Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capítulo Expo
Capítulo Expo
moderada y débil
Introducción
El artículo de Anderson (2008) anunciaba el fin de la teoría debido al imperio de los datos.
Las industrias, gobiernos y universidades podrían generar innovaciones a partir de los
patrones encontrados en los petabytes de información centralmente almacenados y
procesados en la nube. Lo cual en buena medida ha sido cierto para la ciencia del clima
como para las actividades de movilidad y transporte.
Esta definición considera el planteamiento clásico de Laney (Chen y Zhang, 2014)) que
consiste en que el big data es un conjunto de datos que está caracterizado por las 3Vs
(volumen, velocidad y variedad), distinguiéndolo así de los datos normales. Pero
definiciones más recientes la amplían a 4, 5 y hasta 7 Vs. Incluyendo también las Vs de
valor, variablidad, veracidad y virtualidad. O, según otros autores: veracidad, visualización
y visibilidad.
Se estima que el 80% del big data son datos geográficos (Li, et. al., 2016).
Por un lado, los datos climáticos han abundado debido a los crecientes esfuerzos por
combatir el cambio climático. Las contribuciones se han realizado desde distintos frentes,
siendo uno de ellos el de la climatología urbana.
Por otro lado, los gobiernos de las ciudades están realizando inversiones cuantiosas para
mejorar la movilidad y el transporte (Antunes, et. al., 2019). Que se han visto permeadas
por las nuevas tecnologías de información y comunicación. Produciendo una gran cantidad
de datos que permiten entender la movilidad espacial tanto de mercancías como de
personas.
La movilidad urbana puede verse desde dos perspectivas. Se pueden realizar los
desplazamientos en transporte público o de manera individual (Antunes, et. al., 2019). La
diferencia entre estos es que el transporte público es operado por agencias externas, ya sean
públicas o privadas, las cuales ofrecen los medios para moverse del punto A al punto B.
Mientras que quienes optan por hacerlo de manera individual, poseen o tienen acceso a sus
propios medios para trasladarse.
La urbanización agrava los efectos de las precipitaciones (Zhang, et. al., 2018).
El fenómeno del cambio climático puede describirse a través de las variaciones que
se experimentan en: la temperatura, el aumento del nivel del mar y los patrones de
precipitación. En México se esperan incrementos en la temperatura mayores que el
incremento global, de entre 2.5 y 4.5 proyectados para el 2100. Lo que está asociado a
incrementos del nivel del mar debido al descongelamiento de glaciares, que podría crecer
entre 80 cm y 2 metros, dependiendo de las concentraciones de gases de efecto invernadero
en la atmosfera (Colmex, 2018). En cuanto a la precipitación, en la literatura hay
proyecciones encontradas, ya que algunas fuentes hablan de una reducción generalizada de
las precipitaciones mientras otras sugieren el incremento en la sierra madre occidental y en
el noreste de México.
Según Bitrán (2001) entre 1980 y 1999 se registraron 140 muertes al año y pérdidas
de 200 millones de dólares al año debido a eventos hidrometeorológicos. Incrementándose
casi un 50% de 1999 a 2012. Siendo Sonora y Baja California Sur los estados más
afectados.
En promedio, los fines de semana hay un menor uso del transporte público. Los domingos
son el día con menor afluencia en el Metrobús, con cerca de 275,000 pasajeros diarios.
Seguido por los sábados con alrededor de 427,000.
Los días entre semana laboral tuvieron un comportamiento heterogéneo pero con poca
variación. Los miércoles fueron el día con menor afluencia, con 241,000 viajeros. El
viernes el día que más se uso el Metrobús, con 582,000 viajeros. Lunes, 560,000. Martes
556,000. Jueves, 559,000.
Datos y métodos
Datos
En esta sección se describen las fuentes de información y las características de los datos. Se
trabajó con tres tipos de datos: de transporte, climáticos y socioeconómicos.
De transporte
Climáticos
Las fuentes de información sobre las condiciones meteorológicas de la Ciudad de México
son limitadas, entre las que se exploraron se encuentran dos: las estaciones pluviométricas
operadas por el Sistema Meteorológico Nacional (SMN) y las gestionadas por el
Observatorio Hidrológico del Instituto de Ingeniería de la Universidad Nacional Autónoma
de México (OHIIUNAM), llegando a la conclusión de que éstos últimos son mejores tanto
por su resolución espacial como temporal.
La información de meteorológica del SMN y la del OHIIUNAM puede ser utilizado con
distintos fines metodológicos. La primera es útil para estimar el comportamiento histórico
de las precipitaciones en la Ciudad de México. La segunda para realizar los análisis intra-
diarios.
El OHIIUNAM
Fuente: elaboración propia con datos del Índice de Marginación Urbana 2020.
Métodos
Interpolación basada en la ponderación del inverso de la distancia (IDW)
Distintos métodos estadísticos han sido utilizados para lidiar con el problema de los
datos faltantes. La Organización Meteorológica Mundial (OMM), en su Guía de Prácticas
Climatológicas (2018) recomienda utilizar medias ponderadas, funciones spline,
regresiones lineales y métodos de interpolación para completar las series de datos de
temperatura o precipitación. Según esta organización (OMM, 2018: 91):
“las funciones spline pueden ser utilizadas cuando las variaciones espaciales son
regulares. Las regresiones lineales permiten la inclusión de muchos tipos de información.
El krigging es un método geoestadístico que requiere una estimación de las covarianzas del
campo estudiado. El co-krigging introduce en las ecuaciones de krigging la información de
otras variables independientes”.
Resultados y discusión
En esta sección se exponen los resultados y se desarrolla la discusión que los mismos
ameritan. Poniendo énfasis en el comportamiento espacial y temporal de los datos de
precipitación. Con el apoyo de los métodos expuestos en la sección anterior. Se analizan las
precipitaciones fuertes, moderadas y débiles.
Cuadro 4. Eventos de precipitación en horario de servicio, fuera de servicio y totales
En esta sección se analizan los valores de la precipitación que afecta a las estaciones del
Metrobús.
La temporada de lluvias se desarrolló durante los meses de julio, agosto y
septiembre. Con algunos eventos de precipitación fuerte en octubre. Todos los eventos de
precipitación fuerte ocurrieron en horario de servicio, afectando en mayor medida las
actividades vespertinas. Ya que la mayoría de las lluvias fuertes ocurrieron entre las 4 de la
tarde y las 10 de la noche.
En julio todas las líneas del Metrobús estuvieron expuestas a lluvias fuertes. La
línea 1 y 5 fueron notablemente más impactadas por precipitaciones ubicadas entre los 15.1
mm/h y 30 mm/h, con 17 y 24 ocurrencias respectivamente. Las líneas 1 y 7 sólo estuvieron
expuestas a un evento cada una de ellas.
En septiembre hubo ligeramente más lluvias fuertes que en julio y agosto, con 62
eventos. A la línea le impactó 1 evento a las 18 horas, 6 a las 19, 4 a las 20 y 4 a las 21. A
la línea 2 le ocurrieron 5 a las 16 horas, 5 a las 19 y 1 a las 20. Las líneas 3, 4 y 6 no se
vieron afectadas por lluvias fuertes. A la línea 7 le afectó una lluvia fuerte a las 19. A la
línea 5 le afectaron 40 lluvias fuertes.
En octubre, las precipitaciones fuertes se redujeron a un total de 10 para todo el
sistema del Metrobús. Tres afectaron a la línea 3 a las 18 horas. Cinco a las 18 sobre la
línea 7 y dos a las 23.
Bibliografía
Colmex (2018). Desigualdades en México, 2018. El Colegio de México, Red de Estudios sobre
Desigualdades.
Darand, M., Dostkamyan, M., & Rehmani, M. I. A. (2017). Spatial autocorrelation analysis of
extreme precipitation in Iran. Russian Meteorology and Hydrology, 42(6), 415-424.
González, J. U. M. Sistemas BRT¿ un sistema complejo dentro de otro sistema complejo? El caso
particular del Metrobús CDMX.
Gough, K., Yankson, P., Wilby, R., Amankwaa, E., Abarike, M., Codjoe, S., ... & Nabilse, C. (2019).
Vulnerability to extreme weather events in cities: implications for infrastructure and livelihoods.
Hermans, E., Brijs, T., Stiers, T., & Offermans, C. (2006, January). The impact of weather
conditions on road safety investigated on an hourly basis. In TRB annual meeting.
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1870-
39252018000300003
Lin, P., Weng, J., Brands, D. K., Qian, H., & Yin, B. (2020). Analysing the relationship between
weather, built environment, and public transport ridership. IET Intelligent Transport
Systems, 14(14), 1946-1954.
Magaña, V., López, L. C., & Vázquez, G. (2013). El pronóstico de lluvias intensas para la Ciudad de
México. TIP Revista Especializada en Ciencias Químico-Biológicas, 16(1), 18-25.
Magaña, V., López, L. C., & Vázquez, G. (2013). El pronóstico de lluvias intensas para la Ciudad de
México. TIP Revista Especializada en Ciencias Químico-Biológicas, 16(1), 18-25.
Miao, Q., Welch, E. W., & Sriraj, P. S. (2019). Extreme weather, public transport ridership and
moderating effect of bus stop shelters. Journal of Transport Geography, 74, 125-133.
Miao, Q., Welch, E. W., & Sriraj, P. S. (2019). Extreme weather, public transport ridership and
moderating effect of bus stop shelters. Journal of Transport Geography, 74, 125-133.
Montijo Galindo, A., & Ruiz-Luna, A. (2018). El rol de la capacidad institucional como medida de
adaptación frente a eventos de precipitación extrema en el noroeste de México. Región y sociedad,
30(73).
Suhaila, J., Sayang, M. D., & Jemain, A. A. (2008). Revised spatial weighting methods for
estimation of missing rainfall data. Asia-Pacific Journal of Atmospheric Sciences, 44(2), 93-104.
Wang, H., Han, J., Su, M., Wan, S., & Zhang, Z. (2021). The relationship between freight transport
and economic development: A case study of China. Research in Transportation Economics, 85,
100885.
Yan, M., Chan, J. C., & Zhao, K. (2020). Impacts of urbanization on the precipitation characteristics
in Guangdong Province, China. Advances in Atmospheric Sciences, 37(7), 696-706.
Zúñiga, E., & Magaña, V. (2018). Vulnerability and risk to intense rainfall in Mexico: The effect of
land use cover change. Investigaciones geográficas, (95), 0-0.
Rosas Gutiérrez, J., & Chías Becerril, L. (2020). Los BRT¿ nuevo paradigma de la movilidad
urbana mundial?. Investigaciones geográficas, (103).
González, J. E., Ramamurthy, P., Bornstein, R. D., Chen, F., Bou-Zeid, E. R., Ghandehari, M., ... &
Niyogi, D. (2021). Urban climate and resiliency: A synthesis report of state of the art and future
research directions. Urban Climate, 38, 100858.
Huo, F., Xu, L., Li, Y., Famiglietti, J. S., Li, Z., Kajikawa, Y., & Chen, F. (2021). Using big data
analytics to synthesize research domains and identify emerging fields in urban climatology. Wiley
Interdisciplinary Reviews: Climate Change, 12(1), e688.
Ochoa, C. A., Quintanar, A. I., Raga, G. B., & Baumgardner, D. (2015). Changes in intense
precipitation events in Mexico City. Journal of Hydrometeorology, 16(4), 1804-1820.
Mangal, P., Rajesh, A., & Misra, R. (2020, June). Big Data in Climate Change Research:
opportunities and Challenges. In 2020 International Conference on Intelligent Engineering and
Management (ICIEM) (pp. 321-326). IEEE.
Lorenz, J. M., Kronenberg, R., Bernhofer, C., & Niyogi, D. (2019). Urban rainfall modification:
observational climatology over Berlin, Germany. Journal of Geophysical Research:
Atmospheres, 124(2), 731-746.
Henríquez, C., & Romero, H. (Eds.). (2019). Urban Climates in Latin America. Springer.
https://www.unescap.org/sites/default/files/bulletin87_6%20Road%20to%20equal
%20access_Thynell.pdf
https://eprints.whiterose.ac.uk/154766/7/Lucas%202018%20JTG.pdf
Simões, L., Ladeiro, L., Bernardino, J., & Pedrosa, I. (2021, June). The Usage of Big Data and Data
Analytics in the Study of Climate Change. In 2021 16th Iberian Conference on Information Systems
and Technologies (CISTI) (pp. 1-6). IEEE.
Anderson, C. (2008). The end of theory: The data deluge makes the scientific method
obsolete. Wired magazine, 16(7), 16-07.
Chu, W. W. (2014). Data mining and knowledge discovery for Big Data. Studies in Big Data, 1, 153-
192.
Torre-Bastida, A. I., Del Ser, J., Laña, I., Ilardia, M., Bilbao, M. N., & Campos-Cordobés, S. (2018).
Big Data for transportation and mobility: recent advances, trends and challenges. IET Intelligent
Transport Systems, 12(8), 742-755.
De Mauro, A., Greco, M., & Grimaldi, M. (2016). A formal definition of Big Data based on its
essential features. Library Review.
Andrienko, G., Andrienko, N., Chen, W., Maciejewski, R., & Zhao, Y. (2017). Visual analytics of
mobility and transportation: State of the art and further research directions. IEEE Transactions on
Intelligent Transportation Systems, 18(8), 2232-2249
Huo, F., Xu, L., Li, Y., Famiglietti, J. S., Li, Z., Kajikawa, Y., & Chen, F. (2021). Using big data
analytics to synthesize research domains and identify emerging fields in urban climatology. Wiley
Interdisciplinary Reviews: Climate Change, 12(1), e688.
Li, S., Dragicevic, S., Castro, F. A., Sester, M., Winter, S., Coltekin, A., ... & Cheng, T. (2016).
Geospatial big data handling theory and methods: A review and research challenges. ISPRS
journal of Photogrammetry and Remote Sensing, 115, 119-133.