Completado de datos meteorológicos.

Modelo
CORMUL

Javier Álvarez Rodríguez

Centro de Estudios Hidrográficos del CEDEX
 Índice

• Introducción
• Completado de series mensuales de variables meteorológicas
(precipitaciones, temperaturas, etc.)
– Proceso de completado
– Aplicación de la metodología de completado
• Completado de series mensuales de aportaciones
– Modelo HEC4
 Planteamiento del problema

• Existencia de lagunas en las series hidrometeorológicas

• Solución:
» Reproducir el fenómeno físico (ej.: simulación de caudales,
conocidos los datos meteorológicos y el esquema del ciclo
hidrológico)
» Recurrir a estaciones hidrometeorológicas de similar
comportamiento (ej.: completado de precipitaciones o de caudales
por correlación)
 Completado de series hidrometeorológicas

• Es difícil completar los datos a partir de otras informaciones

climatológicas
• Apoyo en técnicas estocásticas: rellenar las lagunas a partir de
los datos conocidos de otras estaciones pluviométricas
• El completado de los datos de aportaciones se puede realizar a
partir de los datos de lluvia (son causa directa de ellas)
• El completado de las series de aportaciones se puede realizar
también:
– Utilizando la información registrada en otras estaciones de
aforo
– Utilizando los datos de la propia estación (autocorrelación)
Completado con datos de estaciones próximas o similares

• Esquema general de interpolación

P ( x, y , t ) = ∑ ωi ( x, y ) ⋅ Pi (t )

– Media aritmética y medias móviles

– Media aritmética en función de la altitud y orientación del terreno
– Método de Thiessen y Thiessen modificado
– Media aritmética ponderada según la altitud del terreno
– Esquemas de interpolación en función de la distancia
– Método de las isoyetas
– Interpolación polinómica
– Técnicas estocásticas de interpolación

• Técnicas estocásticas de correlación

 Completado utilizando técnicas de interpolación

Conocimiento teórico de la variable física Información disponible: puntual

+
Métodos deterministas <> Métodos estocásticos

Interpolación. Esquema general

P( x, y ) = ∑ ωi ( x, y ) ⋅ Pi
 Métodos estocásticos

• Hipótesis previas a la aplicación de CORMUL:

– El completado de datos se puede realizar utilizando
ecuaciones de regresión entre variables
» Ejemplo: ajuste lineal por mínimos cuadrados

– Aplicación a series mensuales

» Existen ciclos de duración anual
– influyen en la valoración de las similitudes entre series (orden en los
datos)
– se impide un tratamiento homogéneo de la serie mensual (distinto
comportamiento según meses)
 EJEMPLO: ajuste lineal por mínimos cuadrados

• Condición de mínimos cuadrados: minimizar el error cuadrático

entre la variable estimada y los valores registrados
n
ECM = ∑ ( yi − yesti ) ∂ECM
n
2
∀k ∈ (0, n ) → =0 yest = ∑ ak ⋅ x k
i =1 ∂ak k =0

Ajuste lineal por mínimos cuadrados

45

40 yest = a ⋅ x + b
Pluviómetro B (mm)

35
σy
30 a = rxy ⋅
σx
25

20 b = m y − a ⋅ mx
15

10
10 15 20 25 30 35 40 45
Pluviómetro A (mm)
 Ecuación de completado. Correlación simple

• Utilizar un ajuste por mínimos cuadrados con un término de

error aleatorio
yest ,i = a ⋅ xi + b + ε i

• Con las condiciones:

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

– Desviación típica conocida

[ ]
E ( yi − yest ,i ) = σ y2 ⋅ (1 − rxy2 )
2
 Hipótesis previas para aplicación de CORMUL

• Series mensuales meteorológicas (estudios de recursos)

0 20 40 60 80 100

• Una serie temporal se puede considerar compuesta por

» Tendencia Tipo de dato
» Componente cíclica estacional Intervalo temporal de trabajo
» Residuo

0 20 40 60 80 100 0 20 40 60 80 100
 Proceso de completado

La escala temporal mensual es usual en los estudios de recursos

(1) Elegir el periodo de completado
» Necesidades del estudio
» Datos existentes

(2) Estacionarización de las series meteorológicas

» Filtrar las componentes estacionales

(3) Establecimiento de la ecuación de regresión

» Decidir el grado de correlación: SIMPLE, DOBLE, TRIPLE, etc

(4) Completado
» Orden y priorización

(5) Desestacionarización de las series completadas

 Proceso de estacionarización en CORMUL

• Se suponen series sin tendencia

• La componente cíclica estacional aparece en media y
desviaciones típicas
 Estacionarización
Precipitación registrada (mm) en 03129

200
• Eliminación de la tendencia cíclica
y homogeneización de todos los
150
datos mensuales mediante
100 normalización

∑( )
N N

∑
50 1 1 2
xj = xij Sj = ⋅ xij − x j
N i =1
N − 1 i =1
0
1950-51

1951-52

1952-53

1953-54

1954-55

1955-56

1956-57

1957-58

1958-59

1959-60

1960-61

1961-62

1962-63

1963-64

1964-65

1965-66
• Serie estacionaria en media y
Precipitación normalizada (mm) en 03129
varianza
3,5

xij − x j
∈ N (0,1)
3
2,5
2
tij =
1,5 Sj
1
0,5
0
• Serie independiente con
1950-51

1951-52

1952-53

1953-54

1954-55

1955-56

1956-57

1957-58

1958-59

1959-60

1960-61

1961-62

1962-63

1963-64

1964-65

1965-66

-0,5 distribución normal (no son

-1
-1,5 necesarias transformaciones
-2
normalizantes)
 Ecuación de regresión

• Modelo lineal de regresión grado 2

tij3 = t 3 + a1 (tij1 − t 1 ) + a2 (tij2 − t 2 ) + ε ij

» superíndices 1, 2 representan a las estaciones de referencia para

completar la estación 3
» a1 y a2 son los coeficientes de regresión parcial que se pueden
expresar en función de los coeficientes de correlación simple r13, r23
y r12 al añadir la condición de error cuadrático mínimo
» εij es un ruido independiente y normalmente distribuido de media 0 y
desviación típica Se
» (t 1 , t 2 , t 3 ) valores medios de los residuos tij en cada estación (=0)
 Coeficientes del modelo de regresión

• Coeficientes de regresión parcial

s3  r13 − r23 ⋅ r12  s3  r23 − r13 ⋅ r12 
a1 = ⋅   a2 = ⋅  
s1  1 − r12 2
s2  1 − r12 2

– rmn coeficientes de correlación simple entre las estaciones m y n

∑ (t
∀ij
m
ij − t m )⋅ (tijn − t n )
rmn =
∑ (t − tm) ⋅ ∑ (t −tn)
m 2 n 2
ij ij
∀ij ∀ij

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

• Desviación típica del ruido

 r132 + r232 − 2 ⋅ r12 ⋅ r13 ⋅ r23 
Sε = S ⋅ (1 − ( R )
2 2 3 2
) R = 
3

−
3 12 12 2
 1 r 12 
– Varianza del ruido
– Varianza de la serie
– Coeficiente de correlación múltiple de las estaciones 1 y 2 con la 3
Orden de completado, completado y desestacionarización

• Matriz de priorización
a
 N 
Pmn = Rmn
k
⋅  mnk 
 12 ⋅ N 

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

correspondiente a la estación a completar k
k
– Rmn coeficiente de correlación múltiple entre la estación k y las
estaciones m y n de referencia
– N el nº total de años del periodo de análisis
– Nmnk el nº de meses con registros en las tres estaciones m, n y k.
– a exponente pondera el nº de datos comunes entre las tres estaciones

• Elección de la pareja de estaciones para completado y

desestacionarización
xij = x j + S j ⋅ tij
 Aplicación de la metodología de completado

• Determinación de grupos homogéneos de estaciones

» Afinidad climática. Criterios:
– Estadísticos básicos similares (media y desviación típica)
– Proximidad entre estaciones
– Altitudes similares

» Regresión bivariada: no es necesario definir series tipo

• No se ha considerado la autocorrelación temporal

» No es necesario en series meteorológicas mensuales; sí lo es con
series de caudales

• Al trabajar con coeficientes de correlación entre residuos se

evitan los efectos que en éste inducen el orden de los datos
(filtradas componentes estacionales)
 CORMUL en CHAC

• Parámetros del modelo (exponente y umbral de priorización)

• Series de variables (periodo de completado; -100: no hay dato)
• Series de variables estacionarizadas (999: no hay dato)
• Matriz coeficientes de regresión parcial
• Matriz datos comunes
• Matriz correlación múltiple entre cada estación y cada pareja
• Matriz núm. datos comunes entre cada estación y cada pareja
• Elección pareja de estaciones (0: no hay completado)
• Series de variables completadas
 Completado de series mensuales de aportaciones

• Modelo estándar: HEC-4

• Consideración:
» Estructura de correlación espacial (otras estaciones)
» Estructura de correlación temporal (autocorrelación)

• Procedimiento similar (HEC-4):

» Necesidad de transformaciones normalizantes de las aportaciones
» Consideración de la autocorrelación temporal
» Permite elegir el grado de correlación múltiple
» No establece matrices de priorización como en el caso del CORMUL
 Diferencias entre tipos de series

• Series de precipitaciones 1

0,8

Coeficiente de autocorrelación
0,6

0,4

0,2

0
0 1 2 3 4 5
-0,2
Paso k
1
0,9
• Series de aportaciones

Coeficiente de autocorrelación
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5
Paso k
 Modelo HEC-4

• Cálculo de los estadísticos estacionales y previa transformación

normalizante
» Serie cuasinormal yij = log xij

» Media
∑y ij
yj = i =1
N

∑ (y ij − y j )
N
2

» Desviación típica σj = i =1
N −1

∑ (y ij − y j )
N
3

» Sesgo N
gj = i −1
(N − 1) ⋅ (N − 2 ) σ j3
 Modelo HEC-4

• Estacionarización de las series cuasinormales

yij − y j
tij = Serie cuasinormal
σj estacionaria

• Supresión del sesgo periódico

6   g j ⋅ tij   gj Serie normalizada

kij = ⋅ 3  + 1 − 1 + estacionaria
gj   2   6
 Modelo de regresión del HEC-4

• Ecuación de regresión
M
k =bk
o
ij
o
o ij −1 + ∑ b1 ⋅ kij1 + ε ij
1=1

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

(Pearson-III) en la estación a completar o
o
» kij −1 es el valor en el mes j-1 del año i de la variable transformada
(Pearson-III) en la estación a completar o
» bo es el coeficiente autorregresivo (temporal)
» b1 es el coeficiente de regresión entre las estaciones o y 1
1
» ki , j es el valor en el mes j del año i de la variable transformada
(Pearson-III) en la estación de referencia 1
» M es el número de estaciones consideradas en la regresión
» εij es el ruido de media 0 y desviación típica σ e