Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del Peru. Una aproximacion a la correccion de datos TRMM3B43 y de reanalisis NCEP NCAR
Este documento describe un estudio sobre la precipitación y temperatura en las zonas de montaña del Perú. Se analizaron registros de precipitación e in situ de más de 30 años para identificar tendencias. Los datos satelitales TRMM se compararon con datos de estaciones para 9 regiones climáticas entre 1998-2007. Se propone corregir los datos TRMM usando factores obtenidos de los patrones de precipitación de las estaciones. También se compararon datos de temperatura de estaciones con reanálisis NCEP NCAR para proponer correcciones usando un gradiente regional
Similar a Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del Peru. Una aproximacion a la correccion de datos TRMM3B43 y de reanalisis NCEP NCAR
Similar a Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del Peru. Una aproximacion a la correccion de datos TRMM3B43 y de reanalisis NCEP NCAR (20)
Topografía 1 Nivelación y Carretera en la Ingenierías
Analisis espacio temporal de la precipitacion y temperatura mensual en las zonas de montaña del Peru. Una aproximacion a la correccion de datos TRMM3B43 y de reanalisis NCEP NCAR
1. UNALM, UNI, UNMSM
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
1
Resumen
La limitada comprensión de las múltiples conexiones entre el
clima y la hidrología en las zonas de montaña y la escasez de
registros en dichas zonas, es el punto de partida de la presente
investigación, la cual abarca principalmente 3 aspectos: a) Se
analizo la evolución de los registros de precipitación y
temperatura in-situ mayor a 30 años de información. Para las
precipitaciones, no se identificaron tendencias considerando
un 99% de confianza en una gran parte de los Andes Centrales
y del Norte. Para las temperaturas, la zona Sur de los Andes
Centrales presenta tendencias locales con valores máximos de
0.03ºC/año. b) Los registros in-situ de precipitación fueron
comparados con los datos satelitales TRMM 3B-43 v6 dentro
de nueve regiones climatológicamente homogéneas para el
periodo común 1998-2007. En cada región la confiabilidad de
los registros TRMM es variable. En general, durante el
periodo húmedo de noviembre a marzo es confiable en
términos de la raíz del error cuadrático medio relativo
(%RMSE) y al coeficiente de correlación (%CC), a excepción
de zonas como la costa Sur y la vertiente amazónica oriental
del Sur. Debido a este comportamiento, se propone la
corrección de los datos TRMM en función de los datos in-situ,
mediante la generación de factores aditivos y multiplicativos
obtenidos de patrones comunes de precipitación. Estos
factores logran corregir y extender el periodo mensual donde
la estimación del TRMM original no era confiable para la
mayoría de las regiones. c) Para la temperatura, se comparan
los datos in-situ con los datos de reanálisis NCEP NCAR de
manera puntual y periodo común. Se concluye que los niveles
de presión 600 y 700 hPa de la temperatura del aire de NCEP
NCAP ofrecen una aproximación a las estaciones, sin
embargo presentan una variación desde los 10°C en los Andes
del Norte hasta 0.4°C en los Andes Centrales. Se propone el
empleo de un gradiente regional mensual para la corrección
del NCEP NCAR, considerando estaciones de referencia por
cada grilla y variaciones altitudinales, La confiabilidad de
estas correcciones es muy aceptable para los Andes del Norte
y Centrales.
Palabras clave: Precipitación; Temperatura; Tendencias;
TRMM 3B43; NCEP NCAR reanalisis; Andes
Introducción
En términos del clima, los sistemas montañosos desarrollan un
considerable sistema complejo por sí mismos, influenciados
por la característica de estrechamiento e incisión profunda de
los valles. En su desempeño como almacenadores de agua, las
regiones montañosas forman un importante suministro de agua
en el periodo seco para las tierras bajas; y así la sociedad en su
conjunto percibe cada vez más a las montañas como fuentes
de agua, que abastecen a gran parte de la población mundial
(Schaeffli et al. 2005). Beniston et al. (1997) describen dicha
complejidad que se reflejan en los registros de temperatura y
precipitación a diferentes escalas asociados a los fenómenos
climáticos y la orografía. El presente estudio se enfoca sobre
las zonas con altitud superior a 3000 msnm y que forman parte
de los Andes del Norte (Cordilleras Blanca y Negra), Andes
Centrales (Cordillera Occidental, Central y Oriental) y Andes
del Sur (Vertiente del Titicaca). Una descripción detallada del
régimen de precipitaciones en la región Andina se detallan en
Espinoza et al. (2009a), Laraque et al. (2007), Garraud et al.
(2003) y Ronchail et Gallaire (2006). Estas zonas a su vez
presentan poca información, por lo cual es necesario contar
con una metodología que permita la extrapolación o la
exploración espacial de las precipitaciones y temperaturas.
De esta forma se propone un análisis para estas dos variables
considerando los datos in-situ del Servicio Nacional de
Meteorología e Hidrología de Perú (SENAMHI); los datos
obtenidos del satélite que opera bajo el proyecto TRMM
(Tropical Rainfall Measuring Mission) para precipitaciones y
los datos de reanalisis NCEP NCAR (National Center for
Environmental Prediction - National Center for Atmospheric
Research) para temperaturas. Muchos estudios se han
dedicado al empleo de los productos TRMM con fines
hidrológicos, generalmente enfocados en planicies bajas en
África (Hughes, 2006; Wilk et al., 2006, Endreny and Imbeah,
2009), en Brasil (Colischonn et al., 2008, Franchito et al 2009)
y en la amazonia del Peru (Lavado et al., 2009). Con respecto
al reanalisis NCEP NCAR, éstas se encuentran contenida en
grillas, siendo el producto más empleado por la disponibilidad
de información de parámetros tales como la temperatura del
aire, la cual representa una de las más confiables del reanalisis
(Kistler et al, 2001).
ANÁLISIS ESPACIO TEMPORAL DE LA PRECIPITACIÓN Y TEMPERATURA MENSUAL
EN LAS ZONAS DE MONTAÑA DEL PERÚ. UNA APROXIMACIÓN A LA CORRECCIÓN DE
DATOS TRMM 3B43 Y DE REANALISIS NCEP NCAR
Pedro Rau1,5*
, Thomas Condom2,5
, Jhan Carlo Espinoza3,5
, Waldo Lavado4,5
1
Universidad Nacional de Ingeniería UNI. IMEFEN. Lima, Peru
*E-mail: praul@uni.pe
2
Laboratoire d’étude des Transferts en Hydrologie et Environnement (LTHE), UMR 5564, Université Joseph Fourier - Grenoble 1,
IRD - Great Ice, CNRS, G-INP, Grenoble, Francia.
3
Instituto Geofísico del Peru IGP. Lima, Peru.
4
Servicio Nacional de Meteorología e Hidrología del Peru SENAMHI. Lima, Peru.
5
Universidad Nacional Agraria La Molina UNALM, Lima, Peru - Institut de Recherche pour le Développement (IRD Peru).
2. UNALM, UNI, UNMSM
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
2
La metodología que se plantea para la corrección de datos
TRMM y NCEP NCAR sugiere el empleo de data in-situ
Usando los datos TRMM y NCEP NCAR corregidos, se podrá
inferir su validación y el comportamiento espacio-temporal de
la precipitación en los andes peruanos.
Objetivos
Caracterizar el comportamiento de la precipitación y
temperatura mensual en las zonas de montaña del Peru desde
el año 1964 hasta el año 2007, a través de un análisis de
tendencias.
Precisar una metodología para el correcto empleo de fuentes
de datos no observacionales tales como los datos satelitales
TRMM y de reanálisis NCEP NCAR.
Aproximar metodologías de corrección de estas fuentes de
datos, con fines de cubrir espacial y temporalmente las zonas
montañosas que no presentan registros de precipitación y
temperatura.
Datos y métodos
MODELO DE ELEVACION DEL TERRENO
Es obtenido de los datos SRTM (Misión Topográfica Radar
Shuttle, NASA-NGA, EEUU), el cual es un modelo digital de
elevación de la zona comprendida entre latitudes 56°S a 60°N,
de modo que genere una base completa de cartas topográficas
digitales de alta resolución de la Tierra. La resolución equivale
a 90 m x 90 m de grilla de resolución.
Para estudiar las zonas altas, donde hay pocos datos
disponibles se ha definido el límite topográfico de 3000 msnm
desde su formato grid. También se obtuvo, indirectamente, la
delimitación de las principales cuencas hidrográficas que
sirvieron de referencia para la verificación de la ubicación de
las estaciones meteorológicas y para la regionalización de
éstas. La Figura 1 muestra la ubicación de las estaciones in-
situ analizadas y las elevaciones del SRTM.
ANALISIS DE SERIES DE TIEMPO
De acuerdo a Kendall y Stuart (1968), el análisis de series de
tiempo requiere mejorar la comprensión del mecanismo
estadístico que genero dichas series observadas. Cada serie de
datos puede ser representada solo parcialmente dentro de la
complejidad del fenómeno que produce las series. Aun asi
estas series de datos requiere una explicación antes de realizar
alguna interpretación espacial producido por una sola serie de
datos.
En nuestro estudio, 16 de 49 estaciones de precipitación y 8
de 27 estaciones de temperatura poseen registros por un
periodo mayor a 30 años (con periodo común máximo de 1964
al 2007), suficiente longitud de registro para establecer un
comportamiento coherente (WMO, 2003). De este modo se
realizo un análisis de tendencias con el test de Mann-Kendall
(Man Kendall, 1975) y un análisis de quiebres con el test de
Pettitt (Pettitt, 1979). Estas metodologías fueron compilados
de las guias técnicas de los programas computacionales Trend
(Chiew and Siriwardena, 2005) y Khronostat (Boyer, 2002)
para sistematizar el proceso de cálculo. El test de Mann-
Kendall ha sido una de las metodologías recomendadas por la
Organización Meteorológica Mundial (Salarijazi, 2012). El
test de Pettitt ha sido ampliamente utilizado para la detección
de puntos de quiebres en series hidrológicas (Espinoza et al.,
2009b, Lavado et al, 2012, Salarijazi et al, 2012).
ANALISIS DE PRECIPITACIONES Y DATOS TRMM
De acuerdo a las condiciones geomorfológicas de la región
andina, la distribución de las estaciones SENAMHI in-situ
puede agruparse en dos sectores bien definidos
correspondientes a los Andes del Norte y Centrales. En
función de una correlación aceptable entre la precipitación y
los parámetros tales como la altitud, longitud y latitud
considerando la delimitación de cuencas hidrográficas, se
pudo agrupar las estaciones en 9 regiones representativas (ver
Figura 1 y Tabla 2).
Con respecto a los datos TRMM, éstos son producto del
algoritmo 3B43 ver.6 y por hallarse comprimidos en formatos
HDF fue necesario el procesamiento computacional para la
obtención de los registros. Para ello se empleó un código libre
(Collischonn, 2005) que procesa los archivos en forma
matricial, convirtiendo cada grilla TRMM en una serie de
precipitación de fácil manejo. Los tipos de errores comunes a
las mediciones TRMM son debido a la característica de la
toma de muestras discreta. El satélite TRMM es de órbita baja
de aproximadamente 350 km de altitud, los sensores de lluvia
muestrean la atmósfera regional solo a intervalos de tiempo
discretos que a veces no permiten captar las tormentas de
duración corta. Muchos estudios han mostrado que el rango de
errores de muestreo temporal es desde ±8 hasta ±12% por mes
para la precipitación media (Shin & North, 1988; North &
Nakamoto, 1989; Bell et al., 1990). Espacialmente, estos
registros abarcan grillas de 0.25 x 0.25 grados cubriéndose
aproximadamente 770 km2
de área por cada grilla.
Se realizaron las comparaciones entre ambas fuentes de
precipitación, partiendo desde el análisis de histogramas de
frecuencias. La Tabla 1 muestra la disponibilidad de
estaciones y el periodo común. En total se trabajaron con 31
estaciones, los cuales cumplen requisitos de correspondencia
espacial y temporal con los datos TRMM 3B43. Para la
comparación de las dos fuentes de datos se emplea la ecuación
1 y de esta forma se establece un patrón común por región.
ii SENAMHIi∆P µµ −= TRMM
[1]
i = número del mes (1, 2, …, 12)
µTRMMi = media del registro TRMM para el mes i
µSENAMHIi = media del registro SENAMHI para el mes i
Seguidamente, se realiza la estimación de errores para estimar
la confiabilidad de las estimaciones del TRMM sobre cada
estación in situ y sobre cada región, esto será validado con el
Error Medio relativo (%MBE), el Error Medio Absoluto
relativo (%AE) y la Raíz del Error Cuadrático Medio relativo
(%RMSE), adquiriendo este ultimo mayor importancia
(Franchito et al., 2009).
N
PP
RMSE ii SENAMHITRMM∑ −
=
2
)( [2]
PTRMMi: Precipitación TRMM en el mes i (mm/mes)
PSENAMHIi: Precipitación SENAMHI en el mes i (mm/mes)
i: mes de la serie continua (1998-2007)
3. UNALM, UNI, UNMSM
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
3
N: Número de pares comparados.
Cuando el RMSE de la precipitación estimada es menor al
50% de la cantidad de precipitación medida, es considerado
confiable; cuando el RMSE es igual o mayor que el 50% de la
magnitud de la precipitación de referencia, la estimación es
considerada no confiable para dicha región. Por otro lado
también se establece una relación cuantitativa con el
coeficiente de correlación de la regresión lineal entre ambas
fuentes de datos sin término constante. Las correlaciones son
significativas (p>0.01) cuando presentan un coeficiente de
correlación mayor o igual a 0.7.
El tipo de distribución probabilística, en todas las estaciones
de precipitación SENAMHI, presenta una fuerte asimetría
negativa, esta fue disminuida al convertir los datos a
logaritmos naturales incrementados en la unidad, el mismo
comportamiento es observado para los datos TRMM, los
resultados de esta conversión se denominaron datos
transformados.
MODELOS DE CORRECCION DE DATOS TRMM
Se propone la obtención de un patrón común del TRMM en
función de la información SENAMHI, esto es posible
empleando un modelo aditivo mediante la ecuación (3); o un
modelo multiplicativo mediante la ecuación (4).
)1Ilog(SENAMH)1log(1i ii
f ++ −= µµ TRMM [3]
)1log(
)1Ilog(SENAMH
2i
i
i
f
+
+
=
TRMMµ
µ
[4]
i = número de mes (1,…,12)
µlogSENAMHIi+1 = media del registro SENAMHI transformado
para el mes i.
µlogTRMMi+1 = media del registro TRMM transformado para el
mes i.
Los vectores f1 ó f2, se aplicarán a cada valor del TRMM
original. Finalmente, se obtienen los valores de precipitación
total mensual TRMM corregida, para cada mes de los 10 años
de registro (1998-2007), obtenidos con la siguiente ecuación
(5), bien sea por un modelo aditivo o multiplicativo:
11,, −+= i
c
f
jiji TRMMTRMM [5]
TRMMic,j = Precipitación TRMM corregida para el mes i del
año j
i = número de mes (1,…,12)
j = año de la serie (1998, 1999,…,2007)
fi = vector aplicado (f1=aditivo ó f2=multiplicativo)
Mayor detalle de las metodologías de corrección se describen
en Condom et al. (2011) y Rau & Condom (2010).
ANALISIS DE TEMPERATURAS Y DATOS NCEP NCAR
Se analizaron las estaciones in-situ SENAMHI con registro
mayor a 10 años de información y en función de la altitud se
propone obtener un gradiente regional mensual o “lapse rate”
( Γ ) expresado en °C/100 m, el cual describe el decrecimiento
de la temperatura con la altitud. Para latitudes Norte, esto es
obtenido por Kunkel (1989) y Liston et al (2006) y es aplicado
a metodologías de downscaling (Gao et al., 2012). Este
gradiente esta relacionado a la teoría de la estabilidad
convectiva del aire y del gradiente adiabático seco igual a
1°C/100m (en valores absolutos). En condiciones estables, la
atmosfera en el ambiente alcanza un gradiente menor a 1
(gradiente adiabático húmedo). Un gradiente mayor a
1°C/100m representará condiciones inestables resultante en un
movimiento amplificado de capas de aire (Tabony, 1985;
Barry, 2008).
Por otro lado, los datos NCEP NCAR fueron obtenidos de la
base de datos del IRI (International Research Institute for
Climate and Society, Columbia University, USA), los cuales
se encuentran agrupados por niveles de presión. Para nuestro
estudio empleamos los niveles: 700 hPa (~ 3000 m), 600 hPa
(~4000 m) y 500 hPa (~5500 m). Espacialmente estas grillas
cubren 2.5° x 2.5° (77000 km2
por grilla). Los datos se
encuentran disponibles desde 1949. La comparación entre
datos SENAMHI y NCEP NCAR se realizó mediante la
ecuación (6) y corresponde a una metodología del tipo
puntual (Rusticucci et al., 2002; Gao et al., 2012).
kk
SENAMHI ii NNRi∆T µµ −=
[6]
i = número de mes (1,…,12)
k = nivel de presión (500, 600 y 700 hPa)
k
SENAMHI i
µ
= media del registro SENAMHI (mes i y nivel k).
k
iNNR
µ
= media del registro NCEP NCAR (mes i y nivel k).
MODELO DE CORRECCION DE DATOS NCEP NCAR
Se propone un factor de corrección en función de la
información SENAMHI y del gradiente regional, esto es
posible empleando la ecuación (7).
k
i
NNRxiNNRBSii
i
NNR
hhhhBS
fc
kk )().( −Γ+−Γ+
= [7]
fci= Factor de corrección para el mes i.
BSi= Temperatura media de la estación base para el mes i.
Γi= Gradiente para el mes i.
hBS= Altitud de la estación base.
hNNRk= Altitud de la grilla NCEP NCAR para el nivel de
presión k.
hx= Altitud en un punto “x” donde se desea corregir en
función de los datos NCEP NCAR.
NNRi
k
= Temperatura media NCEP NCAR original para el
nivel k y mes i.
La confiabilidad de las correcciones son analizadas con el
RMSE (Ecuación 2 aplicado a Temperaturas) y el coeficiente
de correlación CC. Mayor detalle de la metodología de
corrección se describe en Rau et al. (2013).
4. UNALM, UNI, UNMSM
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
4
Andes ubicacion Region Estacion SENAMHI in-situ
Temperatura media
(°C/año)
Precipitacion total
(mm/año)
Tendencia
Precipitacion
Tendencia
Temperatura
(°C/año)
QUEROCOCHA (3955 m asl) 7.7 1074.7 - -
RECUAY(3394 m asl) 12.3 836.6 - NS
LAMPAS ALTO (4030 m asl) 5.9 758.9 - -
MARAÑON CHAVIN (3210 m asl) 13.0 725.7 - -
MANTARO MARCAPOMACOCHA (4479 m asl) 4.3 1149.3 NS NS
OCOÑA PULLHUAY(4600 m asl) 12.3 644.3 NS -
ANDAHUA (3587 m asl) 10.1 380.3 NS -
CHIVAY(3633 masl) 10.0 406.4 NS S (+0.02)
CONDOROMA (4160 m asl) 5.2 649.3 - -
PORPERA (4195 masl) 4.9 613.6 NS -
SIBAYO (3810 m asl) 8.3 586.8 NS S (+0.01)
TISCO (4175 masl) 6.8 690.3 NS -
PAÑE(4605 m asl) 3.3 757.5 - -
AGUADA BLANCA (3855 masl) 5.0 221.4 - -
EL FRAYLE(4060 m asl) 4.7 301.1 NS S (+0.03)
IMATA (4519 m asl) 3.0 550.3 NS NS
LAS SALINAS (4310 m asl) 4.5 333.9 NS -
PAMPA DE ARRIEROS (3715 masl) 7.6 269.7 NS -
PILLONES (4360 m asl) 3.2 404.0 NS -
LA ANGOSTURA (4150 masl) 5.4 848.3 NS S (+0.03)
YAURI (3927 m asl) 6.5 804.8 - -
SICUANI (3574 m asl) 11.0 671.0 NS -
POMACANCHI (3700 m asl) 9.9 816.7 - -
CCATCA (3729 masl) 8.2 609.1 NS -
COLQUEPATA (3729 m asl) 10.3 501.4 NS -
JULIACA (4350 m asl) 10.3 614.2 - -
CABANILLAS (3900 masl) 9.2 654.9 - S (+0.002)
Andes del Sur TITICACA
Andes Centrales,
cadena Oeste
QUILCA
Andes Centrales,
cadena Central
APURIMAC
Andes Centrales,
cadena Este
URUBAMBA
Andes del Norte
SANTA
Andes Centrales,
cadena Oeste
COLCA
Figura 1.- Mapa de
estaciones y cuencas
hidrográficas
Tabla 1.-
Estaciones
SENAMHI y
tendencias
5. UNALM, UNI, UNMSM
Evaluación de resultados
ANALISIS DE TENDENCIAS
De la Tabla 1, se concluye que no existen tendencias de
precipitación, las cuales se categorizan como No Significativa
(NS) en todas las estaciones analizadas, para un 99% de
confianza con el test de Mann-Kendall, asimismo
de quiebres arrojan que no existen años significativos
consideren un punto de quiebre en la serie
Pettitt.
Para las temperaturas, 4 estaciones ubicadas en el Sur de los
Andes Centrales próximos entre si presentan tendencias
positivas significativas (S) al 99% de confianza
para Chivay; +0.03°C/año para El Frayle; +0.03°C/
La Angostura y +0.01°C/año para Sibayo
estación Imata que se ubica en la misma región n
tendencias significativas. Los puntos de quiebres
significativos con el test de Pettitt al 99%
interesante notar que ni las precipitaciones ni tempe
las series analizadas que inician desde 1964
influenciadas por el salto climático de 1976
cual están relacionados anomalías únicas sobre el Océano
Pacifico y es un tema de investigación sobre su influencia en
las variables hidrológicas en Sudamérica
1997; Perez et al., 1998).
DATOS IN-SITU Y TRMM
La Figura 2, muestra el comportamiento estacional de las
diferencias aritméticas entre los datos TRMM y los datos in
situ. En general hay una subestimación de los datos TRMM
con respecto a los datos in situ en el
excepción de las estaciones Colquepata y Pampacolca.
estación Colquepata, perteneciente a la regi
se halla más próxima a la vertiente amaz
Pampacolca que se halla más próxima al Pac
Figura 2.- Variación estacional de Enero a Diciembre,
diferencias entre los datos TRMM y datos in situ.
La regionalización obtenida y las grillas TRMM empl
muestran en la Tabla 2. A continuación s
la corrección del TRMM en razón de no obtener buenas
aproximaciones con el RMSE y el CC.
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
De la Tabla 1, se concluye que no existen tendencias de
como No Significativa
(NS) en todas las estaciones analizadas, para un 99% de
Kendall, asimismo los análisis
que no existen años significativos que
consideren un punto de quiebre en la serie con el test de
Para las temperaturas, 4 estaciones ubicadas en el Sur de los
entre si presentan tendencias
de confianza (+0.02°C/año
El Frayle; +0.03°C/año para
año para Sibayo), sin embargo la
estación Imata que se ubica en la misma región no presenta
Los puntos de quiebres fueron no
99% de confianza. Es
interesante notar que ni las precipitaciones ni temperaturas en
que inician desde 1964 están
1976 (Miller, 1994) al
cual están relacionados anomalías únicas sobre el Océano
Pacifico y es un tema de investigación sobre su influencia en
las variables hidrológicas en Sudamérica (Rosenblüth et al,
l comportamiento estacional de las
entre los datos TRMM y los datos in-
n de los datos TRMM
respecto a los datos in situ en el periodo húmedo a
n de las estaciones Colquepata y Pampacolca. La
Colquepata, perteneciente a la región Urubamba que
la vertiente amazónica y la estación
xima al Pacífico.
de Enero a Diciembre, de las
diferencias entre los datos TRMM y datos in situ.
La regionalización obtenida y las grillas TRMM empleadas se
A continuación se procedió a realizar
de no obtener buenas
Tabla 2.- Estaciones de precipitación in situ (SENAMHI) y
correspondencia con las grillas TRMM.
A modo de ejemplo se muestran l
mes de Enero (Figura 3) en la cual, el
aproxima la pendiente lineal a
corrigiendo de este modo la pendiente
los TRMM originales. El modelo multiplicativo logra
la pendiente en un valor de 0.830. El
correlación CC es superior a 75 %
A nivel anual esta corrección es mucho más significativa
especialmente con el modelo aditivo (Figura 4).
Figura 3.- Regresión lineal sin término constante entre los datos
SENAMHI, TRMM corregido con el
en el mes de enero sobre la región R2.
Figura 4.- Precipitaciones totales anuales
estimadas por el TRMM sin correcci
modelo aditivo (TRMM A) y modelo
y = 0.5092x
CC = 77%
y = 0.9836x
CC = 78%
0
50
100
150
200
250
300
0 50 100
TRMM(mm)
P SENAMHI ENE (mm)
TRMM original TRMM Aditivo
5
Estaciones de precipitación in situ (SENAMHI) y
TRMM.
A modo de ejemplo se muestran los resultados para R2 para el
en la cual, el modelo aditivo
lineal a 0.983 (cerca a la unidad),
la pendiente de 0.509 obtenida con
TRMM originales. El modelo multiplicativo logra corregir
la pendiente en un valor de 0.830. El coeficiente de
75 % en todos los casos.
A nivel anual esta corrección es mucho más significativa
especialmente con el modelo aditivo (Figura 4).
Regresión lineal sin término constante entre los datos
SENAMHI, TRMM corregido con el modelo aditivo y multiplicativo
en el mes de enero sobre la región R2.
Precipitaciones totales anuales in situ (SENAMHI),
TRMM sin corrección (TRMM), corregidas por el
modelo multiplicativo (TRMM M).
y = 0.8309x
CC = 78%
150 200 250
P SENAMHI ENE (mm)
TRMM Aditivo TRMM Multiplicativo
6. UNALM, UNI, UNMSM
DATOS IN-SITU Y NCEP NCAR
De acuerdo a la Tabla 1, las temperaturas anuales in
varían desde 13°C en la estación Chavin
estación Imata. El 44% de las estaciones están ubicadas por
encima de los 4000 m, el 48% entre 3500
entre 3000 y 3500 m. Es posible obtener una
inversa entra altitud y temperatura tal como se
Figura 5, en la cual no se considero las estaciones
corta menor a diez años o influenciados por fenómenos de
radiación relacionados con la transm
(Baigorria et al, 2004), resultando una relación directa
altitud y temperatura (estaciones Pullhuay
especialmente en zonas cercanas al Altiplano
La Figura 5, muestra un gradiente adiabático anual
°C/100 m, este valor es mayor que el típico valor de 0.6
asumido clásicamente en los modelos climáticos
1985). En general estas regiones ubicadas en los Andes
presentan rangos de gradiente adiabático
cadenas montañosas, por tal razón se estimaron
gradientes a nivel mensual y se muestran en la Tabla 4
Figura 5.- Relación inversa entre temperaturas anuales SENAMHI y
la altitud.
Mes Ene Feb Mar
CC (%) 91 89 90
Γ (°C/100m) -0.79 -0.79 -0.77
Mes Jul Ago Sep
CC (%) 89 90 91
Γ (°C/100m) -1.13 -1.10 -1.06
Tabla 3.- Gradientes mensuales (monthly lapse rates
los Andes del Norte y Centrales del Peru, con el coeficiente de
correlación (CC) asociado.
Empleando la ecuación 6, se obtuvieron los patrones
mensuales entre los datos in-situ y NCEP NCAR, las cuales
tienen una variación desde los 10°C in los Andes del Norte
hasta 0.4°C en los Andes Centrales para 600 y 700 hPa. La
Figura 6 muestra estas variaciones para 7
año promedio. Las grillas y el periodo común entre ambas
fuentes de datos se muestran en la Tabla 4
Finalmente aplicando la ecuación 7 y en función de las
estaciones base identificadas para cada grilla NCEP NCAR
según los resultados anteriores, se obtuvieron las correcciones
de los datos NCEP NCAR, el cual equivale a
y = -111.73x + 4751.9
CC = 92%
3000
3200
3400
3600
3800
4000
4200
4400
4600
4800
2.0 4.0 6.0 8.0
Altitude(masl)
Mean annual temperature (ºC)
SENAMHI
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
De acuerdo a la Tabla 1, las temperaturas anuales in-situ,
Chavin hasta 3°C para la
de las estaciones están ubicadas por
3500 y 4000 m y el 8%
Es posible obtener una relación lineal
tal como se muestra en la
las estaciones con serie
corta menor a diez años o influenciados por fenómenos de
misividad atmosférica
una relación directa entre
(estaciones Pullhuay y Cabanillas)
Altiplano.
adiabático anual de 0.9
, este valor es mayor que el típico valor de 0.6
asumido clásicamente en los modelos climáticos (Tabony,
estas regiones ubicadas en los Andes
rangos de gradiente adiabático diferentes a otras
por tal razón se estimaron dichos
y se muestran en la Tabla 4.
inversa entre temperaturas anuales SENAMHI y
Abr May Jun
93 90 85
-0.78 -0.99 -1.16
Oct Nov Dic
91 90 89
-0.97 -0.94 -0.88
mensuales (monthly lapse rates) estimados para
los Andes del Norte y Centrales del Peru, con el coeficiente de
la ecuación 6, se obtuvieron los patrones
situ y NCEP NCAR, las cuales
n los Andes del Norte
para 600 y 700 hPa. La
para 700 hPa durante un
Las grillas y el periodo común entre ambas
en la Tabla 4.
aplicando la ecuación 7 y en función de las
estaciones base identificadas para cada grilla NCEP NCAR
anteriores, se obtuvieron las correcciones
equivale a determinar series
Tabla 4.- Estaciones in-situ y grillas NCEP NCAR.
Figura 6.- Variación mensual de la temperatura entre datos in
NCEP NCAR para 700 hPa en estaciones representativas.
de temperatura en cualquier punto
dentro del alcance de su grilla. Esto
coincidir con el resto de puntos (
medidos y de esta forma se evaluaron las correcciones
considerando la metodología del RMSE y CC.
La Figura 7 representa un punto para la grilla
700hPa coincidente con la estación
correcciones se consideran satisfactorias con una
del error RMSE de 50% a 18%
correlación con el CC del 22 % al 85%.
Figura 8 representa a la estación Co
corrección se considera satisfactoria
obtenidos en el resto de estaciones a excepción de las que se
ubican en la región de los Andes del Sur (Vertiente del
Titicaca) en donde fue posible reducir el RMSE pero
disminuyendo el CC, en razón del comportamiento directo de
la temperatura con la altitud en dichas regiones de planicie.
111.73x + 4751.9
CC = 92%
10.0 12.0 14.0
Mean annual temperature (ºC)
Andes ubicacion Estacion SENAMHIin-situ
QUEROCOCHA (3955 m asl)
RECUAY(3394 masl)
LAMPAS ALTO (4030 masl)
CHAVIN (3210 masl)
MARCAPOMACOCHA (4479 masl)
PULLHUAY(4600 masl)
ANDAHUA (3587 masl)
CHIVAY(3633 masl)
CONDOROMA (4160 masl)
PORPERA (4195 masl)
SIBAYO (3810 masl)
TISCO (4175 masl)
PAÑE (4605 m asl)
AGUADA BLANCA (3855 masl)
EL FRAYLE(4060 masl)
IMATA (4519 m asl)
LAS SALINAS (4310 m asl)
PAMPA DE ARRIEROS (3715 m asl)
PILLONES (4360 masl)
LA ANGOSTURA (4150 masl)
YAURI (3927 masl)
SICUANI (3574 masl)
POMACANCHI (3700 m asl)
CCATCA (3729 masl)
COLQUEPATA (3729 masl)
JULIACA (4350 masl)
CABANILLAS (3900 masl)
Andes Centrales,
cadena Central
Andes Centrales,
cadena Este
Andes del Sur
Andes del Norte
Andes Centrales,
cadena Oeste
Andes Centrales,
cadena Oeste
6
situ y grillas NCEP NCAR.
Variación mensual de la temperatura entre datos in-situ y
00 hPa en estaciones representativas.
de temperatura en cualquier punto topográfico natural ubicado
dentro del alcance de su grilla. Estos puntos fueron hechos
puntos (estaciones) que poseen datos
y de esta forma se evaluaron las correcciones
considerando la metodología del RMSE y CC.
7 representa un punto para la grilla (77.5˚W, 10˚S) a
estación Lampas Alto, donde las
correcciones se consideran satisfactorias con una reducción
18% y un incremento de la
con el CC del 22 % al 85%. Del mismo modo, la
a la estación Condoroma, en donde al
corrección se considera satisfactoria. Estos resultados son
el resto de estaciones a excepción de las que se
ubican en la región de los Andes del Sur (Vertiente del
Titicaca) en donde fue posible reducir el RMSE pero
nuyendo el CC, en razón del comportamiento directo de
la temperatura con la altitud en dichas regiones de planicie.
Estacion SENAMHIin-situ Grilla NNR
Periodo comun entre
NNR y SENAMHI
77.5W, 10S 1966 - 1973
77.5W, 10S 1965 - 2007
77.5W, 10S 1957 – 1972
77.5W, 10S 1986 - 2007
MARCAPOMACOCHA (4479 masl) 77.5W, 12.5S 1969 - 2004
72.5W, 15S 2003 - 2007
72.5W, 15S 2000 – 2007
72.5W, 15S 1964 – 2007
72.5W, 15S 1977 – 1995
72.5W, 15S 2003 – 2007
72.5W, 15S 1951 – 2007
72.5W, 15S 2003 – 2007
70W, 15S 1951- 1973/1992-2000
AGUADA BLANCA (3855 masl) 72.5W, 15S 1991 – 2000
70W, 15S 1963 – 2007
70W, 15S 1949 – 2007
70W, 17.5S 2003 – 2007
PAMPA DE ARRIEROS (3715 m asl) 72.5W, 15S 1999 – 2007
70W, 15S 2003 - 2007
72.5W, 15S 1961 - 2007
72.5W, 15S 1964–1978/1986-2007
70W, 15S 1987 - 2007
72.5W, 15S 1985 – 2007
72.5W, 12.5S 1964-1983/1986-2007
72.5W, 12.5S 2001 – 2007
70W, 15S 1961-1995, 2007
70W, 15S 1964 - 2007
7. UNALM, UNI, UNMSM
Figura 7.- Dispersión entre datos in-situ y NCEP NCAR originales
(NNRo) y NCEP NCAR corregidos (NNRc) para Lampas Alto.
Figura 8.- Dispersión entre datos in-situ y NCEP NCAR originales
(NNRo) y NCEP NCAR corregidos (NNRc) para Condoroma.
Aplicaciones
Las zonas de montaña con tendencia
temperatura y sin tendencia significativa en la precipitación, y
dependiendo de su ubicación, éstas pueden influenciar en el
comportamiento de los glaciares cercanos, al no presentar
condiciones suficientes para la acumulación de nieve.
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
situ y NCEP NCAR originales
(NNRo) y NCEP NCAR corregidos (NNRc) para Lampas Alto.
situ y NCEP NCAR originales
(NNRo) y NCEP NCAR corregidos (NNRc) para Condoroma.
zonas de montaña con tendencia positiva en la
temperatura y sin tendencia significativa en la precipitación, y
ubicación, éstas pueden influenciar en el
comportamiento de los glaciares cercanos, al no presentar
condiciones suficientes para la acumulación de nieve.
La confiabilidad de los modelos de corrección de los datos
TRMM para ciertas regiones y meses en
herramienta útil para la obtención de registros de precipitación
total mensual en cuencas sin medición desde el año 1998.
El modelo de corrección propuesto para los datos NCEP
NCAR en ciertas regiones, ofrecen una herramienta útil par
la obtención de registros de temperatura media mensual en
cuencas sin medición desde el año 1949.
Estas variables corregidas sirven
diversos modelos hidrológicos
evapotranspiración potencial (ETP)
la estimación de este parámetro en cuencas sin medición.
Conclusiones
Para las regiones montañosas por encima de los 3000 msnm,
las series de temperatura anual en las estaciones in
presentaron tendencias positivas
prueba de Mann-Kendall a un 99% de nivel de confianza con
los siguientes valores: +0.02°C/año para Chivay, +0.03°C/año
para El Frayle; +0.03°C/año para La Angostura y +0.01°C/año
para Sibayo, las cuales se hallan próximas entre si en la región
Sur de los Andes Centrales. Las precipitaciones no
presentaron tendencias significativas en ninguna región
analizada. Para ambas variables no se detectaron puntos de
quiebres en las series mediante la prueba de Pettitt.
Con estos resultados, podemos infe
Andes Centrales desarrollan un obstáculo significativo para la
formación de nieve en un mediano plazo de 10 a
tendencias positivas de temperatura pueden alcanzar los
0.3°C.
Sobre los datos de precipitación
de octubre a marzo, los datos in situ son mayores al TRMM,
estas diferencias son muy notorias en las estaciones de
Janacancha (R4, región Quilca) y Colquepata (R6, región
Urubamba). En el periodo de mayo a agosto,
estima los datos in situ.
Dos modelos estadísticos son planteados
los datos de TRMM, uno aditivo y otro multiplicativo. El
modelo aditivo ofrece buenas aproximaciones
Santa (R1), Pacífico Norte (R2), Colca (R3), Quilca (R4),
Apurímac (R5) y Ocoña (R7). El modelo multiplicativo
mejores resultados en la región Alto
Sobre los datos de temperatura y NCEP NCAR
empleo de un gradiente adiabático
con los datos in-situ, con fines de
las grillas NCEP NCAR para 600 y 700 hPa.
permitió corregir los datos de temperatura
función de estaciones base in-situ
los Andes del Norte y Centrales. Para lo
posible obtener resultados aceptables
7
La confiabilidad de los modelos de corrección de los datos
TRMM para ciertas regiones y meses en el año, ofrecen una
herramienta útil para la obtención de registros de precipitación
total mensual en cuencas sin medición desde el año 1998.
El modelo de corrección propuesto para los datos NCEP
NCAR en ciertas regiones, ofrecen una herramienta útil para
la obtención de registros de temperatura media mensual en
cuencas sin medición desde el año 1949.
sirven como datos de entrada en
modelos hidrológicos para el cálculo de la
(ETP), logrando indirectamente
la estimación de este parámetro en cuencas sin medición.
Para las regiones montañosas por encima de los 3000 msnm,
las series de temperatura anual en las estaciones in-situ
presentaron tendencias positivas significativas mediante la
a un 99% de nivel de confianza con
los siguientes valores: +0.02°C/año para Chivay, +0.03°C/año
para El Frayle; +0.03°C/año para La Angostura y +0.01°C/año
, las cuales se hallan próximas entre si en la región
Sur de los Andes Centrales. Las precipitaciones no
tendencias significativas en ninguna región
variables no se detectaron puntos de
quiebres en las series mediante la prueba de Pettitt.
resultados, podemos inferir cuales áreas en los
Andes Centrales desarrollan un obstáculo significativo para la
formación de nieve en un mediano plazo de 10 años. Las
tendencias positivas de temperatura pueden alcanzar los
y TRMM 3B43, en el período
datos in situ son mayores al TRMM,
diferencias son muy notorias en las estaciones de
Quilca) y Colquepata (R6, región
Urubamba). En el periodo de mayo a agosto, el TRMM sobre
Dos modelos estadísticos son planteados para la corrección de
uno aditivo y otro multiplicativo. El
modelo aditivo ofrece buenas aproximaciones en las regiones
(R2), Colca (R3), Quilca (R4),
(R5) y Ocoña (R7). El modelo multiplicativo brinda
mejores resultados en la región Alto Marañón (R9).
y NCEP NCAR, se propone el
gradiente adiabático regional mensual obtenido
fines de corregir las temperaturas en
para 600 y 700 hPa. La metodología
permitió corregir los datos de temperatura NCEP NCAR en
situ de manera satisfactoria para
los Andes del Norte y Centrales. Para los Andes del Sur no fue
posible obtener resultados aceptables.
8. UNALM, UNI, UNMSM
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
8
Referencias Bibliográficas
Adeyewa, Z. and Nakamura, K. (2003). Validation of TRMM radar
rainfall data over climatic regions in Africa. American Meteorological
Society, 42: 331-347.
Baigorria G., Villegas E., Trebejo I., Carlos J. and Quiroz R.,
2004. Atmospheric Transmissivity: Distribution and empirical
estimation around the Central Andes, International Journal of
Climatology 24.
Barry, R.G. (2008). Mountain Weather and Climate. 3rd edition,
Cambridge University Press, Cambridge, 506 pp .
Bell, T. Abdullah, A. Martin, L. and North, G. (1990). Sampling
errors for satellite-derived tropical rainfall: Monte Carlo study using a
space-time stochastic model. J. Geo. Res., 95 (D3), 2195-2205.
Beniston, M. Diaz, H.F. and Bradley, R.S. (1997). Climatic change
at high elevation sites an overview. Climatic Change, 36, Kluwer
Academic Publishers. Netherlands, 233-251.
Boyer J.F., 2002. Logiciel Khronostat d’analyse statistique de séries
chronologique, IRD UR2, Equipe Hydrologie UMRGBE, Université
de Montpellier II, Ecole des Mines de Paris, France.
Chiew F. and Siriwardena L. 2005. Trend/Change detection
software: User guide, CRC for Catchment Hydrology, Australia.
Collischonn, B. Collischonn, W. and Morelli, C. (2008). Daily
hydrological modeling in the Amazon basin using TRMM rainfall
estimates. Journal of Hydrology, 330 (1-4): 207-216.
Condom, T. Rau, P. and Espinoza, J.C. (2011). Correction of
TRMM 3B43 monthly precipitation data over the mountainous areas
of Peru during the period 1998–2007. Hydrol. Process., 25: 1924–
1933. doi: 10.1002/hyp.7949
Endreny T, Imbeah N. (2009). Generating robust rainfall
intensityduration- frequency estimates with short-record satellite data.
Journal of Hydrology 371: 182–191.
Espinoza, J.C. Ronchail, J. Guyot, J.L. Cochonneau, G. Naziano,
F. Lavado, W. De Olivieira, E. Pombosa, R. Vauchel, P. (2009a).
Spatio-temporal rainfall variability in the Amazon basin countries
(Brazil, Peru, Bolivia, Colombia and Ecuador). International Journal
of Climatology 29: 1574–1594.
Espinoza, Villar J. C., J. L.Guyot, J. Ronchail,G. Cochonneau, N.
P. Filizola, P. Fraizy, D. Labat, E. De Oliveira, J. J. Ordoñez
Gálvez, and P. Vauchel (2009b), Contrasting regional discharge
evolutions in the Amazon basin (1974–2004), J. Hydrol., 375(3-4),
297–311.
Franchito, S.H. Brahmananda, R. Vasques, A.C. Santo, C.M. and
Conforte, J.C. (2009). Validation of TRMM precipitation radar
monthly rainfall estimates over Brazil. J. Geophys. Res. 114 D02105,
doi:10.1029/2007JD009580.
Gao, L. Bernhardt, M. and Schulz, K. 2012. Downscaling ERA-
Interim temperature data in complex terrain. Hydrology and Earth
System Sciences., 9, 5931–5953, 2012.
Garreaud, R., Vuille, M. and Clement A.C. (2003). The climate of
the Altiplano: observed current conditions and mechanisms of past
changes. Palaeogeography Palaeoclimatology, Palaeoecology, 194,
1(3): 5-22.
Hughes, D.A. 2006. Comparison of satellite rainfall data with
observations from gauging station networks. Journal of Hydrology
327: 399–410.
Jones, P. and Hulme, M. (1996). Calculating regional climatic time
series for temperature and precipitation: methods and illustrations.
Inter. J. Climatology, 16, 361-377.
Kendall, M.G. and Stuart, A. 1968. The Advanced Theory of
Statistics. Hafner Publishing Company, New York.
Kendall, M.G. 1975. Rank Correlation Methods, Charles Griffin,
London UK.
Kistler, R. Kalnay, E. Collins, W. Saha, A. White, G. et al. 2001.
The NCEP–NCAR 50-Year Reanalysis: Monthly Means CD-ROM
and Documentation. Bulletin of the American Meteorological Society,
Vol. 82, No. 2.
Kunkel, E.K. 1989. Simple Procedures for Extrapolation of Humidity
Variables in the Mountainous Western United States. Journal of
Climate., 2, 656–669, 1989.
Laraque, A. Ronchail, J. Cochonneau, G. Pombosa, R. Guyot, J.L.
2007. Heterogeneous distribution of rainfall and discharge regimes in
the Ecuadorian Amazon basin. Journal of hydrometeorology 8: 1364–
1381.
Lavado, W. Labat, D. Ronchail, J. Espinoza, J.C. and Guyot J.
2012. Trends in rainfall and temperature in the Peruvian Amazon-
Andes basin over the last 40 years (1965-2007). Hydrological
Processes, doi: 10.1002/hyp.9418.
Lavado, C.W.S., Labat, D., Guyot, J.L., Ronchail, And Ordoñez,
J.J., 2009. TRMM rainfall data estimation over the Peruvian Amazon-
Andes basin and its assimilation into monthly water balance models.
New Approaches to Hydrological Prediction in Data Sparse Regions
(Proc. of Symposium HS.2 at the Joint IAHS & IAH Convention,
Hyderabad, India, September 2009). IAHS Publ. 333, 2009.
Liston, G.E. and Elder, K. 2006. A meteorological distribution
system for high-resolution terrestrial modeling (MicroMet). Journal of
Hydrometeorology., 7, 217–234, 2006.
Maidment, D. R. (1993). Handbook of Hydrology. Mc Graw Hill.
United States.
North, G. and Nakamoto, S. (1990). Formalism for comparing rain
estimation designs. J Atmos. Ocean. Technol. 6: 985-992.
Perez, C. Poveda, G. Mesa, O. Carvajal, L. and Ochoa, A. 1998.
Evidencias de cambio climático en Colombia: Tendencias cambios de
fase y amplitud de los ciclos anual y semianual. Bulletin Institut
Français d’Etudes Andines 27 (3): 537-546.
Pettitt, A.N. 1979. A non-parametric approach to change point
problem, Appl. Stat. 28:126-135.
Pouyaud, B. Vignon,, F. Yerren, J. and Suarez, W. (2003).
Glaciares y Recursos Hídricos en la Cuenca del Santa. IRD,
SENAMHI, INRENA UGRH, EGENOR, report, 41p.
Rau, P. and Condom, T. (2010). Análisis espacio temporal de la
precipitación en las zonas de montaña de Perú (1998-2007). Revista
Peruana Geo atmosférica RPGA (2) 16-29.
Rau, P. Condom, T. and Lavado, W. (2013). Spatio-temporal
analysis of monthly temperature in the mountainous regions of Peru.
An approach for NCEP NCAR Reanalysis data correction. (in press)
Proceedings of the 35th
IAHR World Congress, Chengdu, China.
Ronchail, J. Gallaire, R. 2006. ENSO and rainfall along the Zongo
valley (Bolivia) from the Altiplano to the Amazon basin. International
Journal of Climatology 26: 1223–1236.
9. UNALM, UNI, UNMSM
IV CONGRESO NACIONAL DEL AGUA
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013
9
Rosenblüth, B. Fuenzalida, H. Aceituno, P. (1997). Recent
temperature variations in southern South América. International
Journal of climatology, vol. 17, 67–85.
Rusticucci, M. and Kousky, V. 2002. A Comparative Study of
Maximum and Minimum Temperatures over Argentina: NCEP–
NCAR Reanalysis versus Station Data. Journal of Climate, 2002, vol
15 No. 15, 2089-2101.
Salarijazi, M. Akhond-Ali, A. Adib, A. and Daneshkhah, A. 2012.
Trend and change-point detection for the annual stream-flow series of
the Karun River at the Ahvaz hydrometric station, African Journal of
Agricultural Research Vol. 7(32), pp.4540-4552, 21.
Schaefli, B. Hingray, B. Niggl, I. and Musy, A. (2005). A
conceptual glacio-hydrological model for high mountainous
catchments. Hydrology and Earth System Sciences 9:95-109.
Shin, K., and North, G. (1988). Sampling errors study for rainfall
estimate using a stochastic model. J. Applied Meteorology. 27: 1218-
1231.
Tabony, R.C. 1985. The variation of surface temperature with
altitude, Meteorol. Mag., 114, 37–48.
Wilk, J. Kniveton, D. Andersson, L. Layberry, R. Todd, M.C.
Hughes, D. Ringrose, S. and Vanderpost, C. 2006. Estimating
rainfall and water balance over the Okavango River Basin for
hydrological applications. Journal of Hydrology 331: 18–29.
World Meteorological Organization. 2003. Climate: Into the 1st
Century, Cambridge University Press, UK.