La creciente cantidad de datos de sensores remotos disponibles para la precipitación, ademas de otras variables biofísicas relacionadas, como los índices de vegetación y la altitud, ofrecen la oportunidad de llegar a estimaciones más detalladas y precisas de precipitación. Un enfoque innovador, combinando estas fuentes de información con las observaciones terrestres permite la estimación precisa de los patrones de precipitación y su variabilidad espacial temporal.

1. Johannes Hunink
j.hunink@futurewater.es

2. Antecedentes
• “En Tungurahua se presenta la característica de los
"microclimas", o sea pequeñas zonas con
características climáticas propias”

3. • Interpolación observaciones

4. Objetivos
• Completar la base de información pluvial para la
provincia, utilizando datos de campo y de
teledetección, para:
1. Rellenar las lagunas de datos en las series
pluviométricas registradas
2. Llevar a cabo un análisis detallado de la variabilidad
espacial y temporal de la precipitación
3. Obtener la distribución de precipitación para cada
semana del periodo 1998-2011.
4. Enseñar las posibles aplicaciones para la toma de
decisiones

5. Teledetección:
-Precipitación
-Vegetación
-Topografia
-Climatologia
Cuanto
llueve?
El promedio
entre las 3?

6. Estimar por teledetección
• Muchos satélites y sensores
– Geoestacionarios (IR)
– De órbita polar
(microondas)
• Varios productos satelitales
disponibles, basado en
combinación sensores:
– TRMM
– CMORPH
– PERSIANN

7. Estimar por teledetección
• Fuentes de error
– Momentos de paso
– Tipo de precipitación
• Esencial: contraste con
datos de campo

8. • TRMM:

9. Estimar por teledetección
• Limitación para la toma de decisiones: escala. La
resolución es de 10-100 km.
• Por otro lado, cada vez más datos de teledetección
disponibles de parámetros bio-físicos relacionados
– Diferentes parámetros de vegetación / uso de suelo
– Elevación
– Humedad de suelo
– Cobertura nival
– Etc..

11. Iberian Peninsula
TRMM
25 x 25 km
SPOT
1 x 1 km

12. Correlation TRMM - NDVI

13. 28 stations Corrected TRMM

14. Datos de entrada

15. Resultados
• Control calidad
• Relleno de los huecos

16. Resultados
• Ajustar relaciones a nivel semanal
• Para todas las estaciones

17. Diagrama de flujo

18. Resultados modelos
• Modelos de regresion para cada semana
• Niveles de significancia

19. • Aplicando las relaciones sobre los datos de entrada,
se obtiene las capas semanales de precipitación
2011, semana 3
2011, semana 3
2011, semana 4
2011, semana 4
2011, semana 5
2011, semana 5

20. Resumen resultados

21. Resumen resultados

22. Resumen resultados

23. Resumen resultados

24. Resultados análisis temporal

25. Resultados análisis temporal

26. Resultados análisis temporal

27. Resultados análisis temporal

28. Conclusiones
• Obtención de series semanales con más detalle
espacial mediante el uso de datos ´proxy´
• Validación cruzada muestran una calidad satisfatoria
• Sobre todo en zonas secas, este método funciona
bien, por la respuesta más pronunciada de la
vegetación
• Tendencias a la baja
• Menos precisión en las zonas altas: las nuevas
estaciones instaladas en el páramo son cruciales.

29. Johannes Hunink
j.hunink@futurewater.es