Exposición del Metrobús ante eventos de precipitación fuerte,

moderada y débil

Introducción

Datos climáticos y de transporte

Los datos climáticos y de transporte son generados como nunca en la historia de la
globalización. La caída en los costos de producción de información y de comunicarse ha
propiciado cambios en la forma de relacionarnos con el clima urbano y de desplazarnos
sobre la ciudad.

La capacidad mundial de almacenamiento, las telecomunicaciones y la capacidad de

cómputo han crecido exponencialmente en las últimas tres décadas (Baldwin, ). Pasamos de
un mundo de cartas y costosas llamadas por teléfono, a uno de redes socio-digitales y a uno
en el que las actividades relacionadas con la movilidad urbana se vieron afectadas por la
pandemia propiciada por el virus COVID-19. Los cambios tecnológicos han propiciado la
emergencia de lo que ha sido conocido como “Big Data”, macrodatos o datos masivos.

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.

La definición de big data es controvertida y evolutiva. Como suele suceder, lo que se

entiende por el concepto se va adaptando al campo en el que es aplicado. Su uso es difuso y
nebuloso. Una definición de partida ampliamente citada en la literatura académica es la de
Mauro et. al. (2016): “big data es todo aquel conjunto de información caracterizada por su
alto volumen, velocidad y variedad que requiere del uso de tecnologías y métodos
analíticos para su transformación en valor”.

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.

Centrada en el concepto de isla de calor urbano, la climatología urbana se ha extendido a

otras dimensiones del clima de las ciudades.

El sistema climático urbano se compone de los subsistemas termodinámico,

hidrometeorológico y físico químico.

Estos provienen de cuatro fuentes: modelos climáticos, observaciones in situ, satélite y

paleoclimáticos.

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.

El tipo de transporte es importante en cuanto a la generación de datos. Ya que

recientemente el transporte público se ha sensorizado y es posible conocer en tiempo real la
ubicación de los vehículos, los tiempos de espera y la cantidad de viajeros. Mientras que los
repositorios de datos de movilidad individual suelen ser de propiedad privada,
pertenecientes a empresas del sector.

Como se ha visto, la velocidad y el volumen tanto de datos climáticos como de transporte

crecen a una velocidad mayor a la capacidad de procesamiento y análisis de la información.
Es necesario que se sigan investigando las formas de darle valor a los datos, a partir de la
armonización de datos climáticos y de transporte.

Eventos de precipitación en la Ciudad de México

La precipitación pluvial es un elemento natural necesario para el buen funcionamiento de

los ecosistemas. La sociedad ha dependido históricamente de las lluvias para las actividades
que permiten el sostenimiento de la vida. Limpia el aire, regula la temperatura del planeta y
recarga los cuerpos de agua. La falta o el exceso de esta tiene repercusiones sociales y
económicas que pueden derivar en desastres naturales. En un extremo, la falta puede
conducir a sequías severas. En otro extremo, el exceso puede ocasionar inundaciones
devastadoras.

La urbanización agrava los efectos de las precipitaciones (Zhang, et. al., 2018).

Además, se ha comprobado que la urbanización incrementa los eventos de precipitación

extrema (Mishra y Lettenmaier, 2011).

Hay precipitaciones que son consideradas extremas. La definición de los eventos de

precipitación extrema se ha realizado desde dos concepciones distintas, que no están
exentas de ser combinadas. La definición parte de umbrales absolutos y umbrales relativos
de la precipitación. Y resulta más adecuado utilizar una u otra dependiendo de la
climatología del lugar que se estudia, de la región del planeta en la que se encuentre y de
las características de los datos disponibles.

Existen intentos por estandarizar una definición de estos, como la propuesta de

Climdex. Proyecto colaborativo de la australiana Universidad del Nuevo Gales del Sur.
Desde donde se proponen 27 índices para eventos climáticos extremos tanto de temperatura
como de precipitación. De los cuales 13 de ellos tienen que ver con niveles de precipitación
y buscan una definición a partir de criterios tanto absolutos como relativos.

La definición basada en criterios absolutos requiere del establecimiento de una

cantidad que se fija como umbral. Cuando llueve por encima de ese umbral, entonces puede
decirse que se trata de un evento de precipitación extrema. En Estados Unidos, por ejemplo,
se considera que son lluvias extremas cuando superan los 50.8 mm por día. En China,
donde llueve abundantemente, cuando en ese mismo marco temporal la precipitación es
mayor a 100 mm. También existen distintos niveles de lluvias extremas, como en la India,
donde se usan los valores de 64.5, 124.5 y 244.5, para definir la precipitación intensa, muy
intensa y extremadamente intensa (). La mayoría de los estudios sobre eventos de
precipitación extrema para México utilizan diversos umbrales absolutos, dependiendo de la
región de la que se trate. Por ejemplo, para el sur-sureste de México se consideran extremas
aquellas que rebasan los 80 mm diarios (Zitácuaro, 2011).

La definición centrada en umbrales relativos depende de las características de la

distribución estadística de los datos de precipitación. Suelen usarse los percentiles 90, 95 y
99 de la precipitación diaria para determinar los eventos extremos.

No existe consenso en torno a la clasificación de la intensidad de la precipitación.

Como se vio arriba, suelen tomarse los valores diarios para la determinación de eventos
extremos. Las métricas por hora son menos utilizadas y varían según la climatología del
lugar. Según Cedrés (2020) lluvias fuertes son aquellas que van entre los 15 y 30 mm en
una hora; lluvias muy fuertes, aquellas que van entre los 30 y los 60 mm en una hora;
lluvias torrenciales, aquellas que superan los 60 mm en una hora. De acuerdo con Breña-
Naranjo () una lluvia ligera es la que se encuentra entre 5 y 9.99 mm/h, moderada entre 10
y 15.99, fuerte entre 16 y 39.9 y muy fuerte cuando es superior a los 40 mm/h. Siguiendo la
clasificación de la Agencia Estatal de Meteorología se tiene que una lluvia débil es aquella
que se encuentra entre 0.1 y 2mm/h; moderada, entre 2.1 y 15 mm/h; fuerte, entre 15.1 y 30
mm/h; muy fuerte, entre 30 y 60 mm/h y se trata de lluvias torrenciales cuando superan los
60 mm/h.

El cambio climático afecta de manera diferenciada a países y regiones a lo largo del

mundo. De la misma manera, al interior de las ciudades se experimentan impactos distintos
en sus regiones. Los eventos de precipitación extrema están fuertemente asociados al
cambio climático. Comprobándose además que distintos sistemas sociales e
infraestructurales pueden ser afectados por el incremento en el nivel del mar, las altas
temperaturas y sequías extremas. La atención en el cómo se ven afectado los sistemas de
transporte ha sido afectados (Koetse).

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.

En México, los eventos climáticos extremos relacionados con los fenómenos

meteorológicos afectan al bienestar de la población en alrededor de 10 millones de personas
son afectadas anualmente: 6 por tormentas, 3 por inundaciones y 1 por sequías (Nagy, et.
al., 2018). Mediante reportes realizados por la población CENAPRED ha documentado que
entre 1970 y 2010 se ha incrementado la cantidad de inundaciones y según CONAGUA y
Desinventar, estas suceden entre los meses de junio y octubre (Zúñiga y Magaña, 2018).

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.

Se espera una inversión en la distribución espacial de los eventos

hidrometeorológicos en México. En el norte, que ha sido afectado por las bajas
precipitaciones, se esperan aumentos en el número de días con lluvias fuertes. Mientras
tanto, en el centro y el sur, caracterizados por ser muy lluviosos, se esperan reducciones.
Además se espera que los ciclones tropicales, que ocurren entre mayo y noviembre,
responsables de hasta el 50% de la precipitación anual en algunas regiones del país,
influyan a la alza en la intensidad de los eventos de precipitación extrema (Montijo y Ruiz-
Luna, 2018).

La Ciudad de México está en una cuenca endorreica ubicada en el eje neovolcánico.

Al sur se encuentra rodeada por las montañas de El Ajusco, al este por la Sierra Nevada al
este y Sierra de Las Cruces al oeste. A lo largo de las cuales se extienden cerca de 50 ríos.
Que antiguamente formaron el ambiente lacustre sobre el que se erigió (Munive, 2019).

La Ciudad de México se caracteriza por sus precipitaciones abundantes. Donde se

suelen diferenciar umbrales para el poniente y el oriente de la urbe, siendo 30 mm y 15 mm
diarios respectivamente (Magaña, et. al., 2003). La temporada de lluvias en la Ciudad de
México tiene lugar principalmente en los meses de verano. Extendiéndose desde mayo
hasta octubre, meses en los que cae el 80% de la precipitación anual (Díaz-Padilla, et. al.,
2011). Principalmente en el poniente de la ciudad. Estando determinada por la orografía y
las ondas tropicales provenientes del este. Documentándose que los eventos climáticos
extremos se han incrementado a lo largo del siglo XX (Magaña, et. al., 2013). Otros
autores, que han estudiado las precipitaciones en la Ciudad de México, como Magaña, et.
al. (2013) y consideran como lluvias intensas a aquellas que superan los 20 mm/h.

Exposición del Metrobús ante eventos de precipitación

La vulnerabilidad es “… el grado en que un sistema es susceptible a, e incapaz de hacer
frente a los efectos adversos del cambio climático, incluyendo la variabilidad y los
extremos climáticos. La vulnerabilidad es una función del carácter, magnitud y rapidez del
cambio climático y la variación a la que un sistema se encuentra expuesto, su sensibilidad y
su capacidad de adaptación” (Parry, et. al., 2007).

En los estudios del transporte, es clásica ya la definición de vulnerabilidad desarrollada por

Bérdica (2002) en el contexto de transporte rodado, desde se entendió la vulnerabilidad
como: “la susceptibilidad a incidentes que pueden resultar en reducciones de la capacidad
de servicio de la red de carreteras (Bérdica, 2002).

Cuadro 1. Características de las líneas del sistema Metrobús

Línea Color Longitud Estaciones Afluencia Pasajeros por

(km) diaria kilómetro al día
 1 Rojo 30 46 186,000 6,000
2 Morado 20 83,000 4,000
3 Verde 17 33 75,500 4,500
4 Naranja 28 35 38,000 1,500
5 Azul 24.5 18 79,500 3,200
6 Rosa 20 38 88,000 4,500
7 Verde bandera 15 31 60,500 4,000
Fuente: elaboración propia con datos del Metrobús.

Gráfica 1. Afluencia diaria en todas las estaciones del Sistema Metrobús

Fuente: elaboración propia con datos del Sistema Metrobús.

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.

Cuadro 2. Fuentes de datos de precipitación para la Ciudad de México

Fuente Variable Resolución espacial Resolución

temporal
SMN  Precipitación 16 estaciones en Diaria, con más de
acumulada operación  40 años de
(mm)  antigüedad. 
OHIIUNAM Precipitación 50 terminales en Cada minuto, con
(Observatorio acumulada operación registros de 2016 a la
Hidrológico del (mm), intensidad fecha.
Instituto de (mm/h) y
Ingeniería de la número de gotas
Universidad
Nacional Autónoma
 de México)
CLICOM (ERIC III) Precipitación 60 1920 a 2012
acumulada (mm)
Fuente: elaboración propia.
Se decidió trabajar con los datos de precipitación de las estaciones operadas del
Observatorio Hidrológico del Instituto de Ingeniería de la Universidad Nacional Autónoma
de México (OHIIUNAM) debido a la mejor resolución espacio-temporal de sus datos con
respecto a los del Sistema Meteorológico Nacional.

El OHIIUNAM

Estos datos de precipitación fueron descargados manualmente del repositorio del

OHIIUNAM, que se encuentra alojado en la dirección de internet del Mapa de lluvia, uno
de sus proyectos: oh-iiunam.mx/mapalluvia2.html.

Cuadro 3 Estaciones meteorológicas del OHIIUNAM

Alcaldía Estaciones Nombres

Azcapotzalco 1 UAM Azcapotzalco
Gustavo A. Madero 6 Cuautepec, CCH Vallejo, Indiosver, Bondojito,
Prepa3 y Aragón
Miguel Hidalgo 3 Tacuba, Polanco y Prepa 4
Cuauhtémoc 3 Tlatelolco, Sacmex y Condesa
Venustiano 1 Balbuena
Carranza
Cuajimalpa 3 Vista Hermosa, Cuajimalpa y Acopilco
Álvaro Obregón 3 Prepa 8, Centenario y San Bartolo
Benito Juárez 1 Zapata
Iztacalco 2 Pantitlán y Prepa 2
La Magdalena 3 Derechos Humanos, Magdalena Contreras y San
Contreras Bernabé
Coyoacán 3 II UNAM, Taxqueña y Culhuacán
 Iztapalapa 4 CCH Oriente, Mexicaltzingo, Iztapalapa y
Meyehualco
Tláhuac 1 Nopalera
Milpa Alta 2 Milpa Alta y Cuautenco
Xochimilco 3 Tulyehualco, San Gregorio y Cuemanco
Tlalpan 8 Prepa 5, Coapa, La Joya, Padierna, Picacho, AMC,
Ajusco y Topilejo
Fuente: elaboración propia.
Marginación urbana
Mapa 1. Índice de Marginación Urbana por estación de Metrobús

Fuente: elaboración propia con datos del Índice de Marginación Urbana 2020.
Métodos
Interpolación basada en la ponderación del inverso de la distancia (IDW)

El problema de los datos faltantes es común en las investigaciones climatológicas y

meteorológicas en las ciudades. Debido a las limitantes que imponen la topografía y los
usos del suelo para la localización de los aparatos, en particular las restricciones impuestas
por la urbanización, el estado técnico de los mismos y la sensibilidad que tienen para
detectar los cambios en la precipitación.

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”.

Dos métodos que han sido utilizados recurrentemente en la literatura: el método de

la razón normal y el de la distancia inversa ponderada. El primero, consiste en emplear la
razón de los valores normales de las próximas 3 estaciones o más para completar las
estaciones con datos faltantes. Carrera-Villacrés (2016). El segundo, asume que entre más
cercanos se encuentren dos puntos, serán más parecidos que los lejanos. Otros métodos son
la regresión lineal, los polígonos de Thiessen, el krigging y el co-krigging. A pesar de la
popularidad del IDW, se ha encontrado que el krigging y el co-krigging producen mejores
resultados (Suhaila, et. al., 2008; ).
 Mapa 2. Interpolación IDW para el 15 de septiembre de 2020 a las 7 p.m.

Fuente: elaboración propia con datos del OHIIUNAM

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

Débil Moderada Fuerte

Julio 17,687+2,991 = 20,672 3,927+249=4,176 56 + 0 = 56
Agosto 19,083+133=21,638 3,737+15=3,752 56+0=56
 Septiembre 11,694+ 4,293=15,987 2,079+48=2,127 62+ 0 =62
Octubre 3,538+173=3,711 821+121=942 10+0=10
Noviembre + =1,175 12+0=12 0+0=0
Diciembre 327+5=332 0 0
Enero 1,685+0=1,685 188+0=188 0
Fuente: elaboración propia con base en datos del OHIIUNAM.
Localización de las precipitaciones fuertes
 Mapa 3. Ocurrencia de precipitaciones fuertes

Fuente: elaboración propia con base en datos del OHIIUNAM.

.

Distribución temporal de las precipitaciones fuertes

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.

Durante el mes de julio el 50% de los eventos de precipitación fuerte impactaron a

las líneas 1, 2 y 5. 30% de los eventos que afectaron a la línea 1 fueron 14 que se
concentraron a las 20 horas, 2 a las 19 y 1 a las 16. El 10% a la línea 2, con 6 eventos que
ocurrieron a las 20 horas. A la misma hora 1 evento afectó a la línea 3. Dos impactaron a la
línea 4 a las cinco de la tarde. Seis eventos impactaron a la línea 5 pero se desconoce a que
hora sucedieron debido a valores perdidos. 5 eventos afectaron a la línea 6. 1 evento a la
línea 7.

Durante agosto también ocurrieron 56 eventos de precipitación fuerte. Se

distribuyeron de manera distinta que los que impactaron al sistema durante julio tanto
espacial como temporalmente. Siete de ellos afectaron a la línea 1, 2 a las 17 horas y 5 a las
21. La línea 2 fue afectada por 3 eventos que ocurrieron a las 21 horas. Siete eventos
afectaron a la línea 3 a las nueve de la noche. Doce eventos a las 21 horas afectaron a la
línea 4. A las 5 y a las 9, 4 y 2 eventos impactaron en la línea 6. Doce lluvias fuertes
ocurrieron entre las 14 y las 16 horas impactando a la línea 7. Los eventos restantes para el
total de las lluvias fuertes fueron 15 y afectaron a la línea 5.

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.

Las lluvias fuertes de la temporada de lluvias se concentraron en determinados días

de la temporada, que fueron los que se muestran en la gráfica 1.

Distribución por día de la semana

El comportamiento de los eventos según el día de la semana se muestra en la gráfica

1. Se encontró que durante la temporada de lluvias de 2020 las precipitaciones fuertes
ocurrieron principalmente los días entre semana. Los días que resultaron más afectaron
fueron los martes y los viernes, en los que hubo 9.5 y 9 eventos en promedio. Los
domingos hubo más lluvias fuertes que lo sábados, con un promedio de dos ocurrencias.

Gráfica 2. Eventos de precipitación fuerte por día de la semana

Fuente: elaboración propia con base en datos del OHIIUNAM.

Se encontró que estadísticamente son significativas al 90% de confianza las diferencias sábado-
viernes, sábado-martes, martes-lunes.

Distribución por hora del día

Gráfica 3. Eventos de precipitación fuerte por hora del día

Fuente: elaboración propia con base en datos del OHIIUNAM.

Estadísticamente se pusieron a prueba las diferencias de medias de las horas en las que
sucedieron los eventos de precipitación fuerte.

No se encontraron diferencias estadísticamente significativas para la mayoría de las horas.

Se encontró que fueron estadísticamente significativas las medias de los pares: 22-20, 23-
20, 20-18, 20-16, 20-11, 20-10 y 20-00.

Índice de exposición del Metrobús ante precipitaciones débiles

El Índice de Exposición del Metrobús es un índice multiplicativo calculado a nivel de

estación. Determinado por los eventos de precipitación débil (epd), la afluencia promedio
(ap) y una adaptación a la ecuación del Índice de Marginación Urbana 2020 (imu).
IEM =epd∗ap∗imu
Anexos
Anexo 1. Eventos por kilómetro de eventos de precipitación fuerte, moderada y débil

Línea Longitu Fuerte Eventos Moderada Eventos Débil Eventos

d (km) por km por km por km
1 30 39 1.3 1,941 64.7 11,871 395.7
2 20 20 1 1,350 67.5 8,187 409.3
3 17 11 0.6 1,204 70.8 7,687 452.1
 4 28 14 0.5 2,677 95.6 13,427 479.5
5 24.5 68 2.7 1,647 67.2 9,413 384.2
6 20 11 0.5 1,039 51.9 7,419 370.9
7 15 21 1.4 1,339 89.2 7,196 479.7
Fuente: Elaboración propia con datos del Metrobús.

Bibliografía

BREÑA-NARANJO, A. G. U. S. T. Í. N. REAL-TIME AND DISCRETE PRECIPITATION

MONITORING IN MEXICO CITY: IMPLEMENTATION AND APPLICATION.

Carrera-Villacrés, D. V., Guevara-García, P. V., Tamayo-Bacacela, L. C., Balarezo-Aguilar, A. L.,

Narváez-Rivera, C. A., & Morocho-López, D. R. (2016). Relleno de series anuales de datos
meteorológicos mediante métodos estadísticos en la zona costera e interandina del Ecuador, y
cálculo de la precipitación media. Idesia (Arica), 34(3), 81-90.

Cedrés Hernández, E. (2020). Estudio de precipitaciones extremas en las isla de La Palma.

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.

López, P. E. B. (2021). Autocorrelación espacial-Índices para determinar su presencia en datos

geográficos: Breve revisión de la literatura. Universidad-Verdad, (78), 48-61.

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).

Siabato, W., & Guzmán-Manrique, J. (2019). La autocorrelación espacial y el desarrollo de la

geografía cuantitativa. Cuadernos de Geografía: Revista Colombiana de Geografía, 28(1), 1-22.

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.

i Agut, R. M. EL ÍNDICE n DE LA PRECIPITACIÓN INTENSA.

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.

H. Antunes, P. Figueiras, R. Costa, J. Teixeira and R. Jardim-Gonçalves, "Analysing Public

Transport data through the use of Big Data tecnhologies for urban mobility," 2019 International
Young Engineers Forum (YEF-ECE), 2019, pp. 40-45, doi: 10.1109/YEF-ECE.2019.8740816.

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.