Completado de datos meteorolgicos.

Modelo
CORMUL
Javier lvarez Rodrguez
Centro de Estudios Hidrogrficos del CEDEX

ndice
Introduccin
Completado de series mensuales de variables meteorolgicas
(precipitaciones, temperaturas, etc.)
Proceso de completado
Aplicacin de la metodologa de completado
Completado de series mensuales de aportaciones
Modelo HEC4

Planteamiento del problema

Existencia de lagunas en las series hidrometeorolgicas

Solucin:
Reproducir el fenmeno fsico (ej.: simulacin de caudales,
conocidos los datos meteorolgicos y el esquema del ciclo
hidrolgico)
Recurrir a estaciones hidrometeorolgicas de similar
comportamiento (ej.: completado de precipitaciones o de caudales
por correlacin)

Completado de series hidrometeorolgicas

Es difcil completar los datos a partir de otras informaciones
climatolgicas
Apoyo en tcnicas estocsticas: rellenar las lagunas a partir de
los datos conocidos de otras estaciones pluviomtricas
El completado de los datos de aportaciones se puede realizar a
partir de los datos de lluvia (son causa directa de ellas)
El completado de las series de aportaciones se puede realizar
tambin:
Utilizando la informacin registrada en otras estaciones de
aforo
Utilizando los datos de la propia estacin (autocorrelacin)

Completado con datos de estaciones prximas o similares

Esquema general de interpolacin
P ( x, y , t ) = i ( x, y ) Pi (t )

Media aritmtica y medias mviles

Media aritmtica en funcin de la altitud y orientacin del terreno
Mtodo de Thiessen y Thiessen modificado
Media aritmtica ponderada segn la altitud del terreno
Esquemas de interpolacin en funcin de la distancia
Mtodo de las isoyetas
Interpolacin polinmica
Tcnicas estocsticas de interpolacin

Tcnicas estocsticas de correlacin

Completado utilizando tcnicas de interpolacin

Informacin disponible: puntual

Conocimiento terico de la variable fsica

+
Mtodos deterministas <> Mtodos estocsticos
Interpolacin. Esquema general

P( x, y ) = i ( x, y ) Pi

Mtodos estocsticos
Hiptesis previas a la aplicacin de CORMUL:
El completado de datos se puede realizar utilizando
ecuaciones de regresin entre variables
Ejemplo: ajuste lineal por mnimos cuadrados

Aplicacin a series mensuales

Existen ciclos de duracin anual
influyen en la valoracin de las similitudes entre series (orden en los
datos)
se impide un tratamiento homogneo de la serie mensual (distinto
comportamiento segn meses)

EJEMPLO: ajuste lineal por mnimos cuadrados

Condicin de mnimos cuadrados: minimizar el error cuadrtico
entre la variable estimada y los valores registrados
n

ECM = ( yi yesti )

ECM
k (0, n )
=0
ak

i =1

yest = ak x k
k =0

Ajuste lineal por mnimos cuadrados

45

yest = a x + b

Pluvimetro B (mm)

40
35

a = rxy

30
25

y
x

b = m y a mx

20
15
10
10

15

20

25

30

35

Pluvimetro A (mm)

40

45

Ecuacin de completado. Correlacin simple

Utilizar un ajuste por mnimos cuadrados con un trmino de
error aleatorio
yest ,i = a xi + b + i

Con las condiciones:

Esperanza del error nula
E [ yi yest ,i ] = E [ yi b a xi ] = y b a x = 0

Desviacin tpica conocida

E ( yi yest ,i ) = y2 (1 rxy2 )
2

Hiptesis previas para aplicacin de CORMUL

Series mensuales meteorolgicas (estudios de recursos)

20

40

60

80

100

Una serie temporal se puede considerar compuesta por

Tendencia
Componente cclica estacional
Residuo

20

40

Tipo de dato
Intervalo temporal de trabajo

60

80

100

20

40

60

80

100

Proceso de completado
La escala temporal mensual es usual en los estudios de recursos
(1) Elegir el periodo de completado
Necesidades del estudio
Datos existentes

(2) Estacionarizacin de las series meteorolgicas

Filtrar las componentes estacionales

(3) Establecimiento de la ecuacin de regresin

Decidir el grado de correlacin: SIMPLE, DOBLE, TRIPLE, etc

(4) Completado
Orden y priorizacin

(5) Desestacionarizacin de las series completadas

Proceso de estacionarizacin en CORMUL

Se suponen series sin tendencia
La componente cclica estacional aparece en media y
desviaciones tpicas

Estacionarizacin
Precipitacin registrada (mm) en 03129

Eliminacin de la tendencia cclica

y homogeneizacin de todos los
datos mensuales mediante
normalizacin

200

150

100

1
xj =
N

50

1965-66

1964-65

1963-64

1962-63

1961-62

1960-61

1959-60

1958-59

1957-58

1956-57

1955-56

1954-55

1953-54

1952-53

1951-52

1950-51

Precipitacin normalizada (mm) en 03129

2
1,5

Sj =

xij x j
N 1 i =1

Serie estacionaria en media y

varianza

tij =

2,5

xij

i =1

3,5
3

(
N

xij x j
Sj

N (0,1)

1
0,5

-1,5
-2

1965-66

1964-65

1963-64

1962-63

1961-62

1960-61

1959-60

1958-59

1957-58

1956-57

1955-56

1954-55

1953-54

1952-53

-1

1951-52

-0,5

1950-51

Serie independiente con

distribucin normal (no son
necesarias transformaciones
normalizantes)

Ecuacin de regresin
Modelo lineal de regresin grado 2
tij3 = t 3 + a1 (tij1 t 1 ) + a2 (tij2 t 2 ) + ij
superndices 1, 2 representan a las estaciones de referencia para
completar la estacin 3
a1 y a2 son los coeficientes de regresin parcial que se pueden
expresar en funcin de los coeficientes de correlacin simple r13, r23
y r12 al aadir la condicin de error cuadrtico mnimo
ij es un ruido independiente y normalmente distribuido de media 0 y
desviacin tpica Se
(t 1 , t 2 , t 3 ) valores medios de los residuos tij en cada estacin (=0)

Coeficientes del modelo de regresin

Coeficientes de regresin parcial
a1 =

s3 r13 r23 r12

2
s1 1 r12

a2 =

s3 r23 r13 r12

2
s2 1 r12

rmn coeficientes de correlacin simple entre las estaciones m y n

rmn =

(t
ij

(t

m
ij

ij

m
ij

t m ) (tijn t n )

tm)
2

(t
ij

n
ij

tn)

s1, s2 y s3 desviaciones tpicas de las series 1, 2 y 3 (=1)

Desviacin tpica del ruido

S = S (1 ( R )
2

2
3

3 2
12

r132 + r232 2 r12 r13 r23

R =
2

1
r
12

3
12

Varianza del ruido

Varianza de la serie
Coeficiente de correlacin mltiple de las estaciones 1 y 2 con la 3

Orden de completado, completado y desestacionarizacin

Matriz de priorizacin
N

k
Pmn = Rmn
mnk
12 N

donde Pmn es el elemento (m,n) de la matriz de priorizacin

correspondiente a la estacin a completar k
k
Rmn
coeficiente de correlacin mltiple entre la estacin k y las
estaciones m y n de referencia

N el n total de aos del periodo de anlisis

Nmnk el n de meses con registros en las tres estaciones m, n y k.
a exponente pondera el n de datos comunes entre las tres estaciones

Eleccin de la pareja de estaciones para completado y

desestacionarizacin
xij = x j + S j tij

Aplicacin de la metodologa de completado

Determinacin de grupos homogneos de estaciones
Afinidad climtica. Criterios:
Estadsticos bsicos similares (media y desviacin tpica)
Proximidad entre estaciones
Altitudes similares

Regresin bivariada: no es necesario definir series tipo

No se ha considerado la autocorrelacin temporal

No es necesario en series meteorolgicas mensuales; s lo es con
series de caudales

Al trabajar con coeficientes de correlacin entre residuos se

evitan los efectos que en ste inducen el orden de los datos
(filtradas componentes estacionales)

CORMUL en CHAC
Parmetros del modelo (exponente y umbral de priorizacin)
Series de variables (periodo de completado; -100: no hay dato)
Series de variables estacionarizadas (999: no hay dato)
Matriz coeficientes de regresin parcial
Matriz datos comunes
Matriz correlacin mltiple entre cada estacin y cada pareja
Matriz nm. datos comunes entre cada estacin y cada pareja
Eleccin pareja de estaciones (0: no hay completado)
Series de variables completadas

Completado de series mensuales de aportaciones

Modelo estndar: HEC-4
Consideracin:
Estructura de correlacin espacial (otras estaciones)
Estructura de correlacin temporal (autocorrelacin)

Procedimiento similar (HEC-4):

Necesidad de transformaciones normalizantes de las aportaciones
Consideracin de la autocorrelacin temporal
Permite elegir el grado de correlacin mltiple
No establece matrices de priorizacin como en el caso del CORMUL

Diferencias entre tipos de series

Series de precipitaciones

Coeficiente de autocorrelacin

0,8
0,6
0,4
0,2
0
0

-0,2
Paso k

1
0,9

Coeficiente de autocorrelacin

Series de aportaciones

0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0

3
Paso k

Modelo HEC-4
Clculo de los estadsticos estacionales y previa transformacin
normalizante
Serie cuasinormal

yij = log xij

N

Media

yj =

y
i =1

(y
N

Desviacin tpica

j =

ij

i =1

ij y j )

N 1

(y
N

Sesgo

gj =

N
(N 1) (N 2 )

i 1

ij y j )

j3

Modelo HEC-4
Estacionarizacin de las series cuasinormales
tij =

yij y j

Serie cuasinormal
estacionaria

Supresin del sesgo peridico

6
kij =
gj

g j tij
gj
+ 1 1 +

2
6

Serie normalizada
estacionaria

Modelo de regresin del HEC-4

Ecuacin de regresin
k =bk
o
ij

o
o ij 1

+ b1 kij1 + ij
1=1

kijo es el valor en el mes j del ao i de la variable transformada

(Pearson-III) en la estacin a completar o
o

kij 1 es el valor en el mes j-1 del ao i de la variable transformada

(Pearson-III) en la estacin a completar o
bo es el coeficiente autorregresivo (temporal)
b1 es el coeficiente de regresin entre las estaciones o y 1
1

ki , j es el valor en el mes j del ao i de la variable transformada

(Pearson-III) en la estacin de referencia 1
M es el nmero de estaciones consideradas en la regresin
ij es el ruido de media 0 y desviacin tpica e