Tesis

UNIVERSIDAD MAYOR DE SAN ANDRES
FACULTAD DE CIENCIAS GEOLÓGICAS

CARRERA DE INGENIERIA GEOGRÁFICA
MAESTRIA EN TELEDETECCION ESPACIAL Y SISTEMAS DE INFORMACION
GEOGRAFICA APLICADAS A LAS CIENCIAS DE LA TIERRA
TESIS DE MAESTRIA
ANÁLISIS Y EVALUACIÓN DE LOS DATOS DE PRECIPITACIÓN DE LOS SATÉLITES

TRMM Y GPM, EN LAS 4 MACRO REGIONES CLIMÁTICAS DE BOLIVIA
POSTULANTE: Ing. Santos Calle Cordero
TUTOR: M.Sc. Antonio Erwin Galoppo Von Borries
La Paz – Bolivia
2016
DEDICATORIA
Este trabajo va dedicado a mis Padres
Santiago Calle y Juana Cordero, quienes me
dieron siempre el respaldo moral necesario
para poder tener una formación académica.
A mi esposa Justina, a mis hijas Paola Roció
y Alejandra Pamela y a mi hijo Sergio
Santos, quienes fueron mi fortaleza para
poder concluir este trabajo.
AGRADECIMIENTOS
A Dios por darme la fuerza, voluntad y sabiduría,
para el cumplimiento de mis metas
A la Universidad Mayor de San Andrés por la
formación que me dio.
A mi tutor Msc. Erwin Galoppo Von Borries por
su confianza, orientación y apoyo incondicional
para realizar el presente trabajo.
A mis tribunales Msc. Roberto Viscafe, Msc.
Danny Reynoso y al Msc. Neftali Chapi, por hacer
posible la conclusión de este trabajo.
A todos mis colegas y amigos, por el constante
apoyo moral para seguir en la elaboración del
presente trabajo.
INDICE
Pag.
RESUMEN………………………………………………………………………. 1
ABSTRACT……………………………………………………………………… 2
PALABRAS CLAVE……………………………………………………………. 2
1. INTRODUCCIÓN……………………………………………………………. 2
1.1. Justificación……………………………………………………………….. 3
1.2. Objetivo general…………………………………………………………… 4
1.3. Objetivos específicos……………………………………………………… 4
2. FORMULACIÓN DEL PROBLEMA………………………………………… 4
2.1. Pregunta de investigación…………………………………………………. 4
3. MARCO TEÓRICO………………………………………………………….. 5
3.1. Homogeneidad de series climáticas……………………………………….. 5
3.2. Test de Rachas……………………………………………………………. 6
3.3. Precipitación……………………………………………………………… 7
3.3.1. Precipitación según el proceso que la forma……………………………. 7
3.3.1.1. Precipitación convectiva……………………………………………. 7
3.3.1.2. Precipitación orográfica……………………………………………. 7
3.3.1.3. Precipitación frontal……………………………………………….. 7
3.3.2. Precipitación según en la forma en que cae…………………………….. 8
3.3.2.1. Llovizna……………………………………………………………. 8
3.3.2.2. Lluvia……………………………………………………………… 8
3.3.2.3. Chubasco…………………………………………………………. 8
3.3.2.4. La nieve, el granizo y el pedrisco………………………………….. 8
3.4. Densidad mínima recomendada de estaciones pluviométricas……………… 9
3.5. Nubes…………………………………………………………………….. 9
3.5.1. Nimbostratus…………………………………………………………. 9
3.5.2. Cumulonimbus………………………………………………………… 9
3.6. Satélites Meteorológicos………………………………………………….. 10
3.6.1. Satélites Meteorológicos geoestacionarios…………………………….. 10
3.6.2. Satélites Meteorológicos de órbita polar………………………………. 10
3.8. Satélite GPM……………………………………………………………… 11
3.9. Satélite TRMM…………………………………………………………… 12
4. MATERIALES Y METODOLOGÍA…………………………………………. 12
4.1. Descripción de zona de estudio…………………………………………… 12
4.2. Materiales y Métodos……………………………………………………. 14
4.2.1. Distribución de las Estaciones Meteorológicas a nivel nacional……… 15
4.2.2. Análisis de consistencia de los datos del SENAMHI………………….. 16
4.2.3. Imágenes satelitales TRMM e imágenes satelitales GPM……………… 21
4.2.4 Series de precipitación de estaciones del SENAMHI, TRMM Y GPM… 22
4.2.5. Medidas para evaluación……………………………………………… 23
4.2.6. Regresión Lineal………………………………………………………. 23
4.2.7. Coeficiente de Correlación (R) de Pearson……………………………. 23
4.2.8. Coeficiente de Determinación (R2)…………………………………... 24
4.2.9. Evaluación mensual de datos de precipitaciones de pluviómetros y
satélites GPM y TRMM………………………………………………. 24
4.2.10 Mapeo de los coeficientes de correlación…………………………… 24
5. RESULTADOS……………………………………………………………….. 25
5.1. Evaluación de los datos de precipitación del TRMM, GPM
y estaciones del SENAMHI y análisis estadístico…………………………. 25
5.1.1. Periodo enero 1998 a marzo 2014 ……………………………………. 26
5.1.1.1 Región de los llanos……………………………………………….. 26
5.1.1.2 Región de los valles y yungas………………………………………. 27
5.1.1.3 Región del Altiplano……………………………………………….. 29
5.1.1.4 Región del Chaco…………………………………………………. 30
5.1.2. Resultados del análisis estadístico periodo enero 1998 a marzo 2014 …. 31
5.1.3. Periodo abril 2014 a enero 2016……………………………………… 33
5.1.3.1 Región de los llanos………………………………………………. 33
5.1.3.2 Región de los valles y yungas………………………………………. 35
5.1.3.3 Región del Altiplano……………………………………………….. 37
5.1.3.4 Región del Chaco…………………………………………………. 38
5.2. Resumen del análisis estadístico del periodo abril 2014 a enero 2016…… 39
5.3. Mapeo de los coeficientes de correlación y coeficientes de
determinacion…. 41
5.4. Ecuaciones del modelo ajustado de regresión lineal……………………….. 41
6. CONCLUSIONES…………………………………………………………… 50
7. RECOMENDACIONES……………………………………………………… 51
8. BIBLIOGRAFIA……………………………………………………………… 52
ACRONIMOS Y ABREVIATURAS
GMS Satélite Geoestacionario del Japón

GOES Satélite Geoestacionario Operacional Ambiental de los Estados Unidos
GOMS Satélite Ambiental Operacional Geoestacionario
GPM Observatorio de Medición de la Precipitación Global
INSAT Satélite Geoestacionario de la India
JAXA Agencia Japonesa de Exploración Aeroespacial
METEOSAT Satélite Meteorológico Geoestacionario Europeo
NASA Administración Nacional de Aeronáutica y del Espacio de los Estados
Unidos
NOAA Administración Nacional Oceánica y Atmosférica
OMM Organización Meteorológica Mundial
SENAMHI Servicio Nacional de Meteorología e Hidrología
SISMET Sistema de procesamiento de datos Meteorológicos del SENAMHI
SPSS Software de análisis estadístico
STATGRAPHICS Software de análisis estadístico
TRMM Misión de Medición de Lluvias Tropicales
Análisis y evaluación de los datos de precipitación de los satélites TRMM y
GPM, en las 4 macro regiones climáticas de Bolivia
RESUMEN
Para los estudios ambientales y referentes a los recursos naturales, es importante tener la
disponibilidad de una buena información pluviométrica; en Bolivia, debido a su fisiografía, la
precipitación tiene bastante variabilidad espacial; el Servicio Nacional de Meteorología e
Hidrología (SENAMHI), encargado de suministrar dicha información, no tiene la suficiente
densidad de estaciones meteorológicas a nivel nacional, razón por la cual son importantes los
datos de precipitación que proporcionan los satélites TRMM y GPM; pero para poder usar
dichos datos es importante efectuar un análisis y evaluación de estos con relación a los datos de
precipitación proporcionados por las estaciones del SENAMHI. Para este trabajo se han
utilizado datos de precipitación de 183 estaciones del SENAMHI a nivel mensual de todo el
territorio nacional. Analizando los datos del periodo enero 1998 a marzo del 2014, se constata
que en la región de los llanos como Pando y Beni (Cobija, Riberalta, San Ramón, Trinidad) y el
Este de Santa Cruz (San Ignacio de Velasco, Robore, San Matías), en la región del altiplano de
La Paz (Collana, Pucarani, Viacha, El Alto), en la región de valles de Tarija (Trancas, Sella
Quebrada, Tucumillas, San Andrés) y al Sur de Tarija (Bermejo y Emborozu), los datos
cuantificados por el satélite TRMM son bastante consistentes con respecto a los del SENAMHI
y realizando el análisis estadístico de estos se han hallado coeficientes de correlación ( R )
mayores a 0.9; correlaciones entre 0.7 y 0.8 se hallaron en la región de los Yungas (Irupana,
Circuata, Covendo, Caranavi, Incapampa), en el altiplano sur (Colcha K, Uyuni, San Pablo de
Lipez, San Antonio de Esmoruco); coeficientes inferiores a 0.7 se dieron en casos puntuales en
el altiplano (Cosapa, Ucumasi, San Agustín); en el resto de las regiones del territorio nacional,
las correlaciones están entre 0.8 y 0.9 con algunos casos aislados. En el periodo abril 2014 a
enero 2016 tienen similar comportamiento ambos satélites TRMM y GPM, siendo que en la
mayoría del territorio nacional las correlaciones están entre 0.8 a 0.9, por tanto, la información
satelital es de gran utilidad, pero se debe considerar las correcciones, necesarias de acuerdo a
las correlaciones estadísticas encontradas en cada región.
1
ABSTRACT
Environmental research for good land resources management requires good rainfall data.
Bolivia has a great variability in rainfall because its varied physiography. The national agency
of meteorology and hydrology SENAMHI, responsible for provide the data, has a low density
of meteorological stations, so data from TRMM and GPM satellites are crucial.
To be able to use these data, it is necessary to carry out its analysis and evaluation compared
with field data. The research considered monthly precipitation data from 183 meteorological
stations over all country. They were compared with TRMM satellite data for the period January
1998 to March 2014, and with TRMM and GPM data for the period April 2014 to January 2016.
In most cases results show good correlations and even very good correlations between satellites
data and field data, especially with airports data, and worst correlations with stations from dry
regions. Values of correlations are influenced most likely by record’s quality and rainfall
regimes.
Regression analysis for each station was performed and regional correlation patterns were
mapped.
PALABRAS CLAVE
Precipitaciones mensuales, Imágenes satelitales GPM, Imágenes satelitales TRMM,
Correlación, Precipitación en Superficie – Precipitaciones GPM, Precipitaciones TRMM.
1. INTRODUCCIÓN
La información de la precipitación es necesaria para realizar cualquier proyecto referente a
temas ambientales o recursos naturales, por lo cual dicha información tiene que tener una
variabilidad espacial y temporal consistente y de buena calidad, muchas veces no se puede tener,
dicha calidad de información debido a muchos factores, como ser naturales, económicos e
incluso políticos de un país.
La medición de la precipitación en superficie es bastante compleja en territorios como el nuestro,
debido a su fisiografía y accesibilidad; no existe la suficiente distribución de las estaciones
pluviometrías, por lo cual no se tiene información alguna de muchos lugares, por esta razón, la
variabilidad espacial de la precipitación posiblemente no está adecuadamente representada.
2
Para paliar esta realidad en territorios como el nuestro, actualmente existe información indirecta
a través de satélites la cual es de acceso libre.
En noviembre de 1997, la NASA Y JAXA, lanzaron el satélite TRMM (Tropical Rainfall
Measuring Mission) “Misión de Medición de Lluvias Tropicales”, que registra datos de
precipitación entre 35° Latitud Norte y 35° Latitud Sur; la resolución espacial es de 0,25°, y se
puede acceder a precipitaciones diarias y mensuales. En febrero del 2014 la NASA y JAXA
lanzaron el satélite GPM (Global Precipitation Measurement Core Observatory), “Observatorio
de Medición de la Precipitación Global” que registra datos entre los 60° Latitud Norte y 60°
Latitud Sur; la resolución espacial del satélite es de 0,1°, y se puede acceder a precipitaciones
diarias y mensuales.
1.1. Justificación
Bolivia es un país donde se encuentran todos los climas desde el tropical en los llanos, hasta el
polar en las altas cordilleras. Además de la variabilidad espacial de las condiciones
climatológicas, muchos lugares del país presentan climas irregulares a lo largo del año o
variaciones grandes e imprevisibles (Zrazhevskyi et al, 2010).
Es importante disponer de una buena información meteorológica, y dicha información es
suministrada por el SENAMHI; de acuerdo a información obtenida del SISMET (Sistema de
procesamiento de los datos meteorológicos del SENAMHI), existen alrededor de 500 Estaciones
Meteorológicas en funcionamiento a nivel nacional. De acuerdo a recomendaciones de la
Organización Meteorológica Mundial (OMM), en zonas montañosas debería existir un
pluviómetro cada 250 Km2 y en zonas de llanuras interiores, un pluviómetro cada 575 Km2.
Bajo estos parámetros y considerando la fisiografía del territorio nacional, la densidad de
estaciones meteorológicas está muy por debajo de las recomendaciones de la OMM; este
problema se presenta de similar manera en la mayoría de los países en vías de desarrollo.
Dada esta limitación de la información pluviométrica en el territorio nacional, la información
indirecta obtenida mediante los satélites TRMM y GPM sería de gran utilidad para
complementar dicha limitación. Sin embargo, para su uso se tiene que realizar un análisis y
evaluación de dicha información, con la información de superficie obtenida del SENAMHI,
realizando la comparación correspondiente para su correcta aplicación.
3
1.2. Objetivo general
 Formular propuestas de validación de los datos del TRMM y GPM a nivel regional para
su uso adecuado en los proyectos concernientes al recurso hídrico.
1.3. Objetivos específicos

 Analizar y determinar la homogeneidad de los datos de precipitación de las estaciones
meteorológicas.
 Comparar los datos de las precipitaciones de las estaciones del SENAMHI con los datos
del TRMM y GPM.
 Calcular los coeficientes de correlación y coeficientes de determinación mediante
Regresión Lineal entre los datos de las precipitaciones de las estaciones del SENAMHI
y los datos de las precipitaciones del TRMM y GPM.
 Evaluar las correlaciones existentes entre los datos de las precipitaciones de las
estaciones del SENAMHI con los del TRMM y GPM
 Establecer una regionalización de los coeficientes de correlación.
2. FORMULACIÓN DEL PROBLEMA

El requerimiento de información meteorológica es indispensable para realizar cualquier
proyecto referente a los recursos naturales, sin embargo, la baja densidad de estaciones
meteorológicas que tiene el SENAMHI (Servicio Nacional de Meteorología e Hidrología) y la
falta de continuidad en los registros, en muchas ocasiones, es una dificultad muy difícil de
subsanar. Actualmente la información satelital es un aporte grande por su libre acceso para
subsanar las dificultades señaladas, pero no se tiene la certeza de cuán fiable puede ser dicha
información con respecto a los datos de superficie, para lo cual se requiere cierto análisis y
evaluación.
2.1. Pregunta de investigación

¿Los datos de precipitación de los satélites TRMM y GPM son consistentes con respecto a los
datos de precipitación en superficie del SENAMHI, y cuáles son sus variaciones regionales?
4
3. MARCO TEÓRICO
En la actualidad, el uso de información satelital de precipitación es casi cotidiano por su acceso
libre y la amplia cobertura espacio – temporal.
En noviembre de 1997 la NASA y JAXA, lanzaron el satélite TRMM (Tropical Rainfall

Measuring Mission) “Misión de Medición de Lluvias Tropicales”, que registra datos de
precipitación entre 35° Latitud Norte y 35° Latitud Sur; la resolución espacial es de 0,5° (28 x
28 Km, área de 784 Km2), y se puede acceder a precipitaciones diarias y mensuales.
En febrero del 2014 la NASA y JAXA lanzaron el satélite GPM (Global Precipitation
Measurement Core Observatory), “Observatorio de Medición de la Precipitación Global” que
registra información entre los 60° Latitud Norte y 60° Latitud Sur, la resolución espacial del
satélite es 0,1°, que en Bolivia corresponde aproximadamente a unos 11 x 11 Km (área de 121
Km2). Se puede acceder a precipitaciones diarias y mensuales. Como se puede observar, el GPM
tiene mayor resolución espacial que el TRMM.
Muchas veces se utiliza dicha información satelital con la confianza de que todo está bien, sin
tener en cuenta que se trata de una información global, y dicha información no toma en cuenta
las particularidades intrínsecas de las regiones, por lo cual es necesario contrastar con la
información de superficie generada por las estaciones meteorológicas del SENAMHI.
Por otro lado no se puede olvidar que si vamos a utilizar como información base la del
SENAMHI, esta también tiene que estar sujeta a un análisis de consistencia, para la seguridad
del trabajo.
3.1. Homogeneidad de series climáticas.

Una serie climatológica se dice homogénea si sus variaciones son causadas por variaciones del
tiempo y clima (Conrad y Pollack 1962), o bien si es representativa del clima en los alrededores
del punto de observación. La ruptura de homogeneidad de una serie climática se puede deber a
varias razones, entre las cuales se pueden citar:
– Cambios de emplazamiento de la estación
5
– Cambios de sensores o de métodos de observación
– Cambios del entorno del observatorio (árboles, cambios del uso de la tierra, edificios,
crecimiento urbano)
Para verificar si una serie climática es homogénea o no, se utiliza métodos estadísticos como
son los tests de aleatoriedad, estos pueden ser: No Paramétricos o Paramétricos.
 Los tests no paramétricos tienen la ventaja de que su hipótesis nula es sencilla, y por
tanto más fácil de satisfacer
Todos los tests que se basan en los rangos de la serie son no paramétricos
 Los tests paramétricos incluyen en Ho (Hipótesis nula) especificaciones acerca de la ley

de distribución de la serie. Esto hace que haya que ser más cuidadoso al verificar su
cumplimiento en cada caso.
3.2. Test de Rachas.

El test de Rachas es un test No Paramétrico que consiste en analizar el número de secuencias o
grupos (a y b) de elementos consecutivos de la serie que están por encima o por debajo de la
mediana.
Si Xi >= que la Me = a
Si Xi < que la Me = b
Donde Xi es el valor anual de la serie y Me es la mediana de la serie
La distribución de frecuencias de (u) en caso de aleatoriedad es conocida para cada N y, en la

práctica, se tiene tabulados los umbrales de (u) que significan aleatoriedad con ciertos niveles
de probabilidad, como se muestra en el cuadro No 1 (Peinado, 1989).
Cuadro No 1
Test de Rachas Thom
Valores críticos. Nivel de confianza del 95%
N = número de datos 10 15 20 25 30 35 40 50 60 80 100 120 140
F(u) = 2,5% (número mínimo de rachas) 2 4 6 8 10 12 14 18 22 31 40 49 58
F(u) = 97,5% (número máximo de rachas) 6 10 15 18 21 24 27 33 39 50 61 72 83
Fuente: Lecciones de Climatología – Anselmo Peinado
6
3.3. Precipitación.
La precipitación es la cantidad de agua caída desde una nube o un conjunto de nubes, puede ser
en forma líquida como ser la llovizna, lluvia y chubasco, o en forma sólida como las nevadas y
granizos; se considera precipitación oculta o deposición al rocío y a la escarcha que se producen
en la superficie. En este caso se analizará solo la precipitación en forma líquida (Peinado, 1989).
La precipitación se clasifica según el proceso que la forma y según en la forma en que cae a la
superficie.
3.3.1. Precipitación según el proceso que la forma:

3.3.1.1. Precipitación convectiva
Es la que se produce por el ascenso del aire húmedo que se condensa al enfriarse, es típico de la
nubosidad convectiva que son los Cúmulos y los Cumulonimbus, las precipitaciones son
intensas y de corta duración como los chubascos, y granizos (Peinado, 1989), ver figura No 1.
3.3.1.2. Precipitación orográfica.

O llamado “efecto foehn” es la que se produce cuando el aire es forzado a elevarse y a enfriarse
debido a la presencia de una barrera natural como una montaña, la mayor precipitación cae a
barlovento de la montaña (Peinado, 1989), ver figura No 1.
3.3.1.3. Precipitación frontal

Se produce cuando las corrientes de aire convergen y se elevan, la actividad convectiva a lo
largo de un frente ocurre cuando las temperaturas de las masas de aire son diferentes, la
precipitación también resulta de la combinación de los procesos de enfriamiento que producen
condensación o sublimación, y de un proceso adicional que hace que las gotas de agua y los
cristales de hielo aumenten de tamaño y luego precipiten (Peinado, 1989), ver figura No 1.
Figura No 1
7
Fuente: Lecciones de Climatología – Anselmo Peinado
3.3.2. Precipitación según en la forma en que cae:
3.3.2.1. Llovizna.
Es la precipitación uniforme que cae en forma de gotitas de agua pequeñas que tienen un
diámetro inferior a 0.5 mm y su velocidad de caída es inferior a 3 m/s., este tipo de precipitación
cae en forma continua de nubes bajas del tipo estratiforme (Peinado, 1989).
3.3.2.2. Lluvia
Es la precipitación que cae en forma de gotas de agua que tiene un diámetro que está entre 0.5
a 3 mm y su velocidad de caída está entre 3 y 7 m/s, este tipo de precipitación es la más común
y proviene de nubes en las cuales, por lo menos en los niveles bajos, la temperatura es mayor a
0 ºC (Peinado, 1989).
3.3.2.3. Chubasco
Es la precipitación que cae en forma de gotas de agua bastante grandes, el diámetro de las gotas
es mayor a 3 mm y su velocidad de caída mayor a 7 m/s, esta precipitación se caracteriza por
ser intensa y de corta duración, generalmente está acompañada de truenos y relámpagos,
proviene de la nubosidad convectiva como Cúmulos y Cumulonimbus (Peinado, 1989).
3.3.2.4. La nieve, el granizo y el pedrisco

Son precipitaciones que caen en forma de hielo cristalizado y hielo traslúcido.
8
3.4. Densidad mínima recomendada de estaciones pluviométricas.
De acuerdo al Documentos OMM-No 168 de la Organización Meteorológica Mundial “Guía de

Prácticas Hidrológicas”, la densidad mínima de estaciones pluviométricas recomendada es
como se muestra en el cuadro No 2.
Cuadro No 2
Fuente: Documento No 168 de la Organización Meteorológica Mundial
3.5. Nubes
La Organización Meteorológica Mundial (OMM) define nube como un
hidrometeoro consistente en una suspensión en la atmósfera de partículas minúsculas de
agua líquida o de hielo, o de ambas a la vez, que en general no tocan el suelo; este conjunto
puede también contener partículas de agua líquida o de hielo de mayores dimensiones y
partículas no acuosas o partículas sólidas procedentes, por ejemplo, de gases industriales, de
humo o polvo.
3.5.1. Nimbostratus.
Capa de nubes gris, a menudo oscura, con un aspecto velado por la precipitación de lluvia o
nieve que cae más o menos continuadamente desde ella. El espesor de la nube es lo
suficientemente grande como para ocultar el Sol completamente (Rodríguez. Benito. Portela,
2004)
3.5.2. Cumulonimbus.
Nube amazacotada y densa, con un desarrollo vertical considerable, en forma de montaña o de
enormes torres. Parte, al menos de su cima, es normalmente lisa, fibrosa o estriada, y casi
siempre aplastada; esta parte se extiende a menudo en forma de un yunque o de un vasto
9
penacho. Por debajo de la base, muy oscura, aparecen nubes bajas desgarradas y precipitaciones
o chubascos (Rodríguez. Benito. Portela, 2004)
3.6. Satélites Meteorológicos

Los satélites meteorológicos proporcionan datos actualizados permanentemente, de las
condiciones meteorológicas que afectan a grandes áreas geográficas. Los servicios de predicción
meteorológica dependen del flujo constante de imágenes tomadas por estos satélites. Los
satélites meteorológicos se sitúan en dos tipos de órbitas: geoestacionarias y polares.
3.6.1. Satélites Meteorológicos geoestacionarios

Actualmente están operativos cinco satélites geoestacionarios idénticos dispuestos en órbita
geoestacionaria alrededor del Ecuador:
 GOES E (Este) y GOES W (Oeste) (EE.UU)
 GMS (Japón)
 GOMS (Rusia)
 INSAT (India)
 METEOSAT de la Agencia Espacial Europea (ESA)
Este grupo de satélites producen cada media hora imágenes actualizadas de toda la superficie
terrestre, exceptuando las regiones polares. Sus características comunes son:
 Alta resolución temporal: 30 minutos.
 Baja resolución espacial: 2.5 a 5 km/píxel
 Captan las bandas: visible, infrarrojo térmico y vapor de agua.
3.6.2. Satélites Meteorológicos de órbita polar

Existen varios satélites de órbita polar con misiones meteorológicas. Los más conocidos son los
de la serie NOAA.
La National Oceanographic and Atmospheric Administration (NOAA) puso en órbita el primero
de una serie de satélites NOAA en 1970, como continuación del programa TIROS iniciado en
1960. Estos satélites siguen órbitas polares a una altitud sobre la Tierra de entre 833 y 870 km.
Escanean todo el planeta en veinticuatro horas.
10
Los satélites NOAA más modernos, están equipados con radiómetros avanzados de resolución
muy elevada (AVHRR) que escanean en cinco canales. Gracias al escáner AVHRR se pueden
confeccionar mapas de la vegetación y de la formación de las nubes, así como medir la
temperatura y la humedad de la atmósfera y de la Tierra. NOAA tiene una resolución espacial
de 1 km, la cual resulta muy útil como sistema de cartografía de recursos naturales a gran escala,
para confeccionar mapas de la vegetación y de la temperatura superficial global y regional.
Los satélites NOAA operan por parejas para garantizar que los datos que captan de cualquier
región de la Tierra no tienen más de seis horas de desfase horario. Además del escáner AVHRR,
disponen de los sensores TOMS, SBUV/2 y ERBE. El sensor TOMS mide la concentración de
Ozono.
http://concurso.cnice.mec.es/cnice2006/material121/unidad3/sat_mete.htm
Existen satélites que no tienen orbitas polares ni geoestacionarias. En estos casos el recorrido
de la órbita ha sido modificado para satisfacer requerimientos específicos de la ciencia como es
el caso del TRMM. (Caicedo, F.M. 2013)
3.7. Satélite GPM.

El GPM vuela a 407 kilómetros (253 millas) por encima de la Tierra, en una órbita con
inclinación de 65 grados hacia el ecuador. Esta órbita permite que el satélite monitorice las
precipitaciones desde el Ártico hasta la Antártida. Trabaja conectado en red con otros satélites,
el GPM puede medir la lluvia y la nieve cada tres horas en cualquier lugar del mundo.
El GPM lleva dos instrumentos para medir la lluvia y la precipitación de nieve: un Radar de
Precipitaciones de Frecuencia Dual y el Generador de Imágenes por Microondas del GPM. El
radar de precipitaciones y el generador de imágenes por microondas del GPM pueden ver más
profundamente dentro de las nubes y detectar partículas más pequeñas de lluvia, hielo y nieve.
Asimismo, el radar forma perfiles de precipitación en 3D y revela el funcionamiento interno de
los sistemas de tormentas con nubes. Por su parte, el generador de imágenes por microondas no
solo mide lluvias intensas y moderadas, como lo hacen otros satélites, sino también lloviznas y
nevadas leves (que son dos formas de precipitación importantes en las cordilleras y en las zonas
11
de latitudes elevadas de América del Norte, Europa y Asia). http://ciencia.nasa.gov/ciencias-
especiales/26feb_gpm/. (Figura No 2)
3.8. Satélite TRMM.

La Misión de Medición de Lluvias Tropicales (TRMM), lanzado por la NASA y JAXA en 1997,
utiliza los instrumentos de microondas activos y pasivos para medir la precipitación en los
trópicos. El TRMM ha demostrado la importancia de tener observaciones de una órbita no
heliosincrónica en diferentes momentos del día, entre las observaciones por sensores en órbita
polar a horas fijas del día, para mejorar la monitorización en tiempo real de los huracanes y la
estimación precisa del tiempo -acumulación del volumen de lluvia.
https://pmm.nasa.gov/GPM. (Figura No 3)
Figura No 2 Figura No 3
Satélite GPM Satélite TRMM

Fuente: https://pmm.nasa.gov/waterfalls/science/trmm-gpm-missions
4. MATERIALES Y METODOLOGÍA
4.1. Descripción de la zona de estudio
El trabajo se ha realizado para toda Bolivia, ubicada en América del Sur entre las coordenadas
extremas, 9° 40’ 07” LS a 22°54’12” LS y 57°25’05” LW a 69°38’23” LW. Bolivia está dividida
en cuatro regiones climáticas: la región del Altiplano y la Cordillera de los Andes, la región de
los valles y yungas, la región de los llanos orientales y la región de las tierras bajas del Sur o
Chaco; cada región tiene un régimen pluviométrico que se diferencia del resto. En el altiplano
sur existen lugares donde la precipitación anual no alcanza los 200 mm, mientras en el sector
del Chapare, en el parte de los llanos, la precipitación anual supera los 4000 mm año.
12
13
4.2. Materiales y Métodos
En la metodología del presente trabajo se ha realizado el siguiente procedimiento:
Recopilación de datos de
precipitación de
estaciones del SENAMHI Exportar los datos de
Validación o
rechazo de las estaciones homogéneas
estaciones no a STATGRAFHICS para
Análisis de consistencia regresión lineal y
homogéneas
- tests de aleatoriedad correlación.
(Rachas) con SPSS
A
Generar series Exportar los datos

Recopilación de
climáticas de generados con ARCGIS
imágenes satelitales
precipitación de las a STATGRAFHICS para
TRMM y GPM de una
Regresión Lineal y
página WEB Imágenes con ARCGIS
10.3 para correlación.
Generación de Exportar los Mapeo de los

coeficientes de coeficientes de coeficientes de
A
correlación lineal correlación al correlación en
con STATGRAFHIS ARCGIS ARCGIS
Fuente: Elaboración propia
En el estudio se analizó y evaluó los datos de precipitación estimados por el algoritmo 3B43v7
del TRMM (Tropical Rainfall Measuring Mission) y los estimados por el algoritmo IMERG
v03 del GPM (Global Precipitation Measurement Core Observatory), comparándolos con los
datos en superficie de las estaciones meteorológicas del SENAMHI ubicadas a nivel nacional
en las diferentes macroregiones climáticas de Bolivia.
El análisis se realizó con series a nivel mensual, para el periodo Enero -1998 a Marzo-2014 para
el TRMM y las estaciones del SENAMHI y el periodo Abril -2014 a Enero -2016 para el
TRMM, GPM y estaciones del SENAMHI.
14
El análisis se realizó de forma puntual con los datos del SENAMHI y los datos estimados del
TRMM y GPM en los pixeles correspondientes a las ubicaciones de las estaciones.
Los datos de precipitación a nivel mensual de las estaciones del SENAMHI se descargaron del
SISMET y se validaron aplicando el Test de Rachas. Las imágenes, tanto del TRMM como del
GPM, se descargaron a nivel mensual y la intersección de los datos de precipitación del
SENAMHI y los del TRMM y GPM se realizó utilizando el software ARC GIS 10.3.
Posteriormente se efectuó el análisis y evaluación de los datos obtenidos mediante métodos
estadísticos, utilizando Softwares estadísticos como el SPSS y STATGRAPHICS, para hallar
los coeficientes de correlación y los coeficientes de determinación entre los datos de superficie
con los estimados por el TRMM y GPM y posterior mapeo de los mismos.
4.2.1. Distribución de las Estaciones Meteorológicas a nivel nacional.
De acuerdo a la Base de Datos SISMET del SENAMHI, actualmente en Bolivia existen 501
Estaciones Meteorológicas funcionando, pero en el sistema solo se encontraron datos de
precipitación de 277 estaciones, las cuales
Figura No 4
Elaboración propia; captura de pantalla del SISMET
fueron descargadas para su análisis y validación, aplicando el Test de “Rachas”. Es importante

aclarar que las precipitaciones en las estaciones meteorológicas del SENAMHI son registradas
por pluviómetros estandarizados a nivel nacional, de acuerdo a normas de la Organización
Meteorológica Mundial OMM.
15
4.2.2. Análisis de consistencia de los datos del SENAMHI
Una vez armadas las series de precipitaciones de las 277 estaciones, se ha verificado la
homogeneidad de las mismas utilizando el test de Rachas de Thom, para su aplicación o rechazo
en el trabajo, de la siguiente manera:
- De las 277 estaciones descargadas solo se aplicó el Test de Rachas a 227 series, el resto
de las series tenían menos de 10 años completos; es decir que no se tomaron 50
estaciones.
- De las 227 estaciones analizadas con el software estadístico SPSS; 29 estaciones
resultaron como “no homogéneas”, las cuales fueron rechazadas para el trabajo; los
resultados del test se muestran en Anexos.
- 15 estaciones no se han tomado en cuenta, porque en el periodo 01/1998 a 03/2014, la
serie tenía menos de 10 años
- Después del análisis de consistencia, quedaron para el trabajo 183 estaciones, como se
muestra en el cuadro No 3 y mapa No 2
Estaciones meteorológicas seleccionadas

Cuadro No 3
No Código Estación Departamento Provincia Latitud Longitud Altitud
1 E101 Achiri La Paz Pacajes 17° 12' 42 68° 59' 58 3880
2 E102 Achocalla La Paz Murillo 16° 34' 52 68° 09' 39 3764
3 E103 Achumani La Paz Murillo 16° 31' 52 68° 04' 14 3384
4 E104 Alto Achachicala La Paz Murillo 16° 20' 50 68° 05' 05 4383
5 E105 Alto Obrajes-B. Magisterio La Paz Murillo 16° 31' 22 68° 06' 03 3480
6 E106 Ancoraimes La Paz Omasuyos 15° 53' 54 68° 54' 15 3882
7 E107 Berenguela La Paz Pacajes 17° 17' 20 69° 12' 51 4145
8 E108 Calacoto - C SAT La Paz Pacajes 17° 16' 50 68° 38' 08 3830
9 E109 Camata La Paz Muñecas 15° 14' 54 68° 44' 42 2250
10 E110 Carabuco La Paz Camacho 15° 45' 32 69° 03' 57 3823
11 E111 Caranavi - C SAT La Paz Caranavi 15° 50' 05 67° 34' 25 600
12 E112 Catacora La Paz Gral. Jose Manuel Pando 17° 09' 31 69° 29' 11 4253
13 E114 Chirapaca La Paz Los Andes 16° 17' 58 68° 29' 53 3889
14 E116 Chuquiaguillo La Paz Murillo 16° 26' 59 68° 05' 33 4024
15 E118 Circuata La Paz Inquisivi 16° 38' 14 67° 15' 08 2012
16 E119 Collana La Paz Aroma 16° 54' 13 68° 17' 00 3911
17 E121 Copacabana La Paz Manco Kapac 16° 10' 09 69° 05' 19 3870
18 E123 Covendo La Paz Sud Yungas 15° 49' 48 66° 56' 59 500
19 E125 El Alto - Aeropuerto La Paz Murillo 16° 30' 37 68° 11' 55 4034
20 E126 El Belen La Paz Omasuyos 16° 00' 59 68° 41' 52 3833
21 E127 El Tejar - La Paz La Paz Murillo 16° 29' 46 68° 09' 21 3820
22 E128 Hichucota La Paz Los Andes 16° 10' 36 68° 22' 52 4460
23 E130 Huayrocondo La Paz Los Andes 16° 20' 35 68° 29' 49 3875
24 E131 Incapampa La Paz Nor Yungas 16° 13' 32 67° 43' 41 1586
16
25 E132 Irupana - C SAT La Paz Sud Yungas 16° 28' 23 67° 27' 10 1946
26 E135 La Asunta - C GPRS La Paz Sud Yungas 16° 07' 36 67° 11' 48 756
27 E136 Laycacota - C A SAT La Paz Murillo 16° 30' 16 68° 07' 23 3635
28 E137 Luribay - C SAT La Paz Loayza 17° 03' 41 67° 39' 43 2564
29 E138 Mecapaca La Paz Murillo 16° 40' 16 68° 01' 06 2680
30 E139 Palca - C A La Paz Murillo 16° 33' 38 67° 57' 05 3478
31 E140 Pasankeri La Paz Murillo 16° 31' 21 68° 08' 38 3935
32 E141 Patacamaya La Paz Aroma 17° 14' 19 67° 55' 23 3793
33 E142 Pinaya La Paz Murillo 16° 38' 18 67° 51' 30 3870
34 E143 Pucarani La Paz Los Andes 16° 23' 46 68° 28' 29 3854
35 E144 Puerto Acosta La Paz Camacho 15° 31' 36 69° 15' 11 3863
36 E145 Quiabaya La Paz Larecaja 15° 35' 00 68° 46' 00 1829
37 E146 Salla La Paz Aroma 17° 11' 25 67° 37' 15 3500
38 E147 San Calixto La Paz Murillo 16° 29' 43 68° 07' 57 3658
39 E149 San Juan Huancollo La Paz Ingavi 16° 35' 08 68° 58' 00 3829
40 E150 Santa Rita de Bs. As. La Paz Caranavi 15° 41' 32 67° 41' 27 550
41 E151 Santiago de Huata La Paz Omasuyos 16° 03' 04 68° 48' 37 3845
42 E152 Santiago de Machaca La Paz Gral. Jose Manuel Pando 17° 04' 00 69° 11' 58 3883
43 E154 Sorata - C SAT La Paz Larecaja 15° 46' 00 68° 39' 06 2647
44 E158 Viacha La Paz Ingavi 16° 39' 30 68° 16' 55 3850
45 E159 Villa Copacabana La Paz Murillo 16° 28' 58 68° 06' 50 3680
46 E160 Villa Puni La Paz Camacho 15° 39' 59 69° 10' 02 3835
47 E161 Vino Tinto La Paz Murillo 16° 28' 51 68° 08' 21 3865
48 E203 Cabaña Forestal Oruro - C A Oruro Cercado 17° 58' 19 67° 04' 48 3706
49 E204 Chillca Oruro Cercado 17° 50' 13 66° 48' 50 4025
50 E206 Cosapa Oruro Sajama 18° 10' 40 68° 42' 23 3917
51 E209 Huayllamarca Oruro Nor Carangas 17° 50' 08 67° 56' 23 3852
52 E210 Oruro - Aeropuerto Oruro Cercado 17° 57' 10 67° 04' 47 3701
53 E213 Ucumasi Oruro Ladislao Cabrera 19° 07' 50 67° 25' 29 3763
54 E303 Caiza D Potosí Jose Maria Linares 20° 00' 27 65° 39' 20 3114
55 E304 Casin Potosí Cornelio Saavedra 19° 22' 50 65° 12' 46 2931
56 E305 Chaqui Potosí Cornelio Saavedra 19° 36' 50 65° 36' 15 3437
57 E306 Chaquilla Potosí Antonio Quijarro 19° 51' 25 66° 08' 00 3599
58 E307 Chinoli Potosí Jose Maria Linares 19° 38' 53 65° 21' 40 3296
59 E310 Colcha K Potosí Nor Lipez 20° 44' 12 67° 39' 30 3780
60 E311 Cotagaita - Mosojllajta -C SAT Potosí Nor Chichas 20° 49' 20 65° 38' 49 2640
61 E314 Llallagua - C SAT Potosí Rafael Bustillo 18° 25' 30 66° 33' 37 3805
62 E315 Mojo Potosí Modesto Omiste 21° 49' 45 65° 33' 02 3422
63 E319 Oronkota Potosí Jose Maria Linares 19° 31' 59 64° 52' 59 2043
64 E320 Palca Higueras Potosí Nor Chichas 20° 41' 31 65° 26' 08 2440
65 E322 Potosi - Aeropuerto Potosí Tomas Frias 19° 32' 37 65° 43' 10 3917
66 E323 Potosi - Los Pinos Potosí Tomas Frias 19° 33' 47 65° 45' 38 3950
67 E324 Puna Potosí Jose Maria Linares 19° 47' 50 65° 30' 12 3291
68 E326 Ravelo Potosí Chayanta 18° 48' 17 65° 30' 43 3200
69 E327 Sacaca Potosí Alonzo de Ibañez 18° 04' 00 66° 23' 00 3722
70 E329 Samasa Potosí Tomas Frias 19° 29' 53 65° 37' 28 3650
71 E330 San Agustin - C SAT Potosí Enrique Baldivieso 21° 08' 52 67° 40' 32 3675
72 E331 San Antonio de Esmoruco Potosí Sud Lipez 21° 57' 06 66° 31' 10 3701
73 E333 San Pablo de Lipez - C SAT Potosí Sud Lipez 21° 40' 59 66° 36' 50 4256
74 E335 Talina Potosí Sud Chichas 21° 45' 08 65° 49' 31 3093
75 E338 Tinguipaya Potosí Tomas Frias 19° 14' 21 65° 49' 42 3706
76 E341 Tupiza Potosí Sud Chichas 21° 26' 18 65° 42' 55 2923
77 E342 Uyuni Potosí Antonio Quijarro 20° 28' 20 66° 49' 53 3680
17
78 E343 Villazon - SAT Potosí Modesto Omiste 22° 04' 00 65° 35' 00 3387
79 E344 Vitichi Potosí Nor Chichas 20° 12' 56 65° 29' 35 3012
80 E345 Yocalla Potosí Tomas Frias 19° 23' 20 65° 54' 37 3426
81 E401 Aiquile - SAT Cochabamba Campero 18° 12' 12 65° 10' 41 2255
82 E403 Anzaldo Cochabamba Esteban Arce 17° 47' 01 65° 55' 58 3032
83 E404 Arani Cochabamba Arani 17° 34' 25 65° 45' 16 2767
84 E407 Capinota - C SAT Cochabamba Capinota 17° 42' 36 66° 15' 55 2406
85 E409 Chipiriri - C SAT Cochabamba Chapare 16° 52' 24 65° 28' 58 260
86 E410 Chocolatal Cochabamba Chapare 17° 03' 52 65° 39' 20 755
87 E411 Cochabamba - Aerop. Cochabamba Cercado 17° 24' 58 66° 10' 28 2548
88 E412 Colomi Cochabamba Chapare 17° 20' 10 65° 52' 15 3309
89 E413 Cristal Mayu Cochabamba Chapare 17° 00' 27 65° 38' 37 516
90 E414 La Jota - C A Cochabamba Carrasco 16° 59' 42 65° 10' 17 254
91 E415 La Tamborada - A C Cochabamba Cercado 17° 26' 55 66° 08' 08 2597
92 E416 La Violeta - C SAT Cochabamba Quillacollo 17° 20' 50 66° 13' 54 2614
93 E417 Misicuni Cochabamba Quillacollo 17° 05' 24 66° 19' 38 3793
94 E420 Pairumani Cochabamba Quillacollo 17° 21' 58 66° 19' 07 2600
95 E422 Parotani Cochabamba Quillacollo 17° 33' 58 66° 20' 37 2493
96 E425 San Benito SENAMHI - GPRS Cochabamba Punata 17° 31' 35 65° 54' 14 2712
97 E426 San Jacinto Barro Negro Cochabamba Chapare 17° 08' 31 65° 42' 31 1321
98 E427 Santivañez Cochabamba Capinota 17° 33' 53 66° 14' 57 2548
99 E501 Azurduy - SAT Chuquisaca Azurduy 20° 06' 02 64° 24' 36 2530
100 E502 Cachimayu Chuquisaca Oropeza 19° 08' 00 65° 16' 00 2400
101 E503 Chuqui Chuqui Chuquisaca Oropeza 18° 49' 52 65° 07' 21 1792
102 E504 Culpina - C A Chuquisaca Sud Cinti 20° 49' 06 64° 56' 52 2970
103 E505 El Reloj Chuquisaca Oropeza 19° 02' 17 65° 14' 35 2840
104 E506 El Villar Chuquisaca Tomina 19° 37' 52 64° 18' 25 2080
105 E507 Huacareta - La Galería Chuquisaca Hernando Siles 20° 21' 49 64° 00' 08 1116
106 E509 La Barranca Universidad Chuquisaca Oropeza 18° 59' 02 65° 18' 10 2964
107 E511 Monteagudo_El Bañado- A. Chuquisaca Hernando Siles 19° 49' 16 63° 57' 47 1117
108 E513 Nuevo Mundo Chuquisaca B. Boeto 18° 59' 46 64° 17' 34 2220
109 E514 Ñacamiri - Iguembecito Chuquisaca Hernando Siles 20° 43' 42 64° 01' 39 860
110 E515 Ñucchu - A Chuquisaca Oropeza 19° 12' 17 65° 16' 32 2398
111 E517 Padilla - C SAT Chuquisaca Tomina 19° 18' 08 64° 18' 08 2102
112 E518 Puente Sucre Chuquisaca Oropeza 19° 21' 12 65° 10' 38 2239
113 E520 Redencion Pampa Chuquisaca Zudañez 18° 49' 40 64° 37' 34 2465
114 E521 Rosario del Ingre Chuquisaca Hernando Siles 20° 34' 51 63° 53' 41 912
115 E522 San Lucas Chuquisaca Nor Cinti 20° 06' 09 65° 08' 00 3047
116 E524 Sopachuy Chuquisaca Tomina 19° 29' 10 64° 28' 28 2098
117 E525 Sucre - Aeropuerto Chuquisaca Oropeza 19° 00' 59 65° 17' 38 2907
118 E526 Talula - Tako Tako Chuquisaca Oropeza 19° 06' 36 65° 24' 19 2859
119 E527 Tarabuco - SAT Chuquisaca Yamparaez 19° 10' 50 64° 54' 48 3284
120 E529 Urriolagoitia Chuquisaca B. Boeto 19° 10' 11 64° 15' 51 1980
121 E530 Villa Abecia Chuquisaca Sud Cinti 20° 58' 50 65° 13' 52 2280
122 E531 Villa Alcalá - GPRS Chuquisaca Tomina 19° 21' 51 64° 23' 01 2073
123 E532 Villa Serrano Chuquisaca B. Boeto 19° 07' 06 64° 19' 21 2108
124 E533 Viña Quemada - SAT Chuquisaca Zudañez 19° 24' 30 64° 51' 10 2030
125 E534 Yamparaez Chuquisaca Yamparaez 19° 11' 32 65° 07' 14 3100
126 E601 Aguaraycito Tarija Gran Chaco 21° 23' 24 63° 24' 44 396
127 E602 Algarrobillas Tarija Gran Chaco 21° 51' 20 63° 17' 38 468
128 E605 Bermejo - Aeropuerto Tarija Aniceto Arce 22° 46' 15 64° 18' 42 385
129 E606 Campanario Tarija Méndez 21° 30' 45 64° 58' 32 3460
130 E609 Ce.Na.Vit. - A Tarija Aviles 21° 43' 31 64° 39' 29 1730
18
131 E610 Coimata Tarija Méndez 21° 29' 57 64° 47' 20 2027
132 E615 Emborozu Tarija Aniceto Arce 22° 16' 01 64° 33' 16 881
133 E616 Entre Rios - C SAT Tarija O'Connor 21° 30' 11 64° 10' 14 1260
134 E618 Itau Tarija Gran Chaco 21° 42' 15 63° 52' 07 970
135 E622 La Merced Tarija Aniceto Arce 22° 01' 29 64° 40' 36 1509
136 E624 Narvaez Tarija O'Connor 21° 24' 29 64° 16' 46 1723
137 E626 Palmar Grande Tarija Gran Chaco 21° 31' 53 63° 26' 31 464
138 E628 Palos Blancos Tarija O'Connor 21° 24' 54 63° 46' 53 763
139 E634 San Andres Tarija Cercado 21° 37' 24 64° 48' 54 1987
140 E635 San Jacinto Sud Tarija Cercado 21° 36' 37 64° 43' 12 1820
141 E638 Saykan Perulas Tarija O'Connor 21° 42' 57 64° 05' 44 1356
142 E639 Sella Quebradas Tarija Méndez 21° 23' 11 64° 40' 52 2145
143 E640 Tarija - Aeropuerto Tarija Cercado 21° 32' 48 64° 42' 39 1849
144 E644 Tomayapo Pueblo Tarija Méndez 21° 16' 06 65° 02' 42 2734
145 E645 Trancas Tarija Méndez 21° 18' 29 64° 48' 57 2198
146 E646 Tucumillas Tarija Méndez 21° 27' 40 64° 49' 52 2557
147 E647 Turumayo Tarija Cercado 21° 33' 24 64° 46' 42 1978
148 E648 Villa Montes - Aerop. Tarija Gran Chaco 21° 15' 17 63° 24' 27 403
149 E650 Yesera Norte Tarija Cercado 21° 22' 20 64° 33' 03 2267
150 E703 Boyuibe Santa Cruz Cordillera 20° 26' 09 63° 16' 38 810
151 E704 Buena Vista Santa Cruz Ichilo 17° 27' 34 63° 39' 38 389
152 E705 Camiri - Aeropuerto Santa Cruz Cordillera 20° 00' 24 63° 31' 33 794
153 E706 Comarapa Santa Cruz Manuel Maria Caballero 17° 54' 49 64° 31' 47 1824
154 E707 Concepción - Aeropuerto Santa Cruz Ñuflo de Chavez 16° 08' 18 62° 01' 39 504
155 E708 El Quiñe Santa Cruz Manuel Maria Caballero 18° 05' 00 64° 21' 00 1930
156 E709 El Trompillo - Aeropuerto Santa Cruz Andrés Ibañez 17° 48' 18 63° 10' 41 424
157 E710 Florida Santa Cruz Cordillera 18° 33' 56 63° 22' 45 577
158 E712 Mataral Santa Cruz Florida 18° 07' 00 64° 13' 00 1400
159 E713 Montero Santa Cruz Obispo Santistevan 17° 20' 36 63° 15' 20 300
160 E714 Okinawa 1 Santa Cruz Warnes 17° 13' 00 62° 53' 00 252
161 E715 Puerto Suarez - Aerop. Santa Cruz German Busch 18° 58' 44 57° 49' 09 133
162 E716 Robore - Aeropuerto Santa Cruz Chiquitos 18° 19' 47 59° 45' 48 266
163 E718 San Ignacio de Velasco - Aerop Santa Cruz Velasco 16° 22' 54 60° 57' 43 415
164 E720 San Jose de Chiquitos – A. Santa Cruz Chiquitos 17° 49' 56 60° 44' 39 285
165 E721 San Juan de Potrero Santa Cruz Manuel Maria Caballero 17° 57' 47 64° 17' 21 1553
166 E722 San Julian Santa Cruz Ñuflo de Chavez 16° 54' 37 62° 37' 33 249
167 E723 San Matias - Aeropuerto Santa Cruz Angel Sandoval 16° 19' 54 58° 23' 57 127
168 E724 San Pedro - STC Santa Cruz Florida 16° 49' 00 63° 29' 00 450
169 E725 Santa Cruz - C SAT Santa Cruz Andrés Ibañez 17° 47' 00 63° 10' 00 410
170 E726 Valle Grande - Aeropuerto Santa Cruz Vallegrande 18° 28' 55 64° 06' 29 2001
171 E727 Viru Viru - Aeropuerto Santa Cruz Warnes 17° 38' 55 63° 08' 20 378
172 E801 Baures - Aeropuerto Beni Iténez 13° 34' 59 63° 34' 59 144
173 E803 Magdalena - Aeropuerto Beni Iténez 13° 15' 40 64° 03' 35 141
174 E804 Reyes - Aeropuerto Beni Gral. J. Ballivian 14° 18' 15 67° 21' 12 938
175 E805 Riberalta - Aeropuerto Beni Vaca Diez 11° 00' 24 66° 04' 34 141
176 E807 San Borja - Aeropuerto Beni Gral. J. Ballivian 14° 51' 30 66° 44' 19 194
177 E808 San Ignacio de Moxos – A. Beni Moxos 14° 48' 07 65° 37' 56 160
178 E809 San Joaquin - Aeropuerto Beni Mamore 13° 02' 50 64° 39' 57 139
179 E810 San Ramon - Aeropuerto Beni Mamore 13° 15' 52 64° 36' 20 139
180 Santa Ana de Yacuma -
E811 Beni Yacuma 13° 45' 42 65° 26' 04 144
Aeropuerto
181 E812 Santa Rosa - Aeropuerto Beni Gral. J. Ballivian 14° 03' 58 66° 47' 12 280
182 E813 Trinidad - Aeropuerto Beni Cercado 14° 49' 24 64° 54' 59 156
183 E901 Cobija - Aeropuerto Pando Nicolas Suarez 11° 02' 23 68° 46' 49 233
19
20
4.2.3. Imágenes satelitales TRMM e imágenes satelitales GPM
Se descargó las imágenes TRMM_3B43 v7 de enero de 1998 a enero de 2016 y las imágenes
del GPM_3IMERGM V03 de abril de 2014 a enero de 2016 de la página web siguiente:
http://giovanni.sci.gsfc.nasa.gov/giovanni/, como se muestra en la figura No 5
Figura No 5
Elaboración propia, captura de pantalla de la página de descarga de las imágenes
La imágenes tanto TRMM como GPM fueron descargadas a nivel mensual del periodo citado
en el formato NetCDF las cuales tienen información espacial a nivel de pixel. Las imágenes
satelitales del TRMM y GPM fueron importadas al software ARCGIS 10.3, para ser procesadas
y obtener las precipitaciones en los puntos de intersección con las coordenadas de las 183
estaciones meteorológicas del SENAMHI, tal como se muestra la figura No 6.
Figura No 6
Fuente: elaboración propia, captura de pantalla del proceso para enero del 2014 del GPM
21
Este proceso se realizó para todos los meses, para generar una serie de precipitaciones de enero
de 1998 a marzo del 2014 del TRMM y otras series de abril del 2014 a enero de 2016 tanto para
el TRMM como el GPM.
4.2.4 Series de precipitación de estaciones del SENAMHI, TRMM Y GPM

Las series de precipitación para ser procesadas en STATGRAPHICS, fueron organizadas a nivel
mensual en Excel, con el formato del cuadro No 4.
Serie de precipitaciones mensuales periodo abril-2014 a enero -2016
Cuadro No 4
mes G804 T804 E804 G805 T805 E805 G901 T901 E901
abr-14 90.7 94.5 120.8 203.0 208.9 197.1 125.4 155.8 100.5
may-14 156.2 130.7 136.4 207.9 193.4 223.2 100.9 120.4 82.8
jun-14 115.4 101.1 81.9 6.3 8.8 5.9 28 24.6 28.8
jul-14 108.2 54.4 59.4 37.1 20.5 39.4 9.3 11.3 6.9
ago-14 38.9 41.5 34.7 37.7 70.9 70.1 160.2 54.3 50.8
sep-14 43.9 41.9 8.6 138.4 102.3 38.5 109.3 134.6 94.2
oct-14 128.7 123.4 101.4 147.1 116.9 137.0 127.6 140.8 148.2
nov-14 149.6 150.2 102.1 95.8 117.9 126.8 212.4 269.7 194.5
dic-14 140.5 110.4 148.7 212.3 194.5 225.1 152.3 232.4 192.3
ene-15 542.7 543.1 497.6 423.9 401.5 388.4 349.8 372.8 349.7
feb-15 372.4 345.0 318.3 205.1 171.7 241.9 252.6 312.3 272.7
mar-15 95.4 102.7 71.4 220.6 277.2 289.0 178.8 211.1 195.9
abr-15 126.0 118.9 220.3 152.9 149.9 150.3 217.8 211 210.3
may-15 389.3 396.6 342.3 141.9 111.9 89.9 195.1 170.9 192.8
jun-15 103.6 137.6 51.8 23.4 29.5 32.5 24.6 28.5 41.5
jul-15 176.3 140.4 157.9 8.1 17.5 12.6 88 38.1 13.1
ago-15 53.4 70.4 27.5 22.2 25.8 11.5 74.6 144.5 37.3
sep-15 33.7 24.8 54.3 32.6 25.0 118.7 35 37.3 16.8
oct-15 73.2 76.9 41.7 68.9 64.3 72.3 95.9 106.2 75
nov-15 215.5 227.6 173.1 225.6 181.7 157.8 209.5 198.5 110.1
dic-15 91.5 74.6 83.2 115.5 141.1 122.9 164.2 256.8 133.4
ene-16 157.2 131.2 90.7 195.3 196.2 312.2 308.1 251.6 287.8
Fuente: elaboración propia con datos del SENAMHI, TRMM Y GPM
Donde G804 se refiere a la precipitación mensual del satélite GPM algoritmo IMERGM v03
para la estación Reyes-Aeropuerto; de similar manera el T804 se refiere a la precipitación
mensual del satélite TRMM algoritmo 3B43 v7, para la estación Reyes-Aeropuerto y el E804
se refiere a la precipitación mensual de superficie obtenida del SENAMHI para la estación de
22
Reyes-Aeropuerto; los códigos G805. T805 y E805 corresponde a la estación de Riberalta y los
códigos G901, T901 y E901 pertenecen a la estación de Cobija. Para el periodo enero-1998 a
marzo del 2014, para datos del TRMM y SENAMHI, se utilizó el mismo formato.
4.2.5. Medidas para evaluación.

El análisis y evaluación se realizó a nivel mensual entre los datos puntuales de las estaciones y
valor del pixel correspondiente de las imágenes. La metodología adoptada para el cálculo de
regresión lineal y el coeficiente de correlación de Pearson consideró los trabajos de Caicedo,
2008; Sepulcri, et al 2009; Lavado, et al 2009; Hobouchian, et al 2012; Lujano, et al., 2015;
Brito, 2015; Cabrera, 2016.
4.2.6 Regresión Lineal

La regresión lineal o ajuste lineal es un modelo matemático usado para aproximar la relación de
dependencia entre una variable dependiente Y, la variable independiente X. Este modelo puede
ser expresado como:
Y = a + bX
donde:
Y : variable dependiente o explicada (en este caso, precipitación de pluviómetros).

X : variable independiente o explicativa (en este caso, precipitación de satélites)
a y b: parámetros que miden la influencia que la variable independiente tiene sobre la
dependiente.
4.2.7. Coeficiente de Correlación (R) de Pearson.
El coeficiente de correlación de Pearson fue utilizado como medida de la relación lineal entre
los datos de las precipitaciones de los pluviómetros y los del TRMM y GPM; el valor del
coeficiente varía entre -1 a 1; donde el valor de R = -1 quiere decir que existe dependencia
perfecta en las dos variables pero inversa; si el coeficiente fuera R = 0, no existe una relación
lineal y si R = 1 existe una relación lineal perfecta directa entre las dos variables.
23
4.2.8. Coeficiente de Determinación (R2).
El Coeficiente de Determinación, es el cuadrado del coeficiente de correlación de Pearson, y da

la proporción de variación de la variable Y que es explicada por la variable X (variable
predictora o explicativa). Si la proporción es igual a 0, significa que la variable predictora tiene
NULA capacidad predictiva de la variable a predecir (Y). Cuanto mayor sea la proporción,
mejor será la predicción. Si llegara a ser igual a 1 la variable predictora explicaría TODA la
variación de Y, y las predicciones NO tendrían error.
4.2.9. Evaluación mensual de datos de precipitaciones de pluviómetros y satélites GPM y

TRMM.
Se ha efectuado las gráficas correspondientes en Excel a nivel mensual de los datos de los
pluviómetros y los del GPM y TRMM, para poder ver en forma visual su comportamiento.
Las gráficas se han realizado para dos periodos:
Periodo enero 1998 a marzo 2014 para datos del TRMM y de los pluviómetros del SENAMHI
y el periodo abril 2014 a enero de 2016 para el GPM, TRMM y los pluviómetros del SENAMHI.
4.2.10 Mapeo de los coeficientes de correlación.

El mapeo de los coeficientes de correlación se realizó con el programa ARCGIS 10.3 mediante
el método de interpolación IDW. “Distancia Inversa Ponderada”, este método de interpolación
presupone que la variable que se representa cartográficamente disminuye su influencia a mayor
distancia desde su ubicación de muestra y es uno de los métodos más simples. El mapeo
realizado es para encontrar patrones de valores regionales, que puedan explicar de mejor manera
dichas correlaciones, como se ve en la figura No 7.
24
Figura No 7
Fuente: Elaboración Propia – captura de pantalla del ARC GIS 10.3
Para el mapeo de las correlaciones se ha utilizado la escala de valores del coeficiente de

correlación de Pearson como se muestra en el cuadro No 5:
Cuadro No 5
No Correlación Intervalo valor de R
1 Muy Alta > 0.9
2 Alta 0.8001 - 0.9
3 Moderada 0.7001 - 0.8
4 Baja < a 0.7
Fuente: Elaboración propia
5. RESULTADOS
5.1. Evaluación de los datos de precipitación del TRMM, GPM y estaciones del SENAMHI,
y análisis estadístico.
La evaluación se realizó mediante gráficos procesados en Excel y, para poder tener factores de
corrección de los datos de precipitación de los satélites con respecto a los de superficie, se ha
utilizado el software STATGRAPHICS con el cual se efectuó el cálculo de regresión lineal entre
las precipitaciones puntuales de las estaciones del SENAMHI y las precipitaciones extraídas de
25
las imágenes TRMM y GPM, así como su coeficiente de correlación de Pearson, tal como se
muestra en los gráficos y cuadros siguientes.
A continuación para el análisis se muestran los gráficos y la regresión lineal de una estación
representativa de cada región, el resto se los puede ver en anexos
5.1.1. Periodo enero 1998 a marzo 2014
5.1.1.1 Región de los llanos

Gráfico No 1
Precipitaciones mensuales de Riberalta - Beni
600
500
precipitación en (mm)
400
300
200
100
0
abr-00
abr-03
abr-06
abr-09
abr-12
jul-99
jul-02
jul-05
jul-08
jul-11
oct-98
oct-01
oct-04
oct-07
oct-10
oct-13
ene-98
ene-01
ene-04
ene-07
ene-10
ene-13
T805 E805
Fuente: Elaboración propia con los datos del TRMM y SENAMHI
Riberalta se encuentra en la región de los llanos, donde se puede observar que los datos del
TRMM y los del SENAMHI son bastante consistentes, sin muchas diferencias entre ellos, la
mayor diferencia se presenta el mes de diciembre del 2008, donde la precipitación del TRMM
supera en más de 100 mm a la de superficie. En esta región las precipitaciones convectivas,
orográficas y frontales son de gran volumen y abarcan áreas grandes, por lo cual, el satélite
TRMM estima bastante bien las precipitaciones con su resolución espacial. La ecuación y el
gráfico del modelo ajustado por regresión lineal se muestran en el cuadro No 6 y gráfico No 2.
26
Regresión Lineal E805 vs. T805 (Riberalta)
Variable dependiente: E805 (datos del SENAMHI)
Variable independiente: T805 (datos del TRMM)
Lineal: Y = a + b*X
Coeficientes
Cuadro No 6 Gráfico No 2
Mínimos Cuadrados Estándar Estadístico
Parámetro Estimado Error T Valor-P Gráfico del Modelo Ajustado
Intercepto -0.176401 4.52336 -0.0389978 0.9689 E805 = -0.176401 + 1.02203*T805
Pendiente 1.02203 0.0249568 40.9518 0.0000
Coeficiente de Correlación = 0.946992 500
R-cuadrada = 89.6794 porciento
R-cuadrado (ajustado para g.l.) = 89.626 porciento
Error estándar del estimado = 38.514 400
Error absoluto medio = 23.6178
Estadístico Durbin-Watson = 1.83063 (P=0.1190)
Autocorrelación de residuos en retraso 1 = 0.0789787 300
E805
La salida muestra los resultados de ajustar un modelo lineal para describir la relación
entre E805 y T805. La ecuación del modelo ajustado es 200
E805 = -0.176401 + 1.02203*T805
El estadístico R-Cuadrado indica que el modelo ajustado explica 89.6794% de la
variabilidad en E805. El coeficiente de correlación es igual a 0.946992, indicando 100
una relación relativamente fuerte entre las variables
0
0 100 200 300 400 500
Fuente: Datos generados por el STATGRAPHIS con los datos del TRMM y SENAMHI T805
5.1.1.2 Región de los valles y yungas

Grafico No 3
Precipitaciones mensuales de Caranavi - La Paz
600
Precipitación (mm)
500
400
300
200
100
0
abr-00
oct-01
abr-03
abr-06
abr-09
jul-11
abr-12
jul-99
jul-02
jul-05
jul-08
oct-98
oct-04
oct-07
oct-10
oct-13
ene-98
ene-01
ene-04
ene-07
ene-10
ene-13
T111 E111
En el caso de Caranavi, las precipitaciones estimadas por el TRMM, en general tienen un

comportamiento similar a las de superficie, sin embargo en ciertos casos existe sobrestimación,
siendo más importante la de enero 2014 con más de 100 mm, y la subestimación más notoria
la de enero 2006 con menos de 150 mm respecto a la precipitación de superficie. La ecuación y
el gráfico del modelo ajustado por regresión lineal se muestran en el cuadro No 7 y gráfico No
3.
27
Regresión Lineal E111 vs. T111 (Caranavi)
Lineal: Y = a + b*X
Coeficientes
Intercepto 2.58859 6.7357 0.384309 0.7012 E111 = 2.58859 + 0.788537*T111
Pendiente 0.788537 0.0441764 17.8497 0.0000
400
Error estándar del estimado. = 51.7521
Estadístico Durbin-Watson = 1.60165 (P=0.0027) 300
E111
Autocorrelación de residuos en retraso 1 = 0.19436
200
La salida muestra los resultados de ajustar un modelo lineal para
describir la relación entre E111 y T111. La ecuación del modelo
ajustado es: 100
E111 = 2.58859 + 0.788537*T111
El estadístico R-Cuadrado indica que el modelo ajustado explica
0
62.6435% de la variabilidad en E111. El coeficiente de correlación
0 100 200 300 400
es igual a 0.791477, indicando una relación. moderadamente fuerte T111
entre las variables
Fuente: Datos generados por el STATGRAPHIS con los datos del TRMM y SENAMHI
Gráfico No 5
Precipitaciones mensuales de Capinota - Cochabamba
300
Precipitación (mm)
250
200
150
100
50
0
oct-98
jul-99
abr-00
jul-02
abr-03
jul-05
abr-06
jul-08
abr-09
jul-11
abr-12
oct-01
oct-04
oct-07
oct-10
oct-13
ene-98
ene-01
ene-04
ene-07
ene-10
ene-13
T407 E407
En Capinota las precipitaciones estimadas por el TRMM, en general son mayores a las de
superficie, con algunos casos extremos como el de marzo de 1999, febrero de 2011 y enero del
2014 donde las precipitaciones fueron mayores en más de 100 mm con respecto a las de
superficie. Uno de los problemas en esta región es que las precipitaciones son nulas en los meses
secos, sin embargo, el satélite estima precipitaciones bajas. La ecuación y el gráfico del modelo
ajustado por regresión lineal se muestran en el cuadro No 8 y gráfico No 6.
28
Regresión Lineal E407 vs. T407 (Capinota)
Lineal: Y = a + b*X
Coeficientes
Intercepto -1.78274 2.51347 -0.709276 0.4790 E407 = -1.78274 + 0.821135*T407
Pendiente 0.821135 0.0292932 28.0316 0.0000
R-cuadrado (ajustado para g.l.) = 80.1793 porciento 250
Error absoluto medio = 14.5178 200
E407
150
100
ajustado es
E407 = -1.78274 + 0.821135*T407
El estadístico R-Cuadrado indica que el modelo ajustado explica 50
es igual a 0.895999, indicando una relación moderadamente fuerte 0
entre las variables. 0 50 100 150 200 250 300
T407
5.1.1.3 Región del Altiplano

Gráfico No 7
250 Precipitaciones mensuales de Uyuni - Potosi

Precipitación (mm)
200
150
100
50
0
abr-00
abr-03
abr-06
abr-09
abr-12
oct-13
jul-99
jul-02
jul-05
jul-08
jul-11
oct-98
oct-01
oct-04
oct-07
oct-10
ene-10
ene-98
ene-01
ene-04
ene-07
ene-13
T342 E342
En Uyuni, se puede ver en general, que existe subestimación de precipitación del TRMM con
respecto a la de superficie en los meses húmedos y sobrestimación en los meses secos, debido a
que en esta región en los meses secos la precipitación es nula. En el altiplano el régimen
pluviométrico predominante es el convectivo, que no es de gran volumen por la escasa humedad
y no abarcan grandes áreas, por lo cual, el TRMM no estima bien dichas precipitaciones debido
29
su resolución espacial. La ecuación y el gráfico del modelo ajustado por regresión lineal se
muestran en el cuadro No 9 y gráfico No 8.
Regresión Lineal E342 vs. T342 (Uyuni)

Lineal: Y = a + b*X
Coeficientes
Intercepto -3.4669 2.01252 -1.72267 0.0866 E342 = -3.4669 + 1.61015*T342
Pendiente 1.61015 0.0941453 17.1028 0.0000
160
E342
120
La salida muestra los resultados de ajustar un modelo lineal para 80
ajustado es: 40
E342 = -3.4669 + 1.61015*T342
El estadístico R-Cuadrado indica que el modelo ajustado explica 0
60.6223% de la variabilidad en E342. El coeficiente de correlación 0 20 40 60 80 100 120
T342
es igual a 0.778603, indicando una relación moderadamente fuerte
entre las variables.
5.1.1.4 Región del Chaco

Gráfico No 9
Precipitaciones mensuales de Camiri - Santa Cruz
300
Precipitación en (mm)
200
100
0
sep-99
sep-04
sep-09
jul-00
may-01
jul-05
may-06
jul-10
nov-13
may-11
nov-98
nov-03
nov-08
mar-02
mar-07
mar-12
ene-98
ene-03
ene-08
ene-13
T705 E705
En Camiri, las precipitaciones estimadas por el TRMM son similares a las de superficie, con
alguna excepción como el caso de diciembre 2011 donde la precipitación del TRMM supera en
más de 50 mm a la de superficie. La ecuación y el gráfico del modelo ajustado por regresión
lineal se muestran en el cuadro No 10 y gráfico No 10.
30
Regresión Lineal - E705 vs. T705 (Camiri)
Lineal: Y = a + b*X
Coeficientes
Intercepto 4.31458 2.9538 1.46069 0.1457 E705 = 4.31458 + 0.872473*T705
Pendiente 0.872473 0.0303234 28.7723 0.0000
E705
Autocorrelación de residuos en retraso 1 = -0.0743964 150
describir la relación entre E705 y T705. La ecuación del modelo 100
ajustado es:
E705 = 4.31458 + 0.872473*T705 50
81.0941% de la variabilidad en E705. El coeficiente de 0
correlación es igual a 0.900522, indicando una relación 0 50 100 150 200 250 300
relativamente fuerte entre las variables. T705
5.1.2. Resultados del análisis estadístico de los datos de precipitación del satélite TRMM
y de superficie periodo enero 1998 a marzo 2014
Cuadro resumen de los coeficientes de correlación lineal y coeficiente de determinación

SENAMHI/TRMM (periodo enero 1998 – marzo 2014)
Cuadro No 11
No Estación Código (R) (R^2) No Estación Código (R) (R^2)
1 Achiri E101 0.850 73 92 La Violeta - C SAT E416 0.904 82
2 Achocalla E102 0.870 76 93 Misicuni E417 0.790 62
3 Achumani E103 0.890 79 94 Pairumani E420 0.870 76
4 Alto Achachicala E104 0.880 78 95 Parotani E422 0.890 79
5 Alto Obrajes-B. Magisterio E105 0.880 78 96 San Benito SENAMHI - GPRS E425 0.899 81
6 Ancoraimes E106 0.780 61 97 Santivañez E427 0.650 43
7 Berenguela E107 0.795 63 98 Azurduy - SAT E501 0.840 71
8 Calacoto - C SAT E108 0.920 84 99 Cachimayu E502 0.910 83
9 Camata E109 0.840 70 100 Chuqui Chuqui E503 0.870 75
10 Carabuco E110 0.802 64 101 Culpina - C A E504 0.820 68
11 Caranavi - C SAT E111 0.790 63 102 El Reloj E505 0.910 83
12 Catacora E112 0.780 61 103 El Villar E506 0.880 77
13 Chirapaca E114 0.880 78 104 Huacareta - La Galería E507 0.850 71
14 Chuquiaguillo E116 0.905 82 105 La Barranca Universidad E509 0.880 77
15 Circuata E118 0.790 63 106 Monteagudo_El Bañado-A. E511 0.840 70
16 Collana E119 0.910 83 107 Nuevo Mundo E513 0.870 76
17 Copacabana E121 0.790 62 108 Ñacamiri - Iguembecito E514 0.890 79
18 Covendo E123 0.780 60 109 Ñucchu - A E515 0.870 75
19 El Alto - Aeropuerto E125 0.950 90 110 Padilla - C SAT E517 0.890 80
20 El Belen E126 0.850 73 111 Puente Sucre E518 0.850 71
21 El Tejar - La Paz E127 0.920 85 112 Redencion Pampa E520 0.840 71
31
22 Hichucota E128 0.810 65 113 Rosario del Ingre E521 0.810 65
23 Huayrocondo E130 0.910 83 114 San Lucas E522 0.870 76
24 Incapampa E131 0.790 63 115 Sopachuy E524 0.860 74
25 Irupana - C SAT E132 0.760 57 116 Sucre - Aeropuerto E525 0.930 87
26 La Asunta - C GPRS E135 0.820 67 117 Talula - Tako Tako E526 0.910 82
27 Laycacota - C A SAT E136 0.930 86 118 Tarabuco - SAT E527 0.820 67
28 Luribay - C SAT E137 0.870 75 119 Urriolagoitia E529 0.901 81
29 Mecapaca E138 0.890 79 120 Villa Abecia E530 0.795 63
30 Palca - C A E139 0.840 70 121 Villa Alcalá - GPRS E531 0.830 69
31 Pasankeri E140 0.930 87 122 Villa Serrano E532 0.870 76
32 Patacamaya E141 0.898 81 123 Viña Quemada - SAT E533 0.750 57
33 Pinaya E142 0.740 55 124 Yamparaez E534 0.900 81
34 Pucarani E143 0.900 81 125 Zudañez E535 0.840 71
35 Puerto Acosta E144 0.810 66 126 Aguaraycito E601 0.790 62
36 Quiabaya E145 0.780 62 127 Algarrobillas E602 0.860 73
37 Salla E146 0.901 81 128 Bermejo - Aeropuerto E605 0.930 87
38 San Calixto E147 0.930 86 129 Campanario E606 0.890 80
39 San Juan Huancollo E149 0.930 87 130 Ce.Na.Vit. - A E609 0.860 75
40 Santa Rita de Bs. As E150 0.799 64 131 Coimata E610 0.930 86
41 Santiago de Huata E151 0.850 72 132 Emborozu E615 0.910 82
42 Santiago de Machaca E152 0.920 84 133 Entre Rios - C SAT E616 0.840 71
43 Sorata - C SAT E154 0.850 72 134 Itau E618 0.860 74
44 Viacha E158 0.940 87 135 La Merced E622 0.860 74
45 Villa Copacabana E159 0.930 87 136 Narvaez E624 0.840 70
46 Villa Puni E160 0.780 61 137 Palmar Grande E626 0.790 63
47 Vino Tinto E161 0.930 86 138 Palos Blancos E628 0.830 69
48 Cabaña Forestal Oruro - C A E203 0.903 82 139 San Andres E634 0.920 85
49 Chillca E204 0.860 74 140 San Jacinto Sud E635 0.880 78
50 Cosapa E206 0.660 44 141 Saykan Perulas E638 0.790 63
51 Huayllamarca E209 0.870 77 142 Sella Quebradas E639 0.920 85
52 Oruro - Aeropuerto E210 0.940 88 143 Tarija - Aeropuerto E640 0.950 91
53 Ucumasi E213 0.640 41 144 Tomayapo Pueblo E644 0.660 44
54 Ayoma E302 0.920 85 145 Trancas E645 0.910 83
55 Caiza D E303 0.897 80 146 Tucumillas E646 0.920 85
56 Casin E304 0.860 73 147 Turumayo E647 0.896 80
57 Chaqui E305 0.890 79 148 Villa Montes - Aeropuerto E648 0.910 83
58 Chaquilla E306 0.770 59 149 Yesera Norte E650 0.920 85
59 Chinoli E307 0.890 79 150 Boyuibe E703 0.800 64
60 Colcha K E310 0.720 52 151 Buena Vista E704 0.710 51
61 Cotagaita - Mosojllajta E311 0.870 76 152 Camiri - Aeropuerto E705 0.900 81
62 Llallagua - C SAT E314 0.910 83 153 Comarapa E706 0.810 65
63 Mojo E315 0.830 69 154 Concepción - Aeropuerto E707 0.880 77
64 Oronkota E319 0.820 66 155 El Quiñe E708 0.830 68
65 Palca Higueras E320 0.860 73 156 El Trompillo - Aeropuerto E709 0.880 77
66 Potosi - Aeropuerto E322 0.920 85 157 Florida E710 0.770 60
67 Potosi - Los Pinos E323 0.890 80 158 Mataral E712 0.790 63
68 Puna E324 0.740 55 159 Montero E713 0.860 74
69 Ravelo E326 0.860 75 160 Okinawa 1 E714 0.790 63
70 Sacaca E327 0.840 71 161 Puerto Suarez - Aeropuerto E715 0.850 71
71 Samasa E329 0.930 87 162 Robore - Aeropuerto E716 0.902 81
72 San Agustin - C SAT E330 0.690 48 163 San Ignacio de Velasco – A. E718 0.930 86
San Jose de Chiquitos -
73 San Antonio de Esmoruco E331 0.760 58 164 Aerop E720 0.930 86
74 San Pablo de Lipez E333 0.780 61 165 San Juan de Potrero E721 0.860 73
75 Talina E335 0.870 77 166 San Julian E722 0.799 64
76 Tinguipaya E338 0.840 71 167 San Matias - Aeropuerto E723 0.940 88
77 Tupiza E341 0.850 73 168 San Pedro - STC E724 0.820 67
78 Uyuni E342 0.780 61 169 Santa Cruz - C SAT E725 0.870 75
79 Villazon - SAT E343 0.880 77 170 Valle Grande - Aeropuerto E726 0.940 89
80 Vitichi E344 0.880 77 171 Viru Viru - Aeropuerto E727 0.910 82
81 Yocalla E345 0.840 71 172 Baures - Aeropuerto E801 0.810 65
32
82 Aiquile - SAT E401 0.910 83 173 Magdalena - Aeropuerto E803 0.910 83
83 Anzaldo E403 0.870 75 174 Reyes - Aeropuerto E804 0.910 83
84 Arani E404 0.810 66 175 Riberalta - Aeropuerto E805 0.950 90
85 Capinota - C SAT E407 0.896 80 176 San Borja - Aeropuerto E807 0.940 88
San Ignacio de Moxos -
86 Chipiriri - C SAT E409 0.830 69 177 Aerop E808 0.940 89
87 Cochabamba - Aeropuerto E411 0.910 83 178 San Joaquín - Aeropuerto E809 0.910 84
88 Colomi E412 0.820 68 179 San Ramón - Aeropuerto E810 0.940 88
Santa Ana de Yacuma -
89 Cristal Mayu E413 0.901 81 180 Aerop E811 0.920 85
90 La Jota - C A E414 0.750 56 181 Santa Rosa - Aeropuerto E812 0.840 71
91 La Tamborada - A C E415 0.890 78 182 Trinidad - Aeropuerto E813 0.950 90
183 Cobija - Aeropuerto E901 0.940 88
Fuente: Elaboración propia con los datos del TRMM y SENAMHI utilizando el STATGRAPHICS
En el cuadro No 11 se puede observar que las correlaciones lineales entre los datos de los
pluviómetros del SENAMHI y los datos del satélite TRMM en 5 estaciones son inferiores a 0.7,
es decir que el modelo ajustado explica en menos del 50% la variabilidad de los datos de
superficie, siendo el caso extremo en la estación de Ucumasi con coeficiente de correlación de
0.64 y coeficiente de determinación del 41%. Las correlaciones más altas con el TRMM se
dieron en las estaciones de El Alto, Tarija, Riberalta y Trinidad con R = 0.95, con coeficiente
de determinación del 81% en los 4 casos.
5.1.3. Periodo abril 2014 a enero 2016

Para este periodo se analizara los datos de precipitación de los satélites TRMM, GPM y los
datos del SENAMHI y la regresión lineal de las mismas. De similar manera que en el anterior
periodo se analizara a una estación representativa de cada región.
5.1.3.1 Región de los llanos
Para Riberalta se puede observar en el grafico No 11 que los datos del TRMM, GPM y los de
superficie del SENAMHI son bastante consistentes, sin muchas diferencias entre ellos, pero se
puede ver que el TRMM estima la precipitación mejor que el GPM. En la mayoría de los casos,
existe alguna subestimación de ambos satélites como es el caso de enero de 2016 con menos de
100 mm y septiembre del 2015 con menos de 50 mm respecto a los datos de superficie. La
ecuación y el gráfico del modelo ajustado por regresión lineal se muestran en los cuadros No
12 y 13 y los gráficos No 12 y 13.
33
Gráfico No 11
Precipitaciones mensuales de Riberalta - Beni
450,0
400,0
Precipitación (mm)
350,0
300,0
250,0
200,0
150,0
100,0
50,0
0,0
abr-14
abr-15
jul-14
sep-14
jul-15
sep-15
nov-15
ago-14
oct-14
dic-14
ago-15
oct-15
dic-15
may-14
jun-14
may-15
nov-14
mar-15
jun-15
ene-15
feb-15
ene-16
T805 E805 G805
Fuente: Elaboración propia con los datos del TRMM, GPM y SENAMHI
Regresión Simple - E805 vs. G805 (Riberalta)

Variable independiente: G805 (datos del GPM)
Lineal: Y = a + b*X
Coeficientes
Intercepto 14.9009 17.1878 0.866945 0.3963 E805 = 14.9009 + 0.936227*G805
Pendiente 0.936227 0.1036 9.03694 0.0000
Autocorrelación de residuos en retraso 1 = -0.0211602
E805
200
describir la relación entre E805 y G805. La ecuación del modelo
ajustado es:
100
E805 = 14.9009 + 0.936227*G805
80.3278% de la variabilidad en E805. El coeficiente de
0
correlación es igual a 0.896258, indicando una relación
0 100 200 300 400 500
moderadamente fuerte entre las variables.
G805
Fuente: Datos generados por el STATGRAPHIS con los datos del GPM y SENAMHI
34
Regresión Simple - E805 vs. T805 (Riberalta)
Lineal: Y = a + b*X
Coeficientes
Intercepto 9.33709 14.6539 0.637174 0.5312 E805 = 9.33709 + 1.01071*T805
Pendiente 1.01071 0.0916061 11.0332 0.0000
E805
ajustado es:
100
E805 = 9.33709 + 1.01071*T805
0
es igual a 0.926762, indicando una relación relativamente fuerte
0 100 200 300 400 500
entre las variables. T805
5.1.3.2 Región de yungas y valles

Gráfico No 14
Precipitaciones mensuales de Caranavi - La Paz
500
Precipitación (mm)
400
300
200
100
0
abr-14
abr-15
ago-15
may-14
jul-14
sep-14
ago-14
jul-15
oct-14
dic-14
may-15
sep-15
oct-15
dic-15
nov-14
nov-15
jun-14
mar-15
jun-15
ene-15
feb-15
ene-16
T111 E111 G111
En Caranavi (grafico No 14) se puede observar que, en general tanto el GPM como el TRMM
sobreestiman las precipitaciones, en mayor grado el GPM, como el caso de enero de 2015, la
precipitación es mayor a la de la superficie en más 150 mm con el GPM y en más de 80 mm con
el TRMM, de similar manera en enero de 2016 la precipitación fue sobreestimada tanto por el
35
GPM como el TRMM en más de 150 mm. La ecuación y el gráfico del modelo ajustado por
regresión lineal se muestran en los cuadros No 14 y 15 y gráfico No 15 y 16.
Regresión Simple - E111 vs. G111 (Caranavi)

Variable independiente: G111 (datos del GPM)
Lineal: Y = a + b*X
Coeficientes
Intercepto -8.97207 13.3982 -0.669646 0.5107 E111 = -8.97207 + 0.546075*G111
Pendiente 0.546075 0.0735265 7.42691 0.0000
Error estándar del estimado = 30.4773
E111

80
describir la relación entre E111 y G111. La ecuación del modelo
ajustado es:
E111 = -8.97207 + 0.546075*G111 40
73.3898% de la variabilidad en E111. El coeficiente de correlación 0
es igual a 0.856678, indicando una relación moderadamente fuerte 0 100 200 300 400
G111
entre las variables.
Fuente: Datos generados por el STATGRAPHIS con los datos del GPM y SENAMHI
Regresión Lineal - E111 vs. T111 (Caranavi)

Lineal: Y = a + b*X
Coeficientes
Intercepto -2.2809 15.6787 -0.145478 0.8858 E111 = -2.2809 + 0.629396*T111
Pendiente 0.629396 0.107287 5.86646 0.0000
E111

describir la relación entre E111 y T111. La ecuación del modelo 80
ajustado es:
E111 = -2.2809 + 0.629396*T111 40
63.2457% de la variabilidad en E111. El coeficiente de 0
correlación es igual a 0.795272, indicando una relación 0 100 200 300 400
moderadamente fuerte entre las variables. T111
36
Gráfico No 17
Precipitaciones mensuales de Capinota - Cochabamba
250
Precipitación (mm)
200
150
100
50
0 ago-14
ago-15
abr-14
jul-14
abr-15
sep-14
jul-15
sep-15
oct-14
oct-15
may-14
dic-14
may-15
dic-15
jun-14
nov-14
feb-15
mar-15
jun-15
nov-15
ene-15
ene-16
T407 E407 G407
En Capinota (grafico 17), en general las precipitaciones estimadas por los satélites TRMM y
GPM son sobreestimadas, como el caso de enero de 2016 donde la precipitación estimada supera
los 50 mm, en cuanto a subestimaciones el mayor caso sería abril del 2015 donde la precipitación
estimada es inferior en más de 50 mm con respecto a la de superficie.
5.1.3.3 Región del Altiplano

Gráfico No 18
Precipitaciones mensuales de Uyuni - Potosí
70
60
50
40
30
20
10
0
abr-14
jul-14
abr-15
sep-14
jul-15
ago-14
may-15
sep-15
ago-15
may-14
oct-14
dic-14
oct-15
dic-15
nov-14
nov-15
jun-14
feb-15
mar-15
jun-15
ene-15
ene-16
T342 E342 G342
37
En Uyuni las precipitaciones estimadas por los satélites GPM y TRMM sobreestiman en los
meses secos, porque en superficie las precipitaciones son nulas, la mayor sobreestimación seria
en octubre de 2014, donde tanto el GPM como el TRMM sobreestima en más de 30 mm con
respecto a la precipitación de superficie; en los meses húmedos en general los dos satélites
subestiman las precipitaciones.
5.1.3.4 Región del Chaco

Gráfico No 19
Precipitaciones mensuales de Camiri - Santa Cruz
300
250
200
150
100
50
0
abr-14
abr-15
sep-14
jul-15
jul-14
may-15
sep-15
may-14
ago-14
oct-14
dic-14
mar-15
ago-15
oct-15
dic-15
nov-14
nov-15
jun-14
jun-15
ene-15
feb-15
ene-16
T705 E705 G705
En Camiri (gráfico No 19), en este periodo, en general las precipitaciones estimadas por los
satélites GPM y TRMM, son mayores a las de superficie, el satélite que sobreestima en mayor
grado es el GPM, como los casos de octubre 2014 y enero 2015 donde las precipitaciones
estimadas por el GPM superan en más de 100 mm con respecto a las de superficie.
Como se podrá observar los datos de precipitación estimados por los satélites TRMM y GPM
son similares a los de superficie, pero no son iguales debido que los datos de superficie son
datos puntuales y los datos de los satélites son datos de un pixel que tiene una cierta área
(resolución espacial).
Los gráficos de las demás estaciones se pueden ver en anexos.
38
5.2. Resultados del análisis estadístico de los datos de precipitación de los satélites
TRMM, GPM y de superficie Periodo abril 2014 – enero 2016
Tabla resumen de los coeficientes de correlación lineal y coeficiente de determinación

SENAMHI/GPM y SENAMHI/TRMM (periodo abril 2014 – enero 2016)
Cuadro No 16
SENAMHI/GPM SENAMHI/TRMM SENAMHI/GPM SENAMHI/TRMM
Estación Código Estación Código
R R^2 R R^2 R R^2 R R^2
Achiri E101 0.950 90 0.920 85 Parotani E422 0.760 57 0.830 69
Achocalla E102 0.820 67 0.799 64 San Benito SENAMHI E425 0.940 88 0.930 86
Achumani E103 0.860 75 0.860 74 Santivañez E427 0.780 60 0.830 68
Alto Achachicala E104 0.790 62 0.799 64 Azurduy - SAT E501 0.900 81 0.940 87
Alto Obrajes-B. Mag. E105 0.920 85 0.890 79 Cachimayu E502 0.660 44 0.870 77
Ancoraimes E106 0.810 65 0.860 74 Chuqui Chuqui E503 0.890 80 0.904 82
Berenguela E107 0.790 62 0.780 61 Culpina - C A E504 0.820 67 0.880 77
Calacoto - C SAT E108 0.940 88 0.910 82 El Reloj E505 0.795 63 0.930 86
Camata E109 0.840 71 0.830 69 El Villar E506 0.810 66 0.810 66
Carabuco E110 0.790 63 0.840 70 Huacareta - La Galería E507 0.650 43 0.705 50
Caranavi - C SAT E111 0.860 73 0.795 63 La Barranca Universidad E509 0.940 89 0.940 87
Catacora E112 0.880 77 0.910 82 Nuevo Mundo E513 0.880 77 0.899 81
Chirapaca E114 0.910 83 0.880 77 Ñacamiri - Iguembecito E514 0.880 78 0.810 66
Chuquiaguillo E116 0.880 77 0.860 75 Padcoyo E516 0.740 55 0.940 88
Circuata E118 0.370 14 0.430 18 Padilla - C SAT E517 0.790 63 0.810 66
Collana E119 0.740 55 0.870 75 Puente Sucre E518 0.740 54 0.897 81
Copacabana E121 0.520 28 0.610 37 Redencion Pampa E520 0.840 71 0.860 73
Covendo E123 0.640 42 0.670 44 Rosario del Ingre E521 0.730 54 0.840 71
El Alto - Aeropuerto E125 0.860 75 0.880 78 San Lucas E522 0.802 64 0.910 82
El Belen E126 0.890 79 0.890 80 Sopachuy E524 0.940 88 0.960 91
El Tejar - La Paz E127 0.860 73 0.880 78 Sucre - Aeropuerto E525 0.804 65 0.940 89
Hichucota E128 0.900 81 0.850 72 Talula - Tako Tako E526 0.860 73 0.850 72
Huaylipaya E129 0.620 39 0.590 35 Tarabuco - SAT E527 0.810 66 0.830 68
Huayrocondo E130 0.820 68 0.850 71 Urriolagoitia E529 0.930 86 0.920 84
Incapampa E131 0.740 54 0.730 53 Villa Abecia E530 0.890 78 0.960 91
Irupana - C SAT E132 0.810 66 0.880 78 Villa Alcalá - GPRS E531 0.910 83 0.910 84
La Asunta - C GPRS E135 0.760 58 0.760 58 Villa Serrano E532 0.797 64 0.860 74
Laycacota - C A SAT E136 0.930 86 0.870 75 Viña Quemada - SAT E533 0.670 45 0.770 59
Luribay - C SAT E137 0.860 74 0.910 83 Yamparaez E534 0.830 68 0.900 81
Mecapaca E138 0.860 74 0.780 61 Aguaraycito E601 0.910 82 0.896 80
Palca - C A E139 0.840 70 0.840 71 Algarrobillas E602 0.620 38 0.710 51
Pasankeri E140 0.902 81 0.810 65 Bermejo - Aeropuerto E605 0.910 84 0.920 85
Pinaya E142 0.910 83 0.801 64 Campanario E606 0.850 72 0.897 80
Pucarani E143 0.898 81 0.890 79 Ce.Na.Vit. - A E609 0.840 71 0.840 70
Quiabaya E145 0.770 59 0.740 55 Coimata E610 0.810 66 0.810 65
Salla E146 0.810 65 0.901 81 Emborozu E615 0.920 84 0.910 83
San Calixto E147 0.880 78 0.860 74 Entre Rios - C SAT E616 0.890 80 0.897 81
San Juan Huancollo E149 0.904 82 0.890 80 Itau E618 0.840 71 0.870 75
Santa Rita de Bs. As E150 0.870 76 0.830 68 La Merced E622 0.870 76 0.890 79
Santiago de Huata E151 0.870 76 0.898 81 Narvaez E624 0.720 53 0.710 50
Santiago de Machaca E152 0.940 88 0.898 81 Palmar Grande E626 0.960 92 0.930 87
Sorata - C SAT E154 0.780 61 0.850 73 San Andres E634 0.920 84 0.920 85
Villa Copacabana E159 0.903 81 0.880 77 San Jacinto Sud E635 0.870 75 0.870 76
Villa Puni E160 0.790 62 0.830 69 Saykan Perulas E638 0.830 68 0.820 68
Vino Tinto E161 0.904 82 0.880 77 Sella Quebradas E639 0.920 85 0.890 79
Cabaña Forestal Oruro E203 0.802 64 0.803 64 Tarija - Aeropuerto E640 0.940 89 0.920 85
Chillca E204 0.930 87 0.830 68 Tomayapo Pueblo E644 0.697 49 0.790 62
Cosapa E206 0.720 52 0.804 65 Trancas E645 0.890 80 0.903 82
Oruro - Aeropuerto E210 0.920 85 0.870 76 Tucumillas E646 0.860 74 0.870 75
Ucumasi E213 0.890 79 0.680 47 Turumayo E647 0.910 84 0.890 79
39
Ayoma E302 0.920 84 0.840 71 Villa Montes – Aerop. E648 0.930 87 0.950 90
Caiza D E303 0.680 46 0.820 67 Yesera Norte E650 0.910 83 0.890 80
Casin E304 0.750 56 0.840 71 Boyuibe E703 0.740 54 0.590 35
Chaqui E305 0.803 64 0.895 80 Buena Vista E704 0.770 59 0.580 34
Chaquilla E306 0.780 61 0.930 86 Camiri - Aeropuerto E705 0.780 60 0.880 77
Chinoli E307 0.850 73 0.930 86 Comarapa E706 0.810 66 0.799 64
Colcha K E310 0.950 90 0.901 81 Concepción – Aerop. E707 0.840 71 0.770 60
Cotagaita - Mosojllajta E311 0.795 63 0.910 82 El Quiñe E708 0.820 67 0.770 59
Llallagua - C SAT E314 0.930 87 0.930 86 El Trompillo – Aerop. E709 0.910 82 0.910 83
Mojo E315 0.910 82 0.910 83 Florida E710 0.660 43 0.640 40
Oronkota E319 0.780 60 0.795 63 Mataral E712 0.490 24 0.520 27
Palca Higueras E320 0.790 63 0.898 81 Montero E713 0.860 73 0.750 57
Potosi - Aeropuerto E322 0.910 83 0.920 85 Puerto Suarez – Aerop. E715 0.810 66 0.930 86
Potosi - Los Pinos E323 0.950 91 0.940 88 Robore - Aeropuerto E716 0.898 81 0.880 77
Puna E324 0.740 55 0.850 72 San Ign. de Velasco – A. E718 0.820 68 0.880 77
Ravelo E326 0.820 67 0.940 88 San Jose de Chiquitos A. E720 0.830 70 0.910 83
Samasa E329 0.770 59 0.820 68 San Juan de Potrero E721 0.830 69 0.810 66
San Antonio de Esmo. E331 0.790 62 0.880 77 San Julian E722 0.890 79 0.895 80
San Pablo de Lipez E333 0.860 75 0.800 64 San Matias – Aerop. E723 0.940 88 0.870 75
Talina E335 0.710 50 0.820 67 San Pedro - STC E724 0.850 72 0.797 63
Tinguipaya E338 0.904 82 0.890 79 Valle Grande – Aerop. E726 0.910 83 0.910 82
Tupiza E341 0.810 65 0.870 77 Viru Viru - Aeropuerto E727 0.930 87 0.890 79
Uyuni E342 0.780 60 0.740 55 Baures - Aeropuerto E801 0.897 81 0.910 82
Villazon - SAT E343 0.904 82 0.910 82 Magdalena – Aerop. E803 0.940 88 0.940 88
Vitichi E344 0.730 53 0.750 56 Reyes - Aeropuerto E804 0.960 92 0.950 90
Yocalla E345 0.930 87 0.930 86 Riberalta - Aeropuerto E805 0.896 80 0.930 86
Anzaldo E403 0.630 40 0.760 58 San Borja - Aeropuerto E807 0.880 77 0.904 82
Arani E404 0.850 73 0.895 80 San Ignacio de Moxos A. E808 0.940 89 0.930 86
Capinota - C SAT E407 0.790 62 0.750 56 San Joaquin – Aerop. E809 0.950 90 0.950 89
Cochabamba – Aerop. E411 0.910 82 0.910 83 San Ramon – Aerop. E810 0.850 73 0.897 80
Colomi E412 0.830 69 0.840 70 Santa Ana de Yacuma A. E811 0.910 84 0.950 90
Cristal Mayu E413 0.790 62 0.790 63 Santa Rosa - Aeropuerto E812 0.860 74 0.890 80
La Violeta - C SAT E416 0.810 66 0.920 84 Trinidad - Aeropuerto E813 0.910 83 0.920 85
Misicuni E417 0.820 68 0.740 54 Cobija - Aeropuerto E901 0.920 86 0.920 84
Pairumani E420 0.870 75 0.890 79
En el cuadro No 16 se puede observar que las correlaciones lineales entre los datos del
SENAMHI y los datos del satélite GPM en 12 estaciones son inferiores a 0.7, es decir que el
modelo ajustado explica en menos del 50% la variabilidad de los datos de superficie, siendo el
caso extremo en la estación de Circuata con coeficiente de correlación de 0.37 y coeficiente de
determinación del 14%. De similar manera las correlaciones entre datos del SENAMHI y los
datos del satélite TRMM en 9 estaciones son inferiores a 0.7, es decir que el modelo ajustado
explica en menos del 50% la variabilidad de los datos de superficie, siendo el caso extremo
también en la estación de Circuata con coeficiente de correlación de 0.43 y coeficiente de
determinación del 18%. Las correlaciones más altas con el GPM se dieron en las estaciones de
Palmar Grande y Reyes en ambos con R = 0.96, y con el TRMM se dieron en las estaciones de
Sopachuy y Villa Abecia con R=0.6, por lo tanto el coeficiente de determinación es del 91% en
los 4 casos.
40
Para la Regresión Lineal se ha considerado como variable independiente los datos de los satélites
GPM y TRMM y como variable dependiente los datos de superficie del SENAMHI.
5.3. Mapeo de los coeficientes de correlación y coeficientes de determinación

En los mapas 3, 4 y 5 se puede ver los valores regionalizados de los coeficientes de correlación
en el periodo enero 1998 a marzo 2014 y en el periodo abril 2014 a enero 2016, donde se muestra
que la región de los llanos tiene las correlaciones más altas y sector del altiplano sur las
correlaciones más bajas. Los mapas 6, 7 y 8 nos muestran la regionalización de los coeficientes
de determinación.
5.4. Ecuaciones del modelo ajustado de regresión lineal

En el cuadro No 17 siguiente se muestra los modelos ajustados de regresión lineal, con los cuales
se pueden generar series de precipitación a partir de los datos satelitales del TRMM y GPM.
Cuadro de las ecuaciones del modelo ajustado de regresión lineal
Cuadro No 17
E801 = 9.35399 + 0.693722*T801 E807 = 8.53666 + 0.876297*T807 E811 = -0.22427 + 0.949128*T811
E803 = -2.89914 + 0.943033*T803 E808 = -15.4913 + 1.05506*T808 E813 = -10.7429 + 0.99373*T813
E804 = -9.94077 + 0.896885*T804 E809 = -6.60741 + 1.30875*T809 E901 = -8.42514 + 1.09949*T901
E805 = -0.176401 + 1.02203*T805 E810 = 1.13136 + 0.852775*T810
E501 = -0.31682 + 0.883484*T501 E502 = 0.00786657 + 0.947682*T502 E503 = 2.68817 + 0.965815*T503
E504 = -3.45474 + 0.479544*T504 E505 = 1.79882 + 0.955456*T505 E506 = 1.92921 + 0.652454*T506
E507 = 10.2529 + 1.07193*T507 E511 = 13.9726 + 0.866607*T511 E509 = 4.03801 + 0.81166*T509
E514 = 4.72654 + 0.915125*T514 E517 = 3.42746 + 0.711903*T517 E513 = 22.4804 + 1.17456*T513
E516 = -3.52767 + 0.902414*T516 E521 = 9.90092 + 0.842154*T521 E518 = 0.576005 + 0.94364*T518
E520 = 0.407447 + 0.861358*T520 E525 = 0.806426 + 0.932965*T525 E522 = -2.83374 + 0.883073*T522
E524 = 15.7254 + 1.01343*T524 E528 = 4.7293 + 0.706429*T528 E526 = -1.56354 + 0.873958*T526
E527 = 0.427345 + 0.662578*T527 E531 = 5.75961 + 0.803149*T531 E529 = 4.08235 + 0.761389*T529
E535 = 0.115284 + 0.831022*T535 E534 = 0.578297 + 0.710532*T534 E532 = 5.35366 + 1.05729*T532
E401 = -8.52752 + 0.833415*T401 E403 = -11.2846 + 0.718145*T403 E404 = -8.60206 + 0.471679*T404
E405 = -4.37227 + 0.584958*T405 E406 = 43.9344 + 1.16956*T406 E407 = -1.78274 + 0.821135*T407
E408 = 9.50035 + 0.723993*T408 E409 = 37.4857 + 1.08017*T409 E410 = 50.7 + 0.877884*T410
E411 = -8.59074 + 0.631687*T411 E412 = -10.2321 + 0.548814*T412 E413 = 48.2633 + 1.48097*T413
E415 = -11.87 + 0.703246*T415 E416 = -12.0183 + 0.820246*T416 E419 = -8.1914 + 0.547661*T419
E420 = -11.6976 + 0.997444*T420 E421 = 39.7982 + 0.849525*T421 E422 = -2.95632 + 1.07019*T422
E424 = -4.69848 + 0.656151*T424 E425 = -13.6865 + 0.568279*T425 E430 = -17.0964 + 0.809128*T430
E101 = -4.40507 + 0.887187*T101 E102 = -2.57539 + 0.906961*T102 E103 = -0.84825 + 0.844859*T103
E104 = -4.06778 + 0.764018*T104 E105 = -0.870001 + 0.857161*T105 E108 = -3.55957 + 0.890063*T108
E109 = -2.82206 + 0.7193*T109 E110 = 5.13203 + 0.718169*T110 E114 = -2.86345 + 0.875632*T114
E116 = -3.73862 + 0.934375*T116 E117 = 53.1017 + 2.91958*T117 E119 = 0.101045 + 0.875928*T119
E124 = 26.1719 + 0.902927*T124 E125 = -3.57241 + 0.997915*T125 E126 = 3.15458 + 0.645362*T126
E127 = -6.30292 + 0.876667*T127 E128 = -15.9835 + 1.10819*T128 E129 = 137.514 + 2.03775*T129
E130 = -2.82357 + 0.90522*T130 E135 = 3.6852 + 0.903133*T135 E136 = -1.41364 + 0.815013*T136
E137 = -4.87567 + 0.65426*T137 E138 = -5.52129 + 0.727502*T138 E139 = -15.826 + 0.619692*T139
41
E140 = -1.91837 + 0.800554*T140 E141 = -4.80526 + 0.94281*T141 E143 = -0.230607 + 0.817522*T143
E144 = 3.12677 + 0.923622*T144 E146 = -5.22323 + 0.889993*T146 E147 = -8.78949 + 0.857581*T147
E149 = -2.32962 + 1.19737*T149 E151 = 6.77377 + 0.810537*T151 E152 = -1.81389 + 0.867664*T152
E153 = 17.4454 + 0.79177*T153 E154 = -7.03418 + 1.17958*T154 E157 = 3.00361 + 0.700152*T157
E158 = -1.58919 + 0.908898*T158 E159 = -8.30643 + 0.905035*T159 E161 = -7.62974 + 0.880296*T161
E201 = 1.87326 + 0.962335*T201 E202 = 3.32756 + 0.869402*T202 E203 = -4.19634 + 1.02785*T203
E204 = -2.6808 + 0.884716*T204 E207 = 3.99379 + 1.32469*T207 E209 = -5.98697 + 1.15661*T209
E210 = -6.55293 + 1.17223*T210 E212 = 4.54487 + 0.780676*T212
E303 = -3.28513 + 0.967284*T303 E304 = 0.431659 + 0.962037*T304 E305 = 1.51372 + 1.23981*T305
E302 = 1.06858 + 0.781259*T302 E307 = -1.20339 + 0.775022*T307 E308 = 0.506524 + 0.839946*T308
E309 = 0.637989 + 1.36736*T309 E311 = -0.746852 + 0.680858*T311 E312 = 0.0683679 + 1.27897*T312
E313 = 0.916117 + 1.35544*T313 E314 = -0.512248 + 1.18473*T314 E315 = 0.870613 + 0.879061*T315
E316 = 3.59292 + 0.98214*T316 E317 = -3.34104 + 1.18207*T317 E318 = 2.52364 + 1.31324*T318
E319 = 2.83731 + 0.480478*T319 E320 = -0.647462 + 0.847715*T320 E321 = 1.69396 + 0.872653*T321
E322 = -2.87375 + 0.781352*T322 E323 = -2.64518 + 1.04853*T323 E325 = -0.398193 + 0.632584*T325
E326 = 3.29757 + 1.28851*T326 E327 = -7.0187 + 1.65346*T327 E328 = -3.06595 + 0.901414*T328
E329 = -2.89992 + 0.741418*T329 E332 = -1.34082 + 0.922932*T332 E334 = -1.81084 + 0.953843*T334
E335 = 1.90711 + 0.988079*T335 E337 = 3.34649 + 1.24282*T337 E338 = -12.6806 + 1.20835*T338
E339 = -6.60575 + 1.67699*T339 E340 = -4.07362 + 1.52309*T340 E341 = -0.862116 + 0.757381*T341
E343 = 0.175352 + 0.932095*T343 E344 = -1.80957 + 0.847897*T344 E345 = -5.82637 + 0.910011*T345
E703 = 3.98091 + 0.676242*T703 E705 = 4.31458 + 0.872473*T705 E706 = -5.32646 + 0.561925*T706
E707 = 1.56126 + 0.878019*T707 E708 = 1.78997 + 0.514588*T708 E709 = 9.29119 + 0.987099*T709
E713 = -10.256 + 0.90514*T713 E715 = 2.6151 + 0.760692*T715 E716 = 2.87209 + 0.973227*T716
E718 = -5.57015 + 1.00694*T718 E720 = -2.53118 + 1.00144*T720 E721 = -4.06553 + 0.505949*T721
E722 = 0.384291 + 0.949227*T722 E723 = -3.76087 + 1.01499*T723 E724 = -11.9755 + 1.15811*T724
E725 = 6.93208 + 0.939588*T725 E726 = 0.907229 + 0.929398*T726 E727 = -3.47936 + 0.974614*T727
E602 = 4.47413 + 0.716021*T602 E603 = 6.85408 + 0.724145*T603 E604 = 8.30763 + 0.789889*T604
E605 = 6.06972 + 0.919919*T605 E606 = -0.362412 + 0.59133*T606 E608 = -1.71273 + 0.6076*T608
E609 = 1.27435 + 0.650224*T609 E610 = 4.35875 + 1.229*T610 E612 = 17.9236 + 1.48297*T612
E615 = 20.6502 + 1.5965*T615 E616 = 18.1214 + 1.14101*T616 E618 = 10.3236 + 0.769379*T618
E619 = 19.057 + 1.4978*T619 E621 = 1.04594 + 0.923663*T621 E622 = -0.631489 + 0.564482*T622
E623 = 7.935 + 0.871569*T623 E624 = 23.649 + 1.2036*T624 E625 = -0.778315 + 0.493156*T625
E628 = 4.82641 + 0.638621*T628 E629 = 19.9357 + 1.57525*T629 E630 = 16.0489 + 0.884734*T630
E631 = 4.11564 + 0.638723*T631 E633 = 8.12533 + 0.923188*T633 E634 = 15.4575 + 1.53238*T634
E635 = 4.53962 + 0.82251*T635 E636 = 7.91043 + 0.982274*T636 E637 = -2.9669 + 0.725681*T637
E639 = 0.549237 + 0.986268*T639 E640 = 1.19666 + 0.827895*T640 E641 = 6.5019 + 0.665246*T641
E642 = 7.94542 + 1.00691*T642 E643 = 0.374269 + 0.625828*T643 E645 = 5.55918 + 1.27953*T645
E646 = 7.96282 + 1.35787*T646 E647 = 9.54251 + 1.14922*T647 E648 = 3.3006 + 0.930748*T648
E650 = 2.35728 + 1.00757*T650 E652 = 2.0847 + 0.844584*T652 E342 = -3.4669 + 1.61015*T342
Fuente: Ecuaciones generadas por STATGRAPHICS con los datos del TRMM y SENAMHI.
El resto de las ecuaciones se pueden ven en anexos
42
43
44
45
46
47
48
El mapa No 3 es el resultado de la regionalización de los coeficientes de correlación entre los
datos de los pluviómetros del SENAMHI con los datos del TRMM, durante el periodo enero
1998 a marzo 2014, donde se puede ver que en la región de los llanos como Pando y Beni
(Cobija, Riberalta, San Ramón, Trinidad) y el Este de Santa Cruz (San Ignacio de Velasco,
Roboré, San Matías), en la región del altiplano de La Paz (Collana, Pucarani, Viacha, El Alto),
en la región de valles de Tarija (Trancas, Sella Quebrada, Tucumillas, San Andrés) y al Sur de
Tarija (Bermejo y Emborozu), los coeficientes de correlación (R) son mayores a 0.9, que
corresponde a correlaciones muy altas, por lo cual los datos cuantificados por el satélite TRMM
son bastante consistentes con respecto a los del SENAMHI; en la región de los Yungas (Irupana,
Circuata, Covendo, Caranavi, Incapampa), en el altiplano sur (Colcha K, Uyuni, San Pablo de
Lipez, San Antonio de Esmoruco), las correlaciones están entre 0.7 y 0.8, que corresponde a
correlaciones moderadas; se hallaron coeficientes inferiores a 0.7, que corresponde a malas
correlaciones, se dio en casos puntuales en el altiplano (Cosapa, Ucumasi, San Agustín); en el
resto de las regiones del territorio nacional las correlaciones están entre 0.8 y 0.9 con algunos
casos aislados de valores menores.
En el periodo abril 2014 a enero 2016 tienen similar comportamiento tanto el satélite TRMM
(mapa No 4) y GPM (mapa No 5), siendo que en la mayoría de las regiones del territorio nacional
las correlaciones están entre 0.8 a 0.9.
Mientras el coeficiente de correlación se acerque al valor de 1 nos indica que los valores
estimados por los satélites son más consistentes respecto al de los pluviómetros del SENAMHI
y si el valor de R es inferior a 0.7 nos indica que no hay mucha consistencia entre los valores
analizados porque nos estaría explicando en menos del 50% la variabilidad de los datos de
superficie.
Por los resultados encontrados, la información satelital es de gran utilidad, pero se debe
considerar las correcciones; necesarias de acuerdo a las correlaciones estadísticas encontradas
en cada región.
49
6. CONCLUSIONES
Después del análisis y evaluación de los datos de precipitación de los satélites TRMM
(algoritmo 3B43 v7) y GPM (algoritmo IMERGM v03) con relación a los datos de los
pluviómetros del SENAMHI, se puede señalar las siguientes conclusiones:
 En la región de los llanos como Pando, Beni y parte de Santa Cruz existen correlaciones
muy altas, mayores a 0.9, lo que nos indica que la precipitación estimada por los satélites
es bastante consistente con respecto a los datos del SENAMHI, muy probablemente
porque las precipitaciones frontales, orográficas y convectivas que se presentan en la
región tienen gran volumen y abarcan grandes superficies debido a la presencia de la
vegetación que hace posible la recarga de humedad en la atmosfera para su posterior
precipitación ya sea orográfica o convectiva y por lo tanto estas precipitaciones son
bastante bien estimadas por los satélites TRMM y GPM con la resolución espacial de
éstos.
 También se puede observar que existen puntos aislados que también tienen correlaciones
muy altas, y estos puntos aislados en su mayoría son aeropuertos o lugares cerca a
aeropuertos, esto es debido a que los datos que proporcionan los satélites son calibrados
con los datos de superficie y como la mayoría de los aeropuertos tienen bastantes años
de servicio, tienen buen record de información que ayuda a calibrar con mayor precisión
los datos de satélite.
 Las correlaciones bajas se dan más en algunos sectores de las regiones de los valles,
yungas y altiplano, debido muy probablemente a que en estas regiones se presentan con
mayor frecuencia precipitaciones del tipo convectivo, las orográficas con menor
frecuencias y las frontales llegan muy poco, justamente por el tipo de fisiografía del
lugar, la distribución espacial de la precipitación no abarca grandes áreas. En el altiplano,
en la época invernal las precipitaciones prácticamente son nulas y en la época de lluvias,
las precipitaciones, en general son del tipo convectivo y localizado, no abarcan áreas
muy grandes; las correlaciones son bajas probablemente por la resolución espacial de
los satélites que no pueden estimar las precipitaciones con mayor precisión.
 Cuando ingresa algún frente a la región de los llanos, en muchos casos en el altiplano se
presenta nubosidad del tipo estratiforme como el caso del nimbostratus que ocasiona
50
precipitaciones continuas, de larga duración y abarca grandes áreas, las cuales son
estimadas con mayor precisión por los satélites.
 Los datos de precipitación de los satélites GPM y el TRMM están calibrados en base a
los datos de las estaciones de superficie, y como Bolivia tiene una densidad baja de
estaciones meteorológicas, y además la información de áreas no urbanas no siempre está
completa o llega tarde, por lo cual, posiblemente los datos del GPM y TRMM no sean
tan consistentes en áreas principalmente donde existe bastante variabilidad espacial de
la precipitación.
 Por lo mencionado, las correlaciones entre los datos de las estaciones del SENAMHI y
las estimadas por el TRMM y GPM, tenderán a ser muy altas en los llanos orientales y
en las capitales de departamento por su registro casi en tiempo real, mientras que las
correlaciones en los valles, yungas, altiplano y tierras bajas serán altas a moderadas más
que todo por su régimen pluviométrico.
7. RECOMENDACIONES
 Para que las precipitaciones estimadas por los satélites TRMM y GPM puedan ser
utilizadas con mayor confiabilidad, se debería utilizar los modelos de regresión lineal
encontrados para cada estación, considerando la regionalización de los mapas 3, 4 y 5.
 En los municipios, las precipitaciones estimadas por los satélites TRMM y GPM
deberían ser utilizadas para la cuantificación de sus recursos hídricos a nivel cuenca,
considerando los modelos de regresión lineal calculados, que se muestra en el cuadro
No 17.
 Realizar un trabajo con datos a nivel diario y horario en el sector del altiplano centro y
sur para una mejor evaluación de los datos del GPM con respecto a los del SENAMHI.
51
8. BIBLIOGRAFIA
- Berthier, A. M. (2004). Investigación Documental y Marco Teórico.
- Brito, D. (2015). Precipitación Actual mediante datos GPM. Programa Regional de
Empleo de Información Satelital para la Producción Agrícola BPR-CONAE. Argentina
- Brito, D. (2015). Precipitación Histórica mediante serie temporal de datos TRMM.
Programa Regional de Empleo de Información Satelital para la Producción Agrícola
BPR-CONAE. Argentina
- Caballero, J. (2013). Análisis de la homogeneidad de las series de precipitación de
Guipúzcoa. San Sebastián. España. Delegación Territorial de AEMET en el País Vasco.
- Cabrera, E. (2016). Evaluación de imágenes satelitales de precipitaciones GPM (Global
Precipitation Measurement) a escala mensual para el Azuay. Cuenca, Ecuador.
- Caicedo, F.M. (2015) Asimilación de precipitación estimada por imágenes de satélite
en modelos hidrológicos aglutinados, Universidad Javeriana.
- Hobouchian, M.P. Salio, P. Vila, D. Garcia, Y. (2012). Validación de estimaciones de
precipitación por satélite sobre Sudamérica utilizando una red de observaciones de alta
resolución espacial, Departamento de Ciencias de la Atmosfera y los Océanos, Buenos
Aires, Argentina.
- Hunik, J.E. Immerzeel, W.W. Droogers, P. (2013). Analisis de Patrones Espaciales de
Precipitacion en la Provincia de Tungurahua, Gobierno Municipal de Tungurahua.
- Lavado, W.S. Labat, D. Loup, J. Ronchail, J. Ordoñez, J.J. (2009). Validación de lluvia
utilizando TRMM en dos cuencas amazónicas peruanas y su aplicación en modelos
mensuales de balance hídrico. Revista Peruana Geo-Atmosférica.
- Lujano, E, Felipe. Quispe, J. (2016). Validación de precipitación estimada por el
satélite TRMM y su aplicación de la modelación hidrológica del Rio Ramis, Puno, Perú.
- Martínez, D. El Análisis de la Regresión a través de SPSS. Universidad de Granada.
- OMM, (2011), Guía de prácticas Hidrológicas,
- Sepulcri, M.G. Di Bella, C.M. Moschini, R.C. (2009). Validación de la ocurrencia de
lluvia estimada a partir del algoritmo 3B42 de TRMM con datos pluviométricos en la
región Pampeana, X Congreso Argentino de Meteorología, Buenos Aires.
52

Tesis

Cargado por

Información del documento

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

Tesis

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD MAYOR DE SAN ANDRES

FACULTAD DE CIENCIAS GEOLÓGICAS

ANÁLISIS Y EVALUACIÓN DE LOS DATOS DE PRECIPITACIÓN DE LOS SATÉLITES

POSTULANTE: Ing. Santos Calle Cordero

TUTOR: M.Sc. Antonio Erwin Galoppo Von Borries

GMS Satélite Geoestacionario del Japón

1.3. Objetivos específicos

2. FORMULACIÓN DEL PROBLEMA

2.1. Pregunta de investigación

En noviembre de 1997 la NASA y JAXA, lanzaron el satélite TRMM (Tropical Rainfall

3.1. Homogeneidad de series climáticas.

 Los tests paramétricos incluyen en Ho (Hipótesis nula) especificaciones acerca de la ley

3.2. Test de Rachas.

Donde Xi es el valor anual de la serie y Me es la mediana de la serie

La distribución de frecuencias de (u) en caso de aleatoriedad es conocida para cada N y, en la

3.3.1. Precipitación según el proceso que la forma:

3.3.1.2. Precipitación orográfica.

3.3.1.3. Precipitación frontal

3.3.2. Precipitación según en la forma en que cae:

3.3.2.4. La nieve, el granizo y el pedrisco

De acuerdo al Documentos OMM-No 168 de la Organización Meteorológica Mundial “Guía de

Fuente: Documento No 168 de la Organización Meteorológica Mundial

3.6. Satélites Meteorológicos

3.6.1. Satélites Meteorológicos geoestacionarios

3.6.2. Satélites Meteorológicos de órbita polar

3.7. Satélite GPM.

3.8. Satélite TRMM.

Satélite GPM Satélite TRMM

Generar series Exportar los datos

Generación de Exportar los Mapeo de los

Fuente: Elaboración propia

4.2.1. Distribución de las Estaciones Meteorológicas a nivel nacional.

Elaboración propia; captura de pantalla del SISMET

fueron descargadas para su análisis y validación, aplicando el Test de “Rachas”. Es importante

Estaciones meteorológicas seleccionadas

Elaboración propia, captura de pantalla de la página de descarga de las imágenes

4.2.4 Series de precipitación de estaciones del SENAMHI, TRMM Y GPM

4.2.5. Medidas para evaluación.

4.2.6 Regresión Lineal

Y : variable dependiente o explicada (en este caso, precipitación de pluviómetros).

4.2.7. Coeficiente de Correlación (R) de Pearson.

El Coeficiente de Determinación, es el cuadrado del coeficiente de correlación de Pearson, y da

4.2.9. Evaluación mensual de datos de precipitaciones de pluviómetros y satélites GPM y

Las gráficas se han realizado para dos periodos:

4.2.10 Mapeo de los coeficientes de correlación.

Fuente: Elaboración Propia – captura de pantalla del ARC GIS 10.3

Para el mapeo de las correlaciones se ha utilizado la escala de valores del coeficiente de

5.1.1. Periodo enero 1998 a marzo 2014

5.1.1.1 Región de los llanos

Fuente: Elaboración propia con los datos del TRMM y SENAMHI

5.1.1.2 Región de los valles y yungas

Fuente: Elaboración propia con los datos del TRMM y SENAMHI

En el caso de Caranavi, las precipitaciones estimadas por el TRMM, en general tienen un

Fuente: Elaboración propia con los datos del TRMM y SENAMHI

5.1.1.3 Región del Altiplano

250 Precipitaciones mensuales de Uyuni - Potosi

Fuente: Elaboración propia con los datos del TRMM y SENAMHI

Regresión Lineal E342 vs. T342 (Uyuni)

5.1.1.4 Región del Chaco

Fuente: Elaboración propia con los datos del TRMM y SENAMHI

Cuadro resumen de los coeficientes de correlación lineal y coeficiente de determinación

5.1.3. Periodo abril 2014 a enero 2016

5.1.3.1 Región de los llanos

Regresión Simple - E805 vs. G805 (Riberalta)