REVISTA PERUANA GEO-ATMOSFRICA RPGA (2), 76-88 (2010)

www.senamhi.gob.pe\rpga
Editado por el Servicio Nacional de Meteorologa e Hidrologa del Per
RPGA-Autor(es)

Reconstruccin de datos faltantes de precipitacin pluvial diaria mediante la

Transformada Wavelet

Daily rainfall data-gap filling using a Wavelet Transform-based methodology

MARIELLA CARBAJAL CARRASCO1, 2, CHRISTIAN YARLEQU1, ADOLFO

POSADAS1, 3, ELIZABETH SILVESTRE4, ABEL MEJA2 & ROBERTO QUIROZ1,*

1
Divisin de Sistemas de Produccin y Ambiente, Centro Internacional de la Papa, Av. La Molina 1895, Lima 12, Per
2
Universidad Nacional Agraria La Molina, MRH-EPG-UNALM, Av. La Molina s/n, La Molina, Lima 12, Per
3
EMBRAPA, Rua XV de Novembro, 1452, Sao Carlos, SP, CEP 13560-970, Brasil
4
Servicio Nacional de Meteorologa e Hidrologa, SENAMHI, Castilla 1308, Lima 11, Per.
*r.quiroz@cgiar.org
Resumen Abstract
Se describe la aplicacin de un nuevo mtodo para This paper describes the application of a new
la completacin de datos faltantes de precipitacin wavelet transform-based method to fill data
diaria utilizando la Transformada de Wavelets gaps in daily rainfall signals. Complete rainfall
(TW). Series completas de datos de precipitacin di- gauge data from six weather stations located in
aria para los perodos 1999-2000, 2003-2004, 2004- the high plateau of Peru, spanning the periods:
2005, seis estaciones meteorolgicas del altiplano 1999-2000, 2003-2004, 2004-2005 were used
peruano fueron utilizadas en el anlisis. El proceso for the study. The process entailed the decom-
consisti en la descomposicin y reconstruccin de position and reconstruction of the signal at two
la seal, a dos niveles, usando el Wavelet Haar. El levels using the wavelet Haar. The software de-
programa desarrollado utiliza la seal que resulta del veloped utilizes the low-pass signal from the
filtro de baja frecuencia, proveniente de la estacin target weather station and the high-pass signal
a ser corregida y el detalle o seal de alta frecuencia from a neighbor weather station which confer the
proveniente de una estacin vecina, la que propor- random element to the reconstruction of a daily
ciona el detalle aleatorio que se usa en el llenado de signal to fill in the data gaps. The selection of the
datos faltantes. La seleccin de la estacin vecina neighbor weather station was based on the simi-
se bas en la similitud de la distribucin acumulada larity of the standardized cumulative distribu-
de ambas seales previamente estandarizadas. El tion function of both signals. The procedure was
procedimiento se valid generando vacos aleato- validated by generating random data gaps, fill-
rios, llenando stos con la transformada de Wave- ing the gaps with the wavelet transformed (WT)
lets o el generador de datos climticos ClimGen y method or the standard ClimGen software and
comparando las seales reconstruidas con la seal comparing the reconstructed signals to the full
original sin alteracin en todos los casos. Son com- signal prior to the generation of the data gaps. In
probados en todos los casos, el mtodo basado en la all cases, the WT method produced slightly bet-
TW produjo mejores coeficientes de determinacin ter determination coefficients than the standard
que ClimGen. La prueba Kolmogorov-Smirnov ClimGen method. The Kolmogorov-Smirnov
constat que las seales reconstruidas y originales test confirmed that the original and reconstructed
son similares. Otros estimadores estadsticos de las signals were similar; as other statistical estima-
distribuciones tambin fueron similares. El mtodo tors of the time series did too. The WT method
basado en la TW, parece ser el ms apropiado para proposed in this paper seems to be a more suita-
la completacin de datos diarios de precipitacin ble alternative for filling daily rainfall data gaps
ya que, adems de producir datos muy prximos since it provided a closer approximation to the
a los reales, la generacin de los parmetros para original data with the plus that it requires much
la reconstruccin requiere de pocos datos en com- less data than standard methods to estimate the
paracin con los mtodos convencionales. required generating parameters.
Palabras claves: Precipitacin Pluvial; descom- Keywords: Rainfall; Decomposition; Recon-
posicin; reconstruccin; Transformada Wavelet; struction; Wavelet Transform; ClimGen.
ClimGen.

76
Autor(es)-RPGA
 RECONSTRUCCIN DE DATOS FALTANTES DE PRECIPITACIN PLUVIAL DIARIA
INTRODUCCIN
La precipitacin pluvial es una variable
climtica de gran importancia para los
sistemas hidrolgico, agrcola, industrial
y energtico. El entendimiento de su com-
portamiento temporal y espacial es de sumo
inters, especialmente en los estudios de
riesgos climticos, donde la disponibili-
dad de informacin de alta resolucin y de
buena calidad es esencial.
En el Per, la informacin sobre precipi-
tacin pluvial diaria es escasa e incom-
pleta (Giddings & Soto, 2006), lo que
limita la capacidad de anlisis de riesgos de
dficit hdricos en agricultura de secano
y a su vez constituye una fuente adicional
de error cuando se modelan los balances
hidrolgicos (Giddings & Soto, 2006).
Este inconveniente nos lleva a buscar
alternativas de solucin en muchos
modelos de la literatura, los cuales
segn sus autores son capaces de generar,
completar o interpolar datos de
precipitacin y otras variables climticas,
utilizando para ello diferentes mtodos
como los modelos regresivos univariados
y multivariados (Sveinsson et al., 2007), la
interpolacin con Kriging (Wackernagel,
2003), etc. Cada uno de estos modelos
tiene sus limitaciones segn el mtodo que
aplique y el nmero de entradas
disponibles.
En este contexto, el presente trabajo
propone la aplicacin de un nuevo
mtodo para completar datos medidos de
lluvia diaria, en base a la transformada
Wavelet (TW). El mtodo de reconstruc-
cin de precipitacin diaria con la TW ha
sido desarrollado y validado por Quiroz et
al. (2010), Yarlequ (2009) y Yarlequ et
al. (2007). Las pruebas de reconstruccin
de datos climticos mostradas se realizaron
con la informacin de seis estaciones del
Altiplano peruano, localizadas en la pro-
vincia de Puno, definindose el trmino
reconstruccin como el proceso de
obtener una nueva seal y completar con
Autor(es)-RPGA
ella datos ausentes en la serie real. La
validacin cruzada de la tcnica
propuesta para la reconstruccin de datos
faltantes se realiz con las mismas seis
estaciones del Altiplano y se compar con
los resultados obtenidos con el generador de
datos climticos ClimGen (Nelson, 2002).
MATERIALES
rea de Estudio
El Altiplano peruano est ubicado
alrededor del Lago Titicaca, entre las
coordenadas 151359 S; 70215O;
68344 E y 16 58 18 S (Ver Fig. 1).
La altitud de esta regin vara entre los
3800 y los 4500 metros (m) sobre el nivel
del mar. La precipitacin pluvial vara de
<400 hasta 600 mm por ao; en promedio
la temperatura mnima desciende hasta
10C y las sequas pueden durar hasta 150
das (d) por ao. El uso predominante de la
tierra es de pastizales con reas cultivadas,
principalmente cerca al lago (Quiroz et al.,
2003).
La actividad convectiva y la precipitacin
en el Altiplano ocurren casi exclusiva-
mente durante el verano austral (diciembre-
marzo) y estn asociadas con la
expansin estacional de los vientos del Este
superior y relacionadas con la afluencia de la
humedad cercana a la superficie
continental de las tierras bajas del Este
(Vuille & Keiming, 2004).
La variacin de precipitacin est tambin
relacionada con la proximidad al Lago
Titicaca encontrndose los valores ms
altos cerca a ste. Los estudios corro-
boran que ms lluvia cae sobre el lago
Titicaca que sobre cualquier otro lugar del
Altiplano. Durante la poca de lluvias el
flujo atmosfrico general es del sureste
y las reas viento arriba del lago Titicaca
(sureste del lago) tienden a ser ms secas
que las reas viento abajo (Grace, 1985).
77
 MARIELLA CARBAJAL ET AL.

Fig. 1. Estaciones meteorolgicas empleadas en el Estudio.

Data Meteorolgica parametrizacin del generador. Se

La data pluviomtrica diaria de seis estaciones
meteorolgicas fue obtenida del Servicio
Nacional de Meteorologa e Hidrologa del
Per (SENAMHI). La ubicacin geogrfica
de las estaciones climticas se muestra en la
Fig. 1, y los periodos de anlisis de los datos
observados se detallan en la Tabla 1. La data
fue pre procesada (anlisis no mostrado) para
verificar su consistencia mediante la tcnica
de doble masa (Unesco/Rostlac, 1982; Dunne
& Leopold, 1978).
Cabe mencionar que para la reconstruc-
cin o completacin de datos con el
mtodo de la Transformada Wavelet el nmero
de datos utilizado fue el mismo que el
periodo de anlisis. Por otro lado, con el
generador ClimGen se utiliz un
registro de 27 a 42 aos dependiendo de la
data disponible de cada estacin para la
procedi luego a generar la data de toda
la serie de tiempo. Finalmente se extrajo la
data del perodo de anlisis (Tabla 1) para su
posterior comparacin con los resultados
obtenidos con el mtodo de la Transformada
Wavelet.
Transformada Wavelet (TW)
La TW es una tcnica matemtica introducida
en el anlisis de seales en los primeros aos
de la dcada de 1980 (Mallat 1999; Prasad &
Iyengar, 1997). La TW se encuentra definida
en un dominio de tiempo y escala (frecuen-
cia), y posee un soporte compacto (Foufoula-
Georgiou & Kumar, 1994). Esto permite
estudiar series de tiempo con una resolucin
definida por la escala; esto es, estructuras
generales en la seal en una escala grande
(baja resolucin) y finas estructuras en
escalas pequeas (alta resolucin). Esta
caracterstica es especialmente til para

Tabla 1. Ubicacin y perodo de anlisis de las estaciones meteorolgicas en el Altiplano peruano.

Latitud Longitud Altitud
N Estacin Periodo de anlisis
S 0 (msnm)
1 Cabanillas 153838 702019 3890 01-12-1999 /02-02-2000 (64
2 Maazo 154848 702020 3920 das)
3 Ilave 160505 693837 3850 11-11-2003 /17-03-2004 (128
4 Tahuaco 161818 690403 3860 das)
5 Arapa 150808 700707 3920 11-11-2004/ 17-03-2005 (128
6 Huancan 151212 694545 3880 das)

78
Autor(es)-RPGA
 RECONSTRUCCIN DE DATOS FALTANTES DE PRECIPITACIN PLUVIAL DIARIA
variaciones espaciales que son no-
estacionarias, y que poseen componen-
tes que trascienden con una corta duracin,
con estructuras en diferentes escalas, o que
poseen singularidades, las cuales son ideales
para mostrar pequeas fluctuaciones en las
seales (Posadas et al., 2005). Debido a esta
propiedad, el anlisis con la TW tiene muchas
aplicaciones, en dinmica de fluidos (Farge,
1992; Gao & Li, 1993; Liu, 1994, Katul &
Vidakovic, 1996), geofsica o hidrologa
(Kumar & Foufoula-Georgiou, 1993; Labat et
al., 2000).
La TW es una tcnica fsica-
matemtica (Graps, 1995), que describe
la seal en estudio por intermedio de sus
coeficientes, los que a su vez describen la
diversidad de cambios ocasionados por
eventos (singularidades) locales (Kumar &
Foufoula, 1997). La TW no es una tcnica
meramente estadstica, que requiera un gran
nmero de datos, sino que ella representa la
descomposicin de una seal en diferentes
niveles de resolucin, proceso conocido como
multiresolucin. El uso de una represen-
tacin multiresolucin ofrece un marco
jerrquico simple para interpretar la
informacin contenida en la seal. A diferentes
resoluciones, los detalles de una seal general-
mente caracterizan diferentes estructuras fsi-
cas de ella. A una resolucin ms gruesa, estos
detalles generalmente caracterizan las grandes
estructuras que su entorno contiene. Daubechies, 1988).
Con un aumento de la resolucin obtenemos
detalles ms finos. As, la TW puede ser
discreta o continua:
La TW se define como la convolucin de
una funcin f, con una funcin de onda
(Wavelet) como Kernel de la transformada
(Foufoula-Geourgiou & Kumar, 1994):
(1)
donde:
(2)
Autor(es)-RPGA
Aqu >0 representa la variable de
escala (o ancho de la funcin Wavelet) y la
variable de translacin (ubicacin de la funcin
Wavelet). La funcin (t) es la conocida
Wavelet Madre o Wavelet, que es utiliza-
da para que sean ptimamente localizados
los valores de la transformada en el tiempo
(espacio) y en distintas escalas (frecuencias).
El operador Inverso de la Transforma Wavelet
(IWT) es definido como (Foufoula-Geourgiou
& Kumar, 1994):
Para mayor informacin acerca de las
propiedades de la TW y el ITW, el
lector puede revisar los trabajos recopilados
en Foufoula-Geourgiou & Kumar (1994).
Con el fin de construir algoritmos eficientes
para calcular la TW, se realiza la discre-
tizacin del parmetro de escala y del
parmetro de traslacin t, lo que produce la
Transformada de Wavelet Discreta (y la
inversa en su forma discreta). La
seleccin de = 2m y t = n2m, resulta en una
representacin discreta ortogonal
(Foufoula-Geourgiou & Kumar, 1994;
Anlisis de Multiresolucin (AMR) con la
TW
El AMR (Mallat, 1989) proporciona un tipo
de descomposicin y reconstruccin de una
seal en base a las propiedades de la TW (e
ITW), en su forma discreta. Para una informa-
cin detallada, los autores recomiendan revisar
la siguiente documentacin (Mallat, 1999;
Foufoula-Geourgiou & Kumar, 1994).
En trminos generales, seleccionando
una cierta funcin Wavelet Ortogonal
(Foufoula-Geourgiou & Kumar, 1994), es
posible obtener una descomposicin de la
funcin f como:
79
 MARIELLA CARBAJAL ET AL.

y as es posible obtener caractersticas

(5)
Aqu AN es llamado el coeficiente de aproxi-
macin o seal de tendencia; DN es el
coeficiente de detalle o seal de detalle; y
N indica el nivel del proceso de descom-
posicin (o reconstruccin), donde la escala
vara creciente o decrecientemente,
respectivamente (Foufoula-Geourgiou &
Kumar, 1994). Las caractersticas y diferencias
entre estas dos nuevas seales resultan del
tipo de frecuencias que contiene cada una
de ellas. En A se tienen las frecuencias ms
bajas de f, donde aparecen las frecuencias de los
componentes estacionarios, peridicos y
cclicos, mientras que en D aparecen las seales
de alta frecuencia existentes en la seal f;
frecuencias que describen la variabilidad,
perturbacin y el ruido existente en la data.
En el presente trabajo las seales A y D, son
nombrados como Tendencia y Ruido.
Posteriormente, se puede realizar la misma
descomposicin para la seal A1, obteniendo:
singulares en diferentes escalas de estudio.
En general, la relacin entre los coeficientes
de tendencia y detalle en dos niveles de
descomposicin (o reconstruccin) est
definido como:
(7)
donde: N indica el nivel de descomposicin
(o reconstruccin) o escala del proceso. Esta
ecuacin (7) de AMR muestra que para
obtener la seal AN, a una escala menor (mayor
desagregacin) N-1, es necesaria la
informacin extra (DN). As AN-1 viene a
ser la nueva seal A en la escala N-1. Este
proceso es conocido como Downscaling y es
equivalente al proceso de reconstruccin de
AMR (Figura 2b), y el proceso inverso es
equivalente al proceso de descomposicin
(donde se generan los DN, Figura 2a). En la
figura 2, R es equivalente a A, la nica
diferencia es que A se obtiene de un proceso
de descomposicin y R de un proceso de
reconstruccin.

(6)

Fig. 2. Proceso AMR. a) Descomposicin o proceso de Up-scaling. b) Reconstruccin o proceso

de Downscaling. La funcin Wavalet Madre () para ambos procesos es la misma. N=0, 1, 2 es
el nivel del proceso (aqu se define la escala como =2N y f es la escala asociada a la funcin ).

80
Autor(es)-RPGA
 RECONSTRUCCIN DE DATOS FALTANTES DE PRECIPITACIN PLUVIAL DIARIA
Generador de datos climticos ClimGem
El ClimGen es un generador de datos
climticos a escala diaria, basado en
correlaciones y regresiones (Nelson, 2002).
Este generador fue desarrollado por el
Departamento de Ingeniera de Sistemas
Biolgicos de la Universidad Estatal de
Washington, y es un software de libre
acceso en la Web (www.bsyse.wsu.edu/
climgen/ClimGen/index.html), requiere
de series diarias para calcular los
parmetros a utilizar en el proceso de
generacin. Las variables climticas
que genera son precipitacin pluvial,
temperatura, radiacin solar, entre otras
variables.
En el caso de precipitacin diaria, la
reconstruccin est basada en dos
supuestos: primero, que la condicin de
lluvia en un cierto da i, se relaciona
con la condicin de lluvia en el da i-1
(Cadena Markov); segundo, que la cantidad
de lluvia en los das lluviosos est descrita
por una funcin de distribucin adecuada,
en cada mes. Los valores diarios de dichas
probabilidades son interpolados usando
funciones spline, siendo el requerimiento
mnimo para poder generar datos con el
ClimGen un registro histrico de
por lo menos 25 aos (continuos, no
necesariamente completos).
El ClimGen es uno de los programas
computacionales ms empleado y conocido
para generar datos diarios, por ello ha sido
utilizado como referente para evaluar la
metodologa propuesta para la
reconstruccin de datos de precipitacin
diaria en las estaciones y periodos de estudio.
En este caso, se generaron parmetros y
nuevas series en cada estacin a partir de
registros pluviomtricos (incompletos) de
entre 27 y 42 aos en funcin de la data
existente y luego se complet la serie
incompleta con los valores generados para
los das sin informacin.
Autor(es)-RPGA
MTODOS
Generacin de vacos de informacin
aleatorios
Para simular la ausencia de datos
observados (vacos) en las estaciones N 1, 3 y
5 (Tabla 1) se generaron vacos en posiciones
aleatorias, segn el porcentaje de vacos
deseado. En cada caso (Cabanillas, Ilave y
Arapa) se gener un total de 25% de datos
faltantes en relacin con el total de datos.
Estudio de la informacin de vacos
El estudio de vacos consiste en determinar
el porcentaje de datos faltantes en las series
temporales estudiadas, para as seleccionar
el nivel de descomposicin que se requiere
para iniciar el proceso de reconstruccin.
Dicho porcentaje es calculado en distintas
escalas (o niveles de descomposicin de
la base de la funcin Wavelet de Haar (n))
y posiciones. El anlisis de ausencia de
informacin en una vecindad de cada 2N
datos, dado por (Nmero de Vacos)*100/2N,
determin que el nivel ms adecuado para la
reconstruccin era N = 2. Por lo cual, de cada
4 datos analizados el porcentaje de vacos
puede ser 0, 25, 50, 75 y 100% dependiendo
si hay 0, 1, 2, 3 y 4 datos faltantes. Este nivel
fue seleccionado considerando un umbral no
mayor a 25% para la mayora de vecindades,
es decir de donde se pueda obtener una
tendencia representativa para la posterior
reconstruccin, asimismo es importante
tratar de preservar el nivel de detalle y
trabajar con escalas menores.
Modelo de reconstruccin de la funcin
Wavelet
Una vez determinado el nivel N, donde se
cumple la condicin de minimizar la prdida
de informacin en las series no completas en
una cierta escala o intervalos de anlisis en
toda la serie, se procede a reconstruir con la
Transformada Wavelet.
El modelo de reconstruccin se inicia con
la normalizacin o estandarizacin de las
seales (ecuacin 8, Nakken, 1999) con el
objetivo de convertir los datos de las seales
en adimensionales y llevarlos a una misma
81
 MARIELLA CARBAJAL ET AL.
escala (valores entre 1 y 1, con media 0 y
desviacin estndar 1) para poder trabajar
con ellos. Este procedimiento es realizado
solo para los valores correspondientes a
condiciones de lluvia (mayores a 0).
(8)
Con las seales estandarizadas se procede a
determinar la tendencia de la estacin a
completar y a extraer la variabilidad a
heredar de la estacin de apoyo en la escala N. La
tendencia se obtiene dividiendo la seal en
particiones de 2N y calculando el promedio
de los valores observados en cada particin
(sin considerar en el promedio los vacos)
resultando una nueva seal del tipo de las seales
de tendencia A1N (Fig. 2), cuyo nmero de
datos ser: (longitud de la seal original)/2N.
La variabilidad es extrada con la Transfor-
mada Wavelet (filtro Haar, ya que reduce la
distorsin de los datos, segn Das & Mohanty,
2008) al descomponer la seal completa hasta
el nivel N, generando las seales A2N y D2N para
todo N=1,2 Luego se procede a reconstruir
como se muestra en la Fig. 2, pero a partir del
nivel N, se toma la tendencia A1N y los detalles
D2N con N=N, (N-1) 1. Posteriormente, se
realiza el proceso contrario a la estandarizacin
de los datos correspondientes a das lluviosos, y se
eliminan los posibles errores por negatividad en
la seal reconstruida e inexistencia de ruido en la
seal vecina. Los errores en el primer caso son
debido a la matemtica utilizada en la obtencin
de tendencias y ruidos a diferentes escalas, y los
errores en el segundo caso se dan cuando la seal
vecina registr un da sin lluvia, pero la tenden-
cia en la escala de descomposicin presenta
valor positivo producto de su clculo. Ambos
errores son reemplazados con cero. Finalmente,
se completan los datos faltantes en la seal
original, reemplazndolos con los valores
recprocos de la seal reconstruida.
El mtodo propuesto para reconstruir datos
faltantes en una seal de precipitacin
pluvial diaria consiste en combinar
informacin de la estacin incompleta (que
se requiere completar) con informacin de
otra estacin cercana (estacin de apoyo),
82
comprobando previamente la similitud entre
sus seales estandarizadas. Dicho modelo de
reconstruccin as como otros procedi-
mientos tiles para el anlisis de datos fueron
programados en el software de clculo
matemtico Matlab.
A continuacin se describe el algoritmo de
reconstruccin:
1. Seleccionar dos estaciones vecinas, una
con vacos (f) y la otra completa (g), de una
misma familia de distribucin y con indicadores
climticos similares.
2. Estandarizar las seales f y g siguiendo la
metodologa descrita por Nakken (1999).
3. Descomponer la seal como en las ecuaciones
3 y 4, hasta un cierto nivel de descomposicin N,
escogido segn la cantidad de vacos existentes
en f.
4. Promediar los valores de f en el nivel N,
cada 2N datos. Esto debe corresponder a una
aproximacin de A, por lo que se toma este
resultado como la tendencia en la reconstruccin
(en lugar de A utilizamos el ponderado de f cada
2N vecindades).
5. Tomar la tendencia de f (obtenida en 4) en
el nivel N y todos los ruidos de g de todos los
niveles N,(N-1),..., 1.
6. Realizar el proceso inverso de la
estandarizacin de la parte dos y obtener la seal
h.
7. Los valores faltantes de la seal f son
reemplazados por los valores que se generaron
en el proceso de reconstruccin de la seal h.
Mtodos de Validacin
Las pruebas comparativas con los datos
observados completos son importantes para
la verificacin de los datos modelados, tanto
con el mtodo de Transformada Wavelet como
los modelados con el ClimGen. Se verific la
similitud entre estadgrafos de las seales
reconstruidas con la seal original (anlisis
no mostrado). Se evalu la bondad de ajuste
entre cada seal modelada y la seal
completa, mediante el coeficiente de
determinacin (R2) y la prueba de Kol-
mogorov-Smirnov; asimismo se utiliz el
RMSE (Raz del error medio cuadrtico) y el
Autor(es)-RPGA
 RECONSTRUCCIN DE DATOS FALTANTES DE PRECIPITACIN PLUVIAL DIARIA

MAE (Error Absoluto Medio), indicadores no RESULTADOS

probabilsticos de predicciones para variables
continuas (Wilks, 2006). Adicionalmente, se
analiz la diferencia porcentual de entropas
entre reconstrucciones con la hiptesis de que
cuando la diferencia tiende a cero las seales
se rigen por la misma ley dinmica (Feng &
Tse, 2008). Finalmente, se realiz un anlisis
residual por cada reconstruccin.
Similitud de Patrones en el Altiplano
Las reconstrucciones de las seales de
lluvia diaria en el Altiplano peruano se
realizaron luego de estudiar y encontrar un
patrn similar de comportamiento a diferentes
magnitudes y dispersiones en la mayora de
estaciones. Dicho anlisis se realiz mediante

(a)

(b)

(c)

Fig. 3. Datos observados (lnea continua) y datos reconstruidos con las tcnicas de reconstruccin
de la TW (lnea discontinua) y generador de datos ClimGen (lnea punteada) para a) Cabanillas, b)
Ilave y c) Arapa.

83
Autor(es)-RPGA
 MARIELLA CARBAJAL ET AL.

la prueba de Kolmogorov-Smirnov, La prueba de Kolmogorov-Smirnov

comparando las seales diarias muestra que las distribuciones de los
estandarizadas (anlisis de 28 estaciones, no datos reconstruidos con TW y ClimGen
mostrado), habindose encontrado mayor son equivalentes a la distribucin de los
similitud entre estaciones cercanas. datos observados (Tabla 2. D: mxima
desviacin vertical entre distribuciones
Reconstruccin de Seales acumuladas).

Luego de aplicado el modelo Wavelet y el La diferencia porcentual de entropa de

Generador ClimGen se completaron los datos
ausentes (producto de la generacin de vacos
aleatorios) y se obtuvieron las siguientes
seales completadas (Ver Fig. 3).
En todos los casos los valores de
coeficiente de determinacin (0.82, 0.86
y 0.77), correspondientes a las series
reconstruidas con la tcnica de la TW,
fueron superiores (p <5%) a los obtenidos
con las reconstrucciones con el generador
ClimGen (0.70, 0.71 y 0.40). Los resultados
estadsticos de la comparacin entre datos
reales y datos reconstruidos se muestran en
la Tabla 2. Los estadgrafos de las seales
reconstruidas en ambos casos (media,
desviacin estndar, coeficiente de
asimetra, curtosis) no muestran
diferencias estadsticamente significativas
(Tabla 2).
Las medidas de precisin de los modelos
(MAE y RMSE) indican que en todos los
casos el modelo Wavelet complet los
datos ausentes con menor error, sin
embargo segn el BIAS se sobreestimaron
ligeramente algunos de los valores reales,
mientras que la completacin con ClimGen
subestim en menor medida dichos valores.
las seales indica que ambos mtodos de
reconstruccin dan resultados que se
asemejan a los medidos. Cuando la
diferencia entre los mtodos fue mayor al
5%, el mtodo de la reconstruccin con la
TW present una menor diferencia con la
seal medida.
Anlisis residual
Los estadgrafos calculados y los test
estadsticos realizados entre los valores
observados y los valores reconstruidos con
la tcnica de la TW y el generador ClimGen
muestran que las seales reconstruidas son
similares a la seal observada. Sin embargo,
es importante conocer la proporcin de los
errores respecto a las observaciones mediante un
anlisis residual. Se determinaron los
residuales para los tres casos (Fig. 4),
encontrndose en todos los casos que la
reconstruccin con ClimGen tiene mayor
cantidad de residuales que se encuentran
fuera del intervalo de confianza y que en su
mayora son de mayor magnitud. El 95.5% de los
residuales estn comprendidos dentro del
intervalo [+2s, -2s], donde es la media del
residual y s es la desviacin estndar residual.

Tabla 2. Comparacin Estadstica de las Reconstrucciones.

Estacin Reconstruida R2 MAE RMSE BIAS p-value* D* H%
TW 0.82 1.14 2.90 0.05 1.00 0.08 3.94
Cabanillas
ClimGen 0,70 1.27 3.70 0.11 1.00 0.08 10.57
TW 0.86 0.74 2.40 0.06 0.99 0.07 0.55
Ilave
ClimGen 0.71 1.31 3.70 0.03 1.00 0.00 1.10
TW 0.77 0.63 2.20 0.10 1.00 0.07 3.12
Arapa
ClimGen 0.40 1.19 3.90 -0.06 1.00 0.06 2.33

Tabla 3. Valores de estadgrafos principales del anlisis residual.

Cabanillas Ilave Arapa
TW ClimGen TW ClimGen TW ClimGen
Media residual 0.22 0.46 0.23 0.13 0.27 0.16
s residual 2.96 3.74 2.44 3.70 2.17 3.96

84
Autor(es)-RPGA
 RECONSTRUCCIN DE DATOS FALTANTES DE PRECIPITACIN PLUVIAL DIARIA

Fig. 4. Anlisis residual de las reconstrucciones con la TW (o) y ClimGen (), de: a) Cabanillas, b)
Ilave y c) Arapa. Se muestran intervalos de confianza del 95.5% de los datos residuales, con la tcnica
de la TW (lnea horizontal negra) y ClimGen (lnea horizontal gris).

Los valores residuales de las sin embargo las desviaciones estndares

reconstrucciones se encuentran distribui- reflejan una mayor dispersin del error e
dos normalmente con media cercana a cero intervalos de confianza ms amplios en las
para todas las reconstrucciones realizadas, reconstrucciones con ClimGen.

85
Autor(es)-RPGA
 MARIELLA CARBAJAL ET AL.
DISCUSIN DE RESULTADOS
La TW est basada en principios fsico-
matemticos que estn asociados al proceso
de la seal, siendo por lo tanto independiente
de la cantidad de informacin utilizada en
el proceso de anlisis (reconstruccin). Esto
no ocurre con una tcnica estadstica clsi-
ca, donde se infieren los parmetros proba-
bilsticamente de una muestra representativa
del proceso. Esto convierte a la TW en una
herramienta muy til para este tipo
de procesos. Esta ventaja permiti las
reconstrucciones a partir de pocas estaciones
y un nmero reducido de datos.
El perodo de anlisis de las tres seales
de lluvia diaria de las estaciones en
estudio se seleccion teniendo en cuenta
diferentes perodos y cantidad de datos, y la
presencia de eventos extremos, para tratar de
observar diversos escenarios. Por ejemplo, la
Fig. 3a muestra 64 datos de la seal diaria de
Cabanillas, que es una seal de bajas
frecuencias o baja variabilidad temporal
(debido principalmente al poco nmero de
datos). Por otro lado, las estaciones de Ilave
(Fig. 3b) y Arapa (Fig. 3c), de 128 datos cada
una, tienen un comportamiento de mayor
variabilidad temporal (de altas frecuencias). En
el caso de Ilave, la seal muestra propiedades
estacionales con una variabilidad temporal
creciente al inicio y decreciente en la parte
final; es decir, la seal sigue una
tendencia con pendiente positiva y luego
negativa. Lo contrario se observa en Arapa,
que tiene una seal con mucho ruido y sin
tendencia. Es as que el ruido en las seales
supone una mayor complejidad para su
modelamiento. En estos casos las seales
diarias o con eventos climticos extremos
(como El Nio), son poco modelables o los
resultados suelen ser poco reales y requieren
de registros prolongados. Esto ltimo es
mostrado en la grfica de residuales y en los
valores del coeficiente de determinacin (R2),
obtenidos al comparar los valores observados
versus los reconstruidos con ClimGen, los que
son menores a los de la reconstruccin con la
TW. Para el caso de Arapa (seal con mucho
ruido), el valor de R2 es mucho menor que en
86
los dems casos. Sin embargo, la reconstruc-
cin con la TW no se ve afectada en ninguno
de los casos indicados anteriormente, ya que
el mtodo TW propuesto utiliza la variabilidad
de otra estacin que tiene patrones similares
(misma aleatoriedad), en un mismo tiempo
(Ver Fig. 3).
En el presente trabajo se utilizaron series de
precipitacin diarias que presentan una alta
variabilidad lo que las hace difcil de modelar.
Esta variable, a nivel diario en comparacin
con otras variables de menor ruido o mayor
escala temporal, no ha sido bien estudiada.
Tambin, las reconstrucciones a escalas de
tiempo mayores (como las mensuales) se
van haciendo ms sencillas debido a que la
precipitacin mensual (u otra variable climti-
ca) es de carcter estacional y adems la
correlacin entre estaciones meteorolgicas
cercanas es por lo general muy alta.
CONCLUSIONES
La metodologa desarrollada permiti
completar series de precipitacin
diaria para tres estaciones meteorolgicas,
obtenindose mejores resultados que con el
generador ClimGen, segn los indicadores
estadsticos, no probabilsticos y fsicos
utilizados. En consecuencia, este modelo de
reconstruccin es una alternativa eficiente
para completar datos faltantes, cuando se
cuenta con informacin del mismo periodo,
en la misma escala temporal y con similares
probabilidades de ocurrencia, proveniente de
otra estacin cercana.
La reconstruccin es posible siempre y
cuando se demuestre que tanto la seal
incompleta como la seal de apoyo
estandarizadas tienen la misma
probabilidad acumulada de ocurrencia para
un mismo intervalo de tiempo.
La tcnica de reconstruccin descrita es
aplicada a datos de lluvia diaria, no
obstante su aplicacin es de uso genrico para
otras variables climticas a distintas escalas
temporales (horas, cada 2 das, semanal,
quincenal, mensual, anual, etc.). Esta
Autor(es)-RPGA
 RECONSTRUCCIN DE DATOS FALTANTES DE PRECIPITACIN PLUVIAL DIARIA
aplicacin genrica se basa en que el anlisis
con la TW est influenciado por los eventos
locales, preservndose el aspecto temporal.
Una ventaja de utilizar la tcnica de la TW
es que no requiere periodos de informacin
pasados para su desarrollo (como s lo requiere
ClimGen y otros modelos); sin embargo, su
eficiencia est asociada directamente a la
relacin que existe entre la variabilidad de
la estacin a reconstruir con la de alguna
otra estacin vecina y al porcentaje de datos
faltantes en cada particin de 2N datos, y no al
tamao del registro histrico.
El anlisis conjunto de la TW y el AMR
es una tcnica flexible que permite
estudiar las series de datos y su variabilidad en
diferentes resoluciones de manera dinmica.
Es as como en las reconstrucciones con este
mtodo la presencia de eventos extremos y
singularidades se mantiene, al ser heredados
de la estacin cercana, como se verific en el
anlisis espectral.
Agradecimientos
A la Divisin de Sistemas de Produccin y
Ambiente del Centro Internacional de la Papa
y al Servicio Nacional de Meteorologa e
Hidrologa. Este trabajo fue financiado por el
Proyecto ALTAGRO con fondos del CIDA-
Canad.
REFERENCIAS
Das, N.N. & Mohanty, B.P. (2008). Temporal
dynamics of PSR-based soil moisture across
spatial scales in an agricultural landscape
during SMEX02: A wavelet approach. Remote
Sensing of Environment, 112(2), 522-534.
Dunne, T. & Leopold, L.B. (1978). Water
in Environmental Planning: W.H. Freeman &
Company, 1st Ed., 818 p.
Farge, M. (1992). Wavelet transforms and
their applications to turbulence. Annual
Review of Fluid Mechanics 24, 395-458.
Feng, J.C. & Tse, C.K. (2008).
Reconstruction of chaotic signals with
applications to chaos-based communications.
Autor(es)-RPGA
Tsinghua University Press and World Scientific
Publishing Co. Pte. Ltd., 218p.
Foufoula-Georgiou, E. & Kumar, P. (Eds.).
(1994). Wavelets in geophysics. Academic
Press, 373p.
Gao, W. & Li, B.L. (1993). Wavelet analysis
of coherent structure at the atmosphere-forest
interface. Journal of Applied Meteorology 32
(11), 1717-1725.
Giddings, L. & Soto, M. (2006).
Participacin de Amrica Latina y del Caribe
en los Registros Globales Climatolgicos,
GHCN. Interciencia: Revista de Ciencia y
Tecnologa de Amrica, 31(9), 632-637.
Goupillaud, P., Grossmann, A. & Morlet, J.
(1984). Cycle-octave and related transforms in
seismic signal analysis. Geoexploration 23 (1),
85-102.
Grace, B. (1985). El clima del altiplano,
departamento de Puno, Per. INIPA CIPA XV.
Estacin Experimental Salcedo.
Graps, A. (1995). An introduction to wavelets.
IEEE Computational Science and Engineering
2 (2), 50-61.
Grossmann, A. & Morlet, J. (1984).
Decomposition of Hardy functions into square
integrable wavelets of constant shape. SIAM
Journal on Mathematical Analysis 15 (4), 723-
736.
Jaffard, S. (2004). Wavelet techniques in
multifractal analysis, fractal geometry and
applications, In: AMS (Ed.), Proceedings of
Symposia in Pure Mathematics, Providence,
RI.
Katul, G. & Vidakovic, B. (1996). The
partitioning of attached and detached eddy
motion in the atmospheric surface layer
using Lorentz wavelet filtering. Boundary
Layer Meteorol, 77(2), 153-72.
Kumar, P. & Foufoula-Georgiou, E. (1993).
A multicomponent decomposition of spatial
rainfall fields: 1. Segregation of large-and
small-scale features using wavelet transform.
Water Resources Research, 29(8), 2515-2532.
Kumar, P. & Foufoula, E. (1997).
Wavelet Analysis for Geophysical
Applications. Reviews of Geophysics 35(4),
385-412.
Labat, D., Ababou, R. & Mangin, A. (2000).
Rainfall-runoff relations for karstic springs.
Part. II: Continuous wavelet and discrete
87
 MARIELLA CARBAJAL ET AL.
ortoghonal multiresolution analyses. Journal
of Hydrology 238(3-4), 149-178.
Liu, P.C. (1994). Wavelet spectrum
analysis and ocean wind waves. In: Foufoula-
Georgiou, E. and Kumar, P. (Eds.), Wavelets in
Geophy- sics. Academic Press, New York, pp.
151-166.
Nakken M. (1999). Wavelet analysis of
rainfall-runoff variability isolating climatic
from anthropogenic patterns. Environmental
Mo- deling and Software, 14(4), 283-295.
Nelson, R. (2002). ClimGen Climatic Data
Generator Users Manual. Washington.
Posadas, A.N.D., Quiroz, R., Zorogasta,
P. & Len-Velarde, C. (2005). Multifractal
Characterization of the Spatial Distribution of
Ulexite in a Bolivian Salt Flat. Int J Remote
Sens. 26(3), 615-627.
Quiroz, R., Len-Velarde, C., Valdivia, R.,
Zorogasta, P., Baigorria, G., Barreda, C.,
Reinoso, J., Holle, M. & Li Pun, H. (2003).
Making a difference to Andean livelihoods
through an integrated research approach.
In: Harwood, R.R., Kassam, A.H. (Eds.),
Research Towards Integrated Natural
Resources Management. CGIAR, Rome, pp.
111-122.
Quiroz, R., Yarlequ, C., Posadas, A.,
Mares, V. & Immerzeel, W.W. (2010).
Improving daily rainfall estimation from
NDVI using a wavelet transform. Submitted to
Environmental Modelling & Software.
Sveinsson, O.G.B., Salas, J.D, Lane, W.L.
& Frevert, D.K. (2007). Stochastic analysis,
modeling, and simulation (SAMS). Users
88
Manual, Version 2007. (http://www.engr.
colostate.edu/Sams-CSU-USBR/SAMS/
Resources/SAMS2007_User_Manual.pdf).
Accesado en febrero 08 de 2010.
UNESCO/Rostlac. (1982). Gua
metodolgica para la elaboracin del balance
hdrico de Amrica del Sur.
Vuille, M. & Keimig, F. (2004).
Interannual variability of summertime
convective cloudiness and precipitation
in the central Andes derived from ISCCP-
B3 data. Journal of Climate 17(17), 3334-
3348.
Wackernagel, H. (2003). Multivariate
geostatistics: An introduction with
applications. Third Edition. Springer-
Verlag Berlin, Heidelberg, New York,
403 p.
Yarlequ, C. (2009). Anlisis de campos
de biomasa del altiplano usando wavelet
y parmetros universales multifractales.
Tesis de Licenciatura en Fsica.
Universidad Nacional del Callao,
Per. p 202.
Yarlequ, C., Posadas & A., Quiroz,
R. (2007). Reconstruccin de datos de
precipitacin pluvial en series de tiempo
mediante transformadas de wavelet con
dos niveles de descomposicin. Centro
Internacional de la Papa, Working Paper
No. 2007-2, Lima, Per, 17 p.
Wilks, D. (2006). Statistical
Methods in the Atmospheric Sciences.
Volume 91, Second Edition (International
Geophy- sics). 627 p.
Autor(es)-RPGA