VALIDACIÓN DE PRECIPITACIÓN ESTIMADA
POR CHIRPS EN UNA REGIÓN SEMIÁRIDA DE ARGENTINA
Yamila Lambrecht[1]
Anabella
Montico1
Natasha
Picone1,[2]
(Manuscrito recibido el 21 de diciembre de 2023,
en versión final 21 de mayo de 2024)
Para citar este documento
Lambrecht, Y., Montico, A. &
Picone, N. (2024). Validación de precipitación estimada por CHIRPS en una
región semiárida de Argentina. Boletín geográfico, 46, http://id.caicyt.gov.ar/ark:/s2313903x/ykja7shwa.
Resumen
Los
datos grillados de precipitación son una herramienta valiosa en contextos de
escasez de datos observacionales. Para su uso es fundamental la validación a
través de análisis estadísticos. El objetivo del trabajo es validar la base de
datos CHIRPS (Climate Hazards
Group InfraRed Precipitation with Station Data, por sus siglas en inglés) para el suroeste de
la provincia de Buenos Aires a lo largo del período 1990-2020. Este conjunto de
datos posee una adecuada cobertura espacio-temporal para estudiar la
variabilidad de las precipitaciones dado que presenta cobertura diaria y
continua desde 1980 hasta la actualidad con una resolución de 0,05° entre los
50°S y 50°N. Para la validación, se aplicaron el coeficiente de correlación de
Pearson (r-Pearson), el error absoluto medio (mae), el error cuadrático medio (rmse) y el sesgo porcentual (pbias),
en entorno R utilizando el paquete hydroGOF. CHIRPS
presentó correlaciones de entre 0,68 y 0,84 respecto a los datos observados,
tanto a escala mensual como anual. Asimismo, se observó una tendencia a
sobreestimar las precipitaciones entre 2 y 4% a escala mensual, excepto en el
sector noroeste, donde se subestimaron entre 4 y 11%. A escala anual la
sobreestimación se situó entre 3 y 4% mientras que la subestimación presentó
las mismas características que a escala mensual. El análisis de mae y rmse evidenció mayores errores en las estaciones próximas
al cordón serrano en ambas escalas temporales. Se concluye que CHIRPS es aplicable
para estudios de variabilidad de las precipitaciones en la región analizada,
principalmente a escala anual, donde la falta de datos se presenta como un
problema recurrente, teniendo en cuenta los errores espaciales detectados y las
menores diferencias en las correlaciones entre estaciones de anclaje y fuentes
independientes para estudios climáticos a esta escala.
Palabras
clave:
CHIRPS, datos grillados, validación, precipitaciones, suroeste de la provincia
de Buenos Aires.
VALIDATION OF CHIRPS ESTIMATED PRECIPITATION IN A
SEMI-ARID REGION OF ARGENTINA
Abstract
Gridded data
of precipitation are a valuable tool in scarce-observational data contexts.
Validation through statistical analysis is essential for its use. This work
aims to validate the Climate Hazards Infrared Precipitation with Stations
(CHIRPS) database for the southwest of Buenos Aires province
Keywords: CHIRPS, gridded data, validation, precipitation,
southwest of Buenos Aires province.
Introducción
La precipitación es una variable
atmosférica de gran relevancia en la gestión de los recursos hídricos
La ocurrencia de precipitaciones
intensas ocasiona con frecuencia impactos negativos en áreas urbanas y rurales.
La escasa disponibilidad de datos de calidad limita la comprensión de la
ocurrencia de eventos extremos y sus impactos asociados (Salih et al., 2023).
Entre los impactos de las precipitaciones se destacan los anegamientos e
inundaciones por colapsos en el sistema de drenaje urbano y desbordamiento de
ríos, erosión hídrica, deslizamiento de laderas, entre otros (Ávila-Parra &
Martín-Vide, 2013). En las regiones semiáridas, las
precipitaciones intensas ocurren con frecuencia y generalmente las mismas no
cuentan con herramientas para enfrentarlas (Marianetti
& Rivera, 2021). Por ello, conocer su comportamiento es necesario para
proponer e implementar políticas de gestión y acciones de adaptación que
minimicen los impactos adversos que éstas ocasionan (Lovino,
2015).
Una de las cuestiones que emergen
con frecuencia en el estudio de la precipitación es la disponibilidad de datos
actualizados y confiables. La incertidumbre observacional producto de la
escasez de datos es notoria en gran parte de
Sudamérica debido al elevado costo de mantener una red densa activa de
estaciones meteorológicas (Olmo, 2023). La obtención de datos confiables de
precipitación es vital para la planificación y gestión de los recursos hídricos
(de Moraes Cordeiro &
Blanco, 2021). Frente a este contexto, las estimaciones a través de satélites
constituyen una valiosa herramienta complementaria a las observaciones para
aplicaciones hidrológicas y climáticas vinculadas a la gestión del recurso
hídrico, dada su alta resolución temporal y cobertura cuasi-global
(Hobouchian, Salio, Skabar, Vila & Garreaud,
2017; Saucedo, Kurtz & Contreras, 2023). Argentina posee una baja cantidad
de estaciones meteorológicas y su distribución espacial es heterogénea ya que
la mayoría se concentra en el centro del país, dejando a las regiones del norte
y sur con muy poca cobertura de observaciones (Lúgaro, 2022). En el área de
estudio, emplazada en el suroeste bonaerense, la situación es similar dado que
cuenta con sólo cuatro estaciones del Servicio Meteorológico Nacional (Bahía
Blanca Aero, Pigüé Aero, Coronel Suárez Aero y Coronel
Pringles Aero) y con dos estaciones del Instituto Nacional de Tecnología Agropecuaria
(INTA) (Hilario Ascasubi y Bordenave).
La base de datos CHIRPS (Climate
Hazards GroupInfra Red Precipitation with Station Data, por sus siglas en inglés) fue
desarrollada por el Servicio Geológico de los Estados Unidos (USGS) en
colaboración con el Grupo de Riesgos Climáticos de la Universidad de California
en Santa Bárbara. Posee datos de precipitación provenientes de observaciones y
estimaciones satelitales, con una cobertura casi global desde el año 1981 hasta
el presente con una resolución de 0,05° entre los 50°S y 50°N (Funk et al., 2015). Sin embargo, para su
aplicación práctica es necesario validar su rendimiento (Arregocés, Rojano
& Pérez, 2023). Existen diversos estudios sobre validación de estimaciones
de este tipo y, particularmente, del producto CHIRPS. Este aspecto ha sido
estudiado por distintos autores a nivel mundial (Alsilibe,
Bene, Bilal, Alghafli &
Shi, 2023; Bai, Shi, Li, Shang & Wu, 2018; Prakash,
2019). Particularmente, en Latinoamérica se destacan los trabajos realizados en
Colombia (Arregocés et al., 2023),
Brasil (Cavalcante et al., 2020), Chile (Zambrano, Wardlow, Tadesse, Lillo-Saavedra & Lagos, 2017) y la zona
cordillerana de los Andes subtropicales de Argentina y Chile (Hobouchian et al.,
2017), entre otros. En Argentina, existen antecedentes en el uso de CHIRPS.
Medina, Zossi, Bossolasco y
Elias (2023) analizaron el desempeño de CHIRPS
comparando las regiones NEA y NOA. Particularmente en Corrientes, Saucedo et al. (2023) validaron CHIRPS junto con
las bases Tropical Rainfall Measuring
Mission (TRMM) y Global Precipitation
Measurement (GPM) a escala anual (2000-2019). En
Córdoba, Gusmerotti, Posse,
Oricchio, Rivadeneira y Di Bella (2023) evaluaron el
comportamiento de CHIRPS y propusieron una técnica de corrección a través de
datos de estaciones meteorológicas. En los Andes Centrales, Rivera, Marianetti y Hinrichs (2018)
concluyeron que CHIRPS reproduce adecuadamente la variabilidad estacional e
interanual de la precipitación en el período 1987-2016 hasta los 1000 m.s.n.m.,
donde el desempeño se reduce notablemente. En el contexto de falta de datos y
dada la disponibilidad y potencialidad de CHIRPS, el objetivo de este trabajo
es validar esta base de datos para un área del suroeste de la provincia de
Buenos Aires, Argentina, en el período 1990-2020.
Área
de estudio
El área de estudio constituye el límite meridional de la
llanura pampeana argentina (Campo, Diez & Capelli de Steffens,
2004) y está formada por los partidos de Coronel
Suárez, Saavedra, Puan, Tornquist, Coronel Pringles, Bahía Blanca y Villarino
(Figura 1). Estos se seleccionaron debido a la escasa cobertura de la red de
estaciones meteorológicas y la potencialidad de CHIRPS para complementar los
datos derivados de estas. Se encuentra dentro de los climas templados y se
caracteriza por una variabilidad espacial y temporal de las precipitaciones,
dando lugar a ciclos secos y húmedos (Campo et
al., 2004; Gil, Gentili, Campo, Jelinski, & Crisafulli, 2016; Aliaga, Ferrelli
& Piccolo, 2017). En este sentido, el sistema de Ventania produce un efecto
orográfico que incide en el comportamiento y los montos de precipitación
(Gentili & Gil, 2013; Gil et al.,
2016; Volonté, 2017). Asimismo, el régimen de precipitación presenta una
marcada estacionalidad con una estación lluviosa de octubre a marzo y una
estación relativamente seca de mayo a septiembre (Casado & Campo, 2019).
Figura 1. Área de estudio, ubicación en Argentina, elevación y ubicación
las estaciones meteorológicas. Estaciones: Coronel
Suárez, (CS), Coronel Pringles (CP), Pigüé
(PG), Bordenave (BN), Bahía Blanca (BB) e Hilario Ascasubi (HA). Fuente:
elaboración propia.
Metodología
La etapa
inicial del procedimiento implementado consiste en la obtención de la serie de
precipitación mensual del producto CHIRPS para el período 1990-2020, a través
del sitio web ClimateHazards Center
(https://data.chc.ucsb.edu/products/CHIRPS-2.0/). Una vez recopilada la
información satelital, se compararon las estimaciones mensuales y anuales de
CHIRPS con datos de las 6 estaciones meteorológicas del Servicio Meteorológico
Nacional (SMN) y del Instituto Nacional de Tecnología Agropecuaria (INTA),
presentes en el área, para el periodo 1990 - 2020. Los datos del SMN se
obtuvieron por pedido específico por medio del contacto institucional
(https://www.argentina.gob.ar/smn/institucional/contacto) mientras que, los
datos del INTA, se descargaron del Sistema de Información y Gestión
Agrometeorológica (https://siga.inta.gob.ar/#/). Las estaciones meteorológicas
seleccionadas se describen en la Tabla 1, incluyendo Coronel
Suárez, (CS), Coronel Pringles (CP), Pigüé
(PG), Bordenave (BN), Bahía Blanca (BB) e Hilario Ascasubi (HA).
La
validación de bases de datos grillados requiere del uso de fuentes
independientes a las estaciones de anclaje utilizadas para su estimación
(Paredes-Trejo, Barbosa & Kumar, 2017). En el área de estudio estas
estaciones corresponden a las del SMN. No obstante, debido a la escasa
disponibilidad de información climática que caracteriza a la región, se
emplearon los datos de estas estaciones junto a los provistos por el INTA,
considerada una fuente externa. Precisamente la validación de esta base de
datos se justifica en la necesidad de recurrir a diversas fuentes de
información que permitan suplir la ausencia de registros hidroclimáticos
continuos de calidad.
|
IR |
EM |
|
Ubicación |
Elevación
(msnm) |
|
SMN |
Bahía
Blanca Aero |
BB |
38,43°S,
62,10 °W |
83 |
|
INTA |
Bordenave
(EMC) |
BN |
37,85°S, 63,02°W |
209 |
|
SMN |
Coronel
Pringles Aero |
CP |
38,00°S,
61,20°W |
247 |
|
SMN |
Coronel
Suárez Aero |
CS |
37,27°S,
61,53°W |
233 |
|
SMN |
Pigüé Aero |
PG |
37,36°S,
62,23°W |
304 |
|
INTA |
Hilario
Ascasubi (EMC) |
HA |
39,38°S,
62,62°W |
13 |
Tabla 1. Descripción de las estaciones meteorológicas utilizadas,
institución responsable (IR), nombre y sigla de la estación, ubicación y
elevación (msnm). Fuente: elaboración propia.
Para la comparación de las
estimaciones de CHIRPS con los datos de las estaciones meteorológicas, se llevó
a cabo un análisis de punto a píxel. Dicha metodología reduce la incertidumbre
derivada de la interpolación espacial de estaciones meteorológicas que se
encuentran distribuidas de forma desigual (Xu, Zou, Zhang & Linderman, 2015;
Cavalcante et
al., 2020). Finalmente, para validar el rendimiento de CHIRPS se aplicaron
las siguientes métricas estadísticas (Tabla 2): el coeficiente de correlación
de Pearson (r-Pearson), el error absoluto medio (mae), el error cuadrático
medio (rmse) y el porcentaje de sesgo (pbias), en entorno R utilizando el paquete hydroGOF (Zambrano-Bigiarini,
2022).
|
Métrica estadística |
Ecuación |
VO |
|
r-Pearson |
|
1,0 |
|
mae |
|
0,0 |
|
rmse |
|
0,0 |
|
pbias |
|
0,0 |
Tabla 2. Descripción de métricas estadísticas utilizadas para
evaluar el rendimiento de CHIRPS. Coeficiente de correlación de Pearson
(r-Pearson), error absoluto medio (mae), error cuadrático medio (rmse), porcentaje de sesgo (pbias).
N es el número total de
observaciones, S representa los datos
CHIRPS y O los datos observados, en
un período i. VO: valor óptimo. Fuente:
elaboración propia.
El coeficiente de correlación de
Pearson cuantifica la relación lineal entre las estimaciones y las
observaciones in situ, oscilando entre -1,0 y 1,0 (Paredes-Trejo et al., 2017). Por otra parte, el error
absoluto medio (mae) refleja la magnitud promedio de las estimaciones del
error, adquiriendo sólo valores positivos (Paredes-Trejo et al., 2017). El error cuadrático medio (rmse)
determina el grado promedio de error en las estimaciones respecto a las
observaciones y adquiere sólo valores positivos, que en este caso se representa
en milímetros (Anjum et al., 2022). Por último, el porcentaje de sesgo mide la tendencia
promedio de los valores estimados, tomando valores porcentuales positivos o
negativos (Paredes-Trejo et al.,
2017).
Resultados y
Discusión
Distribución de la precipitación mensual.
La Figura 2 representa la dispersión
entre la precipitación observada en las estaciones meteorológicas y la
precipitación estimada por CHIRPS a escala mensual (1990-2020). La línea azul
indica regresión lineal y el área sombreada indica el nivel de confianza del
95%. En el caso de BB, PG y BN, CHIRPS muestra una sobreestimación en valores
bajos (hasta 50 mm/mes) y una subestimación de la precipitación en valores
superiores. En HA sobreestima hasta los 25 mm, en CP hasta 70 mm/mes y en CS
sobreestima hasta los 75 mm/mes. Por encima de dichos valores, en todos los
casos, tiende a subestimar. En otras palabras, el producto CHIRPS muestra una
sobreestimación en valores bajos y una subestimación en valores altos, siendo
diferente el punto de quiebre según la estación. Este comportamiento es
consistente con lo hallado por Cavalcante et al. (2020) y Paredes-Trejo et al. (2017) en Brasil y por Medina et al. (2023) en el norte argentino.
Figura 2. Diagramas de dispersión de la
precipitación observada en las estaciones meteorológicas frente a la estimada
por CHIRPS a escala mensual (1990-2020). La línea azul indica regresión lineal
y el área sombreada indica el nivel de confianza del 95%. Fuente: elaboración
propia sobre la base de datos del SMN y datos CHIRPS.
Validación mensual del producto CHIRPS.
La tabla 3 muestra las medidas de
desempeño de CHIRPS a escala mensual. Los valores del coeficiente de
correlación de Pearson (r-Pearson) indican un buen ajuste entre los datos
observados y las estimaciones en la mayoría de las estaciones, con valores
superiores a 0,70 en la mayoría de las estaciones, siendo Hilario Ascasubi la
excepción con 0,68, y destacándose Pigüé con 0,84. Los valores más bajos,
registrados en Hilario Ascasubi coinciden con lo observado en el noroeste
argentino y puede deberse a una característica observada en CHIRPS para
condiciones climáticas secas, debido a que posee menor capacidad para detectar
lluvias más ligeras (Medina et al. 2023). Con respecto al error absoluto
medio (mae), se reconocen mayores errores en el centro y norte del área de
estudio, particularmente en BN y CP donde los valores oscilan entre 24,4 y 22,3
mm respectivamente. Por el contrario, los valores más cercanos al óptimo se
encuentran en HA y BB con errores de 17,8 y 18,3 mm respectivamente.
Por
otra parte, el error cuadrático medio (rmse),
asociado con el grado de error en la estimación, varía entre 23,9 y 37,8 mm,
siendo mejor el rendimiento de CHIRPS en HA y BB donde el rmse
fue de 23,9 y 24,9 mm respectivamente. Es decir, tanto con mae como con rmse, los mayores errores se hallaron en las estaciones
próximas al cordón serrano. Por tal motivo es necesario profundizar el análisis
en el área serrana con el fin de corroborar la aplicabilidad de la base de
datos. Por último, el porcentaje de sesgo (pbias)
presenta diferencias, sin un patrón claro entre las estaciones analizadas. Las
estaciones que presentan valores negativos son BN y PG con -4,7 y -11,1%, por
lo tanto, en estos casos tiende ligeramente a subestimar. En las restantes
estaciones tiende a sobreestimar, en valores que no superan el 5%. Los valores
más cercanos al óptimo se localizaron en HA y CP, con 2,4 y 3,5%. Estos valores
se comparan con los hallados por Cerón, Molina-Carpio, Ayes
Rivera, Andreoli, Kayano y Canchala (2020), quienes para el sur de la Cuenca del Plata
obtuvieron sesgos que van entre 0 y 15% de subestimación en el primer caso y de
entre 0 y 15% de sobreestimación en las dos restantes, coincidiendo con las
estaciones de PG, CS y BB. Por lo tanto, es posible afirmar que CHIRPS
representa adecuadamente los sistemas de precipitación dominantes, a diferencia
de lo que ocurre en Mendoza donde la sobreestimación puede superar los 100
mm/mes (Rivera et al., 2018). Sin embargo, cabe destacar que la
correlación en el área de estudio adquiere mayores valores en las estaciones de
anclaje de CHIRPS respecto a las fuentes independientes.
|
Métrica estadística |
CS |
CP |
PG |
BN |
BB |
HA |
|
r-Pearson |
0,80 |
0,80 |
0,84 |
0,77 |
0,81 |
0,68 |
|
mae |
21,36 |
22,33 |
20,21 |
24,38 |
18,33 |
17,77 |
|
rmse |
29,23 |
30,33 |
29,75 |
37,80 |
24,94 |
23,89 |
|
pbias |
4,40 |
3,50 |
-11,10 |
-4,70 |
3,70 |
2,40 |
Tabla
3. Desempeño de CHIRPS a escala
mensual en estaciones del suroeste de la provincia de Buenos Aires (1990-2020).
Coeficiente de correlación de Pearson (r-Pearson), error absoluto medio (mae),
error cuadrático medio (rmse), porcentaje de sesgo (pbias). Estaciones: Coronel
Suárez, (CS), Coronel Pringles (CP), Pigüé
(PG), Bordenave (BN), Bahía Blanc (BB) e Hilario Ascasubi (HA). Fuente:
elaboración propia.
Distribución
de la precipitación anual.
De forma comparativa se analizó
también la distribución espacial de la precipitación media anual para el
período 1990-2020 entre lo observado en las estaciones meteorológicas y lo
estimado por CHIRPS (Figura 3). En el área de estudio, las precipitaciones
varían entre 752,3 mm al este (CP) y 704,4 mm al oeste (BN), mientras que de
norte a sur oscilan entre 778,8 (CS) y 454,3 mm (HA). Es decir que decrecen en
sentido noreste-suroeste. Esto coincide con lo hallado por Casado y Campo
(2019) para el período 1977-2010. La variabilidad en los montos de precipitación
se encuentra determinada por los efectos de la continentalidad, la topografía
regional y la conjugación de fenómenos atmosféricos de pequeña a gran escala
(Campo, Ramos & Zapperi, 2009; Casado &
Campo, 2019). Las estaciones que presentan mayor variación en la estimación de
la precipitación media anual (1990-2020) se ubican en el noreste del área de
estudio: CS sobreestima 34.3 mm y CP 26,1 mm mientras que en PG subestima 91,1 mm. Estos valores representan 4,4%, 3,5% y 11,1% de la
precipitación media anual, respectivamente.
Figura 3. Distribución espacial de la precipitación media anual para
el período 1990-2020 entre datos observados y estimación de CHIRPS. Estaciones:
Coronel Suárez, (CS), Coronel Pringles (CP), Pigüé (PG), Bordenave (BN), Bahía
Blanc (BB) e Hilario Ascasubi (HA). Fuente: elaboración propia sobre la base de
datos del SMN y datos CHIRPS.
A escala anual (Figura 4), la
comparación entre la precipitación observada y la estimada por CHIRPS muestra
el mismo patrón que en el caso de la escala mensual. Es decir, tiende a
sobreestimar en valores reducidos y a subestimar la precipitación en valores
altos. En la estación de HA, CHIRPS sobreestima hasta los 500
Figura 4. Diagramas
de dispersión de la precipitación observada en las estaciones meteorológicas
frente a la estimada por CHIRPS a escala anual (1990-2020). La línea azul
indica regresión lineal y el área sombreada indica el nivel de confianza del
95%. Estaciones: Coronel
Suárez, (CS), Coronel Pringles (CP), Pigüé
(PG), Bordenave (BN), Bahía Blanc (BB) e Hilario Ascasubi (HA). Fuente:
elaboración propia sobre la base de datos del SMN y datos CHIRPS.
Validación
anual del producto CHIRPS.
Paralelamente, se analizó el
desempeño de la base de datos CHIRPS a escala anual (Tabla 4). El coeficiente
de correlación de Pearson demostró un buen ajuste en todos los casos,
registrando valores superiores a 0,70 y de hasta 0,82 en el caso de Pigüé. Se observan menores diferencias en los
resultados de las correlaciones entre estaciones de anclaje de la base de datos
y las fuentes independientes, respecto a los desempeños a escala mensual.
En cuanto a las estadísticas de error, el error absoluto
medio fue mayor en las estaciones ubicadas al norte: Bordenave 132,0 mm, Pigüé
113,1 mm y CS 106,6 mm.
Por otra parte, el error medio cuadrático fue mayor al oeste (Bordenave 182,3
mm) y menor hacia el sur (Hilario Ascasubi 79,5 mm). El patrón espacial de
decrecimiento de la precipitación en sentido noreste-suroeste es reproducido de
manera correcta por CHIRPS. No obstante, en las estaciones ubicadas al oeste
del sistema de Ventania (PG y BN), las estimaciones de CHIRPS mostraron una
subestimación, mientras que en las ubicadas al este (CS y CP) presentaron sobreestimaciones.
Estas diferencias pueden estar relacionadas con la presencia del sistema de
Ventania. La influencia de sistemas montañosos sobre las estimaciones de CHIRPS
ha sido descripto también por Rivera et
al. (2018) para el caso de los Andes Centrales. Estos mismos autores
hallaron sesgos vinculados a la estación lluviosa que se trasladan a las
precipitaciones anuales y que en algunos casos, como en el norte de la
provincia de Neuquén, superan el 50% de sobreestimación. En el caso del área de
estudio, a escala anual el porcentaje de sesgo presentó igual patrón que a
escala mensual: en PG y BN subestima -11,1 % y -4,7%, respectivamente, mientras
que en el resto de las estaciones sobreestima entre 3,5 y 4,4%.
|
Métrica estadística |
CS |
CP |
PG |
BN |
BB |
HA |
|
r-Pearson |
0,74 |
0,78 |
0,82 |
0,71 |
0,79 |
0,72 |
|
mae |
106,58 |
89,78 |
113,14 |
132,04 |
79,63 |
63,69 |
|
rmse |
134,76 |
117,64 |
144,56 |
182,29 |
101,72 |
79,51 |
|
pbias |
4,40 |
3,50 |
-11,10 |
-4,70 |
3,70 |
4.00 |
Tabla
4. Desempeño de CHIRPS a escala
mensual en estaciones del suroeste de la provincia de Buenos Aires (1990-2020).
Coeficiente de correlación de Pearson (r-Pearson), error absoluto medio (mae),
error cuadrático medio (rmse), porcentaje de sesgo (pbias). Estaciones: Coronel
Suárez, (CS), Coronel Pringles (CP), Pigüé
(PG), Bordenave (BN), Bahía Blanc (BB) e Hilario Ascasubi (HA). Fuente:
elaboración
Conclusiones
En
el presente trabajo se presenta la validación del producto CHIRPS respecto a su
capacidad de estimar precipitación en el suroeste de la provincia de Buenos
Aires para el período 1990-2020. El rendimiento de CHIRPS se evaluó a partir
del contraste con datos observados de estaciones meteorológicas del SMN y del
INTA. Se concluye que la variabilidad anual y mensual de la precipitación se
encuentra bien representada, con un ajuste que oscila entre 0,68 y 0,84, según
la estación meteorológica. Sin embargo, se detectaron ligeros sesgos de
subestimación en los casos de Bordenave y Pigüé, entre -4,7 y -11,1% mientras
que en las estaciones restantes CHIRPS tendió a sobreestimar en hasta 4,4%.
Asimismo, se observaron diferencias en el ajuste en las estaciones de anclaje
de la base de datos y las independientes, siendo superior la correlación en las
primeras. Estas diferencias fueron más pronunciadas en la escala mensual. De
esta manera el uso de la base de datos es más apropiada para estudios
climáticos a escala anual.
Teniendo
presentes estas consideraciones, CHIRPS es aplicable al análisis de las
precipitaciones en el suroeste de la provincia de Buenos Aires, a pesar de que se requiere una profundización en la
validación en el área serrana. Asimismo, se plantea la necesidad de validación
de esta base de datos a escala diaria, para ampliar sus posibles aplicaciones
en el área de estudio, particularmente para el estudio de eventos extremos. Si bien el uso de
estimaciones de precipitación presenta limitaciones, resulta un recurso de
interés para aplicar en regiones donde los registros observacionales son
escasos o no poseen una adecuada cobertura espacio-temporal.
Agradecimientos
El presente trabajo se desarrolló en el marco del PGI
Geografía Física aplicada al estudio de la interacción sociedad-naturaleza.
Problemáticas ambientales a diferentes escalas témporo-espaciales
(24/G092), financiado por la Secretaría General de Ciencia y Tecnología (SGCyT), Universidad Nacional del Sur. Yamila Lambrecht y Anabella Montico son
estudiantes del Doctorado en Ciencias Aplicadas Mención Ambiente y Salud
(DCAAS, UNICEN, Argentina).
Referencias
Aliaga, V. S., Ferrelli, F. & Piccolo, M. C. (2017). Regionalization of climate over the Argentine Pampas.
International journal of climatology, 37, 1237-1247. https://doi.org/10.1002/joc.5079
Alsilibe,
F., Bene, K., Bilal, G., Alghafli, K. & Shi, X.
(2023). Accuracy Assessment and Validation of Multi-Source CHIRPS Precipitation
Estimates for Water Resource Management in the Barada Basin, Syria. Remote
Sensing, 15 (7), 1778. https://doi.org/10.1002/qj.3244
Anjum, M. N., Irfan, M., Waseem, M., Leta, M. K.,
Niazi, U. M., ur Rahman, S., Ghanim, A., Ahsan
Mukhtar, M., & Nadeem, M. U. (2022). Assessment of PERSIANN-CCS,
PERSIANN-CDR, SM2RAIN-ASCAT, and CHIRPS-2.0 rainfall products over a semi-arid
subtropical climatic region. Water, 14(2), 147. https://doi.org/10.3390/w14020147
Arregocés, H. A., Rojano,
R. & Pérez, J. (2023). Validation of the
CHIRPS dataset in a coastal region with extensive plains and complex topography. Case Studies in Chemical and Environmental
Engineering, 8. https://doi.org/10.1016/j.cscee.2023.100452
Ávila-Parra, K. &
Martín-Vide, J. (2013). Análisis estadístico de los
eventos extremos de precipitación. Cuadernos Geográficos de la Universidad
de Granada, 52(1), 69-83. https://dialnet.unirioja.es/servlet/articulo?codigo=4298593
Bai, L., Shi, C., Li, L., Yang, Y. & Wu, J.
(2018). Accuracy of CHIRPS Satellite-Rainfall Products over Mainland China. RemoteSensing, 10 (3), 362. https://doi.org/10.3390/rs10030362
Campo, A., Diez, P. & Capelli de Steffens, A.
(2004). El clima del suroeste bonaerense, Bahía Blanca, República
Argentina, EdiUNS.
Campo,
A.; Ramos, B. & Zapperi, P. (2009). Análisis
de las variaciones anuales de precipitación en el suroeste bonaerense,
Argentina. 1–12. http://observatoriogeograficoamericalatina.org.mx/egal12/Procesosambientales/Climatologia/16.pdf
Casado, A. & Picone, N.
(2018). Aplicabilidad de los datos grillados para el análisis espaciotemporal
de las precipitaciones, provincia de Buenos Aires (Argentina). Párrafos
Geográficos, 17(1), 46-62. http://igeopat.org/parrafosgeograficos/images/RevistasPG/2018_17_1/29-3.pdf
Casado, A. L. & Campo,
A. M. (2019). Extremos hidroclimáticos y recursos hídricos: estado de
conocimiento en el suroeste bonaerense, Argentina. Cuadernos Geográficos,
58(1), 6-26. http://dx.doi.org/10.30827/cuadgeo.v58i1.6751
Cavalcante, R. B. L., da Silva
Ferreira, D. B., Pontes, P. R. M., Tedeschi, R. G., da Costa, C. P. W. & de
Souza, E. B. (2020). Evaluation Cavalcante
of extreme rainfall indices from CHIRPS precipitation estimates over the
Brazilian Amazonia. Atmospheric Research, 238, 104879. https://doi.org/10.1016/j.atmosres.2020.104879
Cerón, W. L.,
Molina-Carpio, J., Ayes Rivera, I., Andreoli, R. V., Kayano, M. T., & Canchala, T. (2020). A principal component analysis
approach to assess CHIRPS precipitation dataset for the study of climate
variability of the La Plata Basin, Southern South America. Natural Hazards, 103(1), 767-783. https://doi.org/10.1007/s11069-020-04011-x
de MoraesCordeiro,
A. L. & Blanco, C. J. C. (2021). Assessment of
satellite products for filling rainfall data gaps in the Amazon region. Natural
Resource Modeling, 34(2), e12298. https://doi.org/10.1111/nrm.12298
Fourier, F. (1960). Climat
et erosion; la relation entre l’erosion du sol par l’eau et les precipitations atmospheriques.
Paris, Francia, Presses universitaires de France.
Funk, C., Peterson, P., Landsfeld,
M., Pedreros, D., Verdin, J., Shukla, S., Husak, G.,
Rowland, J., Harrison, L., Hoell, A. & Michaelsen, J. (2015). The climate
hazards infrared precipitation with stations—a new environmental record for
monitoring extremes. Scientific data, 2(1), 1-21. https://doi.org/10.1038/sdata.2015.66
Gentili, J. O. & Gil, V. (2013). Variabilidad temporal de
las precipitaciones en vertientes opuestas del Sistema de Ventania, Buenos
Aires, Argentina. Revista Universitaria
de Geografía, 22(2), 147-166. https://www.redalyc.org/pdf/3832/383239184008.pdf
Gil, V., Gentili, J.,
Campo, A. M., Jelinski, G. & Crisafulli,
M. (2016). Evaluación del peligro potencial de crecidas en cuencas serranas.
Sistema de Ventania, provincia de Buenos Aires. III Encuentro de Investigadores en Formación en Recursos Hídricos,
Ezeiza, Argentina. https://www.ina.gov.ar/ifrh-2016/trabajos/IFRH_2016_paper_133.pdf
Gusmerotti, L. A., Posse, G., Oricchio, P. A., Rivadeneira,
S. T. & Di Bella, C. M. (2023). Evaluation of
Satellite-Based Precipitation Estimates and a Correction Methodology Through
Weather Stations in Córdoba (Argentina). https://dx.doi.org/10.2139/ssrn.4374156
Hobouchian, M. P., Salio, P., Skabar, Y. G., Vila,
D. & Garreaud, R. (2017). Assessment of satellite precipitation estimates over
the slopes of the subtropical Andes. Atmospheric Research, 190, 43-54. https://doi.org/10.1016/j.atmosres.2017.02.006
Lovino, M. A. (2015). Impacto
ambiental de la variabilidad climática y los eventos extremos en la provincia
de Santa Fe, en el contexto del cambio climático (Tesis doctoral).
Universidad Nacional del Litoral, Santa Fé,
Argentina. http://hdl.handle.net/11185/707
Lúgaro, T. (2022). Caracterización climática de los vientos en
Argentina a partir de datos observados y satelitales (Tesis de grado).
Universidad de Buenos Aires, Buenos Aires, Argentina. https://anemoi.net.ar/static/img/Tesis_Lugaro.pdf
Marianetti, G. & Rivera, J.
(2021). Riesgos asociados a eventos de precipitaciones intensas en la región
oeste del Gran Mendoza, Argentina. ICU: Investigación, Ciencia y Universidad,
5(6), 31-42.https://doi.org/10.59872/icu.v5i6.369
Martín‐Vide, J. (2004). Spatial distribution of a
daily precipitation concentration index in peninsular Spain. International
Journal of Climatology, 24(8), 959-971. https://doi.org/10.1002/joc.1030
Medina, F. D., Zossi, B. S.,
Bossolasco, A. & Elias, A. G. (2023). Performance
of CHIRPS dataset for monthly and annual rainfall-indices in Northern
Argentina. Atmospheric Research, 283, 106545. https://doi.org/10.1016/j.atmosres.2022.106545
Mianabadi,
A. (2023). Evaluation of long-term satellite-based precipitation products for
developing intensity-frequency (IF) curves of daily precipitation. Atmospheric
Research, 286, 106667. https://doi.org/10.1016/j.atmosres.2023.106667
Olmo, M. E. (2023). Cambios
futuros de la precipitación extrema en el sudeste de Sudamérica: modelado
climático estadístico regional y patrones de circulación sinóptica (Tesis Doctoral).
Universidad de Buenos Aires, Buenos Aires, Argentina. http://hdl.handle.net/20.500.12110/tesis_n7282_Olmo
Ombadi, M., Nguyen, P., Sorooshian, S. & Hsu, K. L.
(2018). Developing intensity‐duration‐frequency (IDF) curves
from satellite‐based precipitation: Methodology and evaluation. Water
Resources Research, 54(10), 7752-7766. https://doi.org/10.1029/2018WR022929
Paredes-Trejo, F. J., Barbosa, H. A. & Kumar, T.
L. (2017). Validating CHIRPS-based satellite precipitation estimates in
Northeast Brazil. Journal of arid environments, 139, 26-40. https://doi.org/10.1016/j.jaridenv.2016.12.009
Prakash, S. (2019). Performance assessment of CHIRPS,
MSWEP, SM2RAIN-CCI, and TMPA precipitation products across India. Journal of
hydrology, 571, 50-59. https://doi.org/10.1016/j.jhydrol.2019.01.036
Rivera, J. A., Marianetti,
G. & Hinrichs, S. (2018). Validation of CHIRPS precipitation dataset along
the Central Andes of Argentina. Atmospheric Research, 213, 437-449. https://doi.org/10.1016/j.atmosres.2018.06.023
Robledo, F. A., Penalba, O.
C., & Bettolli, M. L. (2013). Teleconnections
between tropical‐extratropical oceans and the daily intensity of extreme
rainfall over Argentina. International Journal of Climatology, 33(3),
735-745. https://doi.org/10.1002/joc.3467
Salih, W., Epule, T. E., EL Khalki, E. L., Ouatiki, H., Erraki, S., Achli, S. & Chehbouni,
A. (2023). A comprehensive assessment of satellite precipitation products over
a semi-arid region: focus on extreme events. Natural Hazards, 1-29. https://doi.org/10.1007/s11069-023-06317-y
Saucedo, G. I., Kurtz, D.
B. & Contreras, F. I. (2023). Validación de precipitaciones estimadas
mediante satélites para dos estaciones de la provincia de Corrientes (República
Argentina). Contribuciones Científicas, 35(1), 46-53. https://gaea.org.ar/contribuciones/CC_GAEA_35.pdf#page=47
Serrano‐Notivoli,
R., Beguería, S., Saz, M. Á. and De Luis, M. (2018). Recent trends reveal decreasing intensity of daily
precipitation in Spain. International Journal of Climatology, 38(11), 4211-4224.
Volonté, A. (2017). Geomorfología fluvial aplicada al peligro de
crecidas: cuenca del arroyo San Bernardo, sistema de Ventania, Argentina
(Tesis Doctoral), Universidad Nacional del Sur, Departamento de Geografía y
Turismo, Bahía Blanca, Argentina. http://repositoriodigital.uns.edu.ar/handle/123456789/3453
Wischmeier, W. H. (1959). A rainfall erosion index for
a universal soil‐loss equation. Soil Science Society of America Journal,
23(3), 246-249. https://doi.org/10.2136/sssaj1959.03615995002300030027x
Xu, W., Zou, Y., Zhang, G. & Linderman, M. (2015).
A comparison among spatial interpolation techniques for daily rainfall data in
Sichuan Province, China. International Journal of Climatology, 35(10),
2898-2907. https://doi.org/10.1002/joc.4180
Zambrano, F., Wardlow, B., Tadesse, T.,
Lillo-Saavedra, M. & Lagos, O. (2017). Evaluating satellite-derived
long-term historical precipitation datasets for drought monitoring in Chile. Atmospheric
Research, 186, 26-42. https://doi.org/10.1016/j.atmosres.2016.11.006
Zambrano-Bigiarini, M.
(2022). Package hydroGOF.
https://cran.r-project.org/web/packages/hydroGOF/index.html