See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/328791198

VALIDACIÓN DEL SATÉLITE METEOROLÓGICO CHIRPS EN LA CUENCA

RURRENABAQUE-BOLIVIA

Conference Paper · September 2018

CITATIONS READS

0 40

2 authors, including:

Mauricio Florencio Villazon

University of San Simón
34 PUBLICATIONS   87 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Regional Initiative for Hydrological Monitoring of Andean Ecosystems (iMHEA) View project

Pronósticos hidrológicos para Sistemas de Alerta Temprana View project

All content following this page was uploaded by Mauricio Florencio Villazon on 07 November 2018.

The user has requested enhancement of the downloaded file.

 IAHR AIIH
XXVIII CONGRESO LATINOAMERICANO DE HIDRÁULICA
BUENOS AIRES, ARGENTINA, SEPTIEMBRE DE 2018

VALIDACIÓN DEL SATÉLITE METEOROLÓGICO CHIRPS EN LA

CUENCA RURRENABAQUE-BOLIVIA

1er. Collarani Anagua Freddy, 2do.Villazon Gómez Mauricio F.

Universidad Nacional Agraria La Molina (UNALM); Laboratorio de Hidráulica Universidad Mayor de San Simón (LHUMSS)
fca_civ@yahoo.es ; mauricio_villazon@yahoo.es mauricio.villazon@fcyt.umss.edu.bo

RESUMEN:
El presente trabajo, se basa en la validación de los datos de precipitación obtenidos con el satélite
CHIRPS v2.0 para la cuenca del río Rurrenabaque hasta la estación hidrométrica del mismo nombre.
Para tal fin se realizó un análisis de la precipitación a nivel diario y mensual usando 75 estaciones
meteorológicas con información desde enero 2005 hasta septiembre 2016.
La metodología empleada consta de tres análisis: i) análisis exploratorio ii) análisis descriptivo con
gráficas series de tiempo, boxplot iii) análisis estadísticos y modelación lluvia-escurrimiento.
A nivel diario se observó que CHIRPS no presenta buena semejanza frente a los datos históricos. A
nivel mensual presenta coeficientes de determinación que varían entre 0.42 a 0.91 y coeficientes de
predicción alcanzan de 0.24 a 0.9, se observó también un error medio absoluto de 22.15 mm, error
absoluto medio relativo de 25.3mm, una eficiencia de predicción de 0.81 y un error de bias de
15.5mm.
Se calibro un modelo de transformación lluvia-caudal con los datos observados, posteriormente se
evaluó el comportamiento de la información proporcionada por CHIRPS corregido y CHIRPS sin
correcciones, los modelos muestran coeficientes de determinación de 0.84, 0.81 y 0.83, eficiencias
de predicción de 0.84, 0.81 y 0.83. De los resultados se concluye que la información proporcionada
por CHIRPS es aceptable para diferentes estudios hídricos a nivel mensual en región alto amazónica
de Bolivia

ABSTRACT:
This present work is based on the validation of the precipitation data obtained from the satellite
CHIRPS for the river Rurrenabaque basin up to the hydrometric station of the same name. For this
purpose a daily and monthly level precipitation analysis was performed using 75 meteorological
stations from January 2005 to September 2016.
At daily level the similarity with historical data is not observed. At monthly level it was observed
coefficients of determination varied between 0.42 to 0.91 and prediction coefficients varied 0.24 to
0.9, it was also observed on absolute average error of 22.15 mm, a relative mean absolute error of
25.3mm, a prediction efficiency of 0.81 and bias error of 15.5mm.
A rainfall-runoff transformation model was calibrated with observed data, then the behavior of the
information provided by corrected CHIRPS and CHIRPS without corrections was evaluated, the
models showed coefficient of determination of 0.84, 0.81 and 0.83, prediction efficiency of 0.84, 0.81
and 0.83. From these results is was that the information provided by CHIRPS is acceptable for
different studies of water resources at a monthly level in the high Amazon region of Bolivia.

PALABRAS CLAVES: Precipitación Satelital, Modelamiento hidrológico

INTRODUCCIÓN
En Bolivia no se cuenta con información necesaria, disponible y confiable, de las estaciones de
registro hidroclimáticas, en muchas regiones no son representativas por su escasa densidad, longitud
de información y confiabilidad, muchos proyectos realizan sus diseños con poca información
meteorológica pudiendo llevar al colapso los proyecto. La información proporcionada de las
estaciones meteorológicas en los últimos años ha disminuido a la falta implementación y
mantenimiento. (Según la administración de SENAMHI).
El sensor CHIRPS es un algoritmo que estima la distribución de la lluvia en tres dimensiones a partir
de la radiación en el espectro visible, CHIRPS en sus siglas en inglés (Climate Hazards Group
InfraRed Precipitation with Station) es una base de datos con 37 años, empezando reportar
información desde 1981 hasta el presente, disponible como una nueva base de datos climáticos de
precipitación desde principios de 2014; Abarca tres tipos de información: climatologías globales,
estimaciones por satélite y observaciones in situ, del mismo que se obtiene un mejor producto al
alcance del publico de forma gratuita.
El rango de operación en tierra es de 50°S-50°N tomando en cuenta todas las longitudes. CHIRPS
presenta la resolución espacial más alta (0.05° aproximadamente 5.6 km), la confiabilidad de este
producto se basa en las correcciones y mejoras que realiza en base a estaciones climatológicas de su
alcance. (Funk Chris, Pete Peterson, Martin Landsfeld, 2015)
ÁREA DE ESTUDIO
La cuenca de Rurrenabaque afluente de la cuenca amazónica, el segundo río más importante en
Bolivia. Nace en los Andes de la confluencia de los ríos Alto Beni y Kaka en las proximidades de
Puerto Pando. El ancho máximo es de 1069 metros en las proximidades de Rurrenabaque, siendo su
ancho promedio de 400 metros.
Políticamente la cuenca de Rurrenabaque limita al sur - oeste con las cuencas del Titicaca y
Desaguadero que pertenecen a la cuenca del Altiplano, al este con las cuencas del Caire, Chapare e
Isiboro Secure que pertenecen a la cuenca del amazonas, al norte con las cuencas de los ríos Madidi,
Colorado y Negro-Beni, de la cuenca del río Madre de Dios, dentro de los departamentos de La Paz,
Cochabamba y Beni - Bolivia
DATOS METEOROLÓGICOS
a) Información histórica
De la información recopilada por SENAMHI se observó la disponibilidad 75 estaciones
meteorológicas con datos a nivel diario, registrados con pluviómetros.
El periodo de registro de las estaciones meteorológicas son de distinta magnitud, a fin de contar con
un periodo común, con la mayor cantidad de estaciones, se decidió trabajar con un registro a partir de
enero de 2005 hasta septiembre de 2016, aceptado hasta un 20 por ciento de vacíos en sus registros,
llegando a tener 45 estaciones que cumplen con este requisito.
En la Figura 1. se muestran las estaciones pluviométricas e hidrométricas empleadas para el presente
estudio, su ubicación y algunos datos adicionales de interés.
 Figura 1.- Ubicaciones del área de estudio, estaciones pluviométricas e hidrométricas

a) Precipitación de Satélites Meteorológicos

La teledetección permite adquirir imágenes de la superficie terrestre desde sensores instalados en
diferentes plataformas por intermedio de la interacción energética de la tierra, gracias a la energía
solar o de un haz energético artificial o por emisión propia. La teledetección engloba solo los procesos
que permiten obtener una imagen desde el aire o el espacio, (Chuvieco, 1995)
Los sensores geoestacionarios que operan en longitudes de onda del infrarrojo (IR), proporcionan
información útil sobre tormentas identificándolas por su baja temperatura en el tope de la nube. En
cambio, sensores de microondas (MW), comúnmente instalados en satélites de baja órbita, reflejan la
distribución vertical de procesos hidrometeoros en la nube con baja frecuencia espacio temporal. En
la actualidad se usan técnicas mixtas que combinan la mejor lluvia identificada por MW con la mayor
frecuencia espacio temporal de las imágenes infrarrojas (S. Sorooshian, Kidd Hsu, X. Gao, HV Gupta,
B.lmam, D. Braithwaite, 2010)
ANÁLISIS DE LA PRECIPITACIÓN DIARIA
Se realizó un análisis categórico o comparativo de los datos de la precipitación diaria, que consiste
en afirmar la severidad o falsedad de los datos proporcionados por el satélite CHIRPS. El pronóstico
categórico no contiene expresión para la incertidumbre. Este análisis se evalúa mediante tablas de
contingencia (WGNE, WWRP, 2012)
La tabla de contingencia evalúa la lluvia histórica y la lluvia estimada del satélite y permite apreciar
cuatro combinaciones: acierto (número de sucesos con ocurrencia de la lluvia y que están
correctamente detectadas por el producto de satélite), pérdida (número de sucesos en que no hay
ocurrencia de la lluvia pero el producto de satélite detecta ocurrencia), falsa alarma (número de
sucesos en que hay ocurrencia de la lluvia pero el producto de satélite no detecta la lluvia) y sin evento
(número de sucesos en que no hay lluvia y el producto de satélite tampoco detecta lluvia). Estos
estadísticos son representativos del conjunto de datos y permiten evaluar la ocurrencia de la lluvia
estimada de satélite por encima de un umbral.
En la Tabla 1 se aprecia la tabla de contingencia, la misma que evalúa la veracidad de la información
presentada por el satélite CHIRPS.
 Tabla 1.-Tabla de contingencia
Eventos Observados
OSI ONO Total
a b (Falsa
SSI a+b
Eventos (Acierto) Alarma)
Satélite c d (No
SNO c+d
(Perdida) Evento)
Total a+b d+b Total
Donde:
a = Número de veces que el satélite registra lluvias y éste ocurrió. “Aciertos”
b = Número de veces que el satélite registra lluvias y éste no ocurrió. “Falsa Alarma”
c = Número de veces que el satélite no registra lluvias y éste sí ocurrió. “Perdidas”
d = Número de veces que el satélite no registra lluvias y éste tampoco ocurrió. “No Eventos”

Tabla 2.- Estadísticos de detección

Valor
Estadísticos Ecuación Rango Óptimo
estimado
Probabilidad de = [1] 0-1 1 0.47
detección
Ratio de falsas
= [2] 0-1 0 0.49
alarmas
Índice de éxito
= [3] 0-1 1 0.32
crítico
Porcentaje de
estimaciones = [4] 0-1 1 0.73
correctas
Índice de
frecuencia del = [5] 0-∞ 1 0.94
sesgo

Figura 2.- Diagrama de cajas de los índices de detección

Del análisis de comparación o categórico entre los datos CHIRPS – SENAMHI, reportado en la tabla
2 y Figura 2, muestran que no presentan buena semejanza entre ambas fuentes de información debido
a diversos factores tales como:
 La precipitación diaria registrada por SENAMHI tiene un desface en el tiempo en
comparación a la información presentada por CHIRPS.
 Los reportes diarios por SENAMHI son realizados a horas 8 AM y reportados como lluvia
del día anterior.
 No se cuenta con mediciones horarias para determinar la precipitación diaria y comparar con
información de los datos de CHIRPS.
ANÁLISIS DE LA PRECIPITACIÓN MENSUAL
Se estimó la precipitación representativa para la cuenca de Rurrenabaque con los datos históricos
observados y la información del satélite CHIRPS, comparando los resultados se puede apreciar una
sobreestimación de la precipitación de CHIRPS, la comparación nuestra un coeficiente de
determinación r² de 0.86, cuenta con una eficiencia de predicción de 0.84, un error medio absoluto de
18.75 mm, error absoluto medio relativo de 25.14 mm y un error de bias de -12.82 mm.
En la Figura 3 se muestra las precipitaciones representativas o areales para la cuenca de Rurrenabaque
generado a partir de los datos observados y la información del satélite CHIRPS.

Figura 3.- Precipitaciones históricas - CHIRPS

De la figura anterior se puede establecer una relación entre los datos observados y de la información
del satélite CHIRPS el cual está dato por Pmm= 0.8592xCHIRPS con esta relación se podría
disminuir la precipitación de CHIRPS en un 7.8% como promedio.
CORRECCIÓN DE LA PRECIPITACIÓN SATELITAL
Fusionado la información del satélite y los datos observados se realizó correcciones a los datos del
satélite CHIRPS, las cuales se realizaron por intermedio de mapas de errores (bias), estos mapas
fueron generados para cada mes utilizando herramientas geoestadísticas buscando el mejor ajuste
entre las metodologías de interpolación tales como Kriging Ordinary e Inverse Distance Weighted
(IDW), Para este fin se programó en base a plataforma R y python.
Para la interpolación por método de Kriging Ordinary la programación permitió ajustar y optimizar
los parámetros del semivariograma y para el método de IDW ajustar el peso asignado para la
interpolación. La mejor interpolación fue escogida comparando estadísticamente punto a punto entre
los datos y mapa interpolado, finalmente el mapa es almacenado en una base de datos para su posterior
uso.
En la Figura 4 a) se presentan las precipitaciones acumuladas de CHIRPS, CHIRPS corregido y
SENAMHI b) Diagrama de Taylor

a) Precipitaciones acumuladas b) Diagrama de Taylor

Figura 4.- a) Precipitaciones acumuladas de CHIRPS, CHIRPS corregido y SENAMHI b) Diagrama de
Taylor
SIMULACIÓN DE CAUDALES
Se utilizó el modelo Témez que simula procesos hidrológicos tal es la transformación lluvia caudal,
que intervienen en el desarrollo de la escorrentía superficial de los cursos de agua. El proceso está
precedido por el principio de continuidad o conservación de la masa y regulado por leyes específicas
de reparto y transferencia entre los distintos términos de balance en el sistema.
En modelo necesita como insumos precipitación, evapotranspiración potencial, y parámetros físicos
de la cuenca. Para su calibración, se cuenta con caudales a nivel diario desde enero de 2005 hasta
septiembre 2016.
ANÁLISIS DE RESULTADOS
Mediante el modelo de transformación lluvia - caudal a nivel mensual se simularon caudales para 3
escenarios, el periodo de simulación fue de enero 2005 a septiembre 2016.
Escenario N°1
Para el primer escenario se calibro el modelo con los datos de lluvia registrados por SENAMHI, En
la Figura 5 se presenta los resultados del modelamiento calibrado para el primer escenario,
conjuntamente los caudales observados, donde se puede apreciar que el modelo subestima los
caudales en temporada húmeda en varios periodos de lluvia, por ejemplo para los años hidrológicos
entre 2005-2006, 2013-2014, 2014-2015, en época seca presenta un mejor comportamiento salvo las
temporadas secas del 2006 y 2014.

Figura 5.- Calibración del modelo Témez

Escenario N°2
En la Figura 6 se presenta los resultados del modelamiento para el segundo escenario conjuntamente
los caudales observados, donde se puede apreciar que el modelo subestima los caudales en temporada
húmeda y en época de estiaje, en varios periodos de lluvia entre los más notorios los periodos 2005-
2006, 2013-2014, 2014-2015, en época seca presenta un mejor comportamiento salvo las temporadas
secas del 2006, 2011, 2013 y 2014.
Escenario N°3
En la Figura 6 se presenta los resultados del modelamiento para él se escenario 3 conjuntamente los
caudales observados, con relación a los anteriores escenarios se ve una mejora tanto para temporada
húmeda y temporada de estiaje, no obstante, no alcanza los caudales máximos en temporada húmeda.
 Figura 6.- Comparación de caudales simulados vs caudales observados - Escenario 1, 2 y 3
DISCUSIÓN
Analizando visualmente los caudales simulados tras la respuesta de los diferentes escenarios
contemplados en el presente estudio, en promedio los tres modelos tienen un caudal medio que
alcanza 1569, 1641 y 1900m³/s para los escenarios 1, 2 y 3 respectivamente, el error medio absoluto
316, 362, 388m³/s para los escenarios 1, 2 y 3, coeficiente de determinación de 0.84, 0.81 y .83 para
los escenarios 1, 2 y 3 respectivamente, para el escenario 1 se tiene una eficiencia de predicción de
0.82 para el escenario 2 se tiene una eficiencia de predicción de 0.81y para el tercer escenario se tiene
una eficiencia de predicción de 0.83.
Se puede concluir que realizando correcciones a los datos del satélite CHIRPS se puede obtener
lluvias próximas a las observadas, si bien es cierto que utilizando la información del satélite CHIRPS
sin realizar correcciones de ninguna naturaleza ayudan a predecir caudales mensuales, es conveniente
que la información del satélite sea validada y corregida debido a la incertidumbre que pueda presentar.
En la Tabla 3 se presenta los resultados de las pruebas estadisticas realizadas al modelo para los tres
escenarios.
Tabla 3.-Análisis comparativo de los escenarios 1, 2 y 3
Escenario Escenario Escenario
Error contemplado
1 2 3
Medio Pronosticado Mf = 1569.30 1641.12 1900.97
Medio Observado Mo = 1744.18 1744.18 1744.18
Desviación Media
RB= -10.03 -5.91 8.99
Relativa
Error Absoluto Medio MAE= 316.48 362.07 388.36
Error Absoluto Medio
RMAE= 18.15 20.76 22.27
Relativo
Coeficiente de
R² = -10.38 -3.11 -7.44
Determinación
Eficiencia de la
EF2= 0.84 0.81 0.83
Predicción
Error de Bias BIAS= 174.8 103.06 -156.7

Realizando comparaciones entre los tres escenarios, se puede notar que la mayor eficiencia de
predicción es 0.83 que corresponde al escenario 3, una causa puede ser el hecho que sobreestima las
precipitaciones observadas, por ende representando mejor los caudales en temporada húmeda,
ayudando a mejorar la calibración.

CONCLUSIONES
Según el análisis estadístico realizado para niveles diarios los datos de SENAMHI y la información
del satélite CHIRPS no guardan relación en magnitudes, presentan coeficientes de determinación muy
bajos que varían entre 0.08 a 0.17. Para niveles mensuales son aceptables los coeficientes de
determinación varían entre 0.42 a 0.91, para los acumulados en todo el periodo analizado alcanza un
coeficiente de determinación de 0.86.
De los análisis estadísticos realizados se puede concluir que la información del satélite CHIRPS a
niveles mensuales sobreestima a los datos observados y registrados por SENAMHI, cuenta con un
error absoluto medio MAE que varía de 10.5 a 64.83 con una media de 24.8, un error absoluto medio
relativo RMAE que varía de 23 a 64.1 con una media de 40.3, un coeficiente de determinación de que
varía de 0.42 a 0.91 con una media de 0.72, raíz referencial del error medio cuadrático RRMSE que
varía de 0.32 a 1.05 con una media de 0.6, la eficiencia de predicción varia de 0.24 a 0.9 con una
media de 0.65, un error de BIAS que varía de -31.7 a 48.15 con una media de -0.83.
Fusionado la información del satélite y los datos observados se realizó correcciones a los datos del
satélite CHIRPS, los cuales se realizó por intermedio de mapas de errores, estos mapas fueron
generados para cada mes, interpolando el error de bias de cada estación, en sitios donde no se cuente
con datos meteorológicos no se podrá contar con correcciones de ninguna índole.
Como respuesta del modelo calibrado, se tiene caudales medio simulado que alcanzan a 1569, 1641
y 1900m³/s para los escenarios 1, 2 y 3 respectivamente, el error medio absoluto 316, 362 y 388m³/s,
coeficiente de determinación de 0.84, 0.81 y .83, para el escenario 1 se tiene una eficiencia de
predicción de 0.82 para el escenario 2 se tiene una eficiencia de predicción de 0.81 y para el tercer
escenario se tiene una eficiencia de predicción de 0.80.
Para los años hidrológicos entre el 2005-2006 y 2013-2014, los caudales diarios son atípicos,
muestran caudales muy por encima de la media, donde el modelo de transformación lluvia –
escorrentía, no podría ajustar dichos caudales con los datos de precipitación de SENAMHI. En
controversia, con la información proporcionada por CHIRPS para estos mismos periodos se tiene un
mejor ajuste para el modelo.
Se pudo constatar que la información proporcionada por el Satélite CHIRPS es confiable a partir de
escalas mensuales, realizando correcciones a los datos del satélite CHIRPS con datos observados se
puede obtener una mejor distribución de la precipitación y mejores resultados en un modelo de
transformación lluvia caudal.
Utilizando la información del satélite CHIRPS, sin realizar correcciones de ninguna naturaleza, se
puede obtener buenos resultados en un modelo de transformación lluvia escorrentía.

REFERENCIAS BIBLIOGRÁFICAS

Burrough, P.A. y McDonnell R.A. (1998). Principles of Geographical Information Systems. Oxford
University Press. New York: Spatal Information and Geostatistics Series.
Castiblanco, C. y. (2002). Manejo y Análisis de Imágenes de Satélite Aplicadas en Estudios
Hidrológicos de Cuencas Mediante el SIG-GRASS. . Bogota, Colombia: Universidad Nacional de
Colombia.
Ceccato Pietro , Connor S., Dinku T., Kruczkiewicz A., Lessel J., Sweeney A., Thomson, M.C.
(2017). Integrating remotely-sensed climate and environmental information .
Dimitrios Katsanos, A. R. (Mayo 2015). comparison of CHIRPS, TRMM, and E-OBS data is
performed over the Mediterranean. Atenas, Greece: National Observatory of Athens.
Easterling, T. K. (2009). Las condiciones dimáticas extremas: revisión seleccionada y futuras lineas
de investigación de Cambio Climatico. Mexico, Mexico: pp. 309-325. Obtenido de
http:l/ezproxy.concytec.gob.pe:2067/1 0.1 023fa: 1 005436904097
Ebert EE, Janowiak JE, Kidd C. (2007). Comparison of near-real-time precipitation estimates from
satellite observations and numerical models. Estados Unidos: Bulletin of the American
Meteorological Society.
Ernesto Bastidas-Obando, Rutger Kassies, Steven Wonink y Maurits Voogt. (Agosto 2015).
Sensores remotos y bases de datos meteorológicas para seguros climáticos paramétricos.
 Funk Chris, Pete Peterson, Martin Landsfeld. (2015). The climate hazards infrared precipitation
with stations - a new environmental record for monitoring Extremes. EEUU, EEUU: Scientific data.
Lavado, C. W. (2016). Comparación de productos satelitales de lluvia en Perú, (SENAMHI-Peru
ed.). Lima, Peru: Revista científica SENAMHI.
María, J. G. (1998). Manual del Observador de Meteorología, Publicación del Instituto Nacional de
Meteorología INM. 22 (SMN. Serie B ed.).
S. Sorooshian, Kidd Hsu, X. Gao, HV Gupta, B.lmam, D. Braithwaite. (2010). Evaluación de la
atenuación de satélites del sistema PERSIAN de lluvia tropical, Bull Am Meteorogy.
U.S. Geological Survey. (Marzo 2015). A Quasi-Global Precipitation Time Series for Drought
Monitoring (U.S. Geological Survey ed.). EEUU: U.S. Department of the Interior.
Wackernagel, H. (1994). Cokriging versus kriging in regionalized multivariate data analysis.
Geoderma.
Waldo Lavado, Fiorela Vega, Carlos Fernandez, Adrian Huerta. (Setiembre 2016). Generando
datos grillados de precipitación en el Perú, Peruvian Interpolated data of the SENAMHI’s
Climatological and hydrological Observations. (S. N. PERU, Ed.) Lima, Perú: XXVII Congreso
Latino Americano de Hidráulica 2016.
WGNE, WWRP. (2012). Recommendations on the verification of local weather forecasts (Vol. Rev.
2). (J. W. Verification, Ed.) Reino Unido: WORLD METEOROLOGICAL ORGANIZATION,
WORLD WEATHER RESEARCH PROGRAMME, Joint Working Group on Verification.

View publication stats