AIHR AIIH

XXIII CO GRESO LATI OAMERICA O DE HIDRÁULICA

CARTAGE A DE I DIAS COLOMBIA, SEPTIEMBRE 2008

UEVOS CAMPOS DE PRECIPITACIÓ PROMEDIA

A UAL PARA COLOMBIA

Oscar David Álvarez1, Jaime Ignacio Vélez2, Germán Poveda2

1 Postgrado en Aprovechamiento de Recursos Hidráulicos, Facultad de Minas, Universidad acional de Colombia.
Posición actual: Estudiante de Doctorado, Grupo de Investigación en Hidrogeología, Universidad Politécnica de
Valencia. osdaalvi@gmail.com.
2 Profesor Asociado, Postgrado en Aprovechamiento de Recursos Hidráulicos, Facultad de Minas, Universidad
acional de Colombia, Sede Medellín, Colombia. jivelezu@unalmed.edu.co, gpoveda@unalmed.edu.co.

RESUME :

Se han estimado cinco nuevos campos de precipitación media anual para Colombia, a una
resolución espacial de 4 km, a partir de metodologías geoestadísticas que consideran
cuantitativamente la información proveniente de las estaciones junto con información de radar
extraída de la base de datos TRMM. Los algoritmos empleados fueron kriging con deriva externa,
cokriging estandarizado, cokriging colocalizado, cokriging markoviano y cokriging indicador.
Mediante los procedimientos de validación cruzada y análisis univariados y bivariados de los
residuales, se encontró que kriging con deriva externa proporciona las mejores estimaciones y
cokriging indicador modela coherentemente la incertidumbre de la precipitación. A pesar de lo
anterior, mediante un análisis cualitativo de campos resultantes, se concluye que todos los campos,
con excepción del obtenido mediante cokriging estandarizado, manifiestan características físicas
ampliamente comentadas por diferentes autores. Cualquiera de los campos de precipitación
obtenidos, con excepción del estimado con cokriging estandarizado, puede ser empleado de manera
confiable en un análisis hidrológico, puesto que superan a los campos de precipitación existentes.

ABSTRACT:

Five new annual average precipitation fields are estimated at 4 km spatial resolution for Colombia.
For estimation purposes we used diverse multivariate geostatistical methods, linking data from
raingauges for the period 1950-2005, along with satellite data from the Tropical Rainfall Measuring
Mission (TRMM) for the period 1999- 2005. TRMM data set was used as a drift for the following
geostatistical methods: (i) kriging with an external drift, (ii) standardized cokriging, (iii) collocated
cokriging, Markov regionalization collocated cokriging and (v) indicator cokriging. A cross-
validation procedure was developed to ensure the reliability of the estimated precipitation fields.
Towards that end, univariate and bivariate analyses of residuals were performed, allowing to
identify that the best (worst) estimated rainfall fields was produced with kriging with external drift
(standardized cokriging). Indicator cokriging provides a realistic quantification of precipitation
uncertainty. Visual analyses were also performed to test for consistency of the resulting
precipitation fields. Any of the three best fitted precipitation fields can be be used for diverse
applications including hydrology, meteorology, climatology, ecology, agriculture, human health,
risks and disaster prevention, and many other applied sectors in Colombia.

PALABRAS CLAVES:

Precipitación, kriging, TRMM.

I TRODUCCIÓ

Múltiples tareas de investigación, así como diversas aplicaciones prácticas demandan un

conocimiento detallado de la distribución espacial de la precipitación. La complejidad hidrológica,
climática, ecológica, geográfica, y topográfica de Colombia hacen aún más compleja esa tarea. Lo
anterior se hace particularmente evidente en regiones tropicales montañosas de Colombia, pues,
como lo confirman estudios anteriores, su alta variabilidad se manifiesta en un amplio rango de
escalas espaciales y temporales (Mesa et al, 1997, Poveda, 2004, Poveda et al., 2007). Este trabajo
tiene el propósito de presentar estimaciones nuevas del campo promedio de precipitación promedia
anual para Colombia, usando métodos geo-estadísticos de interpolación.

ZO A DE ESTUDIO

Considerando el hecho de que los factores que influyen sobre la física del fenómeno de la
precipitación en el territorio colombiano varían de acuerdo con la región de análisis, el territorio
colombiano se ha dividido en 6 regiones: Andina [0° N a 8.5° N, 76.5° W a 72° W], Pacífica [0° N
a 8.5° N, 80° W a 76° W], Caribe [7.5° N a 13° N, 80° W a 70° W], Orinoquía y Amazonía [5° S a
8° N, 75.5° W a 66.5° W], Ecuador [5° S a 2.5° N, 80.0° W a 73° W] y Venezuela [7.5° N a 13° N,
73° W a 66.5°W].

I FORMACIÓ UTILIZADA

Para los propósitos del estudio se utilizó información de precipitación en Colombia y en los países
vecinos proveniente de diferentes fuentes. Sobre el territorio de Colombia se cuenta en total con
información de precipitación en 1180 estaciones de registro (Figura 1), las cuales han sido
obtenidas de Cenicafé (con registros mensuales de longitud variable entre 13 y 57 años), CVC, el
trabajo de Eslava (1995), IDEAM (Poveda et al, 2007), el trabajo realizado por Mesa et al (1997),
así como las bases de datos del proyecto LBA (Large-Scale Atmosphere-Biosphere Experiment in
Amazonia; http://www.lba-hydronet.sr.unh.edu), Empresas Públicas de Medellín (con registros
mensuales de longitud variable entre 24 y 50 años) y el trabajo realizado por Rangel y Arellano
(2004). Para los países vecinos se ha utilizado información de diversas fuentes, como lo son la
LBA, la base de datos HyBam (Hidrología da Bacía Amazónica, fuente de acceso gratuito en la
página web http://golden.teledetection.fr/ gerard/whybam2/whybam.php), con registros mensuales
de longitud variable entre 6 y 41 años.

Figura 1. Zona de estudio y localización de las estaciones de precipitación utilizadas

Para refinar las estimaciones se estimó un campo de precipitación media anual, con una resolución
espacial de 4 km, con base en la información del sensor PS del satélite Tropical Rainfall
Measurement Mission, TRMM (ver http://trmm.gsfc.nasa.gov/), para el periodo comprendido entre
noviembre de 1997 y diciembre de 2002. La información proporcionada por la misión TRMM
consiste en una banda de cierto ancho correspondiente a la trayectoria de desplazamiento del
satélite, por lo cual no se tiene información densamente muestreada para toda la zona de estudio en
cada intervalo de tiempo. Sin embargo, se consideró valioso incorporar la información de
precipitación del satélite TRMM en el procedimiento de estimación debido a que estudios previos
muestran que esta puede caracterizar adecuadamente el comportamiento de la lluvia en Colombia a
diferentes escalas espaciales y temporales, como lo muestran trabajos acerca de los sistemas
convectivos de mesoaescala (Zuluaga y Poveda, 2005 y Mejía y Poveda, 2005).

ALGORTIMOS DE ESTIMACIÓ

Para estimar los campos de precipitación se utilizaron algoritmos geoestadísticos multivariados. La

variable principal está conformada por los registros de precipitación media anual estimadas con
base en las series temporales de los registros de las estaciones en tierra. La variable secundaria está
densamente muestreada y corresponde al campo de precipitación media anual obtenido usando la
base de datos TRMM. A continuación se hace una descripción corta de los algoritmos de estimación
empleados.

Kriging con deriva externa, KDE. Es un algoritmo que usa información externa para derivar la
media local del tributo primario z, y ejecuta el kriging simple de los residuales correspondientes:

[ ]
n (u )
z KED (u ) − m KED (u ) = ∑ λ KDE
a (u ) z (u a ) − m KED (u a ) [1]
a =1

donde mKDE(u)=a0+a1y(u), λ son los factores de ponderación y u es la localización del atributo a

estimar. Los coeficiente a0(u) y a1(u) se estiman implícitamente a través del sistema de kriging
dentro de cada vecindad de búsqueda. En otras palabras, la relación entre las variables principal y
secundaria se hace localmente, lo cual cuantifica los cambios de la correlación en el área de estudio.
La expresión para la estimación KED es:

n (u )
*
z KED (u ) = ∑ λaKED (u ) z (u a ) [2]
a =1

los factores de ponderación son las soluciones del siguiente sistema lineal de n(u)+2 ecuaciones:

n (u ) KED
 ∑ λ β (u )λ R (u a − u β ) + µ o (u ) + µ1 (u ) y (u a ) = γ R (u a − u ); a = 1,..., n(u )
KED KED

nβ(=u1)

 ∑ λ β (u ) = 1
KED
[3]
 β =1
n (u ) KED
 ∑ λ β (u ) y (u β ) = y (u )
 β =1
donde µ0 y µ1 son dos parámetros lagrangianos que tienen en cuenta los límites para las
ponderaciones y γ(u) es el valor del variograma a una distancia u.

Cokriging estandarizado, CKE. En algunas ocasiones los datos primarios y secundarios

corresponden a una misma variable que ha sido medida con diferentes procedimientos; por ejemplo,
datos que se miden en laboratorio y datos que se miden en el campo. En general, las incertidumbres
en la medición son usualmente mayores para los datos obtenidos en campo, por lo cual los
variogramas obtenidos, γ(u), con dichos datos presentan un mayor efecto pepita que los variogramas
obtenidos con datos de laboratorio. El algoritmo de CKE puede tener en cuenta esta característica.
El estimador es:

n1 ( u ) n12 ( u )
*
z CKE (u ) = ∑ λCKE
a
a1 =1
(u ) z (u a ) +
1 1 ∑λ
a2 =1
CKE
a2 (u ) z (u a2 ) [4]

y los factores de ponderación para el estimador son las soluciones del siguiente sistema de
ecuaciones:

n1 (u ) CKE n2 ( u )

 ∑ λβ1 γ 11 (u a 1 − u β1 ) + ∑ λβ 2 γ 12 (u a 1 − u β 2 ) + µ (u ) =γ 11 (u a1 − u ), a1 = 1,..., n1 (u )
CKE CKE

 β1 =1 β 2 =1
n1 (u ) CKE n2 ( u )

 ∑ β1 21 a 2
λ γ − + ∑ λCKE
β 2 γ 22 (u a 2 − u β 2 ) + µ (u ) =γ 12 (u a2 − u ), a 2 = 1,..., n2 (u )
CKE
(u u β1 ) [5]
 β1 =1 β 2 = 1
n1 (u ) CKE n2 ( u )

 ∑ β1 λ ( u ) + ∑ λCKE
β 2 (u ) = 1
 β1 =1 β 2 =1

Cokriging colocalizado, CKC. Esta metodología integra información secundaria densamente

muestreada a la estimación, considerando que la variable secundaria colocalizada en el punto donde
se va a estimar retiene toda la información de la correlación, puesto que atenúa la influencia de los
datos vecino. Se tiene un estimador de la siguiente forma:

n (u )
*
zCKC (u ) − m1 = ∑ λCKC
a (u )[z (ua ) − m1 ] + λ2 [z2 (u ) − m2 ] [6]
a =1

m1 y m2 son las medias globales de los las variables principal y secundaria respectivamente. Los
pesos del CKC son la solución al siguiente sistema de n(u)+2 ecuaciones lineales:

n (u ) CKC
 ∑ λβ γ 1 (u a − u β ) + λ2 (u )γ 12 (u a − u ) =γ 1 (u a − u ); a = 1,..., n(u )
CKC

 β =1
n ( u ) [7]
 ∑ λCKC β γ 12 (u − u β ) + λ2
CKC
(u )γ 2 (0) =γ 12 (0)
 β =1

Hipótesis de corregionalización Markoviana. Este algoritmo recurre a un modelo markoviano de

corregionalización tipo efecto pantalla, según el cual el dato duro o principal z1(u) oculta la
influencia de cualquier otro dato duro z1(u+h) con respecto al dato secundario colocalizado z2(u), es
decir que:

C12 (0)
C12 (h) = C1 (h) [8]
C1 (0)

Donde C1 es la autocorrelación de la variable principal y C12 es la correlación entre las variables

principal y secundaria.

Cokriging indicador colocalizado con hipótesis de regionalización Bayes-Markov. El estimador

presenta la siguiente forma:
 n (u )
F [u , zk | (n)] − mI ( zk ) = ∑ λCKCI
a (u )[I (ua1 , zk ) − mI ( zk )] + λ2 [Y (ua1 , zk ) − mY ( zk )] [9]
a =1

Donde F[u,zk|(n)] representa la probabilidad acumulada de la precipitación estimada para un umbral

zk correspondiente al k-ésimo decil de la función de probabilidad acumulada condicional, fpac,
global regional, mI(zk) es la media de la transformada indicadora de la variable principal I(uα1, zk),
Y(uα1, zk) es la probabilidad condicional de la información secundaria para un umbral zk de la
información principal y my(uα1, zk) es la media de Y para dicho umbral. λ son los factores de
ponderación y u es la localización del atributo a estimar. Entonces los factores de ponderación se
calculan resolviendo el siguiente sistema lineal:

n (u ) CKCI
 ∑ λβ CI (ua − uβ ) + λ2 (u )CIY (ua − u ) =CI (ua − u ); a = 1,..., n(u )
CKCI

 β =1
n ( u ) [10]
 ∑ λCKCI CIY (u − uβ ) + λCKCI (u )CY (0) =CIY (0)
 β =1 β 2

La hipótesis Bayes-Markov, aplicada a la transformada indicadora, afirma que un dato indicador de

la variable principal en la localización u, i(u; zk), apantalla la influencia de cualquier dato indicador
secundario colocalizado y(u; zk) en la estimación de la variable principal en cualquier otra
localización, u0, asi:

Pr ob( Z (u´) ≤ zk | i (u , zk ), y (u, zk )) = Pr ob{Z (u´≤ zk | i (u , zk ))} ∀ u , u´, zk [11]

Bajo lo establecido en la ecuación [11] se tienen las siguientes relaciones entre las autocovarianzas
y las covarianzas cruzadas de las variables indicadoras:

CIY(h; z) = B(z)CI(h; z); ∀ h

CY(h; z) = B2(z)CI(h; z); ∀ h > 0
CY(0; z) = Vc(z)2 + Vf (z)2

con:

CI(h; z) = Cov{I(u; z); I(u + h; z)}

m(1)(z) = E{Y (u; z)|I(u; z) = 1} ∈ [0; 1]
m(0)(z) = E{Y (u; z)|I(u; z) = 0} ∈ [0; 1]
B(z) = m(1)(z) - m(0)(z) ∈ [-1; 1]
σ2(1)(z) = Var{Y (u; z)|I(u; z)} = 1}
σ2(0)(z) = Var{Y (u; z)|I(u; z)} = 0}
F(z) = prob{Z(u) < z} = E{I(u; z)}
Vc(z)2 = F(z)[1 - F(z)]B(z)2
Vf(z)2 = F(z) σ2(1)(z) + [1 - F(z)] σ2(0)(z)

donde CI , CY y CIY son las autocovarianzas y covarianzas cruzadas respectivamente; h es el vector

separación entre puntos considerados; z es un valor umbral de la variable principal no transformada
Z; y los restantes términos son parámetros obtenibles a partir de los datos de calibración.
A ÁLISIS ESTRUCTURAL

El análisis estructural se hizo por regiones, de forma que, para cada una de las regiones de análisis
se obtuvo un modelo de corregionalización entre las variables principal y secundaria y se ajustaron
variogramas direccionales a los variogramas experimentales estimados. En las Tablas 1, 2 y 3 se
muestran los resultados de los análisis para los variogramas de las variables principal y secundaria y
los variogramas cruzados entre ambas. Para cada una de las regiones analizadas, con excepción de
las regiones Pacífica y Ecuador, se ha seleccionado un modelo de corregionalización isotrópico o
anisotrópico geométrico, cuyas expresiones pueden generalizarse de la siguiente manera:

 2
 h y  
2  2
 h y  
2
  hx    hx 
γ (h) = γ (h x , h y ) = C 0 + C1 Esf    +    + C 2 Esf    +    [9]
  a1x   a1 y     a2 x   a 2 y  
 

donde C0 es el efecto pepita isotrópico, C1 es la meseta de la primera estructura imbricada, a1x y a1y
son sus rangos iniciales en la dirección de menor y mayor variación, x y y, respectivamente; C2 es la
meseta de la segunda estructura imbricada, a2x y a2y son sus rangos finales en la dirección de menor
y mayor variación, x y y, respectivamente y Esf es un modelo permisible de variograma esférico.
Ahora bien, para las regiones Pacífica y Ecuatoriana, se ha seleccionado un modelo de
corregionalización anisotrópico zonal, cuya expresión es:

 hx  h 
γ (h) = γ (h x , h y ) = C 0 + C1Gau   + C 2 Gau  y  [10]
a 
 a1x   1y 

donde las variables se han definido previamente y Gau es un modelo de variograma Gaussiano.

Tabla 1. Parámetros ajustados de corregionalización para la precipitación media anual (estaciones).

Parámetro Andes Pacífico Atlántico Ama-Ori Ecuador Venezuela
Azimut [°] 30 30 40 Omnidir. 30 Omnidir.
C0 [mm2] 85000 80000 50000 210000 100000 80000
C1 [mm2] 1375000 2350000 1300000 2000000 750000 480000
a1x[m] 280000 120000 350000 700000 200000 350000
a1y[m] 80500 120000 150000 700000 200000 350000
C2 [mm2] No aplica 13100000 No aplica No aplica 1400000 No aplica
a2x[m] No aplica No aplica No aplica No aplica No aplica No aplica
a2x[m] No aplica No aplica No aplica No aplica No aplica No aplica
Anisotropía Geométrica Zonal Geométrica No aplica Zonal No aplica

Tabla 2. Parámetros ajustados de corregionalización para la precipitación media anual (TRMM).

Parámetro Andes Pacífico Atlántico Ama-Ori Ecuador Venezuela
Azimut [°] 30 30 40 Omnidir. 30 Omnidir.
C0 [mm2] 400000 250000 300000 200000 20000 170000
C1 [mm2] 1200000 1700000 1000000 250000 900000 370000
a1x[m] 280000 120000 350000 280000 200000 380000
a1y[m] 80500 120000 150000 280000 200000 380000
C2 [mm2] No aplica 3300000 No aplica 4500 1400000 No aplica
a2x[m] No aplica No aplica No aplica 700000 No aplica No aplica
a2x[m] No aplica No aplica No aplica 700000 No aplica No aplica
Anisotropía Geométrica Zonal Geométrica No aplica Zonal No aplica
 Tabla 3. Parámetros ajustados de corregionalización para los variogramas cruzados
Parámetro Andes Pacífico Atlántico Ama-Ori Ecuador Venezuela
Azimut [°] 30 30 40 Omnidir. 30 Omnidir.
C0 [mm2] 70000 50000 30000 30000 20000 60000
C1 [mm2] 1100000 1100000 950000 550000 550000 250000
a1x[m] 280000 120000 350000 700000 200000 380000
a1y[m] 80500 120000 150000 700000 200000 380000
C2 [mm2] No aplica 6500000 No aplica No aplica 1000000 No aplica
a2x[m] No aplica No aplica No aplica No aplica No aplica No aplica
a2x[m] No aplica No aplica No aplica No aplica No aplica No aplica
Anisotropía Geométrica Zonal Geométrica No aplica Zonal No aplica

A ÁLISIS ESTRUCTURAL PARA LA VARIABLE I DICADORA DE LA

PRECIPITACIÓ

La transformada indicadora i(u, k), para una variable regionalizada Z(u) y un umbral dado, zk, se
define como:

1 Si Z (u ) < z k
i (u , k ) =  [11]
0 Si Z (u ) ≥ z k

La variable indicadora presenta la propiedad de que una estimación no sesgada por mínimos
cuadrados, como lo es cualquier tipo de kriging, sobre ella proporciona el valor de una función de
probabilidad acumulada condicional, fpac, en una localización donde no se tienen observaciones de
la variable originas Z(u) (Goovaerts, 1997). En esta aplicación Z(u) corresponde a la precipitación
promedia anual. Análogamente a la precipitación, la estimación de fpac para ella requiera la
modelación de una regionalización por umbrales. En este caso se escogió modelar regionalizaciones
para los deciles de la fpac de la precipitación. El modelo anisotrópico escogido para cada umbral
tiene la siguiente forma:

 2 2 
  hx   h y  
γ I (h) = γ I (hx , h y ) = C0 + C1 Esf    +    [12]
  a1x   a1 y  
 

Donde las variables se definen de manera análoga que en el análisis estructural para la
precipitación. En el trabajo de Álvarez (2007) se presentan con detalle los valores ajustados de los
parámetros de regionalización por umbral y por región.

VALIDACIÓ DE LOS CAMPOS DE PRECIPITACIÓ OBTE IDOS

Los campos estimados para cada una de las seis regiones de estudio se ensamblaron para obtener un
campo de precipitación para toda la zona de estudio, según cada uno de los métodos usados. El
ensamble consistió en promediar los valores de las celdas comunes de campos adyacentes. Este
procedimiento genera aumento de la incertidumbre de estimación por agregación de valores en
píxeles adyacentes. Dicha incertidumbre se trabajo a partir de la expresión del error estándar del
promedio sobre los campos de desviaciones estándar de estimación.
Por otro lado, se observó que las estimaciones iniciales se obtuvieron campos de precipitación
bastante discontinuos en las regiones Amazonía-Orinoquía, Ecuador y las regiones oceánicas
vecinas. Con el fin de obtener campos suavizados en dichas regiones, más acordes con la física del
fenómeno de la precipitación, los campos estimados (para las zonas anteriormente comentadas
exclusivamente) fueron sometidos a un procedimiento de validación y post-procesamiento
consistente en la aplicación de un filtro de media por ventana móvil, del tipo Kernel, el cual
recalcula el valor de una celda de un mapa raster como el promedio de los valores de las celdas
ubicadas dentro de una ventana de búsqueda de tamaño determinado. En éste caso en particular, la
suavización se realizó utilizando una ventana móvil circular de 20 km de radio. Los campos de
precipitación promedia anual estimados en este trabajo para Colombia se presentan en la Figura 2.

La incertidumbre adicional generada por el procedimiento de suavización, análogamente al

ensamblaje, se trató a partir de los errores estándar para los valores contenidos dentro de la ventana
móvil sobre los campos de desviación estándar.

A ÁLISIS DE RESULTADOS

Los análisis que se presentan se basan en un análisis cuantitativo del comportamiento de los errores
de estimación y un análisis visual de las características de los campos estimados.

Análisis de errores. Con base en los valores de precipitación media anual estimados (Pest) y de
referencia (Pref) se ha realizado un análisis del comportamiento de los errores de estimación o
residuales, que se definen como R=Pref-Pest, para cada región de estudio con respecto a cada método
de estimación espacial implementado. Los errores se evalúan suprimiendo sistemáticamente las
observaciones reales de precipitación en las estaciones y realizando la estimación en la localización
correspondiente usando un nuevo conjunto muestral que no incluye la observación considerada.
Con el fin de tener una medida conjunta del sesgo y la dispersión de los se han calculado el error
medio absoluto (EMA) y el error medio cuadrático (EMC). Como se aprecia en la Tabla 4, los
errores absolutos medios y los errores cuadráticos medios son menores para las estimaciones
realizadas mediante KDE y CKCM, lo cual implica que, al menos desde una perspectiva puramente
cuantitativa, estas técnicas proporcionan las mejores estimaciones.

Análisis visual. Contrastando los campos de precipitación estimados en el presente trabajo con
aquellos de investigaciones previas (Mesa et al, 1997, Poveda et al., 2007), se destaca lo siguiente:

Los campos de precipitación estimados por todos lo métodos presentan una Región Atlántica seca,
con precipitaciones menores que 1500 mm/año, con tres zonas extremas de precipitación: el
extremo seco en el departamento de La Guajira, y dos extremos húmedos ubicados en la Sierra
Nevada de Santa Marta y otro ubicado en el sur del Departamento de Bolívar.

Con excepción del campo de precipitación interpolado mediante el algoritmo de CKE, se observa la
captura de los óptimos pluviométricos (Figura 3). Además, los campos obtenidos capturan la
influencia topográfica sobre la precipitación, los extremos húmedos de precipitación se presentan en
las laderas de barlovento de las cordilleras, mientras que la precipitación en las laderas de sotavento
o interiores a los valles interandinos es inferior. En general, se ha capturado el hecho de que la
precipitación disminuye con la altura, para altitudes mayores de 3000 msnm se estiman
precipitaciones menores a los 800 mm/año.

A pesar de que los mayores valores de precipitación media anual dentro del territorio colombiano se
presentan en la región Pacífica, ninguno de los campos estimados ha capturado el máximo
pluviométrico que se presenta en Lloró, departamento del Chocó (Poveda y Mesa, 2000), lo cual
pone de presente la fuerte influencia que tiene la información secundaria sobre la estimación, pues
dicha característica es similar a la manifestada por el campo estimado con la información de la
TRMM. Por otro lado, cada algoritmo de estimación estocástica tiene asociada una expresión que
cuantifica la incertidumbre de la estimación (ver Goovaerts, 1997). En este trabajo, la incertidumbre
asociada con la estimación de los campos de precipitación se ha representado en términos de la
desviación estándar y el coeficiente de variación (CV), el cual indica la proporción que representa la
desviación estándar de estimación con respecto al valor estimado mediante los algoritmos de
kriging empleados. En términos generales, se obtuvieron campos de incertidumbre que manifiestan
algunas tendencias comunes (ver Figura 4):

Se observa que los campos de incertidumbre de estimación para la precipitación en toda la región de
estudio muestran discontinuidades en las fronteras de las subregiones de análisis adyacentes. Ésta
característica se origina debido a que se han ajustado modelos de corregionalización independientes
por subregión. Con base en lo anterior y considerando además que las realizaciones disponibles de
la variable aleatoria modelada, precipitación promedia anual, varían por subregión, se tendrá que los
estimadores tipo kriging parten de modelos de funciones aleatorias completamente diferentes para
regiones adyacentes que comparten una zona de traslape, en donde, aunque los valores estimados
pueden llegar a ser muy parecidos, los cálculos de la varianza de estimación difieren bastante puesto
que éstos dependen de la meseta de los variogramas ajustados.

Como era de esperarse, para todos los algoritmos de estimación estocástica utilizados, los mayores
valores de incertidumbre se han estimado en las regiones del país donde no se presenta cobertura de
medición pluviométrica, específicamente, en las zonas Amazónica y en la Orinoquía Colombiana,
donde en muchas localizaciones se ha estimado que la desviación estándar calculada es el 40% del
valor estimado de precipitación, y en las regiones oceánicas, en las cuales, debido a la carencia
absoluta de registros pluviométricos, se ha encontrado que la desviación estándar pueden llegar
superar el valor de precipitación estimado. A pesar de que los valores para las desviaciones estándar
de estimación son bajos en las regiones Andina y Atlántica, en las localizaciones más secas, éstas
pueden llegar a ser un porcentaje bastante elevado del valor de precipitación estimado (CV
elevado). Por el contrario, en la región Pacífica los valores de desviación estándar de estimación de
la precipitación son bastante elevados, sin embargo corresponden una pequeña fracción de la
precipitación estimada (que se traduce en la estimación de un CV bajo). Así, en general, se
considera que los valores estimados en las localizaciones secas son más inciertos bajo el concepto
de coeficiente de variación.

Para terminar, es importante tener claro que la varianza de estimación de los algoritmos de
estimación de la familia del kriging, no representan el esquema espacial de variación de la
incertidumbre de la precipitación como variable aleatoria, lo cual se refleja en la discontinuidad de
los campos de incertidumbre estimados. A continuación se muestra que la modelación indicadora de
las funciones locales de probabilidad acumulada con base en la información secundaria exhaustiva
disponible, TRMM, hace posible representar, de una manera más física, el patrón de variación
espacial de la incertidumbre de la precipitación promedia anual.

Tabla 4. Tabla de resultados para el análisis de los errores de estimación

KDE CKE CKC CKCM
EAM ECM EAM ECM EAM ECM EAM ECM
Región
(mm) (mm2) (mm) (mm2) (mm) (mm2) (mm) (mm2)
Andina 358 308935 529 562237 425 369027 417 361245
Pacifíca 489 749274 619 866802 663 1203179 621 1076277
Atlántica 329 235793 889 1508537 424 331050 418 332184
Ama-Ori 400 333132 416 370892 464 445865 434 363223
Ecuador 327 269658 409 334451 587 844017 532 678729
Venezuela 488 480180 522 494003 432 446586 420 423042
 Figura 2. Nuevos campos de precipitación promedia anual para Colombia estimados mediante: (a) KDE,
arriba a la izquierda, (b) CKE, arriba a la derecha; (c) CKC, abajo a la zquierda, y (d) CKCM abajo derecha.

Figura 3. Preservación de los óptimos pluviográficos dos secciones latitudinales (a) por 4°N y (b) por 6°N,
para los campos estimados con KDE, CKE, CKC y CKCM.
MODELACIÓ DE LA I CERTIDUMBRE LOCAL DE LA PRECIPITACIÓ E
COLOMBIA A PARTIR DE LA APROXIMACIÓ I DICADORA

Para modelar la incertidumbre local de la precipitación media anual en cada zona de análisis se han
interpolado campos de probabilidad para cada umbral. Así, la estimación de las probabilidades
celda a celda se ha realizado con base en el análisis estructural indicador mostrado anteriormente.
Los pasos del procedimiento empleado para obtener las fpac para la precipitación fueron:

• Para cada región de análisis se estimó la fpa global de la precipitación con base en los promedios
anuales para cada estación. A partir dicha distribución de probabilidad se seleccionaron los nueve
umbrales correspondientes a los límites de precipitación asociados con los deciles de
probabilidad.
• Para cada umbral estimado se aplicó la transformación indicadora de los datos principales.
• Para cada umbral se aplicó la transformada indicadora secundaria para obtener un campo de
probabilidades condicionales iniciales.
• Se realizó el análisis estructural de la variable indicadora principal en cada uno de los umbrales y
para cada región
• Se estimaron los campos de probabilidad por regiones empleando el algoritmo de cokriging
colocalizado indicador bajo hipótesis Bayes-Markov.
• Se corrigieron las relaciones de orden de las funciones de probabilidad acumulada condicional
estimadas, empleando la suavización Gaussiana propuesta por Carr (1994).
• Con base en las fpac modeladas para cada celda, se estimaron los campos de precipitación
promedio, desviaciones estándar y coeficiente de variación para cada región y, posteriormente, se
ensamblaron y postprocesaron para obtener los campos de precipitación media anual y su
incertidumbre asociada para el territorio colombiano, en términos de la desviación estándar y el
coeficiente de variación de las fpac estimadas.

Ahora bien, ya que la estimación de los campos de probabilidad depende de la selección a priori de
los umbrales correspondientes a los límites de los deciles de la función de probabilidad acumulada
global de la variable principal, los campos de probabilidad no pueden ensamblarse si se realiza un
análisis por regiones de la variable principal, puesto que las distribuciones globales de probabilidad
varían de acuerdo con las observaciones ubicadas dentro de cada región. Por consiguiente, los
valores de los umbrales también varían por región y el campo de probabilidad ensamblado no será
representativo de la función de probabilidad global del dominio espacial que éste representa.

COME TAROS ACERCA DE LOS CAMPOS OBTE IDOS MEDIA TE LA

MODELACIÓ DE LA I CERTIDUMBRE LOCAL

Campo de precipitación promedio anual. Este campo presenta características generales muy
similares a las comentadas para los campos estimados mediante kriging, lo cual indica que la
integración de la información secundaria en el procedimiento de modelación de la incertidumbre
mejora la estimación de las probabilidades locales asociadas a las fpac para cada celda del campo.
A pesar de que, en términos de estimación, el kriging indicador ha probado no ser tan eficiente
como los algoritmos de estimación de la familia del kriging en el dominio real de la variable
regionalizada, a partir de la integración de la información secundaria, su transformación en términos
de probabilidades condicionales y la modelación juiciosa de las corregionalizaciones indicadoras se
pueden llegar a estimar campos que representen adecuadamente las características de las variables
estimadas y su distribución espacial, los cuales son de calidad comparable a los obtenidos a partir
de kriging.
 Figura 4. Campos de incertidumbre para la precipitación promedia anual para Colombia: (a) KDE, arriba a
la izquierda, (b) CKE, arriba a la derecha; (c) CKC, abajo a la zquierda, y (d) CKCM abajo derecha.

Campo de incertidumbre para la precipitación promedio anual. Se han obtenido campos de

desviación estándar y coeficiente de variación a partir de las fpac estimadas (ver Figura 5). El
campo de desviación estándar estimado muestra que la variación espacial de la incertidumbre es
bastante continua sobre la zona de estudio y que los mayores valores se presentan en las zonas en
las cuales la precipitación media anual es mayor, es decir en la regiones Pacífica y Amazónica,
mientras que las desviaciones estándar mas bajas corresponden a las regiones secas, en zonas
correspondientes a los lugares mas elevados en las cordilleras y el Caribe Colombiano. En este
estudio se han encontrado grandes diferencias entre los campos de incertidumbre obtenidos a partir
de los algoritmos de estimación y el campo de desviaciones estándar estimado a partir de la
modelación de la fpac mediante el algoritmo de cokriging colocalizado indicador con hipótesis
Bayes-Markov, las cuales se enumeran a continuación:

• El procedimiento de ensamble de los campos de incertidumbre ha generado discontinuidades

entre regiones adyacentes para las estimaciones mediante kriging, mientras que la modelación de
fdpa ha generado un campo de desviaciones estándar continuo. Puede decirse, entonces, que la
transformada indicadora captura la variación espacial del fenómeno modelado, sin importar el
hecho de que para cada región se tenga un modelo de corregionalización independiente.
• El campo de desviaciones estándar estimado representa la incertidumbre del comportamiento
espacial de la variable representada, en este caso la precipitación promedio anual, mientras que
los campos de incertidumbre para el kriging en el dominio de la variable original representan el
nivel de certeza de la estimación según el modelo de corregionalización ajustado.
• El patrón de variación espacial de la incertidumbre de estimación mediante kriging está dominado
por la configuración de las estaciones y el modelo de corregionalización, mientras que el
comportamiento espacial de la incertidumbre modelada según la aproximación no paramétrica
está controlado por la variación espacial de las estaciones, la corregionalización de la
transformada indicadora y la información secundaria integrada en la modelación.

En síntesis, resulta evidente el hecho de que la integración de la información secundaria exhaustiva

proveniente de la misión TRMM permite que se obtenga un campo de incertidumbre continuo, con
sentido físico y basado en la variación espacial del fenómeno representado. Adicionalmente, puede
observarse que para la mayor parte del territorio colombiano, el coeficiente de variación permanece
casi constante y es menor del 30%, lo cual indica que las desviaciones estándar modeladas
representan una pequeña fracción del valor medio estimado y manifiestan cierta estacionariedad.

Figura 5. Campos de precipitación promedio para Colombia anual, incertidumbre y coeficiente de estimados
mediante cokriging indicador colocalizado con hipótesis de Bayes Markov.
CO CLUSIO ES

Se han estimado nuevos campos de precipitación promedio anual para Colombia mediante la
aplicación de métodos geoestadísticos, con información de registros de estaciones de medición en
tierra, y apoyados en información del satélite TRMM. Los resultados mejoran la estimación de
previos estimativos. En particular, los nuevos campos preservan diversas características físicas del
fenómeno de precipitación, como por ejemplo los óptimos pluviográficos en los valles interandinos.
Se considera que el campo de información secundaria estimado (promedios de TRMM) es muy
valioso en el sentido que proporciona información cuantitativa y cualitativa de la distribución
espacial de la precipitación, y contribuye a profundizar el entendimiento de la distribución espacial
de la precipitación en Colombia, en particular, para regiones con poco ó ninguna información de
largo plazo, como sobre las regiones Orinoquía, Amazonía y los océanos vecinos.

Mediante los procedimientos de validación cruzada se encontró que el método de KDE produce las
mejores estimaciones puesto que se presenta elevada correlación lineal entre la información
principal y secundaria utilizada en los análisis. Sin embargo, mediante un análisis cualitativo de
campos resultantes, se concluye que todos los campos, con excepción del obtenido mediante CKE,
manifiestan características físicas de la precipitación promedia en Colombia, ampliamente
comentadas por diferentes autores. Cualquiera de los campos de precipitación obtenidos, con
excepción del estimado con CKE, puede ser empleado de manera confiable en un análisis
hidrológico, puesto que por su resolución y sus características físicas, superan a los campos de
precipitación existentes (Mesa et al, 1997; Poveda et al., 2007).

El algoritmo de kriging indicador produce un campo estimado de calidad regular si se compara con
los demás algoritmos implementados. Esto se debe a la pobre calibración realizada y a que las fpac
estimadas se deben ajustar para que se cumplan las relaciones de orden. En todo caso el campo
obtenido mantiene las características físicas mostradas por el campo de información secundaria.

Al ensamblar los campos de incertidumbre de estimación correspondientes a las diferentes regiones

de estudio, para las técnicas de estimación tipo kriging, se obtienen campos discontinuos, lo cual se
asocia con la discontinuidad en los modelos de corregionalización ajustados. El problema anterior
se soluciona al emplear una técnica de modelación de la incertidumbre local basada en la
transformada indicadora. En este análisis se incorporó la modelación de la incertidumbre local de la
precipitación empleando el método de kriging indicador colocalizado con hipótesis Bayes-Markov.
Mediante dicha técnica se obtuvo un campo de desviación estándar continua y con sentido físico.

El tratamiento de la extrapolación de las colas de la fpac es un asunto que no se debe tratar a la

ligera, puesto que los valores extremos estimados pueden llegar a ser subvalorados, y dicha
estimación puede afectar los valores óptimos estimados para la media o la varianza condicional.

Desde el punto de vista de la eficiencia computacional se puede decir que si se dispone de

información secundaria exhaustiva el algoritmo de cokriging colocalizado es el más aconsejable por
que incorpora la correlación entre las variables principal y secundaria y no demanda esfuerzo
adicional computacional..

AGRADECIMIE TOS

A Cenicafé, EPM, IDEAM, etc, por el suministro de información hidrológica. A Colciencias por el
apoyo al trabajo de J. I. Vélez y G. Poveda a través del programa GRECIA.
BIBLIOGRAFÍA

Álvarez, O. D. (2007) “Cuantificación de la incertidumbre en la estimación de campos hidrológicos.

Aplicación al balance hídrico de largo plazo”. Tesis de maestría. Postgrado en aprovechamiento de Recursos
Hidráulicos. Universidad Nacional de Colombia Sede Medellín.

Carr, J. R. (1994) “Order relations correction experiments for probability kriging”. Mathematical Geology
26(5), p. 605-613.

Eslava, J. A. (1995) “Climatología del Pacífico colombiano”. Colección Eratóstenes. Academia Colombiana
de Ciencias Exactas, Físicas y Naturales Vol 1.

Goovaerts, P. (1997) “Geostatistics for natural resources evaluation”. Oxford University Press. Applied
Geostatistics Series. New York, NY.

Mejía, J. F. y Poveda, G. (2005) “Ambientes atmosféricos de sistemas convectivos de mesoescala sobre

Colombia durante 1998 según la TRMM y el Re-análisis NCEP/NCAR”. Revista Academia Colombiana de
Ciencias, 29 (113), 495-514.

Mesa, O., Poveda G., y Carvajal L. F. (1997) “Introducción al clima de Colombia”. Universidad Nacional
de Colombia Sede Medellín.

Poveda, G. y Mejía, J. F. (2004) “Escalamiento espacial de Sistemas Convectivos de Mesoescala sobre

Colombia y el Pacífico Oriental en 1998 según la Misión TRMM”. Avances en Recursos Hidráulicos, 11,
131-143.

Poveda, G. y Mesa, O. J. (2000). “On the existence of Lloró (the rainiest locality on Earth): Enhanced
ocean-atmosphere-land interaction by a low-level jet”. Geophysical Research Letters, Vol. 27, No. 11, 1675-
1678.

Poveda, G., Vélez, J. I., Mesa, O. J. y coautores (2007) “Linking long-term water balances and statistical
scaling to estimate river flows along the drainage network of Colombia. Journal of Hydrologic Engineering
12(1), p. 145-156.

Rangel, J. O. y Arellano, P. (2004) “Clima del Chocó biogeográfico”. En: Colombia diversidad biótica IV:
el Chocó biogeográfico, Costa Pacífica (J. O. Rangel, editor). Universidad Nacional de Colombia, p. 39-82.

Zuluaga, M. D. y Poveda, G. (2004) “Diagnóstico de sistemas convectivos de mesoescala sobre Colombia y

el Océano Pacífico oriental durante 1998-2002”. Avances en Recursos Hidráulicos, 11, 145-160.