Upload
others
View
17
Download
0
Embed Size (px)
Citation preview
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS
PARA ZONAS ECUATORIALES A PARTIR DE
OBSERVABLES DE RADAR METEOROLÓGICO
Autora
Laura Angélica Cadena Contreras
Tutor
Ernesto Gómez Vargas
Doctor en Ingeniería
Magister en Ciencias de la Información y las Comunicaciones
Ingeniero Electrónico
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
Maestría en Ciencias de la Información y las Comunicaciones
Énfasis en Geomática
Bogotá, Colombia
Diciembre de 2017
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 2
AGRADECIMIENTOS
Quiero agradecer a todas aquellas personas que me han inspirado y apoyado para
cumplir uno de mis proyectos de vida, indirectamente cada tropiezo se convirtió en
una experiencia que me llevó a escoger este camino, en donde, encontré a seres
maravillosos capaces de mostrarme todo el potencial que tengo como profesional
e investigadora.
Quiero expresar un especial agradecimiento al Dr. Ernesto Gómez Vargas,
director y coordinador de esta investigación, por la orientación, el seguimiento y la
supervisión continúa, pero sobre todo por la motivación.
Y finalmente quiero agradecer a mi mamá por su guía y ejemplo, puesto que es
ella quien, con su profundo amor y dedicación, moldeó a la persona que soy. En
cada noche que tenía como compañía a la investigación era ella quien me
motivaba para no decaer ante los brazos de Morfeo.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 3
TABLA DE CONTENIDO
CAPITULO 1. INTRODUCCIÓN A LA INVESTIGACIÓN ..................................... 9
1. INTRODUCCIÓN ......................................................................................... 10
1.1 PROBLEMA DE INVESTIGACIÓN ........................................................ 11
1.2 OBJETIVOS .......................................................................................... 15
1.3 JUSTIFICACIÓN ................................................................................... 16
1.4 METODOLOGÍA .................................................................................... 17
CAPITULO 2. ESTADO DEL ARTE ................................................................... 20
2.1. MARCO TEÓRICO ................................................................................ 21
2.2. MARCO CONCEPTUAL ........................................................................ 30
2.3. MARCO ESPACIAL ............................................................................... 34
CAPITULO 3. ANÁLISIS DE DATOS ................................................................. 35
3.1. ANÁLISIS Y LECTURA DE DATOS ...................................................... 36
3.2. INTERPRETACIÓN DEL CLASIFICADOR DE HIDROMETEOROS ..... 44
3.3. ANÁLISIS DE LOS DATOS DE LOS EVENTOS DE PRECIPITACIÓN DEL RADAR DE COROZAL ............................................................................ 46
CAPITULO 4. DISEÑO DEL MODELO CONCEPTUAL ..................................... 64
4.1. DEFINICIÓN DEL OBJETIVO DEL MODELO ....................................... 65
4.2. DEFINICIÓN DE LOS LÍMITES DEL SISTEMA .................................... 65
4.3. CLASIFICACIÓN DE LOS COMPONENTES DEL SISTEMA DE INTERÉS ......................................................................................................... 67
4.4. IDENTIFICACIÓN DE LAS RELACIONES ENTRE LOS COMPONENTES DEL SISTEMA .................................................................... 68
4.5. REPRESENTACIÓN FORMAL DEL MODELO ..................................... 69
CAPITULO 5. MODELO FINAL DEL CLASIFICADOR ....................................... 71
5.1. CLASIFICADOR DE PROPAGACIONES ANÓMALAS, ECOS BIOLÓGICOS, LLUVIA LIGERA, LLUVIA MODERADA, LLUVIA PESADA, GOTAS GRANDES, GRANIZO ....................................................................... 73
5.2. PONDERACIÓN DE LAS VARIABLES POLARIMÉTRICAS ................. 75
CAPITULO 6. VALIDACIÓN Y RESULTADOS .................................................. 79
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 4
6.1. VALIDACIÓN A PARTIR DE DATOS SIMULADOS .............................. 80
6.2. VALIDACIÓN A PARTIR DE DATOS REALES ..................................... 81
CAPITULO 7. CONCLUSIONES ........................................................................ 86
7.1. TRABAJOS FUTUROS ......................................................................... 89
REFERENCIAS ..................................................................................................... 90
ANEXOS ................................................................................................................ 95
ANEXO 1. TABLA DE CLASIFICACIONES DE HIDROMETEOROS ................. 96
ANEXO 2. TABLAS DE RESULTADOS DEL CLASIFICADOR .......................... 99
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 5
LISTA DE TABLAS
Tabla 1. Aplicaciones y ventajas de los observables polarimétricos. ..................... 32
Tabla 2. Información general del radar meteorológico ubicado en Corozal. .......... 36
Tabla 3. Eventos de precipitación del radar de Corozal seleccionados para el
estudio. .................................................................................................................. 36
Tabla 4. Información general de los archivos netCDF para el radar ubicado en
Corozal .................................................................................................................. 37
Tabla 5. Listado de variables almacenadas por el radar de Corozal de los archivos
netCDF, con su identificador y los atributos almacenados por cada variable. ....... 38
Tabla 6. Resumen de los archivos netCDF del radar de Corozal con la información
de las variables que contienen los observables polarimétricos, la reflectividad y un
hidroclasificador creado por el fabricante .............................................................. 40
Tabla 7. Interpretación de los clasificadores del software IRIS. ............................ 45
Tabla 8. Resultados del análisis estadístico de datos de los eventos de
precipitación del radar de Corozal. ........................................................................ 59
Tabla 9. Análisis Clasificador C2 para cada uno de los 5 eventos de Corozal ...... 61
Tabla 10. Análisis Clasificador C1 para cada uno de los 5 eventos de Corozal .... 62
Tabla 11. Análisis Clasificador C0 para cada uno de los 5 eventos de Corozal .... 62
Tabla 12. Valores típicos que toman los ecos de retrodisperción para las variables
polarimétricas que se utilizarán en el estudio ........................................................ 67
Tabla 13. Clasificación de los componentes (entradas y salidas) del modelo ....... 68
Tabla 14. Afectación de las fuentes de incertidumbre a las variables polarimétricas
............................................................................................................................... 68
Tabla 15 Variables de entrada para la clasificación ............................................... 73
Tabla 16. Valores de las constantes a,b,c y d para las Funciones de pertenecía. 74
Tabla 17. Matriz A normalizada para propagaciones anómalas (PA) .................... 76
Tabla 18. Matriz A normalizada para ecos biológicos (EB) .................................... 76
Tabla 19. Matriz A normalizada para lluvia ligera (LL) ........................................... 76
Tabla 20. Matriz A normalizada para lluvia moderada (LM) ................................... 77
Tabla 21. Matriz A normalizada para lluvia pesada (LP) ........................................ 77
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 6
Tabla 22. Matriz A normalizada para gotas grandes (GG) ..................................... 77
Tabla 23. Matriz A normalizada para granizo (G) .................................................. 77
Tabla 24. Matriz de pesos para el clasificador difuso ............................................ 78
Tabla 25. Resultados del clasificador propuesto con los datos obtenidos a partir
del simulador.......................................................................................................... 80
Tabla 26. Resultados del clasificador propuesto comparado con el clasificador C0
de IRIS para el evento COR2 ................................................................................ 81
Tabla 27. Resultados del clasificador propuesto comparado con el clasificador C1
de IRIS para el evento COR2 ................................................................................ 83
Tabla 28. Resultados del clasificador propuesto comparado con el clasificador C2
de IRIS para el evento COR2 ................................................................................ 84
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 7
LISTA DE FIGURAS
Figura 1. Diagrama de flujo de la transformación de los datos .............................. 41
Figura 2. Estructura Clasificador del IRIS. ............................................................. 45
Figura 3. Escala de intensidades para la reflectividad (Z) medido en dBZ ............ 46
Figura 4. Visualización de la reflectividad (Z) para el evento 1: Corozal
(25/06/2013) (COR 1) Fuente: Elaboración propia ................................................ 47
Figura 5. Visualización de la reflectividad (Z) para el evento 2: Corozal
(28/06/2013) (COR 2) Fuente: Elaboración propia ................................................ 47
Figura 6. Visualización de la reflectividad (Z) para el evento 3: Corozal
(11/07/2013) (COR 3) ............................................................................................ 48
Figura 7 Visualización de la reflectividad (Z) para el evento 4: Corozal (29/07/2013)
(COR 4) Fuente: Elaboración propia ...................................................................... 48
Figura 8 Visualización de la reflectividad (Z) para el evento 5: Corozal (30/07/2013)
(COR 5) Fuente: Elaboración propia ...................................................................... 49
Figura 9. Histograma de la reflectividad Z para el evento 1: Corozal (25/06/2013)
(COR 1) ................................................................................................................. 49
Figura 10. Histograma de la reflectividad Z para el evento 2: Corozal (28/06/2013)
(COR 2) ................................................................................................................. 50
Figura 10. Histograma de la reflectividad Z para el evento 3: Corozal (11/07/2013)
(COR 3) ................................................................................................................. 50
Figura 10. Histograma de la reflectividad Z para el evento 4: Corozal (29/07/2013)
(COR 4) ................................................................................................................. 51
Figura 10. Histogramas de la reflectividad Z para el evento 5: Corozal (30/07/2013)
(COR 5) ................................................................................................................. 51
Figura 9. Histogramas de ZDR (dB) para el evento 1: Corozal (25/06/2013) (COR
1) ............................................................................................................................ 52
Figura 9. Histograma de la reflectividad Z para el evento 2: Corozal (28/06/2013)
(COR 2) ................................................................................................................. 52
Figura 9. Histogramas de ZDR (dB) para el evento 3: Corozal (11/07/2013) (COR
3) ............................................................................................................................ 53
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 8
Figura 9. Histogramas de ZDR (dB) para el evento 4: Corozal (29/07/2013) (COR
4) Fuente: Elaboración propia. ............................................................................... 53
Figura 9. Histogramas de ZDR (dB) para el evento 5: Corozal (30/07/2013) (COR
5) ............................................................................................................................ 54
Figura 9. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento
1: Corozal (25/06/2013) (COR 1) ........................................................................... 54
Figura 10. Histogramas de diferencial especifico de fase KDP (°/km ) para el
evento 2: Corozal (28/06/2013) (COR 2) ............................................................... 55
Figura 10. Histogramas de diferencial especifico de fase KDP (°/km ) evento 3:
Corozal (11/07/2013) (COR 3) ............................................................................... 55
Figura 10. Histogramas de diferencial especifico de fase KDP (°/km ) para el
evento 4: Corozal (29/07/2013) (COR 4) ............................................................... 56
Figura 10. Histogramas de diferencial especifico de fase KDP (°/km ) para el
evento 5: Corozal (30/07/2013) (COR 5) ............................................................... 56
Figura 9. Histogramas del coeficiente de correlación rohv para el evento 1: Corozal
(25/06/2013) (COR 1) ............................................................................................ 57
Figura 9. Histogramas del coeficiente de correlación rohv para el evento 2: Corozal
(28/06/2013) (COR 2) ............................................................................................ 57
Figura 9. Histogramas del coeficiente de correlación rohv para el evento 3: Corozal
(11/07/2013) (COR 3) ............................................................................................ 58
Figura 9. Histogramas del coeficiente de correlación rohv para el evento 4: Corozal
(29/07/2013) (COR 4) ............................................................................................ 58
Figura 28. Histogramas del coeficiente de correlación rohv para el evento 5:
Corozal (30/07/2013) (COR 5) ............................................................................... 59
Figura 14. Mapa Conceptual del Modelo de clasificación de hidrometeoros ......... 69
Figura 15. Esquema general del clasificador propuesto ........................................ 70
Figura 16. Funciones de pertenecia para todas las variables del clasificador
(propagaciones anómalas, ecos biológicos, lluvia ligera, lluvia moderada, lluvia
pesada, gotas grandes, granizo. ............................................................................ 73
Figura 17. Esquema básico del clasificador difuso propuesto ............................... 75
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 9
CAPITULO 1. INTRODUCCIÓN A LA
INVESTIGACIÓN
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 10
1. INTRODUCCIÓN
Colombia es un país que se encuentra ubicado en la zona ecuatorial. Esta zona
se caracteriza por la presencia de clima húmedo y lluvias frecuentes; la nieve y
graupel no son un tipo de precipitación de esta región, mientras que el granizo es
un tipo de hidrometeoro que se presenta en menor frecuencia. El conocimiento
sobre el tipo de precipitación que ocurre en un determinado territorio, así como la
cantidad del mismo, puede traer múltiples beneficios asociados a sistemas de
alerta temprana y predicción del clima. Es así como el conocimiento y la predicción
de los fenómenos climatológicos ha sido una de las áreas que ha despertado
mayor interés durante toda la historia y, en la actualidad la investigación continúa
con la ayuda de técnicas y herramientas modernas que ofrecen mejores
potencialidades al respecto. En Colombia no se cuenta con un modelo de
clasificación de hidrometeoros diseñado específicamente para la región y, en la
actualidad, los radares adquiridos por las diferentes entidades gubernamentales,
utilizan como algoritmo de clasificación los desarrollados por investigaciones
científicas basadas en regiones climáticas diferentes a las ecuatoriales.
Adicionalmente, los modelos presentados a la fecha, parten de unas clases de
hidrometeoros previamente definidos de acuerdo a un conocimiento de experto y,
los modelos propuestos, utilizan datos simulados de radar, lo que puede conllevar
a errores significativos al momento de su aplicación en regiones ecuatoriales.
Teniendo en cuenta las circunstancias anteriormente mencionadas, se evidencia
la necesidad de desarrollar una investigación orientada a la construcción de un
modelo de clasificación de hidrometeoros, basado en las características de
precipitación de la región ecuatorial, y, que proponga nuevos enfoques y
herramientas de clasificación, en la búsqueda de mejorar el desempeño actual de
los algoritmos implementados en los radares que se han adquirido. El presente
trabajo es una propuesta que busca dar respuesta a la problemática expuesta.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 11
1.1 PROBLEMA DE INVESTIGACIÓN
1.1.1 Planteamiento del problema
El ser humano ha buscado permanentemente el conocimiento del entorno que lo
rodea como un mecanismo de supervivencia ante las distintas adversidades que la
naturaleza le ha presentado. Es así como el conocimiento y la predicción de los
fenómenos climatológicos ha sido una de las áreas que ha despertado mayor
interés durante toda su historia y, en la actualidad, la investigación continúa con la
ayuda de técnicas y herramientas modernas que ofrecen mejores potencialidades
al respecto.
Los fenómenos climáticos tienen asociados riesgos que pueden ser mitigados, si
se reacciona oportunamente, a través de un adecuado sistema de alerta temprana
que sea capaz de identificar correctamente el tipo precipitación presentado en una
zona determinada. De esta manera, eventos considerados como posible amenaza,
serán informados en el instante en que se presenten, para que se tomen las
medidas necesarias que eviten pérdidas humanas y minimicen la cantidad de
daños materiales.
La clasificación de los hidrometeoros que caracterizan las precipitaciones en una
región específica, así como la intensidad de las mismas en un intervalo de tiempo
dado, son un elemento fundamental para predicción de fenómenos climáticos de la
zona observada y sus áreas vecinas.
Los modelos de clasificación de hidrometeoros se han convertido en una
herramienta esencial para el desarrollo de investigaciones relacionadas con la
microfísica de las lluvias, la detección de granizadas, el ajuste de algoritmos de
estimación de la precipitación, la asistencia en vuelos y el pronóstico del tiempo.
(Marzano, Scaranari, and Vulpiani 2007)
El radar meteorológico es un instrumento de medición utilizado para la detección
de la precipitación y otros fenómenos meteorológicos como viento, granizo y
nieve. En los últimos años ha evolucionado y su tecnología incluye el manejo de
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 12
ondas polarizadas horizontal y verticalmente. Se fundamenta en la información
que obtiene de la potencia de los ecos de retrodispersión de los hidrometeoros, la
cual es convertida a través de la ecuación del radar en reflectividad radiárica.
(Gómez Vargas 2015)
Para el cálculo y clasificación de los diferentes hidrometeoros presentes en el
radio inspeccionado, el radar entrega una serie de medidas denominadas
observables de radar polarimétrico. Estos observables se obtienen de la señal
reflejada y que caracterizan a cada uno de los tipos de hidrometeoros sobre los
cuales incide el rayo transmitido por el radar. Los más importantes observables de
radar son: reflectividad diferencial (ZDR), tasa de despolarización lineal (LDR),
Diferencial específico de fase (KDP), coefiente de correlación (HV) (Rinehart 2007).
Estos constituyen algunas de las variables independientes de esta investigación.
Dentro de las investigaciones realizadas hasta la fecha, existen dos que vale la
pena destacar, por los óptimos resultados de los modelos de clasificación
desarrollados:
Park et al. en el 2009 desarrollaron un algoritmo de clasificación de hidrometeoros
para el radar polarimétrico WSR-88D, el cual fue probado con datos de Oklahoma
arrojando resultado satisfactorios. Los tipos de hidrometeoros que incluía son:
nieve agregada seca, nieve húmeda, cristales de diversas orientaciones, graupel,
y otras.
Marzano, Scaranari, and Vulpiani en el 2007 desarrollaron un clasificador de
hidrometeoros con lógica difusa supervisada usando un radar meteorológico
banda C. Este algoritmo fue probado con datos de radares localizados en
Gattatico y S, Pietro en el norte de Italia. Al igual que el de Park utiliza dentro de
sus categorías de clasificación nieve y graupel entre otros.
También es importante mencionar los trabajos realizados por Liu y Chandrasekar
en el 2000, los cuales constituyen las investigaciones preliminares sobre
clasificación de hidrometeoros. La tabla comparativa que sintetiza las variables
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 13
polarimétricas utilizadas y los tipos de hidrometeoros que se tuvieron en cuenta en
cada estudio se podrá encontrar en el anexo 1.
En los últimos años el estado colombiano ha realizado importantes esfuerzos en la
adquisición de cuatro radares meteorológicos Banda C de similares características
técnicas ubicados en los siguientes sitios: Medellín (Santa Elena), Subachoque (El
tablazo), Corozal (Aeropuerto de Brujas) y San Andrés Islas. No obstante la
inversión realizada, los beneficios recibidos por la misma no son los óptimos, ya
que en la actualidad no se cuenta con estudios ni investigaciones tendientes a
desarrollar un algoritmo que permita clasificar los Hidrometeoros que caracterizan
las diferentes precipitaciones que se presentan en las regiones clombianas sobre
las cuales existe cobertura del barrido de radar.
Los radares meteorológicos instalados en Colombia tienen incorporado dentro de
su lógica de procesamiento algoritmos de hidroclasificación que han sido
desarrollados y probados para condiciones meteorológicas diferentes a las zonas
ecuatoriales; las categorías predefinidas y puestas a punto incluyen: granizo
blando, nieve, nieve húmeda y otras que no corresponden a los tipos de
precipitación de la región ecuatorial.
Por lo anterior, es necesario definir las firmas de hidrometeoros para las zonas
ecuatoriales y diseñar un modelo de clasificación acorde a esta región, ya que de
continuar utilizándo el modelo de Park que está incorporado en los radares
adquiridos, la estimación cuantitativa de la precipitación va a estar más distante de
la realidad. Un correcto modelo ajustado de manera adecuada, debe procesar
estas entradas y generar como resultado o variable dependiente la clasificación
del hidrometeoro de acuerdo al tipo de precipitación al que pertenezca.
Teniendo en cuenta que los dos algoritmos mencionados anteriormente fueron
probados en sus respectivas regiones, obteniendo resultados satisfactorios en lo
que a eficacia de clasificación se refiere, es importante conocer el grado de
eficacia que es posible lograr en la clasificación de hidrometeoros, aplicando los
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 14
algoritmos de Park y Marzano a datos de radar con lecturas propias de la región
colombiana.
El problema de la clasificación de hidrometeoros requiere que el modelo a utilizar
tenga en cuenta que las observaciones para los diferentes tipos de clasificación no
son mutuamente excluyentes (Gorgucci, Baldini y Chandrasekar 2006), razón por
la cual a la fecha, la opción más fácil que han definido los investigadores es la
utilización de técnicas de lógica difusa y redes Bayesianas. No obstante lo
anterior, es conocido que existen otras técnicas algorítmicas de clasificación,
supervisadas y no supervisadas que no han sido abordadas dentro de las
investigaciones realizadas a la fecha.
1.1.2 Formulación del problema
Teniendo en cuenta que ya se han descrito las circunstancias que dan origen al
problema, es necesario expresarlo de forma clara y concreta a través de una
pregunta cuya respuesta se obtenga con la realización de la investigación.
1.1.2.1 Pregunta de Investigación
¿Cómo representar y clasificar los hidrometeoros en zonas ecuatoriales a partir de
datos de radares polarimétricos?
1.1.2.2 Hipótesis Planteada
Los resultados de la clasificación de hidrometeoros en zonas ecuatoriales, pueden
ser mejorados si se desarrolla un nuevo modelo, que contemple en su análisis y
diseño, datos de lecturas de radar propios de las mencionadas zonas, teniendo en
cuenta que los algoritmos utilizados en las investigaciones realizadas a la fecha,
se han construido a partir de datos capturados de regiones diferentes a las
ecuatoriales.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 15
1.1.3 Sistematización del problema
La pregunta anterior puede dar origen a varias subpreguntas, con el fin de reducir
un problema de características complejas en un conjunto de problemas menos
complejos:
¿Cómo extraer información de los datos de radar ubicados en la región
Colombiana?
¿Cómo se decodifican los datos del radar?
¿Qué variables polarimétricas serán tenidas en cuenta en el modelo?
¿Qué técnicas pueden aportar un mejor desempeño en el modelo de clasificación
a diseñar?
¿Cómo realizar la validación del modelo de clasificación de hidrometeoros
propuesto?
Por lo anterior, se considera que el diseño e implementación de un algoritmo
clasificador de hidrometeoros para la región colombiana, permitirá pronósticos
más acertados y una efectiva caracterización de los eventos relacionados con la
precipitación impactando positivamente y de manera importante sobre los
sistemas de alerta temprana, sistemas de vigilancia de embalses, sistemas de
información para el tráfico aéreo, pronóstico del clima para proyectos agrícolas,
información al ciudadano, etc.
1.2 OBJETIVOS
1.2.1 Objetivo general
Diseñar un clasificador de hidrometeoros para zonas ecuatoriales a partir de
datos de los observables polarimétricos de radares meteorológicos.
1.2.2 Objetivos específicos
Decodificar y analizar estadísticamente los datos de los observables
polarimétricos de radares meteorológicos ubicados en Colombia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 16
Diseñar el modelo conceptual del clasificador definiendo a partir del análisis
de datos las variables polarimétricas que deben ser consideradas.
Implementar el modelo propuesto seleccionando las técnicas y
herramientas que puedan entregar los mejores resultados en la
clasificación.
Diseñar y desarrollar un protocolo de validación y pruebas al modelo de
clasificación propuesto.
1.3 JUSTIFICACIÓN
1.3.1 Justificación teórica
Las investigaciones realizadas sobre clasificación de hidrometeoros no incluyen
técnicas de clasificación no supervisadas desaprovechándo las ventajas que
dichas técnicas podrían ofrecer a esta problemática. Un modelo de clasificación de
hidrometeoros que incorpore nuevas técnicas, traerá consigo un nuevo
conocimiento, que podrá servir inclusive para mejorar los clasificadores
actualmente desarrollados.
El resultado esperado del presente trabajo es un nuevo modelo aplicable a zonas
ecuatoriales, teniendo en cuenta que todos los estudios realizados se han
desarrollado en zonas donde hay estaciones.
1.3.2 Justificación metodológica
Existen muchas aplicaciones asociadas a la observación y predicción del clima,
dentro de estas se pueden mencionar: los sistemas de alerta temprana ante
desastres naturales, el pronóstico del tiempo como servicio a la ciudadanía, la
generación de modelos para la planeación de actividades agrícolas, la proyección
del comportamiento de los embalses, etc. Un adecuado modelo de clasificación de
hidrometeoros permitirá registrar continuamente todos los sucesos
meteorológicos, crear una completa base de conocimiento y predecir con un
importante grado de exactitud los eventos de precipitación que se puedan
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 17
presentar en una región determinada que se encuentre permanentemente
monitoreada.
1.3.3 Justificación práctica
La Aerocivil ha realizado una inversión importante de dinero para la adquisición de
tres radares polarimétricos Banda C, los cuales traen incorporado dentro de su
software el algoritmo de Park, el cual fue diseñado para las condiciones
medioambientales de países regidos por estaciones, por lo que el grado de
exactitud de la clasificación disminuye considerablemente para zonas ecuatoriales.
Teniendo en cuenta que los radares en mención, ofrecen la posibilidad de entregar
los datos en crudo de las lecturas realizadas sobre los observables polarimétricos,
se hace necesario desarrollar un modelo que lea estos datos de radar y realice la
respectiva clasificación del tipo de precipitación presentada.
Si se cuenta con un algoritmo que, tomando las lecturas de radar clasifique
correctamente los hidrometeoros presentados durante una precipitación, es
posible mejorar el estimado de la cantidad de dicha precipitación presentada
durante un determinado evento.
La clasificación de los hidrometeoros presentados en toda la región colombiana, a
través de lectura de radar, permite registrar los fenómenos presentados en todas
las zonas cubiertas por los radares dispuestos para tal fin, almacenando
información valiosa que permitirá generar conocimiento sobre el comportamiento y
las características de las precipitaciones observadas.
1.4 METODOLOGÍA
1.4.1 ETAPA 1: Decodificación de datos
Teniendo en cuenta que los datos entregados por el radar polarimétrico se
encuentran en el formato natural que entrega el fabricante, es necesario realizar
una serie de actividades en esta etapa, con el fin de adecuar los datos a los
requerimientos.
Transformar la información cruda a formato netCDF.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 18
Desarrollar e implementar rutinas en MATLAB que permitan leer el formato
netCDF.
Convertir la información netCDF a formato plano, organizando las
características adecuadas para que puedan ser utilizadas ágilmente en las
etapas siguientes.
1.4.2 ETAPA 2: Análisis de los datos
Una vez se tiene la información en un formato plano, se interpreta el contenido de
cada una de las variables de interés, por lo cual es necesario visualizar:
La reflectividad de cada evento que se estudiará.
Pruebas de tendencia central e histogramas de las variables polarimetricas
para cada variable.
Una vez realizadas las pruebas, se procede a seleccionar que variables se
utilizaran como variables de entrada en el modelo conceptual.
Análisis del clasificador que trae por defecto la información del radar.
1.4.3 ETAPA 3: Diseño de modelo conceptual propuesto
Para este diseño se deben establecer los parámetros y datos adicionales a tener
en cuenta como los pesos de variables para cada tipo de hidrometeoro, y demás
aspectos que puedan afectar la exactitud de la clasificación. Esta etapa se
desarrolla en los siguientes pasos:
Definir los objetivos del modelo.
Definir los límites del sistema de interés.
Clasificar los componentes del sistema de interés.
Identificar las relaciones entre los componentes del sistema.
Representación formal del modelo conceptual.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 19
1.4.4 ETAPA 4: Modelo final del clasificador
Una vez definido el modelo conceptual de la clasificación y teniendo establecido
claramente las variables polarimétricas a utilizar, se selecciona un método
supervisado como herramienta a utilizar en el proceso.
Para presentar el clasificador se deben obtener la siguiente información:
Funciones de pertenencia para todas las variables.
Ponderación de las variables polarimetricas
Creación de las matrices A normalizadas.
Creación de la matriz de pesos para el clasificador difuso.
1.4.5 ETAPA 5: Validación y resultados del modelo propuesto
Para la validación se diseña un simulador de datos de radar.
Se aplica el modelo de clasificación para los datos simulados.
Se aplican datos reales al modelo clasificador propuesto.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 20
CAPITULO 2. ESTADO DEL ARTE
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 21
2.1. MARCO TEÓRICO
2.1.1. Tipos de clasificación de hidrometeoros
2.1.1.1. Supervisados
2.1.1.1.1. Basados en lógica difusa y redes neuronales
Los primeros en explorar las funcionalidades de la lógica difusa para los
algoritmos de clasificación, fueron Straka y Znirc (1993) y Straka (1996), a partir
de entonces otros como Vivekanandan et al. (1999), Zrnic et al. (2001), Le Bouar,
Testud y Keenan (2001), Schuur et al. (2003), Lim y Chandrasekar (2004) y
Marzano et al. (2008), han refinado dichos procesos en rutinas mucho más
sofisticadas (Park et al. 2009). Liu y Chandrasekar en el 2000, desarrollaron una
investigación denominada “Clasificación de hidrometeoros basada en medidas de
radar polarimétrico”, la solución algorítmica utilizó un sistema de lógica difusa y
lógica neuro-difusa, donde, la primera se usó para inferir el tipo de hidrometeoro y
la red neuronal para ajustar automáticamente los parámetros del conjunto difuso
en el sistema de lógica difusa. Las medidas de radar utilizadas fueron:
Reflectividad horizontal (ZH), Reflectividad Diferencial (ZDR), Fase diferencial de
propagación (KDP), Coeficiente de correlación (HV(0)), Relación de
Despolarización Lineal (LDR) y la correspondiente altitud. Las posibles salidas del
sistema neuro-difuso corresponden a los hidrometeoros definidos de manera
supervisada así: 1) llovizna, 2) lluvia, 3) nieve de densidad seca y baja 4) cristales
secos y de alta densidad, 5) humedad y fusión de nieve 6) graupel seco, 7)
graupel mojado, 8) granizo pequeño, 9) granizo grande, y 10) mezcla de lluvia y
granizo. En su estudio, justifican la utilización de la lógica difusa como técnica de
solución, debido a que esta es capaz de identificar hidrometeoros que están
traslapados con otros y con medidas contaminadas por el ruido. El sistema
propuesto, tiene tres componentes que son: Fuzificación, inferencia y
defuzificación, sin embargo, en cada uno de ellos se realizaron modificaciones. En
la etapa de inferencia se utilizó una combinación del método de producto con el
método aditivo. La importancia de la medida de radar puede ser diferente de
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 22
acuerdo al tipo de hidrometeoro, como es el caso de la lluvia donde ZDR y KDP
juegan un papel más importante para su identificación que las otras medidas, por
eso este algoritmo aplica una configuración de pesos para las medidas de radar
de acuerdo al tipo de hidrometeoro. Para la detección de la capa de fusión
“Melting Layer” (ML) (Nieve derretida por las gotas de lluvia durante la caída),
antes se detectaba por el mínimo de coeficiente de correlación (HV), lo cual
funcionaba en regiones estratiformes, sin embargo, para regiones convectivas
arrojaba resultados no satisfactorios. En el nuevo algoritmo propuesto se utilizan
ZH y ZDR en lugar de HV para la detección del ML. (Gorgucci, Baldini, and
Chandrasekar 2006).
Marzano, Scaranari y Vulpiani en el 2007 realizaron una investigación denominada
“Clasificación supervisada de Hidrometeoros con lógica difusa usando radar
meteorológico banda C”, esta fue una de las primeras investigaciones que utilizan
esta banda de radar ya que, para el 2007, la mayoría de la literatura científica
existente sobre técnicas de clasificación, estaban diseñadas para radares
meteorológicos de polarización dual en la banda S; las firmas polarimétricas de los
hidrometeoros pueden depender en su mayoría de la frecuencia que utilice el
sistema de radar polarimétrico. La respuesta ante precipitaciones con radares de
polarización dual banda S difieren considerablemente de los de banda C, debido a
que desde el punto de vista electromagnético las ondas banda C se ven afectadas
por el efecto de resonancia MIE. Abordar el tema de la clasificación de
hidrometeoros para radares banda C, es de especial interés debido a que la
mayoría de los radares meteorológicos operan en esta banda, ya que ofrecen
ventajas como: mayor sensibilidad, reducción de tamaño, menor tamaño de
antena y menor costo total con respecto un sistema banda S de características
similares. (Scarchilli et al. 1993).
A diferencia de los radares banda S, los radares banda C tienen una característica
que debe ser tenida en cuenta durante las mediciones y es la relacionada con la
atenuación por trayecto de la precipitación. El radar meteorológico de polarización
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 23
dual ofrece la ventaja de diversas polarizaciones y medidas de desplazamiento de
fase diferencial para corregir los efectos de la atenuación del trayecto de la
precipitación de una manera bastante efectiva.
Marzano, Scaranari, y Vulpiani (2007) en su estudio presentaron un método de
clasificación de lógica difusa. Las clases son definidas previamente de manera
arbitraria, y la respuesta de radar es derivada de un modelo de dispersión. El
enfoque de clasificación puede ser etiquetado como supervisado y basado en un
modelo difuso. Esta investigación extendió a banda C el algoritmo de clasificación
utilizado para radares banda S, manejando medidas de fase y potencia, evaluando
el impacto del PIA (Atenuación de camino integrada) y corrigiéndolo, utilizando
para ello una red de dos radares, con el objetivo de comparar las dos
observaciones y aplicar el procedimiento de corrección del PIA basado en un
algoritmo de compensación de la atenuación.
En el 2009 Park et al. desarrollaron un algoritmo de clasificación de
hidrometeoros para el radar polarimétrico WSR-88D. Teniendo en cuenta la
importancia e impacto de este algoritmo se realizará una descripción un poco más
profunda de la investigación realizada:
A diferencia de los clasificadores previos basados en lógica difusa como los
publicados por Hubbert et al. (1993), Liu y Chandrasekar (2000), Straka, Zrnić y
Ryzhkov (2000), Zrnic et al. (2001), Keenan (2003), Schuur et al. (2003), Lim y
Chandrasekar (2004), Baldini, Gorgucci y Petersen (2005) y Gourley, Tabary y
Parent du Chatelet (2007), este incluye la estimación de los factores de confianza
que caracterizan los impactos de todas las fuentes de error en las medidas de
radar, la asignación de una matriz de pesos que caracteriza el poder que va a
tener cada variable en la clasificación con respecto a cada eco de radar, y la
implementación de un sistema de designación de clase basado en la distancia del
radar y el parámetro ML. Lo que permitió una flexibilidad considerable y mejoría en
la discriminación entre hidrometeoros líquidos y congelados. En esta clasificación
se diferencian 10 tipos diferentes de ecos de radar que fueron dispersión en tierra,
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 24
incluyendo la ocasionada por propagaciones anómalas, dispersores biológicos,
nieve agregada seca, nieve húmeda, cristales de varias orientaciones, graupel,
gotas grandes, lluvia ligera y moderada, lluvia fuerte y una mezcla de lluvia y
granizo. Los datos que se utilizaron corresponden a un evento del 13 de Mayo de
2005 medido con el prototipo de radar de Norman, Oklahoma.
Se implementaron seis variables polarimétricas para la discriminación, estas son:
el factor de reflectividad del radar en la polarización horizontal (Z), el diferencial de
la reflectividad (ZDR), el coeficiente de correlación cruzada (HV) entre la
polarización horizontal y vertical, el diferencial de fase específico (KDP), el
parámetro de textura SD(Z) de Z, el parámetro de textura SD(φDP) del diferencial
de fase φDP. Los parámetros de textura caracterizan las magnitudes de las
fluctuaciones en pequeñas escalas de Z y φDP. Para calcular cada uno se hace
de manera similar; en el caso de SD(Z), se promedian los datos obtenidos en una
ventana de 1km, es decir, se toman 4 datos espaciados a 0,25 km para realizar el
promedio, esto permite suavizar la estimación de Z de los valores originales, y
calcular la raíz media cuadrática del valor residual. En el caso de SD(φDP ), se
toma una ventana de 2km. Dado el rango de la variable KDP, se tomaron sus
valores en una escala logarítmica. Por lo cual se introdujo el parámetro LKDP.
Para determinar la clase a la que cada hidrometeoro pertenece se implementó un
proceso denominado agregación. Dicho proceso requiere tener las funciones de
pertenencia o rangos que asume cada variable, la matriz de pesos asignados a
cada variable y clase, y el elemento de confianza asignado a las variables. La
decisión de la clasificación se basa en el valor que tenga el mayor valor de
agregación. Para el caso de este artículo en la agregación se utilizó una rutina de
agregación basada en sumatorias, sin embargo, se pueden implementar
multiplicaciones o combinaciones de ambas. Según los autores, los esquemas
híbridos son vulnerables a muchos más errores ya sea por calibración o
atenuación.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 25
Se asumen funciones de pertenencia trapezoidales debido a que se aproximan a
la forma simétrica y asimétrica de las distribuciones de probabilidad de las
variables del radar, lo cual no ocurre con otras funciones de pertenencia como
Gaussiana y Beta que asumen la forma simétrica, sin embargo estas dos también
han sido usadas como es el caso de los estudios realizados por Liu y
Chandrasekar (2000), Keenan (2003), Baldini, Gorgucci y Petersen (2005),
Gourley, Tabary y Parent du Chatelet (2007), Chandrasekar et al. (2013) y
Thompson et al.(2014).
La matriz de pesos permite discriminar de manera eficiente cada variable con
respecto a una clase en particular. Esta matriz es determinada subjetivamente,
por lo cual se sugiere tomar los criterios propuestos por Park et al. 2009 para
lograr un mejor resultado, puesto que esta metodología considera el grado de
solapamiento entre las funciones de densidad probabilística de cada variable para
cada clase, es decir, a mayor solapamiento menor será el peso.
El vector de confianza se tiene en cuenta de acuerdo al rango de la celda, puesto
que se asume teniendo en cuenta que existen diversos factores de error en las
medidas como lo son: mala calibración del radar, atenuación, llenado parcial del
haz, bloqueo parcial del haz, la magnitud de HV y el receptor del ruido. En caso de
que la calidad de la variable se encuentre comprometida, se le dará un menor
peso en la clasificación. Para la corrección de estos errores se han publicado
diversos estudios como los presentados por Dolan y Rutledge (2007), Vulpiani et
al. (2008), Gourley, Illingworth y Tabary (2009) y Gu et al. (2011) en donde se
evidencia una mejoría notable con respecto a las mediciones sin ningún tipo de
corrección.
Para la asignación de las clases según las funciones de pertenencia se tuvo que
implementar primero un algoritmo para la detección de ML debido a que la función
de pertenencia de algunas clases de hidrometeoros líquidos o congelados, se
traslapan fuertemente, la clasificación de estos elementos puede ser
significativamente mejorada teniendo en cuenta su localización con respecto a la
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 26
capa de fusión. El algoritmo de detección de capa de fusión (MLDA) determina el
ancho y alto de la capa de fusión en función del azimut para cualquier exploración
de un radar dado. (Park et al. 2009). Una vez se determinaron los límites de ML,
se aplicó la agregación por lógica difusa y el procedimiento para la clasificación
con dos restricciones con respecto a la capa brillante. La detección de ML se ha
implementado desde 1994 con el estudio realizado por Höller et al. y por Liu y
Chandrasekar en el 2000.
Adicional a la rutina se separan los ecos convectivos y estratiformes con el fin de
mejorar la discriminación entre la nieve húmeda y el graupel derritiéndose en ML,
verificando siempre si los resultados son razonables, para hacerlo se utilizan
umbrales, es decir, se comprueba que en caso de que un hidrometeoro no pueda
ser clasificado por causa de alguna regla, el algoritmo permita asignar dicho
hidrometeoro al siguiente valor de agregación más alto, permitiendo una
disminución del ruido en el resultado.
Siguiendo a Ryzhkov, Giangrande y Schuur 2005 se realizó la calibración de Z
verificando la consistencia con las medidas de KDP en áreas con lluvia moderada a
pesada con Z>40 dBZ, se calibro el diferencial de la reflectividad utilizando
medidas de ZDR en nieve seca agregada un poco arriba de la capa brillante en las
partes estratiformes.
Los resultados de los factores de confianza se determinaron teniendo en cuenta
los errores causados bajo nivel de HV y el llenado parcial del haz. Determinando
que los factores de confianza de tres variables polarimetricas se ven
principalmente afectados por estos dos factores. Por esta razón la mayor caída en
el factor de confianza para ZDR,KDP y HV se observa en áreas del mayor gradiente
de ɸDP y a lo largo de ML donde los valores intrínsecos de los coeficientes de la
correlación cruzada son bajos. Todos los factores de confianza disminuyen a lo
largo del perímetro del área debido a la reducción en la relación señal/ruido. La
reflectividad del radar es menos afectada por esta reducción comparada con las
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 27
variables polarimetricas y por tanto es el mejor parámetro de clasificación en áreas
donde el eco de radar es débil.
Una vez se determinaron y computaron los valores de agregación, se estimaron
los límites inferior y superior de ML. Determinando que según Giangrande, Krause
y Ryzhkov 2008, el límite superior de ML derivado de las medidas polarimetricas
se aproxima a la altura de una temperatura de 0° del bulbo húmedo con un error
medio cuadrático de aproximadamente 0,2km en la mayoría de los casos. Sin
embargo, en el estudio se encontró que en promedio el límite superior de la capa
brillante se encontraba cerca de los 2° C, justificando que dicha discrepancia se
atribuye a una humedad relativamente baja, pero evidenciando que el
descongelamiento inicia donde la temperatura del bulbo mojado excede los 0° C.
Los resultado de la clasificación, aunque no se pudieron comparar con medidas in
situ, se ajustan a los modelos de la microfísica conceptual (Houze et al. 1989).
2.1.1.1.2. Basados en enfoques bayesianos, arboles de decisión y otros
Las investigaciones expuestas anteriormente utilizan la lógica difusa y las redes
neuronales como técnicas de clasificación. Sin embargo existen otros estudios que
han explorado las redes bayesianas, de los cuales se resaltan los aspectos más
sobresalientes a continuación:
En el 2008 Marzano et al. introdujeron un enfoque de estadística bayesiana para
la clasificación de hidrometeoros. En este método el hidrometeoro clasificado
correctamente se determina por la máxima probabilidad a posteriori. El algoritmo
bayesiano propuesto utiliza un vector de tres entradas para cada dato de radar a
ser clasificado así: reflectividad, reflectividad diferencial y temperatura. Aunque
presenta también resultados utilizando la variable KDP. La regla de la MAP
(máxima probabilidad a posteriori) es bastante intuitiva, ya que la clase de
hidrometeoro es provista por un índice el cual maximiza la PDF (Función de
densidad de probabilidad) P(Ci/X), relaciona por el teorema de Bayes a la a priori
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 28
PDF P(Ci) y la verosimilitud (P(X/Ci). La verosimilitud es asumida como un PDF
Gaussiana y multidimensional. Se considera que las firmas polarimétricas son
hiper-elipsoides en el espacio de observación tridimensional. (Marzano, Scaranari,
and Vulpiani 2007).
La investigación anterior fue desarrollada para radares banda X y banda S, por lo
que para la banda X fue necesario incorporar el concepto de atenuación.
Posteriormente en el 2008 Marzano et al. extendieron el algoritmo a radares
banda C. Tanto la verosimilitud como la PDF a priori, deben ser expresados para
evaluar la regla de inferencia. Este es uno de los aspectos más críticos del
enfoque Bayesiano ya que debe mezclar un conocimiento a priori y un análisis
numérico para que, con la combinación de los resultados obtenidos, se seleccione
la apropiada expresión. (García 2013).
Además del enfoque bayesiano se han implementado estudios que utilizan rboles
de decisión como el realizado por Höller en 1994 que valida los resultados con
conocimientos teóricos y observaciones en campo y que adicionalmente tiene en
cuenta la distancia a ML, o el realizado por Schuur (2012) que involucra la
temperatura y un modelo termodinámico validado con datos en tierra.
2.1.1.2. Semisupervisados
La mayoría de los esquemas de clasificación de hidrometeoros se basan en lógica
difusa de manera supervisada. Sin embargo, en 2015 Bechini y Chandrasekar
aclararon que cuando las observaciones de entrada del radar son ruidosas, la
clasificación de salida también puede ser ruidosa, ya que el proceso se basa en un
intervalo y tiene en cuenta la información de los datos vecinos; es por esto que
emplearon un análisis por conjuntos o conglomerados, en combinación con la
lógica difusa, para mejorar la clasificación de hidrometeoros de los radares de
polarización dual utilizando un enfoque de pasos múltiples. El primer paso implica
la optimización de los datos del radar basado en un perfil de temperatura a partir
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 29
de datos auxiliares. Luego, un primer procesamiento de lógica difusa genera la
clasificación para iniciar un análisis de conjuntos con restricciones de contigüidad
generando una penalización. El resultado del análisis se procesa para identificar
las regiones pobladas con grupos adyacentes asignados a la misma clase de
hidrometeoros. Finalmente, el conjunto de regiones conectadas se pasa al
algoritmo de lógica difusa para la clasificación final, implementando la muestra
estadística compuesta por la distribución de la polarización y las observaciones de
temperatura dentro de las regiones. Después de esto se analizó la sensibilidad al
ruido y al sesgo en las variables de entrada. Una de las principales ventajas de
este estudio fue el análisis espacial, ya que una clasificación basada en regiones
tiene varias ventajas. Las regiones se identifican a partir del análisis
semisupervisado, capaz de reducir la distancia dentro de las regiones y aumentar
la distancia entre grupos lo que permite una separación más clara entre los
diferentes hidrometeoros. La clasificación final de la lógica difusa aplicada a las
regiones conectadas es muy robusta, ya que se basa en una muestra estadística
más que en mediciones de un solo punto. Además, la clasificación es adaptativa
localmente, en el sentido de que explota automáticamente y se adapta a las firmas
espaciales más marcadas en las observaciones polarimétricas.
Otro clasificador semisupervisado fue publicado por Besic et al. en 2016, quienes
encontraron que el inconveniente principal de los métodos de clasificación
supervisados, basados principalmente en lógica difusa, es una dependencia
significativa de un presunto comportamiento electromagnético de diferentes tipos
de hidrometeoros. A saber, los resultados de la clasificación dependen en gran
medida de la calidad de las simulaciones de dispersión. Cuando se trata del
enfoque no supervisado, carece de las limitaciones relacionadas con la microfísica
hidrometeorológica. La idea del método propuesto fue compensar estos
inconvenientes combinando los dos enfoques de forma que las hipótesis
microfísicas puedan, hasta cierto punto, ajustar el contenido de las clases
obtenidas estadísticamente a partir de las observaciones. Esto se hace por medio
de un enfoque iterativo, realizado fuera de línea, que, en un marco estadístico,
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 30
examina observaciones polarimétricas representativas agrupadas al compararlas
con las presuntas propiedades polarimétricas de cada clase de hidrometeoros.
Además de comparar, una rutina altera el contenido de los grupos fomentando la
agrupación estadística adicional en caso de la no identificación. Al fusionar todos
los grupos identificados, se obtienen las firmas polarimétricas multidimensionales
de diversos tipos de hidrometeoros para cada uno de los conjuntos de datos
representativos estudiados. Estos se representan mediante conjuntos de
centroides que luego se emplean en la clasificación de diferentes hidrometeoros.
2.2. MARCO CONCEPTUAL
2.2.1. Generalidades del radar meteorológico
2.2.1.1. El radar meteorológico
Las ondas electromagnéticas se caracterizan por poseer amplitud, frecuencia y
estado de polarización. Cuando este tipo de ondas son emitidas por un radar y
chocan con partículas en movimiento en la atmosfera, las características de la
onda que se dispersan son modificadas. A través del monitoreo de estos cambios
es posible inferir el tamaño, la velocidad radial, la forma y la orientación de las
partículas sobre las que se impacta. (Bringi, Thurai y Hannesen 2007)
Los primeros radares manejaban estado de polarización simple. (Hubbert et al.
1993). De esta forma solo se podía medir la potencia de la onda dispersada al
chocar con las partículas. Luego fue incorporado el principio de Doppler
introduciendo la velocidad radial de las partículas como medida. Posteriormente
se desarrolló el radar polarimétrico el cual permitió utilizar el componente
horizontal y vertical de las ondas, ofreciendo mayor información sobre la partícula
impactada. (Scarchilli et al. 1993)
El radar polarimétrico es una herramienta útil para el estudio de tormentas
microfísicas. En los últimos años se han desarrollado varias técnicas de
clasificación de tipos de hidrometeoros basada en medidas de radares
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 31
polarimétricos. Esta clasificación presenta una variedad de aplicaciones como
interpretación de los datos de radar polarimétrico, estudio de la formación de las
precipitaciones y su ciclo de vida y selección del algoritmo correcto, para la
estimación de la precipitación. (Liu y Chandrasekar 2000)
2.2.1.2. Ecuación de Radar
Todos los radares hacen uso de la denominada ecuación de rango de radar para
obtener la reflectividad de una dispersión distribuida en un volumen de pulso de
radar. Para un sistema de radar pulsado con una duración de pulso T(0) y una
potencia recibida desde un volumen de pulso en una distancia r(0), la ecuación
está dada por:
𝑃�̅� (𝑟0) =𝑐𝜏0
2+
𝑃𝑡𝐺02
𝜆2(4𝜋)3
𝜋𝜃1𝜑1
8 𝑙𝑛 2
𝜋5|𝐾𝑤|2
𝑟02 𝑍𝑒(𝑟0) Ecuación 1
Donde Pt es la potencia transmitida, G0 es la ganancia de la antena de radar, c es
la velocidad de la luz y y son el ancho del rayo en los planos azimut y
elevación. El factor Kw depende de la constante dieléctrica del agua a la
frecuencia del radar. Ze es el factor de reflectividad, que es la suma de las
contribuciones de todas las dispersiones. Esta depende no solo de la forma y el
tamaño, sino además del tipo de hidrometeoro presente en el volumen de pulso.
(Rinehart 2007).
2.2.1.3. Observables Polarimétricos del radar:
Son las posibles mediciones que se pueden obtener con el radar y que brindaran
información relacionada con los hidrometeoros y demás partículas sobre las que
impacta el rayo del radar. A continuación se presentan las ventajas y atributos de
los observables (tabla 1) y se realiza un breve resumen (según la teoría de Bringi,
Thurai y Hannesen 2007), de los observables polarimétricos más relevantes para
la presente investigación.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 32
Reflectividad Diferencial (ZDR):
El achatamiento de los hidrometeoros genera una diferencia entre las
polarizaciones vertical y horizontal de la señal retrodispersada. Esta medida es
llamada reflectividad diferencial ZDR, la cual es definida en la escala de DB como:
𝑍𝐷𝑅 = 10 𝑙𝑜𝑔10 (𝑍𝐻
𝑍𝑉) Ecuación 2
Diferencial específico de fase (KDP)
El achatamiento de las gotas también causa diferencias de amplitud y fase de la
señal propagada, causando que la onda polarizada horizontalmente sufra alta
atenuación y retraso de fase con respecto a la onda polarizada verticalmente.Esta
dada por:
𝐾𝐷𝑃 =2𝜋
𝑘0∫ 𝑅𝑒[ℎ̂ ∙ 𝑓 ∙ 𝑣 ∙ 𝑓]𝑁(𝐷)𝑑𝐷 Ecuación 3
Coeficiente de Correlación (co)
Es la correlación entre la señal que retorna polarizada verticalmente y la
polarizada horizontalmente. Está definida como (Sachidananda and Zrnic,1985):
𝜌𝐶𝑂 =⟨𝑆𝑉𝑉𝑆𝐻𝐻
∗ ⟩
√[⟨|𝑆𝐻𝐻|2⟩⟨|𝑆𝑉𝑉|2⟩] Ecuación 4
Tabla 1. Aplicaciones y ventajas de los observables polarimétricos.
PARÁMETRO
VENTAJAS ZH ZDR KDP/DP CO LDR δ pH
X, pH
v
Mejorar los estimadores de
rangos de precipitación X X X
Clasificación de hidrometeoros X X X X X
Determinar las alturas del nivel
de fusión X
X X X
Corregir la atenuación y/o
fenómenos aleatorios X
Verificación de auto consistencia
de la calibración Z X X X
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 33
Identificar dispersión en tierra
y/o propagaciones anómalas X X X
Discriminar efectos de la
dispersión en mar y
propagaciones anómalas sobre
el mar
X X X
Identificar ecos biológicos como
pájaros e insectos X X
X
Superar problemas del bloqueo
del haz X
Identificar regiones de cristales
de varias orientaciones en nubes X
X
Independiente de la calibración
absoluta del radar X X X X
Inmune a los efectos de la
propagación X X
Inmune al sesgo que produce el
ruido
X X
Independiente de la
concentración X X X
Fuente: Bringi, Thurai y Hannesen (2007) y Dusan S. Zrnic y Ryzhkov (1998)
Meteoro e hidrometeoro
Según un informe de la Organización Meteorológica Mundial (OMM 1993), un
meteoro “es un fenómeno observado en la atmósfera o sobre la superficie de la
tierra, que consiste en una suspensión, una precipitación, o un depósito de
partículas líquidas, acuosas o no, o de partículas sólidas, o un fenómeno de la
naturaleza de manifestación óptica o eléctrica.” Mientras que un hidrometeoro “es
un meteoro que consiste en un conjunto de partículas de agua líquida o sólida,
suspendidas en la atmósfera o cayendo a través de ella, o que son empujadas por
el viento desde la superficie de la tierra, o depositadas sobre objetos que se
encuentran sobre el suelo o en el aire libre. Los hidrometeoros que consisten en
una suspensión de partículas en la atmósfera son: nubes, niebla ("niebla" y
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 34
"neblina") y niebla helada. Los hidrometeoros que consisten en la caída de un
conjunto de partículas (precipitación) son: Lluvia, llovizna, nieve, cinarra, nieve
granulada, polvo de diamante, hielo granulado y granizo... Los hidrometeoros que
consisten en partículas precipitantes se producen, ya sea en forma de
precipitación más o menos uniforme (intermitente o continua), o como
chaparrones. Los chaparrones se caracterizan por sus comienzos y finalizaciones
bruscas, y por su variación en la intensidad de la precipitación, generalmente
rápida y a veces violenta. Las gotas y las partículas sólidas que se precipitan en
un chaparrón son habitualmente mayores que aquellas que caen en una
precipitación de otro tipo. Los chaparrones caen de nubes convectivas, la
precipitación que no cae en forma de chaparrón habitualmente lo hace desde
nubes estratiformes”.
2.3. MARCO ESPACIAL
El desarrollo de la investigación se realiza para los tipos de hidrometeoros
presentados en la región ecuatorial. Esta zona de la tierra, ocupa toda la extensión
del planeta que va de los 0 a los 20 grados de latitud, lo que corresponde a la
mayoría de selvas y sabanas del planeta. Es una zona con temperaturas muy
altas, como en la zona tropical, sin embargo, lo que la diferencia de ella son las
abundantes precipitaciones que presenta. Este hecho es causado debido a que el
aire en el ecuador asciende, transportando de esta manera el vapor de agua que
se condensa a determinada altura formando nubes que precipitan. (Benavides
Ballesteros y León Aristizabal 2007)
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 35
CAPITULO 3. ANÁLISIS DE DATOS
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 36
3.1. ANÁLISIS Y LECTURA DE DATOS
Los datos que se tuvieron en cuenta en el presente estudio corresponden a un
radar banda C ubicado en Corozal-Sucre, Colombia. En la tabla 2 se especifican
las características generales del radar utilizado:
Tabla 2. Información general del radar meteorológico ubicado en Corozal.
UBICACIÓN COROZAL-SUCRE
Banda C
Numero de PPI 10
Longitud -75,2829999290407
Latitud 9,33099998161197
Altitud 143 metros
Frecuencia 5,6246241e+09
PRF 0,0020000001
Tamaño de Celda 450 metros
Numero de rayos 360
Total Celdas 239040
Fuente: Elaboración propia.
Los eventos de precipitación seleccionados para el presente estudio se describen
a continuación en la tabla 3, de aquí en adelante se referirá a los eventos por su
ID Evento:
Tabla 3. Eventos de precipitación del radar de Corozal seleccionados para el estudio.
RADAR COROZAL
No. ID Evento Fecha Evento Celdas con
Precipitación
% de celdas con
Precipitación
Evento 1 COR 1 25/06/2013 Lluvia 93.079 38,93
Evento 2 COR 2 28/06/2013 Lluvia y granizo
116.420 48,7
Evento 3 COR 3 11/07/2013 Lluvia 131.210 54,89
Evento 4 COR 4 29/07/2013 Lluvia y granizo
78.632 32,89
Evento 5 COR 5 30/07/2013 Lluvia y granizo
91.912 38,45
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 37
EL formato de los datos obtenidos a partir del software IRIS (software diseñado
por el fabricante de los radares VAISALA) es netCDF, para su decodificación e
interpretación se utilizó el software Matlab. A continuación se describen los
comandos generales con los cuales se trabajó:
3.1.1. Lectura de datos netCDF en Matlab
El comando usado para abrir el archivo netCDF es “netcdf.open()”, dentro del
paréntesis se especifica la ruta física donde se encuentra el archivo, tal como se
muestra a continuación:
x = netcdf.open('E:\datos\399BOG-20170301-182038-PPIVol.nc','nc_nowrite');
x es la variable que va almacenar el archivo netCDF.
Para obtener la información general del archivo se utiliza la siguiente estructura:
[numdims, numvars, numglobalatts, unlimdimID] = netcdf.inq(x);
numdims= entrega el número dimensiones.
numvars= entrega el número de variables.
numglobalatts= entrega el número de atributos globales.
x es la variable que almacena el archivo netCDF.
Para el caso puntual del radar objeto de estudio, la información se muestra en la
tabla 4.
Tabla 4. Información general de los archivos netCDF para el radar ubicado en Corozal
CARACTERÍSTICA COROZAL
Número dimensiones 9
Número de variables 101
Atributos globales 26
Fuente: Elaboración propia.
El listado general de variables del radar de Corozal se muestra en la tabla 5:
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 38
Tabla 5. Listado de variables almacenadas por el radar de Corozal de los archivos netCDF, con su identificador y los atributos almacenados por cada variable.
RADAR COROZAL
ID Variable Atr ID Variable Atr
0 volume_number 3 50 r_calib_base_dbz_1km_hc 4
1 platform_type 2 51 r_calib_base_dbz_1km_vc 4
2 primary_axis 2 52 r_calib_base_dbz_1km_hx 4
3 status_xml 1 53 r_calib_base_dbz_1km_vx 4
4 instrument_type 3 54 r_calib_sun_power_hc 4
5 radar_antenna_gain_h 4 55 r_calib_sun_power_vc 4
6 radar_antenna_gain_v 4 56 r_calib_sun_power_hx 4
7 radar_beam_width_h 4 57 r_calib_sun_power_vx 4
8 radar_beam_width_v 4 58 r_calib_noise_source_power_h 4
9 radar_rx_bandwidth 4 59 r_calib_noise_source_power_v 4
10 time_coverage_start 2 60 r_calib_power_measure_loss_h 4
11 time_coverage_end 1 61 r_calib_power_measure_loss_v 4
12 frequency 4 62 r_calib_coupler_forward_loss_h 4
13 grid_mapping 6 63 r_calib_coupler_forward_loss_v 4
14 latitude 3 64 r_calib_dbz_correction 4
15 longitude 3 65 r_calib_zdr_correction 4
16 altitude 4 66 r_calib_ldr_correction_h 4
17 altitude_agl 4 67 r_calib_ldr_correction_v 4
18 sweep_number 3 68 r_calib_system_phidp 4
19 sweep_mode 2 69 r_calib_test_power_h 4
20 polarization_mode 3 70 r_calib_test_power_v 4
21 prt_mode 3 71 r_calib_receiver_slope_hc 4
22 follow_mode 3 72 r_calib_receiver_slope_vc 4
23 fixed_angle 3 73 r_calib_receiver_slope_hx 4
24 target_scan_rate 3 74 r_calib_receiver_slope_vx 4
25 sweep_start_ray_index 3 75 time 5
26 sweep_end_ray_index 3 76 range 5
27 rays_are_indexed 1 77 ray_n_gates 3
28 ray_angle_res 3 78 ray_start_index 3
29 r_calib_time 2 79 ray_start_range 3
30 r_calib_pulse_width 4 80 ray_gate_spacing 3
31 r_calib_xmit_power_h 4 81 azimuth 3
32 r_calib_xmit_power_v 4 82 elevation 4
33 r_calib_two_way_waveguide 4 83 pulse_width 4
34 r_calib_two_way_waveguide_loss_v 4 84 prt 4
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 39
35 r_calib_two_way_radome_loss_h 4 85 prt_ratio 4
36 r_calib_two_way_radome_loss_v 4 86 nyquist_velocity 4
37 r_calib_receiver_mismatch_loss 4 88 antenna_transition 4
38 r_calib_radar_constant_h 4 89 n_samples 4
39 r_calib_radar_constant_v 4 90 r_calib_index 4
40 r_calib_antenna_gain_h 4 91 measured_transmit_power_h 5
41 r_calib_antenna_gain_v 4 92 measured_transmit_power_v 4
42 r_calib_noise_hc 4 93 scan_rate 4
43 r_calib_noise_vc 4 94 DBZ 7
44 r_calib_noise_hx 4 95 VEL 7
45 r_calib_noise_vx 4 96 ZDR 7
46 r_calib_receiver_gain_hc 4 97 KDP 7
47 r_calib_receiver_gain_vc 4 98 PHIDP 7
48 r_calib_receiver_gain_hx 4 99 RHOHV 7
49 r_calib_receiver_gain_vx 4 100 HIDRO_CLASS_ID_55 7
Fuente: Elaboración propia.
Para obtener información de una variable en particular se utiliza el siguiente
comando:
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,0);
varname= Nombre de la variable.
xtype=Tipo de variable.
varDimIDs=Dimensiones de la variable.
varAtts= Atributos de la variable.
x es la variable que almacena el archivo netCDF.
Para obtener el número de la variable se hace de la siguiente manera:
varid = netcdf.inqVarID(x,varname);
varid= Número de la variable.
varname= Nombre de la variable.
x es la variable que almacena el archivo netCDF.
Para obtener información de los atributos de las variables se utiliza el siguiente
comando:
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 40
attname = netcdf.inqAttName(x,varid,0);
attval = netcdf.getAtt(x,varid,attname);
attname=Nombre del atributo.
attval= Valor del atributo.
varid= Número de la variable.
x es la variable que va almacena el archivo netCDF.
A continuación, en la tabla 6, se muestra un resumen con información de los
atributos de las variables polarimétricas de interés:
Tabla 6. Resumen de los archivos netCDF del radar de Corozal con la información de las variables que contienen los observables polarimétricos, la reflectividad y un
hidroclasificador creado por el fabricante
RADAR COROZAL
ID Variable units FillValue Scale.
factor add_offset grid_mapping coordinates
94 DBZ dBZ -128 0,5000 32 grid_mapping time range
95 VEL m/s -128 0,0525 0 grid_mapping time range
96 ZDR dB -128 0,0625 0 grid_mapping time range
97 KDP deg/km -128 1 128 grid_mapping time range
98 PHIDP deg -128 0,7087 90 grid_mapping time range
99 RHOHV * -128 0,0040 0,5059 grid_mapping time range
100 UNKNOWN_I
D_55 * -128 1 128 grid_mapping time range
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 41
Para capturar los datos específicos de una variable en particular y sus
dimensiones, se utiliza el siguiente código:
data = netcdf.getVar(x,varid);
[F C]=size(data);
data= aquí se almacenan la matriz con los datos
F=Número de Filas de la matriz de datos
C=Número de las Columnas de la matriz de datos
3.1.2. Transformación de las variables polarimétricas
Tal como se observó en la tabla 6, las variables polarimétricas de interés son
almacenadas por facilidad del procesador de datos del radar con una
transformación numérica, por lo tanto se requiere de una modificación de estos
datos para su correcta interpretación. El valor nativo almacenado por el radar se
debe multiplicar por un factor de escala y sumarle un offset.
En la ecuación 5 se muestra el formato utilizado para la trasformación de los
datos.
𝑉𝑎𝑟𝐶𝑜𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑎 = (𝑉𝑎𝑟𝑂𝑟𝑖𝑔𝑖𝑛𝑎𝑙 ∗ 𝑆𝑐𝑎𝑙𝑒𝐹𝑎𝑐𝑡𝑜𝑟) + 𝑂𝑓𝑓𝑠𝑒𝑡 Ecuación 5
Cuando aparece un valor de relleno este no se convierte permaneciendo en -128.
En la figura 1 se observa el algoritmo de trasformación de los datos.
Figura 1. Diagrama de flujo de la transformación de los datos Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 42
A continuación se muestra el código en Matlab para la transformación de las
variables de interés:
Reflectividad (Valor de Relleno -128, Factor de escala 0.5, 0ffset=32)
x = netcdf.open('E:\Cor\corm\Cor20130625_102504.nc','nc_nowrite');
[numdims, numvars, numglobalatts, unlimdimID] = netcdf.inq(x);
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,94);
varid = netcdf.inqVarID(x,varname);
data = netcdf.getVar(x,varid);
Z=data;
[F C]=size(Z);
for ff=1:F;
if(Z(ff,1)==-128)
Z(ff,1)= Z(ff,1);
else
Z(ff,1)=(Z(ff,1)*0.5)+32;
end
end
ZDR (Valor de Relleno -128, Factor de escala 0.0625, 0ffset=0)
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,96);
data3 = netcdf.getVar(x,varid);
ZDR=data3;
for ff=1:F;
if(ZDR(ff,1)==-128)
ZDR(ff,1)=ZDR(ff,1);
else
ZDR(ff,1)=(ZDR(ff,1))*0.0625;
end
end
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 43
KDP (Valor de Relleno -128, Factor de escala 1, 0ffset=128)
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,97);
data2 = netcdf.getVar(x,varid);
KDP=data2;
for ff=1:F;
if(KDP(ff,1)==-128)
KDP(ff,1)= KDP(ff,1);
else
KDP(ff,1)=(KDP(ff,1))+128;
end
end
Fase (Valor de Relleno -128, Factor de escala 0.708661, 0ffset=90)
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,98);
data4 = netcdf.getVar(x,varid);
PHV=data4;
for ff=1:F;
if(PHV(ff,1)==-128)
PHV(ff,1)= PHV(ff,1);
else
PHV(ff,1)=((PHV(ff,1))*0.708661)+90;
end
end
Coeficiente de correlación (Valor de Relleno -128, Factor de escala 0.004,
0ffset=0.505929)
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,99);
data5 = netcdf.getVar(x,varid);
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 44
ROHV=data5;
for ff=1:F;
if(ROHV(ff,1)==-128)
ROHV(ff,1)=ROHV(ff,1);
else
ROHV(ff,1)=((ROHV(ff,1))*0.00395257)+0.505929;
end
end
Clasificador (Valor de Relleno -128, Factor de escala 1, 0ffset=128)
[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,100);
data6 = netcdf.getVar(x,varid);
HC=data6;
for ff=1:F;
if(HC(ff,1)==-128)
HC(ff,1)=HC(ff,1);
else
HC(ff,1)=(HC(ff,1))+128 ;
end
end
3.2. INTERPRETACIÓN DEL CLASIFICADOR DE HIDROMETEOROS
Anteriormente se mencionó que en el software IRIS, de los radares distribuidos
por VAISALA, se incluyó una variable denominada HIDRO_CLASS, que
corresponde a un clasificador de hidrometeoros ubicado en el listado de variables
(tabla 5) en el ID 100. Una vez realizada la respectiva corrección con el factor de
escala y sumando el offset el clasificador da como resultado un número entero
entre 0 y 255, el cual es necesario decodificar para interpretar.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 45
Lo primero que se realiza es la conversión de base 10 a binario obteniendo un
código binario de 8 bits. Los dos primeros bits corresponden a una clasificación
(C2), los siguientes tres a otra (C1) y los últimos tres a otra (C0).
La estructura del clasificador del IRIS se muestra en la figura 2.
Figura 2. Estructura Clasificador del IRIS.
Fuente: VAISALA 2014
En la tabla 7 se muestran las diferentes clases de los tres clasificadores del IRIS,
el primero de ellos es para temporadas de invierno (C1), el segundo para
temporadas de verano (C2) y el tercero discrimina entre eventos de precipitación
convectivos y estratiformes.
Tabla 7. Interpretación de los clasificadores del software IRIS.
C0 C1 C2
VALOR CLASE VALOR CLASE VALOR CLASE
000(0) No disponible 000(0) No disponible 00(0) Estratiforme
001(1) Blanco no meteorológico
001(1) Eco de tierra propagación anómala
01(1) Convectiva
010(2) Lluvia 010(2) Eco biológico 10(2) No usado
011(3) Nieve Húmeda 011(3) Precipitación 11(3) Prohibido
100(4) Nieve 100(4) Gotas largas
101(5) Graupel 101(5) Precipitación liviana
110(6) Granizo 110(6) Precipitación moderada
111(7) No usado 111(7) No usado
Fuente: VAISALA 2014
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 46
3.3. ANÁLISIS DE LOS DATOS DE LOS EVENTOS DE PRECIPITACIÓN
DEL RADAR DE COROZAL
3.3.1. Visualización de la reflectividad de los eventos seleccionados
Teniendo en cuenta que el radar de Corozal tiene las siguientes características:
10 PPI (Plan Position Indficator)
360 ángulos de rayos
664 celdas de 450 metros,
239040 celdas de cobertura.
De acuerdo con lo anterior para cada PPI el formato de los datos tiene una
dimensión de 360*664 en coordenadas polares, de tal forma que para visualizar la
reflectividad básicamente se divido la imagen en cuatro cuadrantes y se convirtió
a coordenadas rectangulares, posteriormente se asignó a cada pixel un color
según el valor de la reflectividad teniendo en cuenta el código estándar de colores
para la reflectividad que se describe en la figura 3.
Figura 3. Escala de intensidades para la reflectividad (Z) medido en dBZ
Fuente: (Pozas Pérez n.d.)
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 47
En las figuras 4 a 8 se observa la gráfica de la reflectividad para los eventos
estudiantes en Corozal.
Figura 4. Visualización de la reflectividad (Z) para el evento 1: Corozal (25/06/2013) (COR 1)
Fuente: Elaboración propia
Figura 5. Visualización de la reflectividad (Z) para el evento 2: Corozal (28/06/2013) (COR 2) Fuente: Elaboración propia
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 48
Figura 6. Visualización de la reflectividad (Z) para el evento 3: Corozal (11/07/2013) (COR 3) Fuente: Elaboración propia
Figura 7 Visualización de la reflectividad (Z) para el evento 4: Corozal (29/07/2013) (COR 4) Fuente: Elaboración propia
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 49
Figura 8 Visualización de la reflectividad (Z) para el evento 5: Corozal (30/07/2013) (COR 5) Fuente: Elaboración propia
3.3.2. Análisis estadístico de los datos
En las figuras 5 a 8 se pueden observar los histogramas de las variables
polarimétricas de interés para los 5 eventos de Corozal, a partir de las cuales se
hacen algunas consideraciones interesantes que serán tenidas en cuenta.
Figura 9. Histograma de la reflectividad Z para el evento 1: Corozal (25/06/2013) (COR 1) Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 50
Figura 10. Histograma de la reflectividad Z para el evento 2: Corozal (28/06/2013) (COR 2) Fuente: Elaboración propia.
Figura 11. Histograma de la reflectividad Z para el evento 3: Corozal (11/07/2013) (COR 3) Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 51
Figura 12. Histograma de la reflectividad Z para el evento 4: Corozal (29/07/2013) (COR 4) Fuente: Elaboración propia.
Figura 13. Histogramas de la reflectividad Z para el evento 5: Corozal (30/07/2013) (COR 5) Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 52
Figura 14. Histogramas de ZDR (dB) para el evento 1: Corozal (25/06/2013) (COR 1) Fuente: Elaboración propia.
Figura 15. Histograma de la reflectividad Z para el evento 2: Corozal (28/06/2013) (COR 2) Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 53
Figura 16. Histogramas de ZDR (dB) para el evento 3: Corozal (11/07/2013) (COR 3) Fuente: Elaboración propia.
Figura 17. Histogramas de ZDR (dB) para el evento 4: Corozal (29/07/2013) (COR 4) Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 54
Figura 18. Histogramas de ZDR (dB) para el evento 5: Corozal (30/07/2013) (COR 5) Fuente: Elaboración propia.
Figura 19. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento 1: Corozal (25/06/2013) (COR 1)
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 55
Figura 20. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento 2: Corozal (28/06/2013) (COR 2)
Fuente: Elaboración propia.
Figura 21. Histogramas de diferencial especifico de fase KDP (°/km ) evento 3: Corozal (11/07/2013) (COR 3)
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 56
Figura 22. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento 4: Corozal (29/07/2013) (COR 4)
Fuente: Elaboración propia.
Figura 23. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento 5: Corozal (30/07/2013) (COR 5)
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 57
Figura 24. Histogramas del coeficiente de correlación rohv para el evento 1: Corozal (25/06/2013) (COR 1)
Fuente: Elaboración propia.
Figura 25. Histogramas del coeficiente de correlación rohv para el evento 2: Corozal (28/06/2013) (COR 2)
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 58
Figura 26. Histogramas del coeficiente de correlación rohv para el evento 3: Corozal (11/07/2013) (COR 3)
Fuente: Elaboración propia.
Figura 27. Histogramas del coeficiente de correlación rohv para el evento 4: Corozal (29/07/2013) (COR 4)
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 59
Figura 28. Histogramas del coeficiente de correlación rohv para el evento 5: Corozal (30/07/2013) (COR 5)
Fuente: Elaboración propia.
3.3.3. Consideraciones radar corozal
En la tabla 8 se resumen algunos valores estadísticos de interés para las
diferentes variables polarimétricas de los eventos de precipitación del radar de
Corozal.
Tabla 8. Resultados del análisis estadístico de datos de los eventos de precipitación del radar de Corozal.
Evento 1-Corozal
(COR1) Zh ZDR hv dp Kdp
Media 24,5284 2,8526 0,8801 56,7108 0,086
Mediana 25,5 3,1875 0,9939 52,4389 0
Moda 28 4 1,0099 -0,7136 0
Desviación
Estándar
10,8503 2,3167 0,2864 33,9008 22,7865
Varianza 117,7284 5,3671 0,082 1149,262 519,2242
Curtosis 0,581 6,6265 5,1905 1,5439 40,5585
Coef. Asimetria -0,4691 -1,8089 -2,6119 0,7819 1,1187
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 60
Evento 2-Corozal
(COR2) Zh ZDR hv dp Kdp
Media 25,1259 2,291 0,8727 45,2824 0,1219
Mediana 24,5 2 0,9939 41,0997 0
Moda 23 1,3125 1,0019 -0,7136 0
Desviación
Estándar 9,7648 2,0929 0,305 29,11 20,1055
Varianza 95,3509 4,3801 0,093 847,3948 404,231
Curtosis 0,7056 7,7997 4,16 5,3095 50,527
Coef. Asimetria -0,1035 -1,5314 -2,4365 1,6103 1,383
Evento 3-Corozal Zh ZDR hv dp Kdp
Media 25,663 3,0447 0,8854 51,5903 0,1105
Mediana 26,5 3,0625 0,9939 48,1867 0
Moda 28 2,25 1,0019 -0,7136 0
Desviación
Estándar 7,5893 2,1522 0,2793 31,2986 21,9198
Varianza 57,5981 4,6321 0,078 979,6016 480,4774
Curtosis 1,2616 8,9818 5,7441 4,1663 45,3377
Coef. Asimetria -0,5427 -1,9304 -2,7072 1,5071 0,9983
Evento 4-Corozal Zh ZDR hv dp Kdp
Media 22,5246 2,1034 0,7968 47,896 0,1957
Mediana 23,5 1,875 0,9779 43,2258 0
Moda 27 1,3125 -0,0061 -0,7136 0
Desviación
Estándar 13,0999 2,461 0,3602 35,6689 23,6094
Varianza 171,608 6,0564 0,1297 1272,2702 557,4016
Curtosis -0,2003 5,496 0,9544 2,1802 38,4054
Coef. Asimetria -0,1711 -1,3762 -1,6571 1,1388 1,2172
Evento 5-Corozal Zh ZDR hv dp Kdp
Media 22,2944 2,2735 0,8618 45,5842 0,2152
Mediana 23,5 2,3125 0,9899 41,8084 0
Moda 25 1,25 1,0019 -0,7136 0
Desviación
Estándar 10,8616 2,2891 0,3078 32,4435 22,0556
Varianza 117,9745 5,24 0,0947 1052,5786 486,4486
Curtosis 0,3645 6,6752 3,6848 4,6762 45,6116
Coef. Asimetría -0,275 -1,6153 -2,3226 1,8233 1,4821
Fuente: Elaboración propia.
Las variables ZDR y HV, en la mayoría de los eventos, tienen una distribución
leptocúrtica, teniendo un alto grado de concentración en valores centrales de cada
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 61
variable. Z, ZDR y HV tienen una distribución asimétrica negativa
(Moda>Mediana>Media), mientras que DP y KDP tienen una distribución asimétrica
positiva (Media>Mediana>Moda). Además los valores de todas las variables
polarimétricas se encuentran entre los rangos estándar.
3.3.4. Análisis de los clasificadores de los fabricantes del radar
Teniendo en cuenta que entre los datos almacenados por el radar ya viene un
producto con tres clasificadores de hidrometeoros como se explicó anteriormente,
se procedió a analizar los 5 eventos desde este punto de vista.
El primer caso es el clasificador C2, el cual discrimina entre precipitación
convectiva y estratiforme, lo resultados para los cinco eventos de Corozal (COR1,
COR2, COR3, COR4, COR5) se muestran en la siguiente tabla.
Tabla 9. Análisis Clasificador C2 para cada uno de los 5 eventos de Corozal
C2 COR 1 COR 2 COR 3 COR 4 COR 5 TOTAL
%
Convectiva
76.442 94.977 111.263 55.635 74.673 412.990 81%
Estratiforme
16.401 19.694 17.181 18.946 16.332 88.554 17%
No usado
236 1.749 2.766 4.051 907 9.709 2%
Prohibido
0 0 0 0 0 0 0%
Total
93.079 116.420 131.210 78.632 91.912 511.253 100%
Fuente: Elaboración propia.
Como se puede apreciar en la tabla 9, la mayoría de celdas (81%) corresponden
a eventos convectivos, mientras el 17 % a eventos estratiformes y un 2 % no fue
clasificado.
Para el caso del clasificador C1, los resultados se muestran en la tabla 10.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 62
Tabla 10. Análisis Clasificador C1 para cada uno de los 5 eventos de Corozal
C1 COR 1 COR 2 COR 3 COR 4 COR 5 TOTAL
%
No disponible 0 0 9 0 0 9 0%
Eco de tierra/PA
8.793 12.131 7.832 9.537 8.397 46.690 9%
Dispersión biológica
7.608 7.563 9.340 9.409 7.935 41.855 8%
Precipitación 0 0 0 0 0 0 0%
Gotas Grandes 0 0 0 0 0 0 0%
Precipitación suave
65.265 83.875 10.5464 48.533 68.622 371.759 73%
Precipitación moderada
9.829 11.255 8.101 8.747 5.763 43.695 9%
No usada 1.584 1.596 464 2.406 1.195 7.245 1%
Total 93.079 116.420 131.210 78.632 91.912 511.253 100%
Fuente: Elaboración propia.
En este caso se aprecia que en la mayoría de eventos predomina la precipitación
suave (lluvia moderada). 371759 celdas de 211253 fueron clasificadas como de
este tipo correspondiendo a un 73 % del total. En este caso también se observa
una población significativa de celdas clasificadas como dispersiones biológicas y
propagaciones anómalas para todos los eventos.
Para el caso del clasificador C0 descrito anteriormente, los resultados se muestran
en la tabla 10.
Tabla 11. Análisis Clasificador C0 para cada uno de los 5 eventos de Corozal
C0 COR 1 COR 2 COR 3 COR 4 COR 5 TOTAL
%
No disponible 0 0 0 0 0 0 0%
Objetivo no meteorológico
16.401 19.694 17.181 18.946 16.332 88.554 17%
Lluvia 72.877 87.597 103.685 46.987 70.346 381.492 75%
Nieve Húmeda 1.109 1.984 2.629 1.059 1.305 8.086 2%
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 63
Nieve 933 3.136 5.173 4.967 2.590 16.799 3%
Graupel 614 2.689 2.348 4.876 749 11.276 2%
Granizo 1.145 1.320 194 1.797 590 5.046 1%
No usada 0 0 0 0 0 0 0%
Total 93.079 116.420 131.210 78.632 91.912 511.253 100%
Fuente: Elaboración propia.
En este caso puntual se puede apreciar que una muestra significativa de celdas
(7%) ,en los diferentes eventos, fue clasificada como nieve húmeda, nieve y
graupel hidrometeoros que, debido a las condiciones ambientales del territorio,
son casi imposibles de presentar.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 64
CAPITULO 4. DISEÑO DEL MODELO
CONCEPTUAL
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 65
Para el desarrollo del modelo conceptual del clasificador de hidrometeoros para
Colombia, se utilizó la metodología planteada por Grant y Peterson (Grant y
Peterson, 2001) (Forrester, 1961):
Definir los objetivos del modelo.
Definir los límites del sistema de interés.
Clasificar los componentes del sistema de interés.
Identificar las relaciones entre los componentes del sistema.
Representación formal del modelo conceptual.
4.1. DEFINICIÓN DEL OBJETIVO DEL MODELO
El objetivo del modelo es establecer los elementos conceptuales presentes en la
clasificación de hidrometeoros y sus posibles relaciones.
4.2. DEFINICIÓN DE LOS LÍMITES DEL SISTEMA
Este paso consiste en identificar aquellos componentes que deberían ser incluidos
en el sistema de interés y aquellos que pueden ser excluidos. Los elementos a
considerar en el sistema de clasificación son los siguientes:
Reflectividad radárica horizontal (Zh)
Reflectividad radárica vertical (Zv)
Reflectividad diferencial (ZDR)
Diferencial de fase especifico (Kdp)
Coeficiente de correlación (hv)
Ecos de retro dispersión
o Propagación anómala (PA)
o Ecos biológico (EB)
o Ecos meteorológicos (hidrometeoros)
Lluvia ligera (LL)
Lluvia moderada (LM)
Lluvia pesada (LP)
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 66
Gotas grandes (GG)
Granizo (G)
Los ecos de retrodisperción se definen de la siguiente manera:
Propagación anómala: Cuando prevalece una distribución no estándar del
índice de refracción, se dice que ocurre una propagación anómala o
anormal, esta es más común cuando una fuerte inversión en la troposfera
inferior dobla el haz del radar hacia el suelo conforme se aleja del
instrumento. (Rinehart 2007).
Ecos biológicos: Hacen referencia a los ecos ocasionados por pájaros, los
murciélagos, los insectos y distintos materiales suspendidos en el aire
debido a que en muchos casos son los únicos blancos que interceptan los
pulsos radar. Algunos de ellos producen su propia señal característica en el
radar. (Rinehart 2007).
Como se mencionó anteriormente, los ecos meteorológicos corresponden a los
objetos observados sobre la atmósfera o sobre la superficie de la tierra que se
presentan en forma de precipitación. Estos se dividen en diferentes hidrometeoros
como los siguientes:
Lluvia: “Precipitación de gotas de agua que caen desde una nube.” (OMM
1993) el diámetro y concentración de gotas de agua varía
considerablemente de acuerdo a la intensidad de la precipitación y
especialmente de acuerdo a su naturaleza (lluvia ligera, lluvia moderada,
lluvia pesada, gotas grandes, entre otros).
Granizo: Precipitación de partículas de hielo transparentes o parcial o
enteramente opacas (piedras de granizo), habitualmente es de forma
esferoidal, cónica o irregular y con un diámetro que generalmente se
encuentra entre 5 y 50 mm; caen desde una nube ya sea separadamente o
aglomerados en bloques irregulares. (Rinehart 2007).
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 67
Los valores típicos de las variables polarimetricas para ecos de retrodisperción se
presentan en la tabla 12.
Tabla 12. Valores típicos que toman los ecos de retrodisperción para las variables polarimétricas que se utilizarán en el estudio
Eco de Retro dispersión Zh ZDR Kdp hv
Propagación anómala (PA) 15 – 80 -4 – 2 - 0,5 – 0.95
Ecos Biológico (EB) 5 – 10 0 –12 - 0,3 – 0,85
Ecos Meteorológicos Lluvia ligera (LL) 0 – 35 0 – 0,9 -0,8 – 0,8 0,95 – 1,01
Lluvia moderada (LM) 35 – 45 0,5 – 3 -0,5 – 11 0,92 – 1
Lluvia pesada (LP) 40 – 60 1 – 5,5 0 – 25 0,92 – 1,01
Gotas Grandes (GG) 20 – 50 3 – 6 - 0,92 – 1,01
Granizo (G) 55 – 75 -0,2 – 0,2 -0,6 – 0,6 0,92 – 1
Fuente: Elaboración propia. basado en (Liu and Chandrasekar 2000), (Keenan 2003), (Schuur et
al. 2003), (Marzano et al. 2008), (Park et al. 2009), (Paulitsch, Teschl, and Randeu 2009), (Evaristo
et al. 2010), (Thompson et al. 2014) y (Vidal et al. 2017).
4.3. CLASIFICACIÓN DE LOS COMPONENTES DEL SISTEMA DE INTERÉS
Una vez definido el objetivo del modelo y los componentes que se deben incluir y
los que se deben excluir, el siguiente paso en el desarrollo consiste en su
clasificación teniendo en cuenta las entradas y salidas del clasificador.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 68
Tabla 13. Clasificación de los componentes (entradas y salidas) del modelo
VARIABLES
ENTRADAS
(POLARIMÉTRICAS)
Reflectividad radárica horizontal (Zh)
Reflectividad radárica vertical (Zv)
Reflectividad diferencial (ZDR)
Diferencial de fase especifico (Kdp)
Coeficiente de correlación (hv)
SALIDAS (ECOS DE
RETRO DISPERSIÓN)
Propagación anómala (PA)
Ecos biológico (EB)
Lluvia ligera (LL)
Lluvia moderada (LM)
Lluvia pesada (LP)
Gotas grandes (GG)
Granizo (G)
Fuente: Elaboración propia.
4.4. IDENTIFICACIÓN DE LAS RELACIONES ENTRE LOS COMPONENTES
DEL SISTEMA
El siguiente paso en el desarrollo del modelo conceptual consiste en identificar
entre los componentes del sistema, las relaciones que son de interés. No todas las
variables polarimétricas intervienen para la determinación de una clase de
hidrometeoro tal como se muestra en la tabla 14.
Tabla 14. Afectación de las fuentes de incertidumbre a las variables polarimétricas
Eco de Retro dispersión Zh ZDR Kdp hv
Propagación anómala (PA) X X X
Ecos Biológico (EB) X X X
Ecos Meteorológicos Lluvia ligera (LL) X X X X
Lluvia moderada (LM) X X X X
Lluvia pesada (LP) X X X X
Gotas Grandes (GG) X X X
Granizo (G) X X X X
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 69
No todos los ecos de retro dispersión dependen del diferencial específico de fase
Kdp. La variable fase no es utilizada directamente en la clasificación, pero a partir
de esta se calcula la variable SD(dp) la cual es indispensable en la discriminación
de propagaciones anómalas.
4.5. REPRESENTACIÓN FORMAL DEL MODELO
La representación formal del modelo conceptual se puede apreciar en la figura 9, este
diagrama juega un papel importante ya que provee una visión global del problema de
clasificación de ecos de retro dispersión (propagaciones anómalas, ecos biológicos y ecos
meteorológicos)
Figura 29. Mapa Conceptual del Modelo de clasificación de hidrometeoros
Fuente: Elaboración propia.
A partir del modelo conceptual definido en la figura 29, se plantea el esquema general del
modelo de clasificación, que corresponde a un clasificador de ecos meteorológicos el cual
discrimina entre lluvia ligera (LL), lluvia moderada (LM), lluvia pesada (LP), gotas grandes
(GG) y granizo (G).
El esquema general del clasificador propuesto se muestra en la figura 30, en esta se
puede apreciar las variables de entrada y salida.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 70
Figura 30. Esquema general del clasificador propuesto Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 71
CAPITULO 5. MODELO FINAL DEL
CLASIFICADOR
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 72
Una vez definido el modelo conceptual de la clasificación y teniendo establecido
claramente las variables polarimétricas a utilizar, se ha seleccionado un método
supervisado con lógica difusa como la herramienta a utilizar en el proceso por las
siguientes razones:
Es necesario tener en cuenta el conocimiento de expertos previamente
definido en este campo
El grado de incertidumbre es muy elevado en cada una de las variables
polarimétricas para los diferentes ecos de retro dispersión.
El traslape de los valores de las variables polarimétricas para los diferentes
ecos de retro dispersión.
Un clasificador difuso tiene básicamente tres etapas importantes, la fuzificación
(borrosificación), la inferencia y la defuzificación (desborrosificador) y su estructura
está conformada por cuatro componentes:
Base de reglas: está relacionada con el conocimiento de expertos y su
experiencia con la heurística.
Fuzificador (borrosificador): se encarga de transformar valores de entrada
reales en conjuntos difusos o mapear la entrada dentro de los conjuntos
difusos para lograr activar las reglas que están en términos de las variables
lingüísticas y se encuentran relacionadas con los conjuntos difusos.
Motor de inferencia: obtiene un mapeo entre los conjuntos difusos del
antecedente y los conjuntos difusos del consecuente haciendo uso de las
bases de reglas.
Defuzificador (desborrosificador): se encarga de transformar un conjunto
difuso en un valor real variable en la salida del sistema.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 73
5.1. CLASIFICADOR DE PROPAGACIONES ANÓMALAS, ECOS
BIOLÓGICOS, LLUVIA LIGERA, LLUVIA MODERADA, LLUVIA
PESADA, GOTAS GRANDES, GRANIZO
La función de este clasificador es discriminar entre propagaciones anómalas (PA),
ecos biológicos (EB) y los diferentes tipos de hidrometeoros (lluvia ligera-LL, lluvia
moderada-LM, lluvia pesada-LP, gotas grandes-GG, granizo-G). Para el proceso
de fuzificación se han definido 4 variables de entrada las cuales se describen a
continuación en la siguiente tabla.
Tabla 15 Variables de entrada para la clasificación
Variable Nombre
Z Reflectividad
ZDR Diferencial de reflectividad
HV Coeficiente de correlación
KDP Diferencial especifico de fase
Fuente: Elaboración propia.
Las funciones de pertenencia utilizadas para el clasificador son de tipo trapezoidal
tal como se muestra en la figura 31.
Figura 31. Funciones de pertenecia para todas las variables del clasificador (propagaciones anómalas, ecos biológicos, lluvia ligera, lluvia moderada, lluvia pesada, gotas grandes,
granizo. Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 74
Los valores de las constantes a,b,c y d, del trapezoide de la función de
pertenencia de cada hidrometeoro, se muestran en la tabla 16 siguiendo las
recomendaciones de Park et al. (2009), Marzano et al. (2008) y Schuur et al.
(2003).
Tabla 16. Valores de las constantes a,b,c y d para las funciones de pertenecía (forma
trapezoidal).
Zh ZDR Kdp hv
a b c d a b c d a b c d a b c d
PA 15 20 70 80 -4 -2 1 2 - - - - 0,5 0,6 0,9 0,95
EB 5 10 20 30 0 2 10 12 - - - - 0,3 0,5 0,8 0,85
LL 0 1 25 35 0 0,2 0,9 1 -0,8 -0,1 0,1 0,8 0,95 0,97 1 1,01
LM 35 36 44 45 0,5 1 2,5 3 -0,5 0 10 11 0,92 0,96 1 1
LP 40 45 55 60 1 1,5 5 5,5 0 5 20 25 0,92 0,95 1 1,01
GG 20 25 45 50 3 4 5 6 - - - - 0,92 0,95 1 1,01
G 55 60 70 75 -0,2 -0,1 0,1 0,2 -0,6 -0,5 0,5 0,6 0,92 0,96 0,99 1
Fuente: Elaboración propia, basado en (Liu and Chandrasekar 2000), (Keenan 2003), (Schuur et al. 2003), (Marzano et al. 2008), (Park et al. 2009), (Paulitsch, Teschl, and Randeu 2009), (Evaristo
et al. 2010), (Thompson et al. 2014) y (Vidal et al. 2017).
Para la inferencia se evalúa cada variable de entrada en las 5 funciones de pertenencia
correspondientes a cada clase, se multiplica por el peso de cada una y se suma, tal como
se muestra en la ecuación 6.
𝑄𝑖 = ∑ 𝑃𝑖(𝑗)𝑖 ∗ 𝑊𝑖𝑗 Ecuación 6
Donde:
i es el indicie de cada hidrometeoro (0-PA, 1-EB, 2-LL, 3-LM, 4-LP, 5-GG, 6-G).
j es el indicie de la variable polarimétricas (0-Zh, 1- ZDR, 2-Kdp, 3-hv).
𝑊𝑖𝑗 es el peso de la variable j para el hidrometeoro i.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 75
Para la defuzificación, al igual que en el paso anterior, se debe tomar el valor máximo de
cada una de las funciones 𝑄𝑖 y a esta se le define el tipo de eco de retro dispersión. En la
figura 32 se muestra el esquema básico del clasificador difuso propuesto para este caso.
Figura 32. Esquema básico del clasificador difuso propuesto Fuente: Elaboración propia.
5.2. PONDERACIÓN DE LAS VARIABLES POLARIMÉTRICAS
Para la ponderación de variables en el clasificador difuso, se utilizó el método de
jerarquización analítica teniendo en cuenta los criterios definidos en Marzano,
Scaranari, and Vulpiani (2007), Park et al. (2009) y Schuur et al. (2003).
El método de jerarquización analítica fue desarrollado por Saaty (2008), quien
propone un instrumento formal para la evaluación y selección de alternativas,
sólido en sus fundamentos matemáticos, útil en la toma de decisiones y sencillo de
aplicar. El método se presenta en tres (3) etapas: representación o formulación del
problema, evaluación de criterios y alternativas, por último, la jerarquización y
selección de la mejor alternativa que conlleve al cumplimiento del objetivo de toma
de decisión.
De acuerdo a lo descrito por Sánchez (2003), al establecer la comparación de los
criterios (o alternativas) se debe tener en cuenta cual es la importancia de un
criterio contra otro, con base en estas calificaciones se forma la denominada
matriz A normalizada.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 76
Para el caso de la selección de pesos de los hidrometeoros las matrices
normalizadas se muestran en las tablas 17 a la 23, los valores utilizados
corresponden a criterios tomados de múltiples autores, que de un modo u otro
indican la importancia que tiene una variable sobre las otras (importancia relativa).
Un valor menor implica que la primera variable compara con la segunda menos
importante, mientras que un valor mayor implica lo contrario.
Tabla 17. Matriz A normalizada para propagaciones anómalas (PA)
PA Z ZDR KDP ROHV
Z 1 0,8 8 0,1
ZDR 1,25 1 10 0,12
KDP 0,125 0,1 1 0,1
ROHV 10 8,3333 10 1
SUMA 12,375 10,2166 31 1,32
Fuente: Elaboración propia.
Tabla 18. Matriz A normalizada para ecos biológicos (EB)
EB Z ZDR KDP ROHV
Z 1 0,7 9 0,3
ZDR 1,4285 1 15 0,5
KDP 0,1111 0,06666 1 0,1
ROHV 3,3333 2 10 1
SUMA 5,8730 3,7666 35 1,9
Fuente: Elaboración propia.
Tabla 19. Matriz A normalizada para lluvia ligera (LL)
LL Z ZDR KDP ROHV
Z 1 1 1 3
ZDR 1 1 1 1
KDP 1 1 1 1
ROHV 0,3333 1 1 1
SUMA 3,3333 4 4 6
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 77
Tabla 20. Matriz A normalizada para lluvia moderada (LM)
LM Z ZDR KDP ROHV
Z 1 1,5 1,5 4
ZDR 0,6666 1 1 5
KDP 0,6666 1 1 5
ROHV 0,25 0,2 0,2 1
SUMA 2,5833 3,7 3,7 15
Fuente: Elaboración propia.
Tabla 21. Matriz A normalizada para lluvia pesada (LP)
LP Z ZDR KDP ROHV
Z 1 1,2 1 2
ZDR 0,8333 1 0,83 1
KDP 1 1,2048 1 2
ROHV 0,5 1 0,5 1
SUMA 3,3333 4,4048 3,33 6
Fuente: Elaboración propia.
Tabla 22. Matriz A normalizada para gotas grandes (GG)
GG Z ZDR KDP ROHV
Z 1 0,85 10 1,3
ZDR 1,1764 1 10 2,5
KDP 0,1 0,1 1 0,1
ROHV 0,7692 0,4 10 1
SUMA 3,0457 2,35 31 4,9
Fuente: Elaboración propia.
Tabla 23. Matriz A normalizada para granizo (G)
G Z ZDR KDP ROHV
Z 1 0,2 0,3 3
ZDR 5 1 2 10
KDP 3,3333 0,5 1 9
ROHV 0,3333 0,1 0,1111 1
SUMA 9,6666 1,8 3,4111 23
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 78
El siguiente paso es calcular la matriz normalizada denominada A’, los valores de
esta nueva matriz se calculan así: se divide cada celda de la matriz A por la suma
de todos los valores de la columna que la contiene.
El último paso en el proceso es calcular los pesos relativos para cada uno de los
criterios a determinar, esos valores se resumen en una matriz denominada W
(vector columna de tamaño nx1), que corresponde al promedio de los valores de
todas las columnas de una misma fila de la matriz A’.
La matriz W finalmente contiene los valores de los pesos asignados para cada
variable del clasificador luego de realizar una aproximación a dos decimales como
se muestra en la tabla 24.
La matriz que finalmente contiene los valores de los pesos asignados para cada
variable del clasificador después de realizar los cálculos matemáticos se muestra
en la tabla 24.
Tabla 24. Matriz de pesos para el clasificador difuso
Z ZDR KDP ROHV
PA 0,1379 0,1724 0 0,6896
EB 0,2 0,3 0 0,5
LL 0,3125 0,25 0,25 0,1875
LM 0,3571 0,2857 0,2857 0,0714
LP 0,2941 0,2352 0,2941 0,1764
GG 0,3333 0,4166 0 0,25
G 0,1086 0,5434 0,3260 0,0217
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 79
CAPITULO 6. VALIDACIÓN Y
RESULTADOS
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 80
6.1. VALIDACIÓN A PARTIR DE DATOS SIMULADOS
Para la validación del modelo propuesto se diseñó un simulador de datos de radar,
teniendo en cuenta los valores posibles que asumen los hidrometeoros según el
método de la matriz T, que describe como es la respuesta de una onda
electromagnética que incide frente a un cuerpo y los valores descritos (Park et al.
2009), (Marzano et al. 2008) (Schuur et al. 2003).El simulador diseñado tiene las
siguientes características:
Un número aleatorio entre 1 y 7 define el tipo de hidrometeoro.
Los valores de cada variable polarimétrico están entre los puntos a y b de
las funciones de pertenencia.
Dependiendo las constantes b y c de las funciones de pertenencia, se
definen las probabilidades de ocurrencia de cada variable, entre los valores
posibles.
A partir del simulador se generó una muestra de 20.000 hidrometeoros los cuales
se sometieron al calificador propuesto obteniendo los resultados descritos en la
tabla 25.
Tabla 25. Resultados del clasificador propuesto con los datos obtenidos a partir del simulador
SIMULADOS
CLASIFICADOS PA EB LL LM LP GG G TOTAL
PA 2.661 82 0 33 12 22 147 2.957
EB 140 2.722 0 0 0 14 0 2.876
LL 3 13 2.585 2 0 13 26 2.642
LM 65 11 29 2.481 86 81 13 2.766
LP 50 3 0 204 2.622 241 21 3.141
GG 8 12 66 34 131 2.414 0 2.665
G 8 2 132 0 0 0 2.747 2.889
NC 2 1 6 0 24 31 0 64
TOTAL 2.937 2.846 2.818 2.754 2.875 2.816 2.954 20.000
Aciertos 2.661 2.722 2.585 2.481 2.622 2.414 2.747 18.232
Errores 276 124 233 273 253 402 207 1.768
% Acierto 90,603 95,643 91,732 90,087 91,2 85,724 92,993 91,16
% Errores 9,3973 4,357 8,2683 9,9129 8,8 14,276 7,0074 8,84
%NC 3,125 1,5625 9,375 0 37,5 48,438 Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 81
Con base en la tabla anterior se pueden hacer las siguientes afirmaciones:
El porcentaje de aciertos del calificador fue del 91,16 %.
En los ecos biológicos se presentó el mayor grado de aciertos en el
calificador (95,6%).
El error más grande se presentó en las gotas grandes, con un porcentaje de
14,2 % (402 errores de un total de 2816 datos), ya que muchas gotas
grandes fueron clasificadas como lluvia pesada.
Los errores presentados en la lluvia pesada se dieron porque varios de
estos datos fueron clasificados como lluvia ligera y lluvia moderada.
Solo 64 datos de los 20.000 no fueron clasificados por el modelo y 31 de
estos fueron gotas grandes.
6.2. VALIDACIÓN A PARTIR DE DATOS REALES
Se probó el clasificador con los 5 eventos del radar de Corozal. Los resultados del
evento 2 de Corozal se muestra a continuación; el resto de eventos se muestra en
el anexo 2.
En la tabla 26 se muestran los resultados del clasificador difuso comparado con el
clasificador C0 del software IRIS para el evento 2 del radar de Corozal (COR2).
Tabla 26. Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS para el evento COR2
CLASIFICADOS No
meteoroló. Lluvia
Nieve húmeda
Nieve Graupel Granizo No
usada Total
PA 2.334 3.824 760 631 883 234 0 7.666
EB 2.443 4.567 198 212 3 8 0 7.431
LL 4.352 24.677 116 475 0 4 0 29.624
LM 3.633 24.672 18 101 137 39 0 28.600
LP 1.205 4.770 37 88 123 621 0 6.844
GG 5.508 23.751 854 1.624 1.543 410 0 33.690
G 160 265 1 4 0 2 0 432
NC 59 1.071 0 1 0 2 0 1.133
TOTAL 19.694 87.597 1.984 3.136 2.689 1.320 0 116.420
% diferencia 75,7438 11,1042
99,8484
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 82
De la tabla 26 se puede concluir lo siguiente:
La mayoría de hidrometeoros que originalmente IRIS clasificó como nieve,
nieve húmeda y graupel, el modelo propuesto los clasifica como gotas
grandes y propagaciones anómalas.
De 2.689 datos clasificados por IRIS como graupel, el modelo
propuesto clasifica 1.543 datos como gotas grandes, es decir, el 57
% y 883 como propagaciones anómalas, que equivale al 32 %.
De 3.136 datos clasificados por IRIS como nieve, el modelo
propuesto clasifica como gotas grandes a 1.624, es decir, el 52% y
631 datos como propagaciones anómalas, equivalentes al 20%.
De 1.984 datos clasificado por IRIS como nieve húmeda, el modelo
propuesto clasifica como gotas grandes al 43 % (854) y como
propagaciones anómalas el 38% (760).
La mayoría de datos que IRIS clasifica genéricamente como lluvia, el
modelo propuesto los clasifica como lluvia ligera, moderada y gotas
grandes.
De 87.597 datos clasificados por IRIS genéricamente como lluvia, el
modelo propuesto los clasifica como lluvia ligera el 28% (24677),
lluvia moderada el 28% (24672), y gotas grandes el 27% (23751).
La mayoría de datos que IRIS clasifica como granizo, el modelo propuesto
los clasifica como lluvia pesada, gotas grandes y propagaciones anómalas.
De 1.320 datos clasificados por IRIS como granizo, el modelo
propuesto los clasifica como lluvia pesada el 47% (621), gotas
grandes el 31% (410) y propagaciones anómalas el 17% (234).
De 1.320 datos clasificados por IRIS como granizo, el modelo
propuesto clasifica solo 2 datos también como granizo (0.1%).
La mayoría de datos que IRIS clasifica como objetos no meteorológicos, el
modelo propuesto los clasifica como gotas grandes y lluvia ligera.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 83
De 19694 datos clasificados por IRIS como objetos no
meteorológicos, el modelo propuesto los clasifica como gotas
grandes el 28% (5.508) y lluvia ligera el 22% (4.352).
De 19.694 datos clasificados por IRIS como objetos no
meteorológicos, el modelo propuesto clasifica 4.777 datos
(propagaciones anómalas y ecos biológicos) también como objetos
no meteorológicos (24,26%).
En la tabla 27 se muestran los resultados del clasificador difuso comparado con el
clasificador C1 del software IRIS para el evento 2 del radar de Corozal (COR2).
Tabla 27. Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS para el evento COR2
CLASIFI. ET/PA Biológico Precipitación Gotas
Grandes Precipitación
Suave Precipitación
moderada No
usada Total
PA 1.732 602 0 0 4.773 1.256 303 8.666
EB 1.043 1.400 0 0 4.970 7 11 7.431
LL 1.266 3.086 0 0 25.268 0 4 29.624
LM 2.930 703 0 0 20.658 4.304 5 28.600
LP 1.005 200 0 0 4.599 194 846 6.844
GG 4.057 1.451 0 0 22.269 5.491 422 33.690
G 73 87 0 0 267 1 4 432
NC 25 34 0 0 1.071 2 1 1.133
TOTAL 12.131 7.563 0 0 83.875 11.255 1.596 116.420
% diferencia 85,722 81,48 100 69,8742 61,7592
Fuente: Elaboración propia.
De la tabla 27 se concluye lo siguiente:
El clasificador C1 de IRIS no encontró ninguna gota grande en su proceso
de clasificación.
Gran parte de los datos de ecos terrestre y precipitación anómalas
clasificados por IRIS, el modelo propuesto las clasifica como gotas grandes
y lluvia moderada.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 84
De 12.131 datos clasificados por IRIS ecos terrestre y precipitación
anómalas, el modelo propuesto los clasifica como gotas grades el
33% (4.057) y lluvia moderada el 24% (2930).
La mayoría de datos clasificados por IRIS como ecos biológicos, el modelo
propuesto los clasifica como lluvia ligera.
De 7.563 datos clasificados por IRIS como ecos biológicos, el
modelo propuesto clasifica como lluvia ligera el 40%(3.086).
De 7.563 datos clasificados por IRIS como ecos biológicos, el
modelo propuesto solo clasifica 1.400 como ecos biológicos (18,5%).
Gran parte de los datos clasificados por IRIS como precipitación suave el
modelo propuesto los clasifica como lluvia ligera.
De 83.875 datos clasificados por IRIS como precipitación suave, el
modelo propuesto clasifica como lluvia ligera el 30% (25.268).
La mayoría de datos clasificados por IRIS como precipitación moderada, el
modelo propuesto los clasifica como gotas grandes y lluvia moderada.
De 11.255 datos clasificados por IRIS como precipitación moderada,
el modelo propuesto clasifica como gotas grandes el 49% (5.491) y
como lluvia moderada el 38 % (4.304).
En la tabla 28 se muestran los resultados del clasificador difuso comparado con el
clasificador C2 del software IRIS para el evento 2 del radar de Corozal (COR2).
Tabla 28. Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR2
CLASIFICADOS Convectiva Estratiforme No usado Prohibido Total
PA 5.645 2.334 687 0 8.666
EB 4.956 2.443 32 0 7.431
LL 25.210 4.352 62 0 29.624
LM 24.930 3.633 37 0 28.600
LP 5.607 1.205 32 0 6.844
GG 27.283 5.508 899 0 33.690
G 272 160 0 0 432
NC 1.074 59 0 0 1.133
TOTAL 94.977 19.694 1.749 0 116.420
Fuente: Elaboración propia.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 85
De la tabla 28 se puede concluir lo siguiente:
La gran mayoría de datos clasificados por IRIS son de tipo convectiva
(81.5%)
La mayoría de datos clasificados como gotas grandes por el modelo
propuesto, son de tipo convectivo correspondiente al 80% (27.283 de los
33.690)
La mayoría de datos clasificados como lluvia ligera por el modelo
propuesto, son de tipo convectivo correspondiente al 85% (25.210 de un
total de 29.624)
La mayoría de datos clasificados como lluvia moderada por el modelo
propuesto, son de tipo convectivo correspondiente al 87% (24.930 de los
28.600)
La mayoría de datos clasificados como lluvia pesada por modelo propuesto,
son de tipo convectivo correspondiente al 82% (5.607 de 6.844)
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 86
CAPITULO 7. CONCLUSIONES
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 87
Los estudios demuestran que las variables polarimétricas son sensibles a
las formas, tamaños, y otras propiedades microfísicas de los hidrometeoros,
sin embargo, todavía hay algunas lagunas en el conocimiento de las firmas
polarimétricas que hacen que exista un margen de mejora en los métodos
de clasificación.
En la investigación se presentó un clasificador de ecos de retro dispersión
supervisado con lógica difusa que incluye un clasificador de hidrometeoros
para Colombia, en el cual se eliminaron hidrometeoros como la nieve, nieve
húmeda y graupel imposibles en las latitudes colombianas. Con datos
simulados el clasificador mostró un porcentaje de aciertos del 91,16%, el
cual es bastante aceptable, tenido en cuenta la cantidad de incertidumbre
asociada a este proceso de clasificación y medición.
El clasificador propuesto mostró que muchos de los datos clasificados como
nieve y graupel por parte de los clasificadores del IRIS, correspondían
realmente a gotas grandes, en la mayoría de los casos, teniendo en cuenta
que estos tipos de hidrometeoros son imposibles en las geografías
colombianas.
El mayor grado de acierto en los ecos de retro dispersión del clasificador
propuesto corresponde a los ecos biológicos, ya que estos tienen
características bien discriminatorias con respeto a los hidrometeoros, que
hacen que de alguna u otra forma, sea más sencilla su identificación y
caracterización con firmas polarimétricas.
El error más grande en la validación del modelo propuesto con datos
simulados, se presentó en las gotas grandes, ya que por las características
de las firmas polarimétricas de este tipo de hidrometeoro, es muy dado a
confundirse con lluvia pesada y con precipitaciones fuertes; razón por la
cual, sería muy interesante tratar de discriminar estos hidrómetros teniendo
en cuenta medidas en tierra, a partir de disdrómetros que permitan una
mejor caracterización de estas firmas, considerando la distribución de
tamaño de gotas.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 88
EL diferencial específico de fase no juega un papel importante en la
discriminación entre propagaciones anómalas, ecos biológicos y ecos
meteorológicos, pero si es un factor determinante en la discriminación de
algunos tipos de hidrometeoros (lluvia y granizo), excepto en las gotas
grandes, en las cuales sencillamente no fue tenido en cuenta.
La clasificación exacta del tipo de hidrometeoros es crucial para las
aplicaciones del radar meteorológico, ya que afecta directamente la
precisión de la estimación cuantitativa de la precipitación. En Colombia, la
discriminación entre el granizo y la lluvia es un factor importante para los
sistemas de alerta temprana y para el estudio de la microfísica de las
tormentas, siendo esta investigación pionera en el país, en el uso de datos
obtenidos en este territorio y diseñando un clasificador a su medida,
teniendo en cuenta la alta variabilidad espacio temporal de los fenómenos
climatológicos.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 89
7.1. TRABAJOS FUTUROS
Realizar pruebas con datos de otros radares en diferentes zonas
geográficas y en diferentes bandas.
Realizar pruebas con métodos de clasificación no supervisados que
permitan conocer información importante a partir de la misma naturaleza de
los datos.
Validar las firmas polarimétricas de los hidrometeoros in situ, a partir del
uso de disdrómetros.
Diseñar un clasificado de eventos convectivos y estratiformes para
Colombia teniendo en cuenta análisis de datos previamente almacenados.
Se recomienda mejorar los siguientes aspectos:
o Tomar medidas in situ para algunos tipos de hidrometeoros
(especialmente el hielo). Como consecuencia las verdaderas
funciones de densidad de probabilidad asociadas a estos
hidrometeoros son en gran parte desconocidas.
o Las formas de las funciones de densidad de probabilidad son pre
asumidas (funciones beta modificadas y funciones trapezoidales).
o Las variables polarimétricas en general se consideran
individualmente, pero en realidad no son completamente
independientes.
o La calidad de la señal del radar no es incluida en el diseño de los
clasificadores de hidrometeoros, ya que este ruido impacta las
funciones de densidad de probabilidad de las variables
polarimétricas que describen cada tipo de hidrometeoro.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 90
REFERENCIAS
Baldini, Luca, Eugenio Gorgucci, and Walter Petersen. 2005. “Implementations of
CSU Hydrometeor Classification Scheme for C-Band Polarimetric Radars.”
32nd Conference on Radar Meteorology (2000): P11.4.
Bechini, Renzo, and V. Chandrasekar. 2015. “A Semisupervised Robust
Hydrometeor Classification Method for Dual-Polarization Radar Applications.”
Journal of Atmospheric and Oceanic Technology 32(1): 22–47.
Benavides Ballesteros, Henry Oswaldo, and Gloria Esperanza León Aristizabal.
2007. “Información Técnica Sobre Gases de Efecto Invernadero Y El Cambio
Climático.” Ideam: 1–102.
www.ideam.gov.co/documents/21021/21138/Gases+de+Efecto+Invernadero+
y+el+Cambio+Climatico.pdf.
Besic, Nikola et al. 2016. “Hydrometeor Classification through Statistical Clustering
of Polarimetric Radar Measurements: A Semi-Supervised Approach.”
Atmospheric Measurement Techniques 9(9): 4425–45.
Le Bouar, E., J. Testud, and T. D. Keenan. 2001. “Validation of the Rain Profiling
algorithm ‘ZPHI’ from the C-Brand Polarimetric Weather Radar in Darwin.”
Journal of Atmospheric and Oceanic Technology 18(11): 1819–37.
Bringi, V., M. Thurai, and R. Hannesen. 2007. “Dual-Polarization Weather Radar
Handbook.” : 163.
Chandrasekar, V., R. Keränen, S. Lim, and D. Moisseev. 2013. “Recent Advances
in Classification of Observations from Dual Polarization Weather Radars.”
Atmospheric Research 119: 97–111.
http://dx.doi.org/10.1016/j.atmosres.2011.08.014.
Dolan, Brenda A., and Steven A. Rutledge. 2007. “An Integrated Display and
Analysis Methodology for Multivariable Radar Data.” Journal of Applied
Meteorology and Climatology 46(8): 1196–1213.
Evaristo, Raquel, Georges Scialom, Nicolas Viltard, and Yvon Lemaître. 2010.
“Polarimetric Signatures and Hydrometeor Classification of West African
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 91
Squall Lines.” Quarterly Journal of the Royal Meteorological Society
136(SUPPL. 1): 272–88.
García, Julio. 2013. “Clasificación Bayesiana de Hidrometeoros Orientados a La
Estimación de La Cantidad Precipitada a Partir de Las Medidas de Radar
Polarimétrico.” Pontificia Universidad Javeriana.
Giangrande, Scott E., John M. Krause, and Alexander V. Ryzhkov. 2008.
“Automatic Designation of the Melting Layer with a Polarimetric Prototype of
the WSR-88D Radar.” Journal of Applied Meteorology and Climatology 47(5):
1354–64.
Gómez Vargas, Ernesto. 2015. “MODELO PARA LA ESTIMACIÓN
CUANTITATIVA DE PRECIPITACIÓN A PARTIR DE DATOS DE RADARES
POLARIMÉTRICOS.” Pontifica Universidad Javeriana.
Gorgucci, Eugenio, Luca Baldini, and V. Chandrasekar. 2006. “The Role of C-Band
Dual Polarization Radars for GPM Ground Validation.” International
Geoscience and Remote Sensing Symposium (IGARSS): 32–35.
Gourley, Jonathan J., Anthony J. Illingworth, and Pierre Tabary. 2009. “Absolute
Calibration of Radar Reflectivity Using Redundancy of the Polarization
Observations and Implied Constraints on Drop Shapes.” Journal of
Atmospheric and Oceanic Technology 26(4): 689–703.
Gourley, Jonathan J., Pierre Tabary, and Jacques Parent du Chatelet. 2007. “A
Fuzzy Logic Algorithm for the Separation of Precipitating from Nonprecipitating
Echoes Using Polarimetric Radar Observations.” Journal of Atmospheric and
Oceanic Technology 24(8): 1439–51.
Gu, Ji Young et al. 2011. “Polarimetric Attenuation Correction in Heavy Rain at C
Band.” Journal of Applied Meteorology and Climatology 50(1): 39–58.
Houze, Robert A., M. I. Biggerstaff, S. A. Rutledge, and B. F. Smull. 1989.
“Interpretation of Doppler Weather Radar Displays of Midlatitude Mesoscale
Convective Systems.” Bulletin of the American Meteorological Society 70(6):
608–19. http://journals.ametsoc.org/doi/abs/10.1175/1520-
0477%281989%29070%3C0608%3AIODWRD%3E2.0.CO%3B2.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 92
Hubbert, J., V. Chandrasekar, V. N. Bringi, and P. Meischner. 1993. “Processing
and Interpretation of Coherent Dual-Polarized Radar Measurements.” Journal
of Atmospheric and Oceanic Technology 10(2): 155–64.
http://journals.ametsoc.org/doi/abs/10.1175/1520-
0426(1993)010%3C0155:PAIOCD%3E2.0.CO;2.
Keenan, T D. 2003. “Hydrometeor Classification with a C-Band Polarimetric
Radar.” 29th International Conference on Radar Meteorology, 12-16 July
1999, Montreal, Quebec, Canada 52(July 2002): pp184-187.
Lim, Sanghun, and V.N. Bringi Chandrasekar. 2004. “Hydrometeor Classification
System Using Dual-Polarization Radar Measurements.” 2003 IEEE Workshop
on Advances in Techniques for Analysis of Remotely Sensed Data 43(4): 227–
36.
Liu, Hongping, and V. Chandrasekar. 2000. “Classification of Hydrometeors Based
on Polarimetric Radar Measurements: Development of Fuzzy Logic and
Neuro-Fuzzy Systems, and in Situ Verification.” Journal of Atmospheric and
Oceanic Technology 17(2): 140–64.
Marzano, Frank Silvio, Daniele Scaranari, Mario Montopoli, and Gianfranco
Vulpiani. 2008. “Supervised Classification and Estimation of Hydrometeors
from C-Band Dual-Polarized Radars: A Bayesian Approach.” IEEE
Transactions on Geoscience and Remote Sensing 46(1): 85–98.
Marzano, Frank Silvio, Daniele Scaranari, and Gianfranco Vulpiani. 2007.
“Supervised Fuzzy-Logic Classification of Hydrometeors Using C-Band
Weather Radars.” IEEE Transactions on Geoscience and Remote Sensing
45(11): 3784–99.
OMM. 1993. Atlas Internacional De Nubes Manual De Observacion De Nubes Y
Otros Meteoros.
Park, Hyang Suk, A. V. Ryzhkov, D. S. Zrnić, and Kyung-Eak Kim. 2009. “The
Hydrometeor Classification Algorithm for the Polarimetric WSR-88D:
Description and Application to an MCS.” Weather and Forecasting 24(3): 730–
48. http://journals.ametsoc.org/doi/abs/10.1175/2008WAF2222205.1.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 93
Paulitsch, H, F Teschl, and W L Randeu. 2009. “Dual-Polarization C-Band Weather
Radar Algorithms for Rain Rate Estimation and Hydrometeor Classification in
an Alpine Region.” Adv. Geosci 20: 3–8. www.adv-geosci.net/20/3/2009/.
Pozas Pérez, Wilfredo José. “PROCESAMIENTO DE INFORMACIÓN EN LA RED
DE RADARES METEOROLÓGICOS CUBANOS.”
Rinehart, Ronald. 2007. El Radar Para Los Meteorólogos. ed. Traducido por:
Orlando Rodríguez González.
Ryzhkov, Alexander V., Scott E. Giangrande, and Terry J. Schuur. 2005. “Rainfall
Estimation with a Polarimetric Prototype of WSR-88D.” Journal of Applied
Meteorology 44(4): 502–15.
Saaty, Thomas L. 2008. “Decision Making with the Analytic Hierarchy Process.”
International Journal of Services Sciences 1(1): 83.
http://www.inderscience.com/link.php?id=17590.
Scarchilli, Gianfranco, Eugenio Goroucci, V Chandrasekar, and Thomas A Seliga.
1993. “Rainfall Estimation Using Polarimetric Techniques at C-Band
Frequencies.” Journal of Applied Meteorology 32(6): 1150–60.
http://dx.doi.org/10.1175/1520-
0450(1993)032%3C1150:REUPTA%3E2.0.CO;2.
Schuur, T. et al. 2003. “Observations and Classification of Echoes with the
Polarimetric WSR-88D Radar.” Report of the National Severe Storms
Laboratory, Norman, OK 73069(October): 46.
http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Observations
+and+classification+of+echoes+with+the+polarimetric+WSR-88D+radar#0.
Straka, J. M., D. S. Zrnić, and A. V. Ryzhkov. 2000. “Bulk Hydrometeor
Classification and Quantification Using Polarimetric Radar Data: Synthesis of
Relations.” Journal of Applied Meteorology 39(8): 1341–72.
http://dx.doi.org/10.1175/1520-
0450(2000)039%3C1341:BHCAQU%3E2.0.CO%5Cn2.
Thompson, Elizabeth J. et al. 2014. “A Dual-Polarization Radar Hydrometeor
Classification Algorithm for Winter Precipitation.” Journal of Atmospheric and
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 94
Oceanic Technology 31(7): 1457–81.
VAISALA. 2014. “IRIS Programmer’s Manual.”
Vidal, Luciano et al. 2017. “C-Band Dual-Polarization Radar Observations of a
Massive Volcanic Eruption in South America.” IEEE Journal of Selected
Topics in Applied Earth Observations and Remote Sensing 10(3): 960–74.
Vivekanandan, J. et al. 1999. “Cloud Microphysics Retrieval Using S-Band Dual-
Polarization Radar Measurements.” Bulletin of the American Meteorological
Society 80(3): 381–88.
Vulpiani, Gianfranco, Pierre Tabary, Jacques Parent Du Chatelet, and Frank S.
Marzano. 2008. “Comparison of Advanced Radar Polarimetric Techniques for
Operational Attenuation Correction at C Band.” Journal of Atmospheric and
Oceanic Technology 25(7): 1118–35.
Zrnic, D. S. et al. 2001. “Testing a Procedure for Automatic Classification of
Hydrometeor Types.” Journal of Atmospheric and Oceanic Technology 18(6):
892–913.
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A
PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 95
ANEXOS
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 96
ANEXO 1. TABLA DE CLASIFICACIONES DE HIDROMETEOROS
Supervisada Semisupervisada Lógica difusa Redes Neuronales Neuro difuso Arbol de decisión Máxima verosimilutud Bayesiano Trapezoidal Gaussiano Sigmoidea Beta
1994 Höller et al. X X
2000Liu, H., & Chandrasekar, V.
(2000)X X X
2003 Keenan, T. D. (2003) X X X
2005
Baldini, L., Gorgucci, E.,
Chandrasekar, V., &
Peterson, W.
X X X
2005 Junwu X X
2006
Marzano, F. S., Scaranari,
D., Celano, M., Alberoni, P.
P., Vulpiani, G., &
Montopoli, M.
X X X
2007Marzano, F. S., Scaranari,
D., & Vulpiani, G.X X X
2007Gourley, J. J., Tabary, P.,
& Parent du Chatelet, J.X X X
2008
Hyangsuk park, a. V.
Ryzhkov, d. S. Zrnic´,
kyung-eak kim (2008)
X X X
2008
Marzano, F. S., Scaranari,
D., Montopoli, M., &
Vulpiani, G.
X X
2008Rico-Ramirez, M. A., &
Cluckie, I. D.X X X X
2009 Dolan and Rutledge X X
2009Paulitsch, H., Teschl, F., &
Randeu, W. L.X X X
2010 Snyder et al. X X
2010 Kouketsu and Uyeda X X
2010Evaristo, R., Scialom, G.,
Viltard, N., & Lemaître, Y.X X X
2012 Schuur et al. X X
2013
Dolan, B., Rutledge, S. A.,
Lim, S., Chandrasekar, V.,
& Thurai, M.
X X X
2013
Chandrasekar, V.,
Keränen, R., Lim, S., &
Moisseev, D.
X X X X
2013
Al-Sakka, H.,
Boumahmoud, A. A.,
Fradon, B., Frasier, S. J., &
Tabary, P.
X X X
2013Xie, Q., Lang, W., Zhang,
X., & Yang, X. X
2014
Thompson, E. J., Rutledge,
S. A., Dolan, B.,
Chandrasekar, V., &
Cheong, B. L.
X X X X
2015Bechini, R., &
Chandrasekar, V. X X X
2016
Besic, N., Figueras i
Ventura, J., Grazioli, J.,
Gabella, M., Germann, U.,
& Berne, A.
X Clustering X
2016
Ribaud, J. F., Bousquet,
O., Coquillat, S., Al‐Sakka,
H., Lambert, D., Ducrocq,
V., & Fontaine, E.
X X X
AÑO REFERENCIASTIPO DE CLASIFICACIÓN Función de pertenencia
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 97
1994 Höller et al. Zh,Zdr,LDR 9 Lluvia ligera Gotas grandes
2000Liu, H., & Chandrasekar, V.
(2000)Zh,Zdr,rhv,Kdp,LDR 10 Llovizna
2003 Keenan, T. D. (2003) Zh,ZDR,FDP,rhv,KDP 10 Llovizna Nieve seca, baja densisdad Nieve humeda, alta densidad Nieve mojada, derritiendose
2005
Baldini, L., Gorgucci, E.,
Chandrasekar, V., &
Peterson, W.
Zh,Zdr,rhv,Kdp,LDR 9 Llovizna Nieve seca
2005 Junwu Zh,Zdr,rhv,Kdp 5 Llovizna
2006
Marzano, F. S., Scaranari,
D., Celano, M., Alberoni, P.
P., Vulpiani, G., &
Montopoli, M.
ZH,ZDR,Temperatura 6 Nieve seca
2007Marzano, F. S., Scaranari,
D., & Vulpiani, G.ZH,ZDR,KDP 11 Lluvia liviana Lluvia moderada Lluvia pesada Gotas grandes Nieve seca
2007Gourley, J. J., Tabary, P.,
& Parent du Chatelet, J.ZH,ZDR,rhv,KDP 2
2008
Hyangsuk park, a. V.
Ryzhkov, d. S. Zrnic´,
kyung-eak kim (2008)
Zh,Zdr,rhv,LKdp,SD(Z),SD(Fdp) 10 Lluvia pesada Gotas grandes Nieve seca
2008
Marzano, F. S., Scaranari,
D., Montopoli, M., &
Vulpiani, G.
ZH,ZDR,KDP 10 Lluvia liviana Lluvia moderada Lluvia pesada Gotas grandes Nieve seca
2008Rico-Ramirez, M. A., &
Cluckie, I. D.ZH,ZDR,rhv,KDP 1
2009 Dolan and Rutledge ZH,ZDR,rhv,KDP, Temperatura 7 Llovizna Agregados
2009Paulitsch, H., Teschl, F., &
Randeu, W. L.Zh,Zdr,Fdp,rhv,Kdp,LDR 11 Lluvia liviana Lluvia Nieve
2010 Snyder et al. Zh,Zdr,rhv,LKdp 4 Lluvia moderada Lluvia pesada Gotas grandes
2010 Kouketsu and Uyeda ZH,ZDR,rhv,KDP 10 Llovizna Nieve seca
2010Evaristo, R., Scialom, G.,
Viltard, N., & Lemaître, Y.ZH,ZDR,Fdp,rhv 11 Lluvia liviana Lluvia moderada Lluvia pesada Lluvia dominada por gotas grandes Nieve seca
2012 Schuur et al. Zh,Zdr,rhv,LKdp,SD(Z),SD(Fdp) 6 Nieve
2013
Dolan, B., Rutledge, S. A.,
Lim, S., Chandrasekar, V.,
& Thurai, M.
ZH,ZDR,Fdp,rhv,Temperatura,AH,ADP 10 Lluvia liviana Nieve seca
2013
Chandrasekar, V.,
Keränen, R., Lim, S., &
Moisseev, D.
ZH,ZDR,Fdp,KDP,NCP,SW 4
2013
Al-Sakka, H.,
Boumahmoud, A. A.,
Fradon, B., Frasier, S. J., &
Tabary, P.
ZH,ZDR,rhv,KDP 4 Nieve seca
2013Xie, Q., Lang, W., Zhang,
X., & Yang, X. 3
2014
Thompson, E. J., Rutledge,
S. A., Dolan, B.,
Chandrasekar, V., &
Cheong, B. L.
ZH,ZDR,Fdp,rhv,KDP 7 Copos de nieve agregados secos
2015Bechini, R., &
Chandrasekar, V. ZH,ZDR,rhv,KDP 10 Llovizna Lluvia Lluvia pesada Gotas grandes Nieve seca
2016
Besic, N., Figueras i
Ventura, J., Grazioli, J.,
Gabella, M., Germann, U.,
& Berne, A.
ZH,ZDR,Fdp 9 Llovizna Agregados
2016
Ribaud, J. F., Bousquet,
O., Coquillat, S., Al‐Sakka,
H., Lambert, D., Ducrocq,
V., & Fontaine, E.
ZH,ZDR,rhv,KDP 6 Nieve seca
CLASES
Lluvia
Lluvia moderada y liviana
Nieve
Nieve
Lluvia
Nieve húmeda
Nieve húmeda
Lluvia
Nieve húmeda
Lluvia
Lluvia
Lluvia
Nieve húmeda
Nieve húmeda
Nieve húmeda
AÑO TOTAL DE CLASES
Nieve mojada
Nieve húmedaLluvia
REFERENCIAS VARIABLES USADASNieve
Nieve húmedaLluvia
Nieve húmeda
Lluvia
Nieve húmedaLluvia
Nieve húmeda
Nieve húmedaLluvia pesada
Lluvia
Lluvia
Lluvia
Nieve húmeda
Nieve
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO
Página | 98
1994 Höller et al.Granizo grande
húmedo
Granizo
humedoGranizo seco
Lluvia y granizo
pequeño
Lluvia y granizo
grande
2000Liu, H., & Chandrasekar, V.
(2000)
Cristales de Hielo
húmedo
Cristales de
hielo seco de
baja densidad
Cristales
de hielo
seco de
alta
densidad
Graupel
seco
Graupel
húmedoGranizo pequeño Granizo grande Lluvia y granizo
2003 Keenan, T. D. (2003)Graupel
seco
Graupel
húmedoGranizo pequeño Granizo grande Lluvia y granizo
2005
Baldini, L., Gorgucci, E.,
Chandrasekar, V., &
Peterson, W.
Granizo pequeño Granizo grandeLluvia y granizo
pequeño
Lluvia y granizo
grande
2005 Junwu Cristal húmedo
2006
Marzano, F. S., Scaranari,
D., Celano, M., Alberoni, P.
P., Vulpiani, G., &
Montopoli, M.
Graupel y
granizo
pequeño
2007Marzano, F. S., Scaranari,
D., & Vulpiani, G.Granizo pequeño
2007Gourley, J. J., Tabary, P.,
& Parent du Chatelet, J.
Precipitaci
ón
Ecos en
tierra
2008
Hyangsuk park, a. V.
Ryzhkov, d. S. Zrnic´,
kyung-eak kim (2008)
Propagaci
ón
anómala
Dispersores
biológicos
2008
Marzano, F. S., Scaranari,
D., Montopoli, M., &
Vulpiani, G.
Graupel y
granizo pequeño
2008Rico-Ramirez, M. A., &
Cluckie, I. D.
Ecos en
tierra
Propagaci
ón
anómala
2009 Dolan and Rutledge
Hielo
orientado
verticalme
nte
Graupel
de baja
densisdad
Graupel
de alta
densidad
2009Paulitsch, H., Teschl, F., &
Randeu, W. L.Graupel
Graupel
húmedoGranizo Granizo grande
2010 Snyder et al.
2010 Kouketsu and UyedaGraupel
seco
Graupel
húmedoGranizo pequeño Granizo grande
2010Evaristo, R., Scialom, G.,
Viltard, N., & Lemaître, Y.Granizo pequeño
2012 Schuur et al.
Hielo y
gotas
congelada
s
Lluvia
congelada
2013
Dolan, B., Rutledge, S. A.,
Lim, S., Chandrasekar, V.,
& Thurai, M.
Hielo
orientado
verticalme
nte
Graupel
de baja
densisdad
Graupel
de alta
densidad
Granizo pequeño
2013
Chandrasekar, V.,
Keränen, R., Lim, S., &
Moisseev, D.
Precipitaci
ón
Ecos en
tierra
Dispersores
biológicos
2013
Al-Sakka, H.,
Boumahmoud, A. A.,
Fradon, B., Frasier, S. J., &
Tabary, P.
2013Xie, Q., Lang, W., Zhang,
X., & Yang, X.
Tempano
de hielo
Hielo
nuevo
Agua
abierta
2014
Thompson, E. J., Rutledge,
S. A., Dolan, B.,
Chandrasekar, V., &
Cheong, B. L.
Gotas
congelada
s
Placas Dendritas
2015Bechini, R., &
Chandrasekar, V. Dendritas
2016
Besic, N., Figueras i
Ventura, J., Grazioli, J.,
Gabella, M., Germann, U.,
& Berne, A.
Hielo
orientado
verticalme
nte
Particulas
de hielo
rimado
Granizo
derretido
Granizo de hielo
y graupel de alta
densidad
2016
Ribaud, J. F., Bousquet,
O., Coquillat, S., Al‐Sakka,
H., Lambert, D., Ducrocq,
V., & Fontaine, E.
CLASES
Cristales de varias orientaciones
Cristales
Hielo
Cristales
Cristales
Granizo
Lluvia y granizo
Graupel
Granizo
Granizo
Granizo
Granizo
Granizo
AÑOGranizo MezclasHielo y Cristales de hielo
Graupel
REFERENCIAS
Hielo
Lluvia y granizo
Graupel Lluvia y granizo
Cristales
Cristales
Lluvia y granizo
Lluvia y granizo
Graupel Lluvia y granizo
Lluvia y granizo
Graupel
Graupel
Cristales de hielo
Cristales de hielo
Otros
Hielo
Cristales
Graupel
Graupel Lluvia y granizo
Cristales de hielo
Cristales
Cristales
Cristal seco
Lluvia y granizo
Lluvia y granizo
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE
OBSERVABLES DE RADAR METEOROLÓGICO
Página | 99
ANEXO 2. TABLAS DE RESULTADOS DEL CLASIFICADOR
Evento 1 – Corozal 1 – Fecha: 25/06/2013 (COR 1) Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS
para el evento COR1
Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS
para el evento COR1
Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR1
CLASIFICADOS Obj NM lluvia Nieve h. Nieve Graupel Granizo No usada Total
PA 2217 5655 357 153 219 129 0 8730
EB 3290 5331 188 158 0 3 0 8970
LL 4157 11809 153 181 4 0 0 16304
LM 1472 9314 28 34 60 55 0 10963
LP 828 5159 22 36 9 593 0 6647
GG 4079 34561 360 368 322 356 0 40046
G 275 295 0 2 0 8 0 580
NC 83 753 1 1 0 1 0 839
TOTAL 16401 72877 1109 933 614 1145 0 93079
% diferencia 66,4227791 16,51275437 99,30131004
CLASIFICADOS ET/PA BIO PRE Gotas Grandes PRE Suave PRE moderada No usada Total
PA 1646 571 0 0 5577 817 119 8730
EB 1347 1943 0 0 5675 2 3 8970
LL 1309 2848 0 0 12143 4 0 16304
LM 1092 380 0 0 6590 2898 3 10963
LP 620 208 0 0 4476 242 1101 6647
GG 2619 1460 0 0 29756 5862 349 40046
G 131 144 0 0 294 3 8 580
NC 29 54 0 0 754 1 1 839
TOTAL 8793 7608 0 0 65265 9829 1584 93079
% diferencia 81,2805641 74,46109359 100 81,3943155 70,51582053
CLASIFICADOS Convectivo Estratiforme No usado Prohibido Total
PA 6442 2217 71 0 8730
EB 5673 3290 7 0 8970
LL 12131 4157 16 0 16304
LM 9479 1472 12 0 10963
LP 5819 828 0 0 6647
GG 35837 4079 130 0 40046
G 305 275 0 0 580
NC 756 83 0 0 839
TOTAL 76442 16401 236 0 93079
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE
OBSERVABLES DE RADAR METEOROLÓGICO
Página | 100
Evento 2 – Corozal 2 – Fecha: 28/06/2013 (COR 2) Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS
para el evento COR2
Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS
para el evento COR2
Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR2
CLASIFICADOS Obj NM lluvia Nieve h. Nieve Graupel Granizo No usada Total
PA 2334 3824 760 631 883 234 0 8666
EB 2443 4567 198 212 3 8 0 7431
LL 4352 24677 116 475 0 4 0 29624
LM 3633 24672 18 101 137 39 0 28600
LP 1205 4770 37 88 123 621 0 6844
GG 5508 23751 854 1624 1543 410 0 33690
G 160 265 1 4 0 2 0 432
NC 59 1071 0 1 0 2 0 1133
TOTAL 19694 87597 1984 3136 2689 1320 0 116420
% diferencia 75,7438814 11,10426156 99,8484848
CLASIFICADOS ET/PA BIO PRE Gotas GrandesPRE SuavePRE moderada No usada Total
PA 1732 602 0 0 4773 1256 303 8666
EB 1043 1400 0 0 4970 7 11 7431
LL 1266 3086 0 0 25268 0 4 29624
LM 2930 703 0 0 20658 4304 5 28600
LP 1005 200 0 0 4599 194 846 6844
GG 4057 1451 0 0 22269 5491 422 33690
G 73 87 0 0 267 1 4 432
NC 25 34 0 0 1071 2 1 1133
TOTAL 12131 7563 0 0 83875 11255 1596 116420
% diferencia 85,7225291 81,48882718 100 69,8742176 61,7592181
CLASIFICADOS Convectivo Estratiforme No usado Prohibido Total
PA 5645 2334 687 0 8666
EB 4956 2443 32 0 7431
LL 25210 4352 62 0 29624
LM 24930 3633 37 0 28600
LP 5607 1205 32 0 6844
GG 27283 5508 899 0 33690
G 272 160 0 0 432
NC 1074 59 0 0 1133
TOTAL 94977 19694 1749 0 116420
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE
OBSERVABLES DE RADAR METEOROLÓGICO
Página | 101
Evento 3 – Corozal 3 – Fecha: 11/07/2013 (COR 3) Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS
para el evento COR3
Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS
para el evento COR3
Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR3
CLASIFICADOS Obj NM lluvia Nieve h. Nieve Graupel Granizo No usada Total
PA 2372 7877 890 850 951 73 0 13013
EB 3890 6617 358 489 8 1 0 11363
LL 4192 13140 173 739 0 0 0 18244
LM 1427 15914 34 142 246 11 0 17774
LP 496 7232 65 175 72 44 0 8084
GG 4661 51549 1104 2760 1067 60 0 61201
G 71 155 1 12 3 5 0 247
NC 72 1201 4 6 1 0 0 1284
TOTAL 17181 103685 2629 5173 2348 194 0 131210
% diferencia 63,5527618 15,28668563 97,4226804
CLASIFICADOS ET/PA BIO PRE Gotas GrandesPRE SuavePRE moderadaNo disponible No usada Total
PA 1538 830 0 0 8110 2443 4 88 13013
EB 1292 2597 0 0 7449 20 1 4 11363
LL 952 3236 0 0 14052 0 4 0 18244
LM 905 522 0 0 14508 1839 0 0 17774
LP 281 215 0 0 7306 77 0 205 8084
GG 2808 1853 0 0 52670 3719 0 151 61201
G 38 33 0 0 160 1 0 15 247
NC 18 54 0 0 1209 2 0 1 1284
TOTAL 7832 9340 0 0 105464 8101 9 464 131210
% diferencia 80,3626149 72,19486081 100 86,6760221 77,2990989
CLASIFICADOS Convectivo Estratiforme No usado Prohibido Total
PA 10003 2372 638 0 13013
EB 7423 3890 50 0 11363
LL 13842 4192 210 0 18244
LM 16236 1427 111 0 17774
LP 7513 496 75 0 8084
GG 54863 4661 1677 0 61201
G 173 71 3 0 247
NC 1210 72 2 0 1284
TOTAL 111263 17181 2766 0 131210
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE
OBSERVABLES DE RADAR METEOROLÓGICO
Página | 102
Evento 4 – Corozal 4 – Fecha: 29/07/2013 (COR 4) Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS
para el evento COR4
Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS
para el evento COR4
Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR4
CLASIFICADOS Obj NM lluvia Nieve h. Nieve Graupel Granizo No usada Total
PA 2310 4407 346 580 901 444 0 8988
EB 3273 2904 83 306 18 5 0 6589
LL 5021 13447 82 203 0 0 0 18753
LM 3616 12657 45 274 1032 75 0 17699
LP 671 3072 74 464 311 1040 0 5632
GG 2791 9625 427 3135 2604 214 0 18796
G 1199 379 1 2 9 18 0 1608
NC 65 496 1 3 1 1 0 567
TOTAL 18946 46987 1059 4967 4876 1797 0 78632
% diferencia 70,5320384 17,42184008 98,9983306
CLASIFICADOS ET/PA BIO PRE Gotas GrandesPRE SuavePRE moderada No usada Total
PA 1682 628 0 0 4896 1189 593 8988
EB 1226 2047 0 0 3286 10 20 6589
LL 1563 3458 0 0 13729 3 0 18753
LM 2544 1072 0 0 10689 3388 6 17699
LP 513 158 0 0 3207 321 1433 5632
GG 1786 1005 0 0 11855 3821 329 18796
G 196 1003 0 0 372 14 23 1608
NC 27 38 0 0 499 1 2 567
TOTAL 9537 9409 0 0 48533 8747 2406 78632
% diferencia 82,3634267 78,24423424 100 71,712031 61,26672
CLASIFICADOS Convectivo Estratiforme No usado Prohibido Total
PA 6277 2310 401 0 8988
EB 3270 3273 46 0 6589
LL 13705 5021 27 0 18753
LM 13837 3616 246 0 17699
LP 4681 671 280 0 5632
GG 12955 2791 3050 0 18796
G 409 1199 0 0 1608
NC 501 65 1 0 567
TOTAL 55635 18946 4051 0 78632
MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE
OBSERVABLES DE RADAR METEOROLÓGICO
Página | 103
Evento 5 – Corozal 5 – Fecha: 30/07/2013 (COR 5) Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS
para el evento COR5
Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS
para el evento COR5
Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR5
CLASIFICADOS Obj NM lluvia Nieve h. Nieve Graupel Granizo No usada Total
PA 2260 4937 413 458 199 138 0 8405
EB 3477 3750 135 311 1 5 0 7679
LL 4575 19867 135 241 0 0 0 24818
LM 1957 13887 30 72 62 40 0 16048
LP 729 4292 76 170 73 251 0 5591
GG 2958 22888 513 1335 410 147 0 28251
G 300 310 1 2 4 9 0 626
NC 76 415 2 1 0 0 0 494
TOTAL 16332 70346 1305 2590 749 590 0 91912
% diferencia 64,8726427 13,37958093 98,4745763
CLASIFICADOS ET/PA BIO PRE Gotas GrandesPRE SuavePRE moderada No usada Total
PA 1643 617 0 0 5386 485 274 8405
EB 1429 2048 0 0 4189 3 10 7679
LL 1373 3202 0 0 20243 0 0 24818
LM 1205 752 0 0 11848 2242 1 16048
LP 513 216 0 0 4107 139 616 5591
GG 2062 896 0 0 22138 2893 262 28251
G 143 157 0 0 293 1 32 626
NC 29 47 0 0 418 0 0 494
TOTAL 8397 7935 0 0 68622 5763 1195 91912
% diferencia 80,4334882 74,19029616 100 70,5007141 61,096651
CLASIFICADOS Convectivo Estratiforme No usado Prohibido Total
PA 5903 2260 242 0 8405
EB 4170 3477 32 0 7679
LL 20198 4575 45 0 24818
LM 14078 1957 13 0 16048
LP 4831 729 31 0 5591
GG 24750 2958 543 0 28251
G 325 300 1 0 626
NC 418 76 0 0 494
TOTAL 74673 16332 907 0 91912