el cumplimiento del quinto objetivo, se aplicaron modelos de regresión lineal múltiple
y logística binaria a las series dadas. Del modelo de regresión lineal se concluye que, este
modelo puede ser utilizado como diagnóstico para predecir el comportamiento de una serie
de datos respecto al pronóstico de ocurrencia de lluvia, esto se debe a las características de
la serie de estudio respecto al modelo regresión lineal, mediante el cual las salidas del
modelo o pronósticos, no se encuentran acotados. El modelo de regresión logística es el que
mejor aplicación presenta para la serie de estudio, esto se debe a que, proporciona salidas
acotadas entre los valores de probabilidad [0,1] incluyendo como variables independientes
a todos los índices de estabilidad aplicados en esta investigación y, con esto los valores de
aciertos, en general, superan el 65%. Cabe destacar que las ecuaciones de regresión
obtenidas del análisis de esta serie de datos no se pueden tomar como definitivas, porque el
período utilizado es muy corto y la densidad de estaciones no es representativa de la región
de estudio; además en modelos de pronóstico, es un error congelar las ecuaciones, lo
recomendable es alimentar el modelo mensualmente con nuevos datos, de modo que se
mejore cada día el modelo.
En general, los resultados obtenidos permiten concluir que el método de regresión logística
binaria, basado en el uso Índices de Estabilidad Atmosférica mediante sondeos virtuales de
la atmósfera, representa de manera efectiva de pronosticar la ocurrencia o no ocurrencia de
precipitaciones en la Región Centro Norte Costera de Venezuela.
- 62 -
Adicionalmente se realizaron comparaciones de este modelo para distintos períodos y se
concluye que para determinar un modelo de pronóstico es necesario utilizar series que
incluyan años completos diferenciando el estudio para el período seco y el lluvioso, con lo
cual se estima que debe mejorar las probabilidades de aciertos y se puede obtener un
modelo que se adapte mejor a las condiciones de la zona.
De igual manera se compararon los datos provenientes de radiosondeos reales e
interpolados y, se concluyó que para la muestra utilizada los datos generados por el Modelo
de Asimilación de Datos Globales (GDAS) pueden sustituir de manera eficiente a los
procedentes de radiosondeos reales de la atmósfera, en caso de no poseer estos datos; sin
embargo es necesario ampliar el período de estudio y la cantidad de estaciones a analizar,
de modo que se pueda tener una conclusión válida para cualquier período y lugar del país.
La investigación desarrollada constituye un avance en el uso de modelos objetivos
meteorológicos de pronóstico, así como en la aplicación de algunos índices de estabilidad
atmosférica en nuestra área geográfica.
- 63 -
RECOMENDACIONES
Los resultados obtenidos en esta investigación se consideran preliminares y constituyen la
base para la determinación y puesta en práctica de modelo de pronóstico. En este sentido se
recomienda:
Debido a las condiciones actuales que presenta la red hidrometeorológica nacional y de los
datos existentes, es necesario realizar un análisis de la calidad de los datos utilizados,
previo a la ejecución de cualquier investigación, ya que esto evita errores en los resultados
obtenidos y retrasos en la elaboración de los trabajos.
Para obtener modelos que representen el área de estudio es necesario contar con una red
más densa de estaciones, de manera que los trabajos realizados al respecto puedan ser
utilizados como definitivos.
Con el propósito de mejorar los aciertos obtenidos al aplicar un modelo de pronóstico
basado en el uso de Índices de Estabilidad Atmosférica provenientes de sondeos
interpolados de la atmósfera, se recomienda analizar los datos de varios años, tantos como
sean posibles, diferenciando el período lluvioso del período seco.
Se recomienda ampliar el estudio comparativo entre los datos procedentes de sondeos
reales e interpolados, con el fin de determinar una tendencia general respecto a los datos
procedentes de ambos sondeos.
Se recomienda que la validez de los modelos encontrados y los que se logren a posteriori,
se verifiquen con una muestra independiente, es decir, con muestras que no formen parte de
las utilizadas para la elaboración de los modelos.
- 64 -
Dado que el umbral utilizado para definir un día con lluvia es la definición de día lluvioso
de la Organización Meteorológica Mundial (0.1 mm o más), sería de interés aplicar la
metodología aquí descrita para diferentes umbrales con lo cual se puede determinar un
modelo de pronóstico para ocurrencia de precipitaciones de distinta intensidad.
- 65 -
REFERENCIAS BIBLIOGRÁFICAS
Astros, E. (1989) Aplicación y Evaluación del Índice Sholwalter en la predicción de Tormentas y Chaparrones en Caracas y Maracay. Trabajo Especial de Grado. Inédito. Universidad Central de Venezuela, Caracas. Barry, R. y Chorley, R. (1972) Atmósfera Tiempo y Clima. Barcelona. Ediciones Omega, S. A. 500 p. Cárdenas, P. A. (2009) Modelo de Pronóstico Objetivo, un caso de estudio Estación La Carlota. INAMEH. 26 p. Constantino, C. (1951) Meteorología Descriptiva. 2da ed. Buenos Aires. Librería “El Ateneo” Editorial. 338 p. Davison, M.; Giada, E. y Leyton, J. (2000) Sistemas Frontales. Análisis. National Weather Service. Hydrometeorological Prediction Center [Artículo en Línea]. Disponible: http://www.hpc.ncep.noaa.gov/international/frentes2.shtml [Consulta: 2009, mayo 23] Durán, M. (2008) Determinación de la aplicabilidad de cinco Índices de Estabilidad Atmosférica como herramienta de pronóstico para ser utilizada en la Región Centro Norte Costera de Venezuela. Trabajo Especial de Grado. Inédito. Universidad Central de Venezuela, Caracas. García L., F. (2009) Pronóstico de ocurrencia de lluvia usando Índices de Estabilidad Atmosférica y Cadenas de Markov. Electrificación del Caroní. 39 p. Gol, A. (1963) Las causas meteorológicas de las lluvias de extraordinaria magnitud en Venezuela. 2da ed. Caracas. Ministerio de la Defensa, Comandancia General de la Aviación, Servicio de Meteorología y Comunicaciones. Guevara, J. (2004) Meteorología. Caracas. Universidad Central de Venezuela. Consejo de Desarrollo Científico y Humanístico. 378 p. Gutiérrez, E. y Vargas C. (2005) Climatología sinóptica de los patrones circulatorios de la estación lluviosa venezolana en el período 1978-1999. Trabajo Especial de Grado. Inédito. Universidad Central de Venezuela, Caracas. Holton, J. (1990) Introducción a la Meteorología Dinámica. 2da ed. Madrid. Edita Instituto Nacional de Meteorlogía 425 p. Institute of Marine and Atmospheric Research. (2002) Thunderstrom Predictors and their Forecast Skill for The Netherlands. The Netherlands: Alwin Haklander
- 66 -
Jagsictt, J. (1954) Meteorología Física. El Tiempo. Buenos Aires. Editorial Kapelusz. 249 p. Ledesma, M. (2008) Meteorología Aplicada a la Aviación. 13ava ed. España. Editorial Paraninfo. 528 p. Medina, M. (1976) Meteorología Básica Sinóptica. Madrid. Editorial Paraninfo. Meyer, P. (1973) Probabilidad y Aplicaciones Estadísticas. Fondo Educativo Interamericano, S.A. Mundaray, R. y García, K. (2005) Condiciones meteorológicas que provocaron las Inundaciones en febrero del 2005 en las costas venezolanas. Trabajo Especial de Grado. Inédito. Universidad Central de Venezuela, Caracas. National Weather Service Glossary. (2006) National Oceanic and Atmospheric Administration. Edición revisada. Naya, A. (1984) Meteorología Superior. Madrid. 543 p. Organización Meteorológica Mundial. (1970) Glosario en Español. Pettersen, S. (1976) Introducción a la Meteorología. 5ta ed. Madrid. Editorial Espara- Calpe, S. A. 423 p. Rackliff, P. (1962) Application o fan instability index to regional Forecasting. The meteorological Magazine. Retallack, B. (1974) Compendio de Meteorología. Meteorología Física Volumen 1, Parte 2. Organización Meteorológica Mundial-N0 364. Romero, M. (2000) Estudio de 5 Índices de Estabilidad Atmosférica para la determinación de su aplicabilidad como herramienta en la elaboración de Pronósticos Hidrometeorológicos para la Cuenca del Río Caroní. Trabajo Especial de Grado. Inédito. Universidad Central de Venezuela, Caracas. Sabino, C. (2002) El Proceso de Investigación. Una introducción teórico- práctica Showalter, A. (1953) Stability index for thunderstorm forecasting. American Meteorological Society. Simonelli, S. (2008) Modelo estadístico de Pronóstico de Convección para la zona norte de la Provincia de Mendoza [Resumen en Línea]. Trabajo de Tesis no publicado, Universidad
- 67 -
de Buenos Aires. Disponible: http://www.prmarg.org/publicaciones/scstesis/ApII.html [Consulta: 2009, septiembre 30]. Sordo, C. (2006) Técnicas Estadísticas para la Proyección Local de la Predicción Meteorológica Estacional. Métodos, Validación y Estudios de Sensibilidad. Tesis Doctoral. Inédita. Universidad de Cantabria, España. Suárez, D. Otras técnicas de Predicción. Guía de Estudio. Suárez, D. (1987) Uso del índice de Estabilidad Atmosférica de Showalter en la Predicción de Tormentas en Maracay. Trabajo Especial de Grado. Inédito. Universidad Central de Venezuela, Caracas. Suárez, D. (1992) Exposición de 26 Índices de Estabilidad Atmosférica y su aplicación en un día de tormenta y un día de buen tiempo en la Zona Trópico-Continental de Maracay. Trabajo de Ascenso Profesor Agregado. Inédito. Universidad Central de Venezuela, Caracas. Universidad Central de Venezuela. Facultad de Ingeniería. Departamento de Ingeniería Hidrometeorológica (1995) Nueva Meteorología Tropical. Caracas: Daniel Suárez. Universidad Central de Venezuela. Facultad de Ingeniería. Departamento de Ingeniería Hidrometeorológica (2003) Diagramas Termodinámicos. Caracas: Daniel Suárez. Universidad Central de Venezuela. Facultad de Ingeniería. Departamento de Ingeniería Hidrometeorológica (1981) El pronóstico del Tiempo en los trópicos, técnicas de pronostico a corto plazo. Primer seminario: Uso de índices de estabilidad. Caracas: Daniel Suárez. Universidad Central de Venezuela. Facultad de Ingeniería. Departamento de Ingeniería Hidrometeorológica (1995) Meteorología Sinóptica: Apuntes. Caracas: Daniel Suárez. Viaut, A. (1981) La Meteorología. Colección ¿Qué sé? Nueva Serie. Barcelona. Editorial Villasar de Mar. 97 p.
- 68 -
APÉNDICE I. TABLAS Y FIGURAS
Valores Medios, Máximos, Mínimos y significancia de F de cada Índice de Estabilidad Atmosférica. Estación La Carlota. La Carlota Grupos N Media Mínimo Máximo F Sig.
0 157 13,3 8,2 16,01 164 14,2 8,6 16,60 157 396,0 1,0 1197,01 164 485,5 2,6 1681,00 157 -26,8 -127,1 0,01 164 -18,5 -89,7 0,00 157 338,1 328,5 346,01 164 340,3 328,5 347,50 157 29,5 5,4 38,41 164 33,5 17,6 39,70 157 24,1 4,2 69,61 164 14,5 3,2 51,30 157 41,8 35,3 46,11 164 43,0 35,1 47,10 157 18,8 12,9 21,81 164 19,9 13,2 22,5
TT 26,6 0,000000
CT 35,2 0,000000
Ki 45,4 0,000000
Wi 52,9 0,000000
CINH 13,7 0,000248
Thetae85 33,6 0,000000
td85 35,2 0,000000
CAPE 8,3 0,004216
Estación Maiquetía.
Maiquetía Grupos N Media Mínimo Máximo F Sig.0 227 14,7 8,3 18,91 94 15,6 10,8 18,60 227 464,7 0,2 1245,01 94 536,8 0,4 1799,00 227 -23,5 -106,4 0,01 94 -17,8 -83,2 0,00 227 343,2 328,1 356,41 94 345,3 333,0 356,90 227 32,9 26,5 54,11 94 31,4 27,0 41,10 227 21,3 3,4 74,81 94 14,3 3,7 54,50 227 40,7 32,8 45,91 94 41,6 35,2 46,80 227 18,3 12,8 21,81 94 19,2 14,2 22,0
td85 10,8 0,001156
CAPE 3,7 0,056138
CINH 5,1
Ki 10,5 0,001307
Wi 21,3
0,023946
TT 8,7 0,003389
CT 19,3 0,000015
Thetae85 5,9 0,015559
0,000006
- 69 -
Estación Maracay.
Maracay Grupos N Media Mínimo Máximo F Sig.
0 183 13,7 9,2 16,71 171 14,7 10,5 17,00 183 232,0 0,0 1260,01 171 296,8 0,0 1070,00 183 -29,4 -104,0 0,01 171 -28,2 -154,0 0,00 183 338,9 329,0 347,91 171 341,3 332,1 348,50 183 30,4 2,8 38,81 171 34,5 22,1 40,00 183 22,3 2,0 86,11 171 12,0 2,6 44,50 183 41,9 35,9 45,61 171 43,4 37,6 47,00 183 19,1 14,2 22,31 171 20,4 16,5 22,8
TT 55,2 0,000000
CT 71,3 0,000000
Ki 68,5 0,000000
Wi 65,8 0,000000
0,2 0,629035
Thetae85 44,2 0,000000
53,0 0,000000
CAPE 9,1 0,002748
td85
CINH
Estación Valencia.
Valencia Grupos N Media Mínimo Máximo F Sig.
0 127 13,7 9,1 16,71 196 14,6 9,3 17,10 127 189,6 0,0 1177,01 196 227,0 0,0 1095,00 127 -31,4 -145,8 0,01 196 -30,5 -156,1 0,00 127 338,7 329,3 347,51 196 340,9 330,8 348,60 127 31,1 7,2 39,01 196 34,1 19,8 40,10 127 20,5 1,1 90,71 196 13,3 1,6 84,50 127 41,9 35,2 45,91 196 43,1 35,9 46,90 127 19,3 13,6 22,11 196 20,3 14,6 23,0
TT 26,6 0,000000
CT 34,7 0,000000
Ki 33,9 0,000000
Wi 23,8 0,000002
CINH 0,1 0,779688
Thetae85 29,7 0,000000
td85 32,3 0,000000
CAPE 2,9 0,086904
- 70 -
Intervalo de Confianza de la media al 95% y Recorrido de la variable P01 con respecto a cada Índice de Estabilidad Atmosférica Estación La Carlota. Índice td850
Índice CAPE
-1. 00 0.00 1.00 2.00
P01
350.0
400.0
450.0
500.0
CA
PE
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
-1. 00 0.00 1.00 2.00
P01
13.20
13.60
14.00
14.40
td85
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
- 71 -
Índice CINH
Índice Theta-e850
-1. 00 0.00 1.00 2.00
P01
338.00
339.00
340.00
Thet
ae85
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
-1. 00 0.00 1.00 2.00
P01
-30.000
-25.000
-20.000
-15.000
CIN
H
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
- 72 -
Índice KI
Índice WI
-1. 00 0.00 1.00 2.00
P01
29.00
30.00
31.00
32.00
33.00
34.00
Ki
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
-1. 00 0.00 1.00 2.00
P01
12.00
16.00
20.00
24.00
Wi
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
- 73 -
Índice TT
Índice CT
-1. 00 0.00 1.00 2.00
P01
19.00
19.50
20.00
CT
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
-1. 00 0.00 1.00 2.00
P01
41.50
42.00
42.50
43.00
TT
]
]
Estación La Carlota.
Grupos por lluvia (1) y no lluvia (0)
- 74 -
Estación Maiquetía. Índice td850
Índice CAPE
-1 0 1 2
p01
400.00
450.00
500.00
550.00
600.00
CA
PE
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
p01
14.50
15.00
15.50
td85
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
- 75 -
Índice CINH
Índice Theta-e850
-1 0 1 2
p01
-25.00
-20.00
-15.00
CIN
H
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
p01
342.00
343.00
344.00
345.00
346.00
Thet
ae85
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
- 76 -
Índice KI
Índice WI
-1 0 1 2
p01
31.00
32.00
33.00
Ki
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
p01
12.50
15.00
17.50
20.00
22.50
Wi
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
- 77 -
Índice TT
Índice CT
-1 0 1 2
p01
40.50
41.00
41.50
42.00
TT
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
p01
18.00
18.50
19.00
19.50
CT
]
]
Estación Maiquetía.
Grupos por lluvia (1) y no lluvia (0)
- 78 -
Estación Maracay.
Índice td850
Índice CAPE
-1 0 1 2
P01
13.60
14.00
14.40
14.80
td85
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
200.00
240.00
280.00
320.00
CA
PE
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
- 79 -
Índice CINH
Índice Theta-e850
-1 0 1 2
P01
-32.00
-30.00
-28.00
-26.00
-24.00
CIN
H ]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
339.00
340.00
341.00
Thet
ae85
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
- 80 -
Índice KI
Índice WI
-1 0 1 2
P01
10.00
15.00
20.00
25.00
Wi
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
30.00
31.00
32.00
33.00
34.00
35.00
Ki
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
- 81 -
Índice TT
Índice CT
-1 0 1 2
P01
41.50
42.00
42.50
43.00
43.50
TT
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
19.00
19.50
20.00
20.50
CT
]
]
Estación Maracay.
Grupos por lluvia (1) y no lluvia (0)
- 82 -
Estación Valencia.
Índice td850
Índice CAPE
-1 0 1 2
P01
13.60
14.00
14.40
14.80
td85
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
175.0
200.0
225.0
250.0
CA
PE
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
- 83 -
Índice CINH
Índice Theta-e850
-1 0 1 2
P01
-35.0
-32.5
-30.0
-27.5
CIN
H ]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
338.00
339.00
340.00
341.00
Thet
ae85
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
- 84 -
Índice KI
Índice WI
-1 0 1 2
P01
12.50
15.00
17.50
20.00
22.50
Wi
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
30.00
31.00
32.00
33.00
34.00
35.00
Ki
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
- 85 -
Índice TT
Índice CT
-1 0 1 2
P01
41.50
42.00
42.50
43.00
43.50
TT
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
-1 0 1 2
P01
19.00
19.50
20.00
20.50
CT
]
]
Estación Valencia.
Grupos por lluvia (1) y no lluvia (0)
- 86 -
Coeficientes de las Ecuaciones de Regresión para las 4 estaciones.
Estación La Carlota Regresión Lineal Regresión Logística
Variable B Variable B Constante -93,100 Constante -469,177
td85 -1,029 td85 -5,154 CAPE 0,000 CAPE 0,000 CINH 0,004 CINH 0,024
Thetae85 0,325 Thetae85 1,631 Ki 0,006 Ki 0,034 Wi -0,012 Wi -0,069 TT -0,362 TT -1,780 CT 0,672 CT 3,268
Estación MaiquetíaRegresión Lineal Regresión Logística Variable B Variable B Constante -5,971 Constante 8,873
td85 -0,103 Variable No IntroducidaCAPE 0,000 CAPE 0,000 CINH 0,001 CINH 0,006
Thetae85 0,025 Thetae85 -0,017 Ki -0,008 Ki -0,073 Wi -0,005 Wi -0,029 TT -0,091 TT -0,328 CT 0,184 CT 0,670
- 87 -
Variable B Variable BConstante -70,848 Constante -256,399
td85 -0,947 td85 -3,579CAPE 0,000 CAPE 0,001CINH -0,002 CINH -0,013
Thetae85 0,250 Thetae85 0,906Ki 0,011 Ki 0,074Wi -0,007 Wi -0,046TT -0,388 TT -1,611CT 0,810 CT 3,301
Estación MaracayRegresión Lineal Regresión Logística
Estación Valencia Regresión Lineal Regresión Logística
Variable B Variable B Constante -42,818 Constante -17,055
td85 -0,499 Variable No IntroducidaCAPE 0,000 CAPE 0,000 CINH -0,001 CINH -0,003
Thetae85 0,147 Thetae85 0,042 Ki 0,014 Ki 0,059 Wi -0,002 Wi -0,009 TT -0,190 TT -0,097 CT 0,406 CT 0,282
- 88 -
APÉNDICES II. APLICACIÓN DE MODELOS AL PRONÓSTICO DE OCURRENCIA DE LLUVIA.
ELABORACIÓN DE MODELOS DE PRONÓSTICO PROBABILÍSTICO DE
OCURRENCIA DE LLUVIA.
Captación y procesamiento básico de datos de lluvia y control elemental de
calidad de éstos.
Obtención de los sondeos intrepolados del modelo GDAS del período de tiempo
escogido.
Verificación de los umbrales de los diferentes índices.
Construcción de modelos por
regresión logística binaria.
Buscar que la información faltante (diaria) sea mínima y se tengan 5 años de datos
diarios.
Hacerlo con al menos un año de sondeos y datos de lluvia, diarios.
Utilizar en la elaboración de modelos 4 años de datos diarios de sondeos
interpolados y lluvia.
SUGERENCIAS
Tener al menos 5 años de datos de sondeos interpolados de todos los meses
del año como muestra dependiente.
Distinguir umbrales para los períodos seco y lluvioso del año con el total de
datos de 5 años.
Prueba de los modelos obtenidos con muestras
independientes.