Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autor: Supervisor:
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 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
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
Capítulo 1
Geodesia
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.
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.
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)
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.
4 Capítulo 1. Geodesia
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.
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.
∆Clm
GRACE
= ∆Clm
true
+ ∆δlm
c
∆Slm
GRACE
= ∆Slm
true
+ ∆δlm
s
(1.5)
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
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).
6 Capítulo 1. Geodesia
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)
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
1
Z π
Wl = √ W (γ) Pel0 (cos γ) sin γγ (1.14)
2l + 1 0
1.3. GRACE 9
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)
10 Capítulo 1. Geodesia
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
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
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
Ajuste de mascons
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.
∂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.
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.
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
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).
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.
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.
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).
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).
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).
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).
Capítulo 3
Error sistemático
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.
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.
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).
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
Un valor grande de β, por otro lado, causa una distribución amplia, causando
mayores probabilidades de eventos extremos.
Capítulo 4
Proposición
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).
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.