Informe Geodesia

UNIVERSIDAD DE CONCEPCIÓN
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

DEPARTAMENTO DE GEOFÍSICA
Autor: Supervisor:
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

DEPARTAMENTO DE GEOFÍSICA
2 de enero de 2019
II
Resumen
El estudio de aguas subterráneas, se ha basado históricamente en una red de ob-
servaciones locales de niveles de pozos o mediciones in situ. Empero, de igual forma
que en Chile, en muchas otras regiones del mundo la red de observación de aguas
subterráneas a menudo carece de una cobertura espacial y temporal adecuada, ca-
recen de fondos suficientes, y por lo tanto, pueden ser poco fiables. Por lo tanto, se
necesita una fuente de información fehaciente, para poder comprender mejor el im-
pacto causado en la utilización de agua en muchas cuencas de mediano y pequeño
tamaño.
En este mismo ámbito, las ciencias geodésicas espaciales, en particular la mi-

sión gravimétrica GRACE (Gravimetry Recovery and Climate Experiment) ha sido de
gran ayuda para mejorar el entendimiento del ciclo hidrológico, en especial, en la eva-
luación de almacenamiento de agua en el subsuelo (GWS). Aun así, es bien sabido
2
la baja resolución espacial de estos datos ∼ 200000 km e investigadores hidrogeo-
lógicos han dado cuenta de los inconvenientes inherentes a esta problemática. Más
aun, la falta de verificación en terreno y los posibles errores en los algoritmos de recu-
peración, acrecientan la incertidumbre de los datos provenientes de la misión GRACE.
En este informe, no solo queremos ver una visión amplia de la geodesia y sus
aplicaciones, sino también, realizar una sugerencia en la necesidad de un catalogo
mas fidedigno en la información de anomalías de gravedad que puedan proveer infor-
mación sobre los cambios de masa hidrológicos para cuencas de mediana y pequeña
escala. Para ello, este informe es distribuido en cuatro puntos: Geodesia, en esta sec-
ción veremos en un contexto amplio que es la geodesia y sus aplicaciones directas;
Reducción de escala, aquí vemos las dos visiones en técnicas de reducción de esca-
la, sus ventajas y desventajas; Corrección de Sesgo, en este capitulo hacemos una
revisión en metodologías de reducción de error sistemático y mostramos las ventajas
y desventajas de algunas de estas; Propuesta, aquí una propuesta para un trabajo en
el futuro cercano sobre métodos de reducción de escala en datos de anomalías de
gravedad es sugerido.
III
Índice general
Resumen II
Tabla de contenidos IV
Tabla de figuras V
Listado de tablas VI
1. Geodesia 1
1.1. Posicionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Ecuaciones que relacionan la masa superficial con la gravedad . . . . . 4
1.3. GRACE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Errores asociados . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Suavizado Gaussiano . . . . . . . . . . . . . . . . . . . . . . . . 8
Destriping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Ajuste de mascons . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Funciones ortogonales empíricos (EOF) . . . . . . . . . . . . . . 13
2. Reducción de escala 15
2.0.1. Downscaling Dinámico . . . . . . . . . . . . . . . . . . . . . . . . 16
2.0.2. Downscaling Estadístico . . . . . . . . . . . . . . . . . . . . . . . 17
Modelos de regresión . . . . . . . . . . . . . . . . . . . . . . . . 18
Esquemas de clasificación de patrones de clima . . . . . . . . . 18
Generadores de clima (WGs) . . . . . . . . . . . . . . . . . . . . 19
3. Error sistemático 21
3.1. Ajuste lineal (LS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Ajuste de intensidad local (LOCI) . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Transformación de potencia (PT) . . . . . . . . . . . . . . . . . . . . . . 23
3.4. Mapa de distribución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5. Quantile Mapping ( QM) . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
IV
4. Proposición 27
4.1. Propuesta a mediano y largo plazo . . . . . . . . . . . . . . . . . . . . . 28
Bibliografía 30
V
Índice de figuras
1.1. Interpretación de la Tierra de Tales de Mileto Fuente: (Vanicek y col., 2015) . . . . . . . . . 1

1.2. Geodesia y su relación con otras disciplinas. Fuente: (Vanicek y col., 2015) . . . . . . . . . 2
1.3. Concepto artístico del satélite GRACE y la Tierra. Fuente: https://www.dlr.de . . . . . . . . . 6
1.4. Mapa de anomalia de masa obtenido por GRACE (abril 2003): (a) representación espacial de
los coeficientes de Stokes, y (b) resultados de filtrado por medio de método inverso de mínimos
cuadrados Fuente: (Frappart y col., 2017) . . . . . . . . . . . . . . . . . . . . . . . 7
1.5. Ejemplos del cambio de ancho medio de un filtro gaussiano utilizando una mascara de una cuenca.
Fuente: (Swenson y col., 2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6. Mapas mensuales de anomalías de almacenamiento de agua derivado de GRACE, suavizado con
filtro gaussiano de diferentes medias de anchura (a) Sin suavizar; (b) anchura media a 250 km; (c)
anchura media a 500 km; (d) anchura media a 750 km. La escala del lado izquierdo (2a y 2b) es 10
veces mayor al del lado derecho (fig. 2c y 2d) Fuente: (Swenson y col., 2006) . . . . . . . . 10
1.7. Mapas mensuales de anomalías de almacenamiento de agua derivado de GRACE. (a) Sin filtrar,
Sin suavizar; (b) filtrado con filtro de error correlacionado, sin suavizar; (c) sin filtrar y suavizado
gaussiano a 500 km; (d) filtrado con filtro correlacionado y suavizado gaussiano a 500 km. La
escala del lado izquierdo (3a y 3b) es 10 veces mayor al del lado derecho (fig. 3c y 3d) Fuente:
(Swenson y col., 2006) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8. Mapas de anomalías de altura equivalente de agua para marzo de 2007, se suavizaron con va-
rios radios. (a) 0 km, (b) 350 km, (c) 500 km y (d) 750 km. Las figuras superiores muestran los
campos sin filtrar, mientras que en el medio se filtran con el método EOF. Las figuras más bajas,
representan la diferencia entre las figuras en la fila superior y en la media. Las unidades son en
cm. Fuente: (Wouters y col., 2007) . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1. Concepto de reducción de escala espacial, y diferentes procesos que controlan el clima y no son
incluidos en los modelos de circulación global (p. ej. hidrología, vegetación). Fuente: (Trzaska
y col., 2014a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
VI
Índice de tablas
2.1. Fortalezas y debilidades de métodos estadísticos de reducción de escala con estudios de muestra. 20
3.1. Ventajas y desventajas de técnicas de reducción de sesgo con estudios de muestra. . . . . . . 26

1
Capítulo 1
Geodesia
La geodesia, es la ciencia dedicada al estudio de la forma y el campo de grave-

dad externo de la Tierra. Sin embargo, durante muchos siglos, la única manera de
aprender acerca de la geometría de la Tierra fue a través de la observación del Sol, la
luna, planetas y estrellas, es decir, a través de la astronomía. De este modo, junto a la
astronomía, la geodesia esta entre las ciencias mas antiguas; lo que sin duda la sitúa
en la más antigua de las geociencias (Vanicek y col., 2015).
Las primeras ideas documentadas, datan de la era Griega con Tales de Mileto
(625 − 547 A.C.). Su concepto de la Tierra, era la de un cuerpo parecido a un disco
flotando sobre un océano infinito, y manteniéndose en el espacio por aire comprimi-
do (fig. 1.1). Sin embargo, fue la escuela de Pitágoras (580 − 500 A.C.) la primera en
creer en una Tierra esférica. Seguidamente, Eratóstenes (276 − 194 A.C.) determinó
el tamaño de la Tierra en su celebre medición de diferencia latitudinal entre Alejan-
dría y Atenas. A pesar de estas ideas tempranas en el mundo occidental, estas no se
mantuvieron en el tiempo, influyendo considerablemente el pensamiento teológico.
F IGURA 1.1: Interpretación de la Tierra de Tales de Mileto

Fuente: (Vanicek y col., 2015)
2 Capítulo 1. Geodesia
Por su parte, el concepto de gravedad comenzó a formularse a través de las inves-

tigaciones de Dutchman (1548 − 1620), Galileo (1564 − 1642), Borelli (1608 − 1679)
Horrox (1619 − 11641) y culminando con la teoría de gravitación universal de Newton
(1642 − 1727) (Vanicek y col., 2015). Desde aquí, la geodesia vio un crecimiento sin
precedentes en su aplicación, cooperando con una multitud de otras ciencias (fig. 1.2)
p. ej. astronomía, geología, hidrografía, entre otras.
F IGURA 1.2: Geodesia y su relación con otras disciplinas.

Fuente: (Vanicek y col., 2015)
En la ultima década, la detección remota a jugado un rol importante, proporcio-

nado información sistemática a gran escala de la superficie terrestre. Esto, ha sido
demostrado por la gran cantidad de estudios realizados a partir de la misión GRACE,
por ejemplo, las variaciones de almacenamiento de agua terrestre, sequías e inun-
daciones relevantes en la cuenca del río Amazonas (Chen y col., 2009; Chen y col.,
2010; Frappart y col., 2012; Feng, 2018), estimaciones en las variaciones de agua
subterránea (Rodell y col., 2009; Scanlon y col., 2012), glaciares y derretimiento de
nieve (Chen y col., 2013b).
No obstante, antes de los grandes avances que trajo consigo la misión GRACE,
una de las más importantes misiones satélites para determinar el campo gravitacional
terrestre fue LAGEOS. Esta misión, fue lanzada en 1976 a una altitud de unos 6000
km y proveyendo un rango de medición de alta calidad, por medio de lasers basados
en tierra. Estos lasers en tierra, conectaban con el satélite, permitiendo conocer así
su localización con precisión, y por lo tanto, conocer el potencial de gravitación que
afectaba la trayectoria del satélite. Sin embargo, la gran altitud de este satélite solo
puede capturar información útil de gravedad a ciertas longitudes de onda larga (Wahr
y col., 1998).
1.1. Posicionamiento 3
1.1. Posicionamiento
La geodesia, esta interesada en puntos de posicionamiento sobre la superficie
terrestre. Existe una gran cantidad de sistema de coordenadas utilizadas, algunos
geocéntricos con la Tierra (sist. geocéntricos) y otros no. También, hay sistemas de
coordenadas utilizados específicamente en el posicionamiento astronómico y satelital,
siendo no apropiados para la descripción de un punto en la superficie terrestre.
El sistema geocéntrico, se volvió útil recientemente con la llegada del posiciona-

miento por satélite. Mientras, el sistema no geocéntrico (geodésico) son utilizados
para trabajos locales, donde su origen se ubicaría en un punto en la superficie terres-
tre. Ambos son utilizados junto a un elipsoide de referencia (esferoides), los cuales se
ajustan a la forma real de la Tierra, como lo describe el geoide.
Los elipsoides de referencia son superficies horizontales las cuales son referidas
por medio de la longitud y latitud geodésicas. Para cumplir esta función, un elipsoide
debe fijarse con respecto a la Tierra, denominado a menudo como datum. Las coor-
denadas geodésicas horizontales, latitud (φ) y longitud (λ) junto a la altura geodésica
(h), son relacionadas con las coordenadas cartesianas mediante las siguientes ex-
presiones:
x = ( N + h) cos φ cos λ
y = ( N + h) cos φ sin λ
z = Nb2 /a2 + h sin φ

(1.1)
donde N es el radio de curvatura local del elipsoide de referencia en la dirección este-

oeste,
1/2
N = a2 a2 cos2 φ + b2 sin2 φ (1.2)
donde a es el semieje mayor y b es el semieje menor del elipsoide de referencia.
Cabe señalar, que las coordenadas geodésicas horizontales son las que forman
la base de todos los mapas, cartas, límites legales terrestres y marinos, navegación
marítima y terrestre, etc. Las transformaciones entre estas coordenadas horizontales,
y las coordenadas cartesianas bidimensionales x e y en los mapas, se llaman mapas
cartográficos.
1.2. Ecuaciones que relacionan la masa superficial con la

gravedad
El campo gravitacional de la Tierra, comúnmente es descrito en términos de las
características del geoide: superficie equipotencial correspondiente al nivel medio del
mar sobre los océanos. Es habitual expandir la forma del geoide N como una suma
de armónicos esféricos (ver, p. ej. Hofmann-Wellenhof y col. 2006).
∞ l
N (θ, φ) = a ∑ ∑ Pelm (cos θ ) [Clm cos (mφ) + Slm sin (mφ)] , (1.3)
l =0 m =0
donde a es el radio de la Tierra, θ y φ son la colatitud y la longitud, Clm y Slm son coefi-
cientes adimensionales de Stokes, y Pelm son las funciones asociadas a los polinomios
de Legendre normalizadas.
De acuerdo a la aproximación de Wahr y col. 1998, muestra que el cambio local

en la densidad de masa superficial ∆σ (θ, φ), puede ser relacionada con los cambios
en los coeficientes de Stokes, ∆Clm y ∆Slm por
∞ l
aρ E (2l + 1) e
∆σ (θ, φ) =
3 ∑∑ P (cos θ ) {∆Clm cos mφ + ∆Slm sin mφ},
(1 + k l ) lm
(1.4)
l =0 m =0
donde ρ E es la densidad media de la Tierra solida y k l son los números love de carga,
que representan los efectos de la respuesta de la Tierra a las cargas de superficie.
Los números love pueden ser obtenidos desde Wahr y col. 1998.
Los coeficientes de Stokes producidos por GRACE, contienen errores de medi-

ción ∆δlm
c y ∆δs , tal que
lm
∆Clm
GRACE
= ∆Clm
true
+ ∆δlm
c
∆Slm
GRACE
= ∆Slm
true
+ ∆δlm
s
(1.5)
Si los coeficientes de los errores del satélite, y la anomalía de la masa superficial

en n veces no están correlacionados para cada (l, m) y (l 0 , m0 ),
1 n 1 n
n i∑ ∑ ∆Clm
∆C true
lm ( t i ) ∆δ c
lm0 0 ( t i ) = true
(ti ) ∆δls0 m0 (ti ) = 0
=1
n i =1
1 n 1 n
n i∑ ∑ ∆Slm
∆S true
lm ( t i ) ∆δ c
(
l 0 m0 it ) = true
(ti ) ∆δls0 m0 (ti ) = 0, (1.6)
=1
n i =1
1.3. GRACE 5
luego dos términos incluyen la expresión para la varianza de la anomalía de masa de

superficie inferida en el punto (θ, φ):
Var (σ )GRACE = var (σ)true + var (σ)sat , (1.7)
donde la contribución a la varianza debida al error de medición del satélite es
Var (σ)sat = ∑∑
0 0
Kl Kl0 Pelm (cos θ ) Pel 0 m0 (cos θ ) ×
l,m l ,m
0 0
ll 0 mm0 cos mφ cos m φ + Λll 0 mm0 cos mφ sin m φ +
Λcc cs

0 0
Λscll 0 mm0 sin mφ cos m φ + Λll 0 mm0 sin mφ sin m φ
ss

(1.8)
aρ E (2l + 1)
Kl = (1.9)
3 (1 + k l )
Finalmente, se convierten los coeficientes geoidales a coeficientes de masa super-
ficial y Λll 0 mm0 son las matrices de covarianza de los errores de medición de GRACE.
1.3. GRACE
La misión satelital GRACE (Gravity Recovery and Climate Experiment) fue una
misión conjunta de NASA (administración nacional de aeronáutica y del espacio de
los Estados Unidos) y la DLR (centro aeroespacial Alemán). El primer objetivo de
este experimento, fue obtener mediciones del campo gravitacional de la Tierra en
intervalos aproximados de cada 30 días. La misión, consta de dos satélites que orbitan
en tándem, elevados a una altitud de ∼ 450 km en la misma orbita casi polar separado
a unos 220 km (Feng, 2018).
F IGURA 1.3: Concepto artístico del satélite GRACE y la Tierra.

Fuente: https://www.dlr.de
A bordo, los receptores GPS determinan la posición de cada satélite en un marco

de referencia geocéntrico (Wahr y col., 1998; Tapley y col., 2004; Chen y col., 2007).
Por su parte, los acelerómetros son usados para detectar la aceleración no gravita-
cional, de modo que sus efectos puedan eliminarse de las mediciones de distancia de
satélite a satélite. Por lo tanto, estos residuos son utilizados para mapear el campo de
gravedad; es decir, cualquier variación de masa en la superficie terrestre, en principio,
causa los cambios en distancia de los dos satélites GRACE, cambios detectados con
una precisión micrométrica (Feng, 2018). Es así, que la variabilidad espacial de los
campos entregados por GRACE, pueden ser utilizados para inferir los cambios en la
elevación del geoide global o las variaciones de masa en la atmósfera, océano y agua
en la Tierra (Chen y col., 2007).
1.3.1. Errores asociados

Los datos GRACE más utilizados en hidrología y glaciología son las anomalías de
gravedad desde las soluciones GRACE − L2, los que son proveídos como coeficientes
de Stokes (Frappart y col., 2017). Estos, son proveídos en términos de coeficientes
armónicos esféricos potenciales, hasta el grado y orden 60 o 90, que representan
principalmente la gran y media escala. Sin embargo, los coeficientes potenciales L2
contienen diferentes tipos de errores (Khaki y col., 2018). Una parte de estos errores,
está relacionada con el ruido correlacionado debido al muestreo espacial anisotrópico
de la misión, ruido instrumental (sistema de rango de banda K, GPS y observaciones
del acelerómetro y cámaras star) y aliasing temporales causados por la reducción in-
completa de las variaciones de masa a corto plazo por modelos (Forootan y col., 2013;
Forootan y col., 2014; Dobslaw y col., 2016; Khaki y col., 2018). En la figura 1.4 pode-
mos observar datos de anomalía de gravedad sin procesar (a) y campo de anomalía
1.3. GRACE 7
de gravedad una vez aplicado un filtro inverso de mínimos cuadrados (Frappart y col.,
2017).
F IGURA 1.4: Mapa de anomalia de masa obtenido por GRACE (abril 2003): (a) repre-
sentación espacial de los coeficientes de Stokes, y (b) resultados de filtrado por medio de
método inverso de mínimos cuadrados
Fuente: (Frappart y col., 2017)
Estos errores de fuga, no permiten una separación perfecta de las anomalías de la

gravedad, por ejemplo, entre la tierra y los océanos, limitando la detección de señales
hidrológicas a pequeña escala (Khaki y col., 2018). A pesar de esto, la precisión de
la estimación GRACE de almacenamiento total de agua terrestre es muy importante
para aplicaciones hidrológicas, especialmente a escala de cuenca, por ejemplo, para
interpretar la redistribución del almacenamiento de agua o para indicar patrones de
sequía e inundación (p. ej Yeh y col. 2006, Longuevergne y col. 2010, Awange y col.
2016).
Varios métodos de post-procesamiento se han desarrollado para mitigar el im-

pacto de estos errores, suprimiendo señales de alta frecuencia y mejorando señales
de baja frecuencia. Estos incluyen suavizado Gaussiano (Wahr y col., 1998), des-
triping (Swenson y col., 2006), convolving con una función de promedio (Swenson
y col., 2002), ajuste de mascons a los coeficientes de Stokes (Tiwari y col., 2009) y
el uso de funciones ortogonales empíricas para reducir los errores en las soluciones
mensuales, por ejemplo, identificando y eliminando soluciones mensuales que se ven
afectadas negativamente por los errores de resonancia de la orbita (Wouters y col.,
2007), entre otros. En las siguientes lineas veremos algunos de estos métodos (sua-
vizado gaussiano, destriping, ajuste de mascons y funciones ortogonales empíricos).
No obstante, se puede ver una revisión exhaustiva de técnicas de filtrado en el articulo

Frappart y col. 2017.
Suavizado Gaussiano
A menudo, el suavizado gaussiano es aplicado porque el ruido o la naturaleza

del objeto observado probablemente tiene una forma gaussiana. Cuando la escala
espacial es escogida apropiadamente, el suavizado gaussiano parece ser bastante
efectivo en reducir los errores espaciales en los datos gravitacionales variables en
el tiempo observados por GRACE (Chen y col., 2007). Siguiendo lo propuesto por
(Jekeli, 1981), la función de promedio gaussiana normalizada W (θ, φ, θ 0 , φ0 ) depende
solamente del ángulo γ entre dos puntos (θ, φ) y (θ 0 , φ0 ), es decir, cos γ = cos θ cos θ 0 +
sin θ sin θ 0 cos (φ − φ0 ),
b exp [−b (1 − cos γ)]

W θ, φ, θ 0 , φ0 = W (γ) =

(1.10)
2π 1 − e−2b
ln (2)
b= (1.11)
(1 − cos (r1/2 /a))
donde r1/2 es ancho medio de la función de suavizado gaussiano.
Así, un núcleo suavizado promedio W (θ, φ) puede ser creado directamente me-
diante la convolución de la función de cuenca ϑ (θ, φ)
Z
W θ, φ, θ 0 , φ0 ϑ θ 0 , φ0 dΩ0

W (θ, φ) = (1.12)
donde esta ecuación se integra sobre el ángulo solido.
El nuevo núcleo de promedio W cambia suavemente de un valor 1 dentro del li-

mite a 0 fuera del limite sobre una distancia horizontal aproximada de r1/2 . Para este
núcleo promedio, se definen los coeficientes de ponderación de acuerdo a
c c
Wlm ϑlm
s = 2πWl s (1.13)
Wlm ϑlm
donde
1
Z π
Wl = √ W (γ) Pel0 (cos γ) sin γγ (1.14)
2l + 1 0
1.3. GRACE 9
Wl puede ser computado recursivamente por la siguiente relación:
1
W0 =
2π
1 1 + e−2b

1
Wl = −
2π 1 − e−2b b
2l + 1
Wl +1 = − Wl + Wl −1 (1.15)
b
La figura 1.5, muestra el resultado de utilizar un filtro gaussiano en la cuenca del
rió Missouri para un núcleo promediado exacto (Swenson y col., 2002).
F IGURA 1.5: Ejemplos del cambio de ancho medio de un filtro gaussiano utilizando
una mascara de una cuenca.
Fuente: (Swenson y col., 2002)
F IGURA 1.6: Mapas mensuales de anomalías de almacenamiento de agua derivado

de GRACE, suavizado con filtro gaussiano de diferentes medias de anchura (a) Sin sua-
vizar; (b) anchura media a 250 km; (c) anchura media a 500 km; (d) anchura media a 750
km. La escala del lado izquierdo (2a y 2b) es 10 veces mayor al del lado derecho (fig. 2c
y 2d)
Por otra parte, la figura (1.6) nos muestra que a medida que se incrementa la an-
chura media del filtro, la amplitud de las rayas decrece. Las escalas espaciales de
alrededor de unos pocos cientos de kilómetros, las señales geofísicas esperadas se
pueden ver en regiones de Sudamérica, África y el sur de Asia. Nuevamente al apli-
car un filtro gaussiano a 750 km más áreas continentales parecen tener una relación
señal/ruido superior a 1, mientras que en algunos lugares como en el Océano Pacifico
todavía parecen tener anomalías de masa no físicas (Swenson y col., 2006).
Destriping
Un mapa de las anomalías de masa superficial, a partir de datos en bruto de

GRACE, están dominadas por los errores de longitud de onda corta (alto grado) del
conjunto de coeficientes de armónicos esféricos. La características más obvia de ca-
da mapa es la presencia de lineas, lineas características, comúnmente referidas como
“rayas”. La presencia de estas lineas indica un alto grado de correlación espacial en
los errores de GRACE (Swenson y col., 2006).
Para determinar la conexión, si la hay, entre estas correlaciones aparentes en el

dominio espectral y las franjas observadas en el dominio especial, se emplea un filtro
1.3. GRACE 11
diseñado para aislar y eliminar coeficientes de paridad similar que varia suavemente.
Para este propósito, los coeficientes de Stokes para un orden particular (m) con un
polinomio cuadrático en una ventana móvil de ancho w centrado alrededor del grado
l,
p
ce
Clm = ∑ Qilm l i , (1.16)
i =0
donde Clmce es el coeficiente de Stokes, Qi es el coeficiente de grado i del ajuste po-

lm
linomial y p es el orden del polinomio, en el caso, p = 2. Una expresión similar es
usada para Slmce .
Los coeficientes polinomiales son obtenidos por mínimos cuadrados de acuerdo

con
p l +w/2
Qilm = ∑ ∑ Lij−1 n j Cnm (1.17)
j=0 n=l −w/2
donde
l +w/2
Lij = ∑ ni n j (1.18)
n=l −w/2
Se debe tener en cuenta, que la suma sobre el grado (n) incluye solo los términos
de la misma paridad que l; esto es, si l es impar, entonces solo se suman los grados
impares n y similarmente cuando l es par.
Al combinar las ecuaciones 1.16 y 1.18, se puede expresar cada nuevo coeficiente,
ce
Clm como una combinación de los coeficientes originales,
l +w/2
ce
Clm = ∑ Λlnm Cnm (1.19)
n=l −w/2
donde el filtro Λlnm , es definido como

p p
Λlnm = ∑ ∑ Lij−1 n j l i (1.20)
i =0 j =0
La representación espacial del filtro puede ser obtenido por medio de
Λ θ, φ, θ 0 , φ0 = ∑ Pelm (cos θ ) {Λclm φ0 , θ 0 cos mφ + Λslm φ0 , θ 0 sin mφ}

(1.21)
l,m
donde
Λclm θ 0 , φ0 = ∑ Λlmn Penm cos θ 0 cos mφ0

(1.22)
n
Λslm θ 0 , φ0 = ∑ Λlmn Penm cos θ 0 sin mφ0

n
Λ (θ, φ, θ 0 , φ0 ) describe la contribución relativa de cada punto (θ 0 , φ0 ) a la media

ponderada en un punto (θ, φ). En la figura 1.7, podemos observar los resultados una
vez aplicado el método distriping, donde las lineas existentes aplicando solo un mo-
delo gaussiano desaparecen.
F IGURA 1.7: Mapas mensuales de anomalías de almacenamiento de agua derivado

de GRACE. (a) Sin filtrar, Sin suavizar; (b) filtrado con filtro de error correlacionado, sin
suavizar; (c) sin filtrar y suavizado gaussiano a 500 km; (d) filtrado con filtro correlacionado
y suavizado gaussiano a 500 km. La escala del lado izquierdo (3a y 3b) es 10 veces mayor
al del lado derecho (fig. 3c y 3d)
Ajuste de mascons
Este enfoque, fue tempranamente desarrollado por la NASA en el estudio de las

anomalías de gravedad lunar en satélites en orbita. Esta técnica, fue utilizada en la co-
rrección los efectos de estas anomalías y proporcionar así, un aterrizaje más preciso
de las naves espaciales lunares (Arendt, 2010). Una región con anomalía gravitacio-
nal positiva fue denominada como “concentración de masa” o “mascon”.
Los parámetros de mascon, son formulados desde el hecho, que un cambio en

el potencial gravitacional causado por la añadidura de una pequeña capa uniforme de
1.3. GRACE 13
masa sobre una región en una época t, puede representarse como un conjunto de co-
eficientes potenciales (diferenciales), que pueden agregarse al campo medio (Luthcke
y col., 2013). Los coeficientes delta, pueden ser computados como (Chao y col., 1987)
(1 + k l ) R2 ∆σ (ϑ, λ)
Z
∆C lm (t) = Plm (cos ϑ ) cos (m, λ) dΩ H (t) (1.23)
(2l + 1) M
(1 + k l ) R2 ∆σ (ϑ, λ)
Z
∆Slm (t) = Plm (cos ϑ ) sin (m, λ) dΩ H (t) (1.24)
(2l + 1) M
donde k l es la carga del numero love de grado l, para dar cuenta de la elasticidad de
la Tierra que, en general, contrarresta la densidad superficial de la superficie (Luthcke
y col., 2013; Farrell, 1972), λ, φ y R son la latitud y longitud geográfica, y la media del
semi-eje mayor respectivamente; M es la masa de la Tierra; H (t) es la altura equiva-
lente de agua en centímetros de la capa de masa sobre una unidad de superficie de
área en un momento t, y Ω es el área de superficie del ángulo solido de la región de
mascon donde H (t) es aplicado, dΩ = cos (λ) dλdφ.
El parámetro mascon estimado, Hj (t), para cada región mascon j, es un factor

de escala el el conjunto de coeficientes de Stokes diferenciales para esa región mas-
con, dado un cambio de masa superficial. Los parámetros de mascon forman parte de
las funciones no lineales de las mediciones GRACE (KBR)1 y, por lo tanto, se estiman
utilizando el método de Gauss-Newton.
lmax l j j
∂Oi ∂Oi ∂∆C lm ∂Oi ∂Slm (t)
=∑ ∑ + (1.25)
∂Hj (t) l =1 m=0 ∂C lm
∂Hj (t) ∂Slm ∂Hj (t)
∂Oi
donde ∂Hj (t)
es la derivada parcial i de la observación KBRR con respecto al pa-
rámetro j de mascon Hj (t) a un tiempo t; ∂Oi /∂C lm y ∂Oi /∂Slm son las derivadas
parciales de las observaciones KBRR con respecto a los coeficientes geopotenciales
j j
de Stokes y ∂∆C lm (t) /∂Hj (t) y ∂∆Slm (t) /∂Hj (t) son las derivadas parciales de los
coeficientes delta de Stokes con respecto al parámetro mascon en la región j en el
tiempo t.
Funciones ortogonales empíricos (EOF)
El análisis EOF (orthogonal empirical function), es una técnica basado sobre el

hecho que un valor real, escalar, de un conjunto Z de datos de dimensiones homogé-
neas con elementos {z (t, x ) : x = 1, ..., p; t = 1, ..., n} consisten en n observaciones
1 Sistema de alineación de banda K (KBR) https://earthobservatory.nasa.gov
de variables p, tiene un conjunto de direcciones de variabilidad dominante en el espa-

cio Euclidiano E p . Estas direcciones pueden ser obtenidas encontrando los vectores
propios e j de la matriz de covarianza del conjunto de datos Z T Z y forman una base
ortogonal para el espacio de datos, tal que:
ρ
z (t, x ) = ∑ a j (t) e j ( x ) (1.26)
j =1
donde a j (t) es un peso temporal a la contribución del vector propio e j . Estas pondera-
ciones no están correlacionadas y su varianza es igual a la varianza del conjunto de
datos a lo largo de la dirección del vector propio asociado e j . Las variables a j y e j son
comúnmente referidas como el componente principal jth respectivo al modo EOF. El
numero de modos es como máximo min [n − 1, p], denotado como ρ.
Cada modo EOF representa un cierto porcentaje de la variabilidad total en el con-

junto de datos, con los primeros modos que tienen la mayor potencia y otros modos
que representan ruido superfluo en el conjunto de datos original. Por lo tanto, al sumar
solo un conjunto seleccionado de vectores propios en la ecuación 1.26, el ruido puede
reducirse considerablemente y solo una señal físicamente significativa debe perma-
necer en el conjunto de datos comprimidos. La figura 1.8 nos muestra los resultados
de este filtro (en el centro). Debido al hecho, de que casi toda la varianza original se
mantiene en los armónicos esféricos de orden inferior, el efecto del filtro es relativa-
mente modesto con un radio de suavizado mayor. No obstante, para radios menores
el efecto del filtro es más evidente (Wouters y col., 2007).
F IGURA 1.8: Mapas de anomalías de altura equivalente de agua para marzo de 2007,
se suavizaron con varios radios. (a) 0 km, (b) 350 km, (c) 500 km y (d) 750 km. Las
figuras superiores muestran los campos sin filtrar, mientras que en el medio se filtran con
el método EOF. Las figuras más bajas, representan la diferencia entre las figuras en la fila
superior y en la media. Las unidades son en cm.
Fuente: (Wouters y col., 2007)
15
Capítulo 2
Reducción de escala
La reducción de escala o “downscaling” es un método en el cual se deduce infor-

mación en alta resolución de variables de baja resolución. Esta técnica se basa en
enfoques dinámicos o estadísticos, comúnmente utilizados en diferentes especializa-
ciones como meteorología, climatología, y sensores remotos (Singh, 2018). El downs-
caling generalmente implica en una refinación espacial de la resolución. Sin embargo,
en ocasiones también es utilizada para refinar la resolución temporal (Wilby y col.,
1997; Lloyd y col., 2018; Singh, 2018).
F IGURA 2.1: Concepto de reducción de escala espacial, y diferentes procesos que

controlan el clima y no son incluidos en los modelos de circulación global (p. ej. hidrología,
vegetación).
Fuente: (Trzaska y col., 2014a)
16 Capítulo 2. Reducción de escala
No existe un esquema de clasificación consensual y único que se aplique en los

intentos de revisar y resumir exhaustivamente la técnica de downscaling (Smid y col.,
2018). No obstante, en muchos estudios (p. ej. Fowler y col. 2007, Khan y col. 2006,
Trzaska y col. 2014b) los métodos son categorizados en dos grupos: Downscaling
Dinámico y Downscaling Estadístico.
2.0.1. Downscaling Dinámico

Este método, es basado en modelos climáticos regionales (RCMs) o modelos at-
mosféricos de escala fina, tales como los modelos de escala limitada (LAM) (Smid
y col., 2018). Esta técnica, representa un grupo de procedimientos originalmente uti-
lizados en el pronostico numérico del clima (Rummukainen, 2010; Smid y col., 2018),
donde los primeros estudios que establecieron las bases para los modelos regionales
fueron Dickinson y col. 1989 y Giorgi y col. 1989. Este método direcciona los datos y
procesos físicos, equivalentemente a lo realizado por los modelos climáticos globales
(GCMs), pero a escalas más finas, proporcionando de esta manera resultados exclu-
sivos para las regiones limitadas en estudio (Trzaska y col., 2014b).
Los modelos de downscaling como los RCMs, comparten los mismos problemas
inherentes a todos los modelos climáticos integrales. Los campos atmosféricos que
representan la salida del modelo global (p. ej. presión, viento, temperatura y hume-
dad) se cargan en los limites verticales del RCMs. Siendo las condiciones de frontera,
un desafió importante en el downscaling dinámico (Rummukainen, 2010; Smid y col.,
2018). Esto se refiere al tratamiento numérico de las ecuaciones gobernantes y tam-
bién a la representación de procesos no resueltos (Rummukainen, 2010). En este ám-
bito, todos los procesos en la escala fina de la celda interna se aproximan en un pro-
cedimiento llamado parametrización. Además, la habilidad del modelo es fuertemente
dependiente de los sesgos heredados del GCMs y la presencia de forzantes regiona-
les característicos, como lo es la orografía y la cobertura regional (Fowler y col., 2007).
Dos estrategias principales son reconocibles en el downscaling dinámico. En la

primera estrategia, la resolución aumenta en todo el dominio del modelo atmosféri-
co global (p. ej. Christensen y col. 2007). Mientras que la que la segunda, se basa
en la utilización de un modelo global con un tamaño de celda cuadriculada variable
(Fox-Rabinovitz y col., 2008; Lal y col., 2008). Esta técnica mantiene una cuadrícula
gruesa en la mayoría del mundo, pero aumenta la resolución dentro de un área parti-
cular de interés (Rummukainen, 2010). Una consecuencia importante al aumentar la
resolución del modelo, implica en el aumento del coste computacional y volumen de
datos. Asimismo, estos modelos requieren de gran experticia en la interpretación de
resultados. Además, los experimentos de RCMs requieren de una alta frecuencia en el
Capítulo 2. Reducción de escala 17
suministro de información en las condiciones de frontera. Donde estos datos general-

mente no se almacenan debido a la gran demanda en almacenamiento (Mearns y col.,
2003; Smid y col., 2018). Por estas limitaciones, esta técnica se encuentra limitada a
una gran minoría de investigadores (Smid y col., 2018).
2.0.2. Downscaling Estadístico

La reducción de escala estadístico, es el método más utilizado en downscaling
de variables climáticas de los GCMs (Osman y col., 2016). Este método, implica el
establecimiento de relaciones empíricas entre las características históricas del clima
atmosférico local y a gran escala. Esta técnica, cubre una gama de métodos, todos
fundamentados en el concepto fundamental de que los climas regionales son en gran
medida una función del estado atmosférico a gran escala (Fowler y col., 2007). Es
decir, las relaciones derivadas entre los factores predicativos observados (variables
climáticas) y la predicción (p. ej. lluvia) permanecerán constantes en las condicio-
nes de cambio climático y sus relaciones son invariantes en el tiempo (Osman y col.,
2016). Esencialmente, en estos métodos, el clima regional se considera condicionado
por el estado climático a gran escala en la forma
R = F (X) , (2.1)
donde R representa la variable del clima local que ha sido reducido en escala, X es el
conjunto de variables climáticas a gran escala y F es una función que relaciona estas
dos y se establece típicamente mediante las pruebas y validación de estas utilizando
los puntos observados puntuales o mediante el reanálisis de los datos de cuadricula.
Varias supuestos fundamentales son inherentes a estas técnicas de reducción de

escala estadística. En primer lugar las variables productoras deben ser físicamente
significativas, reproducidas adecuadamente por los GCMs y ser capaces de reflejar
los procesos responsables de la variabilidad climática en una rango de escalas de
tiempo. En segundo, el predictor y el predictando se asume que la relación es estacio-
naria en el tiempo, permaneciendo equivalente en un clima futuro (Fowler y col., 2007).
El rendimiento de las técnicas de reducción de escala depende en gran medida

de la elección del dominio regional (Wilby y col., 2000; Smid y col., 2018), lo que en la
practica a menudo no es considerado, asimismo, en igual medida depende del método
de regionalización (Smid y col., 2018). Gutiérrez y col. 2013, evalúan el desempeño
de métodos estadísticos comunes utilizados para la reducción de escala de la tem-
peratura (incluyendo métodos analógicos, técnicas de clasificación de patrones de
clima, regresión lineal múltiple y regresiones condicionadas). Con respecto a su ro-

busta aplicabilidad en estudios de cambio climático, ellos concluyen que los métodos
de regresión son los mas apropiados en lo que respecta a esto. Por su parte, la clasifi-
cación de clima subestima la temperatura en condiciones moderadamente más cálida.
Finalmente, los métodos analógicos aunque reproducen mejor las distribuciones ob-
servadas, subestiman significativamente las temperaturas de los periodos cálidos en
comparación con los valores observados (Smid y col., 2018).
Las principales ventajas de las técnicas (SD) es su bajo costo computacional, por lo
tanto, pueden ser fácilmente aplicables a resultados de diferentes experimentos GCMs
o RCMs (Wilby y col., 2004a; Osman y col., 2016), además de su relativa facilidad en
su aplicación. Sin embargo, estos modelos a menudo explican solo una fracción de
la variabilidad climática observada (especialmente cuando el pronostico es la precipi-
tación) (Dibike y col., 2005). Reducir la escala de futuros eventos extremos utilizando
modelos basados en regresión también puede ser problemático, ya que estos fenóme-
nos generalmente tienden a estar en los márgenes o más allá del rango del conjunto
de datos de calibración (Wilby y col., 2002). Wilby y col. 1997, clasifica los métodos
estadísticos de reducción de escala en tres grupos:
Modelos de regresión.
Esquemas de clasificación de patrones de clima.
Generadores de clima (WGs).
Modelos de regresión
En una forma simple, los modelos de regresión son construidos utilizando valores
de una celda grillada de variables atmosféricas como predictores, p. ej. la temperatu-
ra superficial o la precipitación (Fowler y col., 2007). Es decir, este método cuantifica
directamente una relación entre la variable climática a escala local (p. ej. la precipi-
tación) y un conjunto de variables atmosféricas a gran escala (Sunyer y col., 2012).
Otras técnicas más complejas, emplean componentes principales o campos de pre-
sión o altura geopotencial (p. ej. Kidson y col. 1998a, Hanssen-Bauer y col. 2003,
Mwitondi y col. 2018).
Esquemas de clasificación de patrones de clima
Este método, relaciona la ocurrencia particular de las clases del clima a gran esca-
la con el clima local (Fowler y col., 2007). Es decir, agrupa días en un numero finito de
tipos meteorológicos discretos o “estados” según su similitud sinóptica (Wilby y col.,
Capítulo 2. Reducción de escala 19
2004b; Sunyer y col., 2012). Los patrones atmosféricos, son generalmente determina-
dos de dos formas, ya sea a través de definiciones subjetivas u objetivas. El enfoque
subjetivo, para definir los tipos de clima se basa en el conocimiento previo y la opinión
de expertos. En contraste, el enfoque objetivo determina las clasificaciones para una
determinada región de forma automática sobre la base de metodologías de agrupa-
miento (Vrac y col., 2007).
Las clases de clima, pueden ser definidas sinópticamente, típicamente emplean-

do funciones ortogonales empíricos (EOFs) de datos de presión, por índices a partir
de datos de presión media del nivel del mar, aplicando análisis de clusters o reglas
difusas de los campos de presión atmosféricos (Fowler y col., 2007). Las variables
locales, típicamente la precipitación, son condicionadas por los patrones climáticos
diarios al derivar distribuciones de probabilidad condicional para estadísticas obser-
vadas. El cambio del clima es estimado evaluando el cambio en la frecuencia de las
clases meteorológicos simuladas por los GCMs. El método asume que las caracterís-
ticas de las clases de clima no cambiaran y muchos procedimientos de clasificación
también tienen albergan el problema inherente de la variabilidad dentro de la clase de
los parámetros climáticos.
Generadores de clima (WGs)
Los generadores de clima, son modelos estadísticos de secuencias observadas de

variables meteorológicas. Asimismo, estos pueden considerarse como generadores
de números complejos aleatorios, cuya salida se asemeja a los datos meteorológicos
diarios en una ubicación particular (Dibike y col., 2005; Li y col., 2017). Cuando se
aplican en un contexto de reducción de escala, los parámetros de WG se perturban
de acuerdo con los cambios predichos de los modelos climáticos utilizando el método
del factor de cambio (Fatichi y col., 2011). Usualmente, los factores de cambio (fac-
tor aditivo o de producto) para los parámetros WG desde el presente al futuro, son
calculados para una grilla cuadriculada que contiene la ubicación de la estación me-
teorológica de interés (Maraun y col., 2010).
Existen dos tipos fundamentales de generadores de clima diario, el primero ba-

sado en el enfoque para modelar la ocurrencia de precipitación diaria: enfoque de
Markov (Hughes y col., 1999) y el enfoque spell-length (Wilks y col., 1999). En el en-
foque de Markov, un proceso aleatorio es construido, el cual determina un día en una
estación como lluvioso o seco, condicional al estado del día anterior, siguiendo las
probabilidades dadas. Si un día se determina como lluvioso, entonces la cantidad se
extrae de otra distribución de probabilidad (Dibike y col., 2005). En el caso de un en-
foque spell-length, en lugar de simular las ocurrencias de lluvia día a día, los modelos
funcionan ajustando la distribución de probabilidad a las frecuencias relativas observa-

das de las longitudes de tiempo húmedos y secos. En cualquier caso, los parámetros
estadísticos extraídos de los datos observados en estaciones particulares se utilizan
junto con algunos componentes aleatorios para generar una serie de tiempo similar
de cualquier longitud (Dibike y col., 2005).
En la tabla 2.1, son mostrados las fortalezas y debilidades de métodos estadísticos

de reducción de escala con estudios de muestra.
Enfoque Fortalezas Debilidades Muestras de estudios
Produce vínculos físicamente interpreta- Requiere de tareas adicionales para la Funciones Ortogonales Empíricas (EOFs) (Goodess
bles al clima de superficie. clasificación del clima. y col., 1998).
Versátil (p. ej., puede ser aplicado al cli- Los esquemas basados en circulación, Análisis de Cluster (Cheng y col. 2007,Cheng y col. 2009
ma de superficie, calidad del aire, inun- pueden ser insensibles al forzamiento y Osca y col. 2013).
Patrones de
daciones, erosiones, etc.). climático futuro.
clima
Métodos difusos (Bárdossy y col. 2002, Bardossy y col.
Composición para el análisis de eventos No puede capturar variaciones entre los 2005 y Teutschbein y col. 2011).
extremos. tipos de clima superficial.
Método análogo (Zorita y col., 1999).
Enfoques híbridos (Enke y col., 2005).
Producción de grandes conjuntos para Ajuste arbitrario de parámetros para cli- Cadenas de Markov (Kim y col. 2011 y Camberlin y col.
análisis de incertidumbre o simulaciones mas futuros. 2014).
largas para eventos extremos.
Efectos no anticipados a variables se- Procesos de Markov de segundo orden (Mason 2004 y
Interpolación espacial de parámetros de cundarias de parámetros de precipita- Qian y col. 2005).
Generadores
modelo mediante condiciones de suelo. ción cambiantes
de clima Procesos de Markov de tercer orden (Dubrovskỳ y col.,
Puede generar información sub-diaria. 2004).
Relativamente sencillo de aplicar. Representación deficiente de la varianza Modelos lineales generalizados y de regresión (Hellström
observada. y col. 2001, Bergant y col. 2005 y Korhonen y col. 2013).
Emplea una amplia gama de variables
predictoras disponibles. Puede asumir linealidad y / o normalidad Análisis de componentes principales (Kidson y col.
de datos. 1998b y Sarhadi y col. 2017).
Métodos de Soluciones y software disponibles en el
regresión mercado. Mala representación de los eventos ex- Redes Neuronales Artificiales (ANN) y algoritmos de
tremos. aprendizaje automático (Joshi y col. 2015 y Santos y col.
2016).
Análisis de correlación canónica (Karl y col. 1990 y Karl

y col. 1990).
Descomposición de valor singular (Huth 1999, Zwiers

y col. 2004, Liu y col. 2012 y Chun y col. 2016).
Kriging y otros enfoques de interpolación espacial (Geor-

ge y col. 2016 y Ramos y col. 2016).
TABLA 2.1: Fortalezas y debilidades de métodos estadísticos de reducción de escala

con estudios de muestra.
Fuente: (Smid y col., 2018).
21
Capítulo 3
Error sistemático
A pesar de los considerables progresos en modelación atmosférica en los últimos

años, aún se ven afectados los modelos de circulación global y regional con sesgos
que impiden su uso directo, especialmente en estudios de impacto climático a media y
pequeña escala (Ehret y col., 2012). Las razones de este desajuste son diversas pero
incluyen principalmente la conceptualización imperfecta, la inicialización incorrecta, la
variabilidad del clima, la discretización y el promedio espacial dentro de las celdas de
la cuadrícula (Teutschbein y col., 2012; Dang, 2018).
Para ello, se recomiendan métodos adicionales de pos-procesamiento que corri-

jan los sesgos de los datos de RCM en la literatura para aplicaciones hidrológicas
(Driessen y col., 2010; Dobler y col., 2012; Vormoor y col., 2015). Una corrección
es principalmente requerida para variables que inhiben una alta variabilidad espacial
y temporal, como la precipitación (p. ej. Di Luca y col. 2012, Tselioudis y col. 2012
), pues su variabilidad es un impulsor central de muchos procesos en la naturaleza
(Tselioudis y col., 2012).
Existe una serie de metodologías diferentes en la literatura, para corregir sesgos

en los resultados de los MCR o GM. Las complejidades de los métodos son diferen-
tes, pero la mayoría de los métodos emplean una función de transferencia entre el
experimento de modelación y los datos observados. Los métodos de corrección de
sesgo, pueden ir desde simples métodos lineales (Hay y col., 2000; Lenderink y col.,
2007; Leander y col., 2007) o transformación de potencia no lineales (Shabalova y col.,
2003; Lenderink y col., 2007), y algoritmos basados en la distribución estadística (Pia-
ni y col., 2010; Jakob Themeßl y col., 2011) hacia funciones de transferencia más
complejas utilizando copulas (Laux y col., 2011; Vogl y col., 2012; Mao y col., 2015).
En las siguientes lineas, veremos un resumen de diferentes métodos de corrección de
sesgo.
22 Capítulo 3. Error sistemático
3.1. Ajuste lineal (LS)

El método de ajuste lineal (Lenderink y col., 2007), tiene como objetivo hacer coin-
cidir perfectamente la media mensual de los valores simulados con la de los observa-
dos (Lenderink y col., 2007; Fang y col., 2015). Este opera con valores de corrección
mensuales basado en las diferencias entre los datos observados y los datos estima-
dos por el modelo. La precipitación, es corregida por medio de un factor basado en
la relación de los datos promedios mensuales observados, y las medias mensuales
simuladas más cercanas a las estaciones de observación.
µ ( Pobs )
Pcor = Praw × (3.1)
µ ( Praw )
donde Pcor , Praw , Pobs son la precipitación corregida, simulada y observada respecti-
vamente, µ ( Pobs ) y µ ( Praw ) son los valores medios de la precipitación observada y
simulada respectivamente.
3.2. Ajuste de intensidad local (LOCI)

Si bien la escala lineal representa un sesgo en la media, este no es capaz de
corregir los sesgos en la frecuencia e intensidad de los días húmedos. El método de
ajuste de intensidad local LOCI presentado por (Schmidli y col., 2006), no solo ajusta
la media, sino además, la frecuencia de los días húmedos y la intensidad de estos en
las series de tiempo. Este procedimiento se puede dividir en tres pasos:
1. Primero, un umbral de precipitación especifico del RCMs ( Pth,contr ) es calibrado,

de tal manera que el numero de días simulado por el RCMs que exceda este
umbral coincida con el numero de días observados con precipitaciones mayores
a 0 mm. Luego, el numero de eventos de precipitación tanto para los datos de
control como para los datos simulados por el escenario se corrige aplicando
el umbral de precipitación del RCMs calibrado ( Pth , contr ) de modo que todos
los días con precipitación menor que Pth,contr se redefinan a los días secos con
precipitación de 0 mm.

 0, si Pcontr (d) < Pth,contr
∗1
Pcontr = (3.2)
Pcontr (d) , otro caso

3.3. Transformación de potencia (PT) 23

 0, si Pscen (d) < Pth,contr
∗1
Pscen = (3.3)
Pscen (d) , otro caso

Este procedimiento, permite que la ejecución del escenario tenga una frecuencia
de días húmedos diferentes a la ejecución de control.
2. En un segundo paso, se calcula un factor de escala basado en las intensidades

medias mensuales de días húmedos. Teniendo en cuenta solo los días húme-
dos (es decir, los días observados con precipitaciones mayores a 0 mm), y los
días simulados del MCRs con precipitación mayor que el umbral de precipitación
ajustado ( Pth,contr ), el factor de ajuste de intensidad (s) es calculado por medio
de la siguiente relación:
µm ( Pobs (d) | Pobs (d) > 0 mm)

S= (3.4)
µm ( Pcontr (d) | Pcontr (d) > Pth,contr ) − Pth,contr
∗ ∗1
Pcontr (d) = Pcontr (d) · s (3.5)
3. Finalmente, la precipitación del experimento RCMs es corregida como

∗ ∗1
Pscen (d) = Pscen (d) · s (3.6)
Por definición, el ajuste de control y el escenario de precipitación tienen la mis-

ma media, frecuencia de días húmedos e intensidad de las series de tiempo
observadas (Schmidli y col., 2006).
3.3. Transformación de potencia (PT)

Mientras que el ajuste lineal representa un sesgo en la media, este no permite
corregir las diferencias en la varianza (Teutschbein y col., 2012). Por lo tanto, una co-
rrección no lineal en una forma exponencial a · Pb (Leander y col., 2007; Leander
y col., 2008), puede ser utilizada para ajustar específicamente las estadísticas de va-
rianza de una serie de tiempo de precipitación.
El parámetro b es estimado con un enfoque de distribución libre sobre una ba-

se mensual, utilizando una ventana de 90 días centrada en el intervalo. Primero, b es
el coeficiente de variación (CV ) de la precipitación co-
identificado haciendo coincidir
rregida diaria del RCMs Pb con el CV de la precipitación diaria observada ( Pobs ) por
cada mes m, encontrando bm , tal que
f ( bm ) = 0

bm
= CVm ( Pobs (d)) − CVm Pcontr (d)

bm
σm ( Pobs (d)) σm Pcontr ( d )
= − (3.7)
µm ( Pobs (d)) µ Pbm (d)
m contr
∗1 bm
Pcontr (d) = Pcontr (d) (3.8)
∗1 bm
Pscen (d) = Pscen (d) (3.9)
Esto se hace con un algoritmo de búsqueda de raíces usando el método de Brent
1971. Luego, la media de precipitación mensual observada es emparejada con la
∗1
media mensual de la serie intermedia Pcontr utilizando el parámetro de escala lineal
estándar, luego " #
∗ ∗1 µ m ( P obs ( d ))
Pcontr (d) = Pcontr (d) ∗1 ( d )
(3.10)
µm Pcontr
" #
∗ ∗1 µm ( Pobs (d))
Pscen (d) = Pscen (d) ∗1 ( d )
(3.11)
µm Pcontr
Por lo tanto, el parámetro de escala depende de b, pero no al revés (Leander y col.,
2007).
3.4. Mapa de distribución

La idea de esta técnica, es corregir la función de distribución de los valores cli-
máticos simulados por el RCMs para estar de acuerdo con la función de distribución
observada (Teutschbein y col., 2012). Esto, se puede hacer creando una función de
transferencia para cambiar las distribuciones de ocurrencia de la precipitación y la
temperatura (Teutschbein y col., 2012; Sennikovs y col., 2009).
La distribución Gamma (Thom, 1958) con un parámetro de forma α y un parámetro

de ajuste β se asume que es adecuado para distribuciones de eventos de precipita-
ción (Teutschbein y col., 2012)
1 −χ
f γ (χ|α, β) = χα−1 · · e β ; χ ≥ 0; α, β > 0 (3.12)
βα · Γ (α)
3.5. Quantile Mapping ( QM) 25
El parámetro de forma α controla el perfil de distribución:
1. α < 1, indica una distribución Gamma de forma exponencial, siendo asintótica

en ambos ejes.
2. α = 1, es un caso especial y caracteriza una distribución exponencial.
3. α > 1, da forma a una curva de distribución unimodal sesgada.
Por su lado, el parámetro de ajuste β determina la dispersión de la distribución Gam-

ma.
Un valor pequeño de β conduce a una distribución más estrecha, y por lo tanto,

a probabilidades bajas de eventos extremos.
Un valor grande de β, por otro lado, causa una distribución amplia, causando
mayores probabilidades de eventos extremos.
3.5. Quantile Mapping ( QM )

El método Quantile Mapping es un método de corrección de sesgo no paramétri-
co, y generalmente es aplicable para todas las distribuciones posibles de precipitación
sin ningún supuesto sobre la distribución de precipitación. Si las observaciones son
de una resolución similar al modelo climático regional, el mapeo cuantil es un enfo-
que factible. No obstante, si las observaciones son de una resolución mucho mayor, el
mapeo de cuantiles intenta reducir esta desigualdad (Maraun, 2013). Puede corregir
efectivamente el sesgo en la media, la desviación estándar y la frecuencia de días
húmedos, así como los cuantiles.
Para la precipitación, el ajuste QM se puede expresar en términos de la función

− 1

de distribución acumulativa empírica (ecd f ) y su inverso ecd f :
−1
Pcor = ecd f obs (ecd f scen ( Pscen )) (3.13)
En la tabla 3.1, podemos ver un resumen de métodos de reducción de sesgo,

mostrando las ventajas y desventajas de cada uno de estos.
Método Ventajas Desventajas Muestras de estudios
(Lenderink y col., 2007;

Basado en la media. En el caso de precipitación diaria, la serie de precipita-
Teutschbein y col.,
ción es la misma que la de los datos estipulados por el 2012)
Se aplica un factor de ajuste promedio mensual a la pre- RCMs. Lo que generalmente, son más días húmedos en
cipitación (diaria/mensual) simulada por el RCMs. Este comparación con la observación.
es el método de corrección de sesgo más simple.
Ajuste Lineal
No tiene en cuenta los cambios en la distribución de fre-
(LS)
cuencia de las precipitaciones.
No se realiza ningún ajuste a la estructura temporal de la

ocurrencia diaria de precipitación.
(Schmidli y col., 2006)
Basado en la media No tiene en cuenta los diferentes cambios en la distribu-

ción de las frecuencias de las precipitaciones.
Se corrige la frecuencia de los días húmedos. Se aplica
Ajuste local de un factor de corrección mensual promedio a la precipita- No realiza ningún ajuste a la estructura temporal de ocu-
intensidad ción diaria simulada del RCMs de un mes. rrencia diaria de precipitación.
( LOCI )
(Mpelasoka y col., 2009)
Basado en la distribución de la serie de tiempo. La secuencia de precipitación diaria es la misma que la

de los datos simulados por el RCMs (generalmente de-
Diferentes factores de corrección (diferencias en los per- masiados días húmedos en comparación con lo obser-
Composición centiles entre los datos observados y simulados por el vado).
diaria ( DT ) RCMs en el periodo de calibración) para corregir la dis-
tribución de frecuencia de la precipitación diaria simulada No se realiza ningún ajuste a la estructura temporal de la
por el RCMs. ocurrencia diaria de precipitación.
(Schmidli y col., 2006; Mpelaso-

ka y col., 2009)
Basado en la distribución de la serie de tiempo. No se realiza ningún ajuste a la estructura temporal de la
Combina los enfoques ( DT ) y ( LOCI ) para tener en
Corrección del cuenta los diferentes cambios en las distribuciones de
sesgo diario frecuencia de la precipitación diaria, y corrige la frecuen-
( DBC ) cia de precipitación en días húmedos.
(Jakob Themeßl y col., 2011;

Themeßl y col., 2012)
Basado en la distribución de la serie de tiempo. No se realiza ningún ajuste a la estructura temporal de la
Corrige la precipitación simulada del RCMs en función de
Mapeo cuantil las funciones de distribución acumulativa empírica cons-
basado en una truidas diariamente. La frecuencia de ocurrencia de pre-
distribución cipitación se corrige al mismo tiempo.
empírica
( QME)
(Ines y col., 2006; Piani y col.,

2010; Teutschbein y col., 2012)
Basado en la distribución de la serie de tiempo. El rendimiento depende de si la precipitación observada
y el RCMs sigue la distribución Gamma (o no).
Corrige la precipitación simulada del RCMs basada en
Mapeo cuantil un distribución Gamma. La frecuencia de ocurrencia de No se realiza ningún ajuste a la estructura temporal de la
basado en una precipitación se corrige utilizando el método LOCI. ocurrencia diaria de precipitación.
distribución
Gamma
( QMG )
TABLA 3.1: Ventajas y desventajas de técnicas de reducción de sesgo con estudios de

muestra.
Fuente: (Chen y col., 2013a).
27
Capítulo 4
Proposición
En el presente trabajo, hemos visto el inmensurable progreso que a traído consigo

la información proveída por GRACE, principalmente en la mejora del entendimiento
hidrológico. Sin embargo, la implementación directa de esta información es compleja,
debido a la gran cantidad de fuentes de error de la misión (p. ej. la geometría desfavo-
rable de la orbita (Klees y col., 2006)). Es así, que técnicas de filtrado son requeridas
para atenuar o remover estas fuentes de error, como es el caso de las rayas (stripes)
presentadas por los datos GRACE.
En este mismo ámbito, la utilización de esta información a baja escala, reduce

considerablemente los estudios a cuencas de gran tamaño (p. ej. Frappart y col. 2018;
Abd-Elbaky y col. 2018). Es por ello, que una constate evolución en metodologías de
reducción de escala (downscaling) que integren esta información, y además conside-
ren aspectos físicos han sido desarrolladas. Empero, estas técnicas, ya sen dinámicas
o estadísticas, requieren de una gran experticia en su implementación. Aun más, estos
métodos no son capaces de atenuar o eliminar sesgos en ciertas variables de estu-
dio. Sin embargo, estas siguen siendo adecuadas para predecir los efectos (a veces
sutiles) de cambio climático (Ehret y col., 2012).
Consecuentemente, la gran cantidad de enfoques en métodos de corrección de

sesgo, debe ser considera con precaución. El supuesto, que el método de corrección
de sesgo es efectivo en las variables de interés, sin introducir efectos secundarios es
erróneo (Ehret y col., 2012). Chen y col. 2011, informa que la elección del método de
corrección de sesgo, puede ser otra fuente de incertidumbre. En la misma linea, Haer-
ter y col. 2011 encontraron que, “las consecuencias de elegir un determinado método
de corrección de sesgos son mucho más dramáticas en el caso de la precipitación que
en el caso de la temperatura”, siendo en el caso nacional aun más complejo, dada las
condiciones orográficas presentes. En las siguientes lineas, y seguido por el trabajo
de tesis, abordaremos una propuesta de trabajo futuro a realizar con respecto a la
mejora en la calidad de información dispuesta por GRACE.
28 Capítulo 4. Proposición
4.1. Propuesta a mediano y largo plazo

En el transcurso de este informe, hemos visto el gran aporte de GRACE en una
multitud de disciplinas. Ahora bien, el incremento del impacto climático global, ha cau-
sado eventos hidrológicos extremos. En adición, el desarrollo económico y el creci-
miento de la población ha generado un fuerte impacto en fuentes de agua subterrá-
nea. De este modo, la baja resolución de GRACE no permite capturar la variabilidad
en el almacenamiento de aguas subterráneas en cuencas de mediana y pequeña es-
cala. No obstante, a pesar de esta necesidad, existen pocos estudios que aborden la
reducción de escala de datos GRACE, y en ninguno de ellos se encuentra sudamérica.
De los escasos estudios realizados, destacamos a Yin y col. 2018, quienes nos
muestran un enfoque en reducción de escala de GWS provenientes de GRACE, utili-
zando información en alta resolución (1 km) de evapotranspiración, aplicado sobre la
llanura norte de China en la región oriental. Ellos, encontraron que los test a (2 y 1 km)
coinciden mejor con los datos de agua subterránea observados en la mayoría de las
subregiones analizadas. Asimismo, Zhang y col. 2018 por medio de salidas de alma-
cenamiento de agua del modelo VIC, genera una reducción de escala a 0, 25◦ , en la
cuenca del río Yangtze en China. Este nuevo conjunto mostró un adecuado efecto du-
rante el periodo 2003-2012, presentado una variación en la correlación de 0, 53 − 0, 91
en los 8 tributarios del río.
Entretanto, Miro y col. 2018 en el valle central de California en los Estados Uni-
dos, generan un nuevo conjunto a ∼ 4 km de resolución espacial de los datos de
GWS proveídos por GRACE. Sin embargo, el método empleado entrego una adecua-
da respuesta solo en una zona especifica y periodo determinado (2002-2010), por
ende, una extensión de la metodología en otra zona y periodo de estudio puede pre-
sentar limitaciones en los resultados (Miro y col., 2018). En resumen, en todos estos
estudios fueron utilizados métodos estadísticos de regresión (dos funciones lineales y
una metodología ANN).
Es claro, que abordar este tema en sudamérica no es fácil, debido principalmente

a los grandes vacíos en disponibilidad de datos y su posterior utilización en la valida-
ción del nuevo producto, situación aun más dificultosa en el caso de Chile debido al
pequeño tamaño de las cuencas hidrológicas. Sin embargo, con lo visto en el transcur-
so de este documento, a nuestro juicio, la metodología a utilizar debe ser distribuido
en dos direcciones: primeramente, creemos que se debe establecer estimaciones ac-
tualizadas del balance hídrico, junto a todos sus componentes. Principalmente, en
cuencas que estén dentro y las sean circundantes a las periferias de los puntos de
grilla entregados por los datos GRACE, con la finalidad de evaluar la similitud con
4.1. Propuesta a mediano y largo plazo 29
estos últimos. Luego de establecer estos escenarios hídricos, realizar el proceso de

reducción de escala mediante una metodología estadística. Finalmente, realizar este
mismo procedimiento mediante la nueva base de datos creada, para poder así alcan-
zar las cuencas de menor tamaño.
Concerniente a la metodología de reducción de escala, creemos que una meto-

dología estadística es la mejor opción, dada su amplia utilización, relativa sencillez de
aplicación y primordialmente, puesto que estudios que han comparado los enfoques
de reducción de escala dinámica y estadística, han revelado resultados relativamente
similares entre estos dos tipos de metodologías (Schoof, 2013).
30
Bibliografía
[1] Mostafa Abd-Elbaky y Shuanggen Jin. «Estimating Runoff in the Nile River Basin from Multi-Satellite Mea-
surements». En: 2018 26th International Conference on Geoinformatics. IEEE. 2018, págs. 1-5.
[2] Anthony Arendt. Satellite Gravimetry and its Application to Glaciology. 2010. URL: https://glaciers.gi.
alaska.edu/sites/default/files/mccarthy/Notes_gravimetry_Arendt.pdf.
[3] JL Awange y col. «Exploring hydro-meteorological drought patterns over the Greater Horn of Africa (1979–
2014) using remote sensing and reanalysis products». En: Advances in water resources 94 (2016), págs. 45-59.
[4] A Bardossy, I Bogardi e I Matyasovszky. «Fuzzy rule-based downscaling of precipitation». En: Theoretical
and Applied Climatology 82.1-2 (2005), págs. 119-129.
[5] András Bárdossy, Jiri Stehlík y Hans-Joachim Caspary. «Automated objective classification of daily circula-
tion patterns for precipitation and temperature downscaling based on optimized fuzzy rules». En: Climate
Research 23.1 (2002), págs. 11-22.
[6] Klemen Bergant y Lučka Kajfež-Bogataj. «N–PLS regression as empirical downscaling tool in climate change
studies». En: Theoretical and Applied Climatology 81.1-2 (2005), págs. 11-23.
[7] Richard P. Brent. «An algorithm with guaranteed convergence for finding a zero of a function». En: The
Computer Journal 14.4 (1971), págs. 422-425.
[8] Pierre Camberlin y col. «Spatial interpolation of daily rainfall stochastic generation parameters over East
Africa». En: Climate Research 59.1 (2014), págs. 39-60.
[9] B Fong Chao y col. «Snow load effect on the Earth’s rotation and gravitational field, 1979–1985». En: Journal
of Geophysical Research: Solid Earth 92.B9 (1987), págs. 9415-9422.
[10] Cui Chen y col. «On the contribution of statistical bias correction to the uncertainty in the projected hydrolo-
gical cycle». En: Geophysical Research Letters 38.20 (2011).
[11] Jianli L Chen, Clark R Wilson y Byron D Tapley. «The 2009 exceptional Amazon flood and interannual
terrestrial water storage change observed by GRACE». En: Water Resources Research 46.12 (2010).
[12] Jie Chen y col. «Finding appropriate bias correction methods in downscaling precipitation for hydrologic
impact studies over North America». En: Water Resources Research 49.7 (2013), págs. 4187-4205.
[13] JL Chen y col. «2005 drought event in the Amazon River basin as measured by GRACE and estimated by
climate models». En: Journal of Geophysical Research: Solid Earth 114.B5 (2009).
[14] JL Chen y col. «Attenuation effect on seasonal basin-scale water storage changes from GRACE time-
variable gravity». En: Journal of Geodesy 81.4 (2007), págs. 237-245.
[15] JL Chen, CR Wilson y BD Tapley. «Contribution of ice sheet and mountain glacier melt to recent sea level
rise». En: Nature Geoscience 6.7 (2013), pág. 549.
[16] Chad Shouquan Cheng y col. «Synoptic weather typing and typhoon with an application to Chiayi, Tai-
wan: potential for future climate change impact analysis». En: Paddy and Water Environment 7.4 (2009),
págs. 293-300.
[17] CS Cheng y col. «Possible impacts of climate change on freezing rain in south-central Canada using downs-
caled future climate scenarios». En: Natural Hazards and Earth System Science 7.1 (2007), págs. 71-87.
[18] Jens H Christensen y col. Evaluating the performance and utility of regional climate models: the PRUDENCE
project. 2007.
BIBLIOGRAFÍA 31
[19] Jong Ahn Chun y col. «Assessment of multimodel ensemble seasonal hindcasts for satellite-based rice yield
prediction». En: Journal of Agricultural Meteorology 72.3-4 (2016), págs. 107-115.
[20] Thinh Quang Dang. «Modelling of hydrological extremes and rice irrigation optimization for decision support
in Central Vietnam». En: (2018).
[21] Alejandro Di Luca, Ramón de Elía y René Laprise. «Potential for added value in precipitation simulated by
high-resolution nested regional climate models and observations». En: Climate Dynamics 38.5-6 (2012),
págs. 1229-1247.
[22] Yonas B Dibike y Paulin Coulibaly. «Hydrologic impact of climate change in the Saguenay watershed:
comparison of downscaling methods and hydrologic models». En: Journal of hydrology 307.1-4 (2005),
págs. 145-163.
[23] Robert E Dickinson y col. «A regional climate model for the western United States». En: Climatic change
15.3 (1989), págs. 383-422.
[24] C Dobler y col. «Quantifying different sources of uncertainty in hydrological projections in an Alpine waters-
hed». En: Hydrology and Earth System Sciences 16 (2012), págs. 4343-4360.
[25] Henryk Dobslaw y col. «Modeling of present-day atmosphere and ocean non-tidal de-aliasing errors for
future gravity mission simulations». En: Journal of geodesy 90.5 (2016), págs. 423-436.
[26] TLA Driessen y col. «The hydrological response of the Ourthe catchment to climate change as modelled by
the HBV model». En: Hydrology and Earth System Sciences 14.4 (2010), págs. 651-665.
[27] Martin Dubrovskỳ, Josef Buchtele y Zdeněk Žalud. «High-frequency and low-frequency variability in sto-
chastic daily weather generator and its effect on agricultural and hydrologic modelling». En: Climatic Change
63.1-2 (2004), págs. 145-179.
[28] U Ehret y col. «HESS Opinions"Should we apply bias correction to global and regional climate model data?"»
En: Hydrology and Earth System Sciences 16.9 (2012), págs. 3391-3404.
[29] Wolfgang Enke y col. «Results of five regional climate studies applying a weather pattern based downscaling
method to ECHAM4 climate simulation». En: Meteorologische Zeitschrift 14.2 (2005), págs. 247-257.
[30] Gonghuan Fang y col. «Comparing bias correction methods in downscaling meteorological variables for a
hydrologic impact study in an arid area in China». En: Hydrology and Earth System Sciences 19.6 (2015),
págs. 2547-2559.
[31] WE Farrell. «Deformation of the Earth by surface loads». En: Reviews of Geophysics 10.3 (1972), págs. 761-797.
[32] Simone Fatichi, Valeriy Y Ivanov y Enrica Caporali. «Simulation of future climate scenarios with a weather
generator». En: Advances in Water Resources 34.4 (2011), págs. 448-467.
[33] Wei Feng. «GRAMAT: a comprehensive Matlab toolbox for estimating global mass variations from GRACE
satellite data». En: Earth Science Informatics (2018), págs. 1-16.
[34] Ehsan Forootan y col. «Comparisons of atmospheric data and reduction methods for the analysis of satellite
gravimetry observations». En: Journal of Geophysical Research: Solid Earth 118.5 (2013), págs. 2382-2396.
[35] Ehsan Forootan y col. «Comparisons of atmospheric mass variations derived from ECMWF reanalysis and
operational fields, over 2003–2011». En: Journal of Geodesy 88.5 (2014), págs. 503-514.
[36] Hayley J Fowler, Stephen Blenkinsop y Claudia Tebaldi. «Linking climate change modelling to impacts stu-
dies: recent advances in downscaling techniques for hydrological modelling». En: International journal of
climatology 27.12 (2007), págs. 1547-1578.
[37] Michael Fox-Rabinovitz y col. «Stretched-grid Model Intercomparison Project: decadal regional climate si-
mulations with enhanced variable and uniform-resolution GCMs». En: Meteorology and atmospheric physics
100.1-4 (2008), págs. 159-178.
[38] F Frappart y col. «The spatio-temporal variability of groundwater storage in the Amazon River Basin». En:
Advances in Water Resources (2018).
[39] Frédéric Frappart, Guillaume Ramillien y Lucía Seoane. «Monitoring water mass redistributions on land and
polar ice sheets using the grace gravimetry from space mission». En: Land Surface Remote Sensing in
Continental Hydrology. Elsevier, 2017, págs. 255-279.
32 BIBLIOGRAFÍA
[40] Frédéric Frappart y col. «Surface freshwater storage and dynamics in the Amazon basin during the 2005
exceptional drought». En: Environmental Research Letters 7.4 (2012), pág. 044010.
[41] Jany George, Letha Janaki y Jairaj Parameswaran Gomathy. «Statistical downscaling using local poly-
nomial regression for rainfall predictions–a case study». En: Water resources management 30.1 (2016),
págs. 183-193.
[42] Filippo Giorgi y Gary T Bates. «The climatological skill of a regional model over complex terrain». En: Monthly
Weather Review 117.11 (1989), págs. 2325-2347.
[43] Clare M Goodess y Jean P Palutikof. «Development of daily rainfall scenarios for southeast Spain using a
circulation-type approach to downscaling». En: International Journal of Climatology 18.10 (1998), págs. 1051-1083.
[44] J. M. Gutiérrez y col. «Reassessing Statistical Downscaling Techniques for Their Robust Application under
Climate Change Conditions». En: Journal of Climate 26.1 (2013), págs. 171-188. DOI: 10.1175/JCLI- D-
11-00687.1. eprint: https://doi.org/10.1175/JCLI-D-11-00687.1. URL: https://doi.org/10.1175/
JCLI-D-11-00687.1.
[45] J Haerter y col. «Climate model bias correction and the role of timescales». En: Hydrology and Earth System
Sciences 15 (2011), págs. 1065-1073.
[46] Inger Hanssen-Bauer y col. «Temperature and precipitation scenarios for Norway: comparison of results
from dynamical and empirical downscaling». En: Climate Research 25.1 (2003), págs. 15-27.
[47] Lauren E Hay, Robert L Wilby y George H Leavesley. «A comparison of delta change and downscaled GCM
scenarios for three mountainous basins in the United States 1». En: JAWRA Journal of the American Water
Resources Association 36.2 (2000), págs. 387-397.
[48] Cecilia Hellström y col. «Comparison of climate change scenarios for Sweden based on statistical and
dynamical downscaling of monthly precipitation». En: Climate Research 19.1 (2001), págs. 45-55.
[49] Bernhard Hofmann-Wellenhof y Helmut Moritz. Physical geodesy. Springer Science & Business Media,
2006.
[50] James P Hughes, Peter Guttorp y Stephen P Charles. «A non-homogeneous hidden Markov model for
precipitation occurrence». En: Journal of the Royal Statistical Society: Series C (Applied Statistics) 48.1
(1999), págs. 15-30.
[51] Radan Huth. «Statistical downscaling in central Europe: evaluation of methods and potential predictors». En:
Climate Research 13.2 (1999), págs. 91-101.
[52] Amor VM Ines y James W Hansen. «Bias correction of daily GCM rainfall for crop simulation studies». En:
Agricultural and forest meteorology 138.1-4 (2006), págs. 44-53.
[53] Matthias Jakob Themeßl, Andreas Gobiet y Armin Leuprecht. «Empirical-statistical downscaling and error
correction of daily precipitation from regional climate models». En: International Journal of Climatology 31.10
(2011), págs. 1530-1544.
[54] Christopher Jekeli. «Alternative methods to smooth the Earth’s gravity field». En: (1981).
[55] Deepti Joshi y col. «Statistical downscaling of precipitation and temperature using sparse Bayesian lear-
ning, multiple linear regression and genetic programming frameworks». En: Canadian Water Resources
Journal/Revue canadienne des ressources hydriques 40.4 (2015), págs. 392-408.
[56] Thomas R Karl y col. «A method of relating general circulation model simulated climate to the observed local
climate. Part I: Seasonal statistics». En: Journal of Climate 3.10 (1990), págs. 1053-1079.
[57] M Khaki y col. «Efficient basin scale filtering of GRACE satellite products». En: Remote Sensing of Environ-
ment 204 (2018), págs. 76-93.
[58] Mohammad Sajjad Khan, Paulin Coulibaly y Yonas Dibike. «Uncertainty analysis of statistical downscaling
methods using Canadian Global Climate Model predictors». En: Hydrological Processes: An International
Journal 20.14 (2006), págs. 3085-3104.
[59] John W Kidson y Craig S Thompson. «A comparison of statistical and model-based downscaling techniques
for estimating local climate variations». En: Journal of Climate 11.4 (1998), págs. 735-753.
BIBLIOGRAFÍA 33
[60] John W Kidson y Craig S Thompson. «A comparison of statistical and model-based downscaling techniques
for estimating local climate variations». En: Journal of Climate 11.4 (1998), págs. 735-753.
[61] Byung-Sik Kim, Bo-Kyung Kim y Hyun-Han Kwon. «Assessment of the impact of climate change on the flow
regime of the Han River basin using indicators of hydrologic alteration». En: Hydrological Processes 25.5
(2011), págs. 691-704.
[62] R Klees y col. «The bias in GRACE estimates of continental water storage variations». En: Hydrology and
Earth System Sciences Discussions 3.6 (2006), págs. 3557-3594.
[63] N Korhonen y col. «Statistical downscaling of a climate simulation of the last glacial cycle: temperature and
precipitation over Northern Europe». En: Climate of the Past Discussions 9 (2013), págs. 3371-3398.
[64] Murari Lal, John L McGregor y Kim C Nguyen. «Very high-resolution climate simulation over Fiji using a
global variable-resolution model». En: Climate Dynamics 30.2-3 (2008), págs. 293-305.
[65] Patrick Laux y col. «Copula-based statistical refinement of precipitation in RCM simulations over complex
terrain». En: Hydrology and Earth System Sciences 15.7 (2011), págs. 2401-2419.
[66] Robert Leander y col. «Estimated changes in flood quantiles of the river Meuse from resampling of regional
climate model output». En: Journal of Hydrology 351.3-4 (2008), págs. 331-343.
[67] Robert Leander y T Adri Buishand. «Resampling of regional climate model output for the simulation of
extreme river flows». En: Journal of Hydrology 332.3-4 (2007), págs. 487-496.
[68] Geert Lenderink, Adri Buishand y W van Deursen. «Estimates of future discharges of the river Rhine using
two scenario methodologies: direct versus delta approach». En: Hydrology and Earth System Sciences 11.3
(2007), págs. 1145-1159.
[69] Xin Li y Vladan Babovic. «Multi-site multivariate downscaling of global climate model outputs: an integrated
framework combining quantile mapping, stochastic weather generator and empirical copula approaches».
En: Climate Dynamics (2017), págs. 1-25.
[70] Ying Liu y Ke Fan. «Prediction of spring precipitation in China using a downscaling approach». En: Meteo-
rology and Atmospheric Physics 118.1-2 (2012), págs. 79-93.
[71] Elisabeth A Lloyd y Eric Winsberg. Climate Modelling: Philosophical and Conceptual Issues. Springer, 2018.
[72] Laurent Longuevergne, Bridget R Scanlon y Clark R Wilson. «GRACE Hydrological estimates for small
basins: Evaluating processing approaches on the High Plains Aquifer, USA». En: Water Resources Research
46.11 (2010).
[73] Scott B Luthcke y col. «Antarctica, Greenland and Gulf of Alaska land-ice evolution from an iterated GRACE
global mascon solution». En: Journal of Glaciology 59.216 (2013), págs. 613-631.
[74] Ganquan Mao y col. «Stochastic bias correction of dynamically downscaled precipitation fields for Germany
through Copula-based integration of gridded observation data». En: Hydrology and Earth System Sciences
19.4 (2015), págs. 1787-1806.
[75] Douglas Maraun. «Bias correction, quantile mapping, and downscaling: Revisiting the inflation issue». En:
Journal of Climate 26.6 (2013), págs. 2137-2143.
[76] Douglas Maraun y col. «Precipitation downscaling under climate change: Recent developments to bridge
the gap between dynamical models and the end user». En: Reviews of Geophysics 48.3 (2010).
[77] Simon J Mason. «Simulating climate over western North America using stochastic weather generators». En:
Climatic Change 62.1-3 (2004), págs. 155-187.
[78] LO Mearns y col. «Guidelines for use of climate scenarios developed from regional climate model experi-
ments». En: Data Distribution Centre of the Intergovernmental Panel on Climate Change (2003).
[79] Michelle E Miro y James S Famiglietti. «Downscaling GRACE Remote Sensing Datasets to High-Resolution
Groundwater Storage Change Maps of California’s Central Valley». En: Remote Sensing 10.1 (2018), pág. 143.
[80] Freddie S Mpelasoka y Francis HS Chiew. «Influence of rainfall scenario construction methods on runoff
projections». En: Journal of Hydrometeorology 10.5 (2009), págs. 1168-1183.
[81] Kassim S Mwitondi y col. «A statistical downscaling framework for environmental mapping». En: The Journal
of Supercomputing (2018), págs. 1-14.
34 BIBLIOGRAFÍA
[82] J Osca, R Romero y S Alonso. «Precipitation projections for Spain by means of a weather typing statistical
method». En: Global and planetary change 109 (2013), págs. 46-63.
[83] Yassin Z Osman y Mawada E Abdellatif. «Improving accuracy of downscaling rainfall by combining predic-
tions of different statistical downscale models». En: Water Science 30.2 (2016), págs. 61-75.
[84] C Piani, JO Haerter y E Coppola. «Statistical bias correction for daily precipitation in regional climate models
over Europe». En: Theoretical and Applied Climatology 99.1-2 (2010), págs. 187-192.
[85] Budong Qian, Henry Hayhoe y Sam Gameda. «Evaluation of the stochastic weather generators LARS-WG
and AAFC-WG for climate change impact studies». En: Climate Research 29.1 (2005), págs. 3-21.
[86] Yuddy Ramos y col. «Spatio-temporal models to estimate daily concentrations of fine particulate matter in
Montreal: Kriging with external drift and inverse distance-weighted approaches». En: Journal of Exposure
Science and Environmental Epidemiology 26.4 (2016), pág. 405.
[87] Matthew Rodell, Isabella Velicogna y James S Famiglietti. «Satellite-based estimates of groundwater deple-
tion in India». En: Nature 460.7258 (2009), pág. 999.
[88] Markku Rummukainen. «State-of-the-art with regional climate models». En: Wiley Interdisciplinary Reviews:
Climate Change 1.1 (2010), págs. 82-96.
[89] T Soares dos Santos, David Mendes y R Rodrigues Torres. «Artificial neural networks and multiple linear
regression model using principal components to estimate rainfall over South America». En: Nonlinear Pro-
cesses in Geophysics 23.1 (2016), págs. 13-20.
[90] Ali Sarhadi y col. «Advances in projection of climate change impacts using supervised nonlinear dimensio-
nality reduction techniques». En: Climate dynamics 48.3-4 (2017), págs. 1329-1351.
[91] Bridget R Scanlon, Laurent Longuevergne y Di Long. «Ground referencing GRACE satellite estimates of
groundwater storage changes in the California Central Valley, USA». En: Water Resources Research 48.4
(2012).
[92] Jürg Schmidli, Christoph Frei y Pier Luigi Vidale. «Downscaling from GCM precipitation: a benchmark for
dynamical and statistical downscaling methods». En: International Journal of Climatology: A Journal of the
Royal Meteorological Society 26.5 (2006), págs. 679-689.
[93] Justin T Schoof. «Statistical downscaling in climatology». En: Geography Compass 7.4 (2013), págs. 249-265.
[94] J Sennikovs y U Bethers. «Statistical downscaling method of regional climate model results for hydrological
modelling». En: Proc. 18 th World IMACS/MODSIM Congress, Cairns, Australia. Citeseer. 2009.
[95] MV Shabalova, WPA Van Deursen y TA Buishand. «Assessing future discharge of the river Rhine using regio-
nal climate model integrations and a hydrological model». En: Climate research 23.3 (2003), págs. 233-246.
[96] Maharana Pratap Singh. «Efficient Multi-site Statistical Downscaling Model for Climate Change». Tesis doct.
MOTILAL NEHRU NATIONAL INSTITUTE OF TECHNOLOGY ALLAHABAD, 2018.
[97] Marek Smid y Ana Cristina Costa. «Climate projections and downscaling techniques: a discussion for impact
studies in urban systems». En: International Journal of Urban Sciences 22.3 (2018), págs. 277-307.
[98] MA Sunyer, H Madsen y PH Ang. «A comparison of different regional climate models and statistical downsca-
ling methods for extreme rainfall estimation under climate change». En: Atmospheric Research 103 (2012),
págs. 119-128.
[99] Sean Swenson y John Wahr. «Methods for inferring regional surface-mass anomalies from Gravity Reco-
very and Climate Experiment (GRACE) measurements of time-variable gravity». En: Journal of Geophysical
Research: Solid Earth 107.B9 (2002), ETG-3.
[100] Sean Swenson y John Wahr. «Post-processing removal of correlated errors in GRACE data». En: Geophy-
sical Research Letters 33.8 (2006).
[101] Byron D Tapley y col. «The gravity recovery and climate experiment: Mission overview and early results».
En: Geophysical Research Letters 31.9 (2004).
[102] Claudia Teutschbein y Jan Seibert. «Bias correction of regional climate model simulations for hydrological
climate-change impact studies: Review and evaluation of different methods». En: Journal of Hydrology 456
(2012), págs. 12-29.
BIBLIOGRAFÍA 35
[103] Claudia Teutschbein, Fredrik Wetterhall y Jan Seibert. «Evaluation of different downscaling techniques for
hydrological climate-change impact studies at the catchment scale». En: Climate Dynamics 37.9-10 (2011),
págs. 2087-2105.
[104] Matthias Jakob Themeßl, Andreas Gobiet y Georg Heinrich. «Empirical-statistical downscaling and error
correction of regional climate models and its impact on the climate change signal». En: Climatic Change
112.2 (2012), págs. 449-468.
[105] Herbert CS Thom. «A note on the gamma distribution». En: Monthly Weather Review 86.4 (1958), págs. 117-122.
[106] VM Tiwari, J Wahr y S Swenson. «Dwindling groundwater resources in northern India, from satellite gravity
observations». En: Geophysical Research Letters 36.18 (2009).
[107] Sylwia Trzaska y Emilie Schnarr. «A review of downscaling methods for climate change projections». En:
United States Agency for International Development by Tetra Tech ARD (2014), págs. 1-42.
[108] Sylwia Trzaska y Emilie Schnarr. «A review of downscaling methods for climate change projections». En:
United States Agency for International Development by Tetra Tech ARD (2014), págs. 1-42.
[109] George Tselioudis, Costas Douvis y Christos Zerefos. «Does dynamical downscaling introduce novel in-
formation in climate model simulations of precipitation change over a complex topography region?» En:
International Journal of Climatology 32.10 (2012), págs. 1572-1578.
[110] Petr Vanicek y Edward J Krakiwsky. Geodesy: the concepts. Elsevier, 2015.
[111] S Vogl y col. «Copula-based assimilation of radar and gauge information to derive bias-corrected precipita-
tion fields». En: (2012).
[112] Klaus Vormoor y col. «Climate change impacts on the seasonality and generation processes of floods–
projections and uncertainties for catchments with mixed snowmelt/rainfall regimes». En: Hydrology and Earth
System Sciences 19.2 (2015), págs. 913-931.
[113] Mathieu Vrac, Michael Stein y Katharine Hayhoe. «Statistical downscaling of precipitation through nonho-
mogeneous stochastic weather typing». En: Climate Research 34.3 (2007), págs. 169-184.
[114] John Wahr, Mery Molenaar y Frank Bryan. «Time variability of the Earth’s gravity field: Hydrological and
oceanic effects and their possible detection using GRACE». En: Journal of Geophysical Research: Solid
Earth 103.B12 (1998), págs. 30205-30229.
[115] RL Wilby y col. Guideline for use of climate scenarios development from statistical downscaling methods.
Environmental agency, King College London. 2004.
[116] Robert L Wilby y TML Wigley. «Downscaling general circulation model output: a review of methods and
limitations». En: Progress in physical geography 21.4 (1997), págs. 530-548.
[117] Robert L Wilby y col. «Guidelines for use of climate scenarios developed from statistical downscaling met-
hods». En: Supporting material of the Intergovernmental Panel on Climate Change, available from the DDC
of IPCC TGCIA 27 (2004).
[118] Robert L Wilby y TML Wigley. «Precipitation predictors for downscaling: observed and general circulation
model relationships». En: International Journal of Climatology 20.6 (2000), págs. 641-661.
[119] Robert L Wilby, Christian W Dawson y Elaine M Barrow. «SDSM—a decision support tool for the assessment
of regional climate change impacts». En: Environmental Modelling & Software 17.2 (2002), págs. 145-157.
[120] Daniel S Wilks y Robert L Wilby. «The weather generation game: a review of stochastic weather models».
En: Progress in physical geography 23.3 (1999), págs. 329-357.
[121] Bert Wouters y EJO Schrama. «Improved accuracy of GRACE gravity solutions through empirical orthogonal
function filtering of spherical harmonics». En: Geophysical Research Letters 34.23 (2007).
[122] Pat J-F Yeh y col. «Remote sensing of groundwater storage changes in Illinois using the Gravity Recovery
and Climate Experiment (GRACE)». En: Water Resources Research 42.12 (2006).
[123] Wenjie Yin y col. «Statistical downscaling of GRACE-derived groundwater storage using ET data in the North
China Plain». En: Journal of Geophysical Research: Atmospheres (2018).
36 BIBLIOGRAFÍA
[124] Dan Zhang, Xiaomang Liu y Peng Bai. «Assessment of hydrological drought and its recovery time for eight
tributaries of the Yangtze River (China) based on downscaled GRACE data». En: Journal of Hydrology
(2018).
[125] Eduardo Zorita y Hans Von Storch. «The analog method as a simple statistical downscaling technique:
comparison with more complicated methods». En: Journal of climate 12.8 (1999), págs. 2474-2489.
[126] Francis W Zwiers y Hans Von Storch. «On the role of statistics in climate research». En: International Journal
of Climatology 24.6 (2004), págs. 665-680.

Informe Geodesia

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe Geodesia

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CONCEPCIÓN

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

En este mismo ámbito, las ciencias geodésicas espaciales, en particular la mi-

1.1. Interpretación de la Tierra de Tales de Mileto Fuente: (Vanicek y col., 2015) . . . . . . . . . 1

3.1. Ventajas y desventajas de técnicas de reducción de sesgo con estudios de muestra. . . . . . . 26

La geodesia, es la ciencia dedicada al estudio de la forma y el campo de grave-

F IGURA 1.1: Interpretación de la Tierra de Tales de Mileto

Por su parte, el concepto de gravedad comenzó a formularse a través de las inves-

F IGURA 1.2: Geodesia y su relación con otras disciplinas.

En la ultima década, la detección remota a jugado un rol importante, proporcio-

El sistema geocéntrico, se volvió útil recientemente con la llegada del posiciona-

donde N es el radio de curvatura local del elipsoide de referencia en la dirección este-

1.2. Ecuaciones que relacionan la masa superficial con la

De acuerdo a la aproximación de Wahr y col. 1998, muestra que el cambio local

Los coeficientes de Stokes producidos por GRACE, contienen errores de medi-

Si los coeficientes de los errores del satélite, y la anomalía de la masa superficial

luego dos términos incluyen la expresión para la varianza de la anomalía de masa de

Var (σ )GRACE = var (σ)true + var (σ)sat , (1.7)

donde la contribución a la varianza debida al error de medición del satélite es

F IGURA 1.3: Concepto artístico del satélite GRACE y la Tierra.

A bordo, los receptores GPS determinan la posición de cada satélite en un marco

1.3.1. Errores asociados

Estos errores de fuga, no permiten una separación perfecta de las anomalías de la

Varios métodos de post-procesamiento se han desarrollado para mitigar el im-

No obstante, se puede ver una revisión exhaustiva de técnicas de filtrado en el articulo

A menudo, el suavizado gaussiano es aplicado porque el ruido o la naturaleza

b exp [−b (1 − cos γ)]

donde esta ecuación se integra sobre el ángulo solido.

El nuevo núcleo de promedio W cambia suavemente de un valor 1 dentro del li-

Wl puede ser computado recursivamente por la siguiente relación:

F IGURA 1.6: Mapas mensuales de anomalías de almacenamiento de agua derivado

Un mapa de las anomalías de masa superficial, a partir de datos en bruto de

Para determinar la conexión, si la hay, entre estas correlaciones aparentes en el

donde Clmce es el coeficiente de Stokes, Qi es el coeficiente de grado i del ajuste po-

Los coeficientes polinomiales son obtenidos por mínimos cuadrados de acuerdo

donde el filtro Λlnm , es definido como

La representación espacial del filtro puede ser obtenido por medio de

Λ θ, φ, θ 0 , φ0 = ∑ Pelm (cos θ ) {Λclm φ0 , θ 0 cos mφ + Λslm φ0 , θ 0 sin mφ}

Λclm θ 0 , φ0 = ∑ Λlmn Penm cos θ 0 cos mφ0

Λ (θ, φ, θ 0 , φ0 ) describe la contribución relativa de cada punto (θ 0 , φ0 ) a la media

F IGURA 1.7: Mapas mensuales de anomalías de almacenamiento de agua derivado

Este enfoque, fue tempranamente desarrollado por la NASA en el estudio de las

Los parámetros de mascon, son formulados desde el hecho, que un cambio en

El parámetro mascon estimado, Hj (t), para cada región mascon j, es un factor

Funciones ortogonales empíricos (EOF)

El análisis EOF (orthogonal empirical function), es una técnica basado sobre el

de variables p, tiene un conjunto de direcciones de variabilidad dominante en el espa-

Cada modo EOF representa un cierto porcentaje de la variabilidad total en el con-

La reducción de escala o “downscaling” es un método en el cual se deduce infor-

F IGURA 2.1: Concepto de reducción de escala espacial, y diferentes procesos que

No existe un esquema de clasificación consensual y único que se aplique en los

2.0.1. Downscaling Dinámico

Dos estrategias principales son reconocibles en el downscaling dinámico. En la

suministro de información en las condiciones de frontera. Donde estos datos general-

2.0.2. Downscaling Estadístico

Varias supuestos fundamentales son inherentes a estas técnicas de reducción de

El rendimiento de las técnicas de reducción de escala depende en gran medida

clima, regresión lineal múltiple y regresiones condicionadas). Con respecto a su ro-

Esquemas de clasificación de patrones de clima.

Generadores de clima (WGs).

Esquemas de clasificación de patrones de clima