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

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

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

2

Universidad Nacional de Ingeniería UNI. IMEFEN. Lima, Peru *E-mail: [email protected]

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

4

5

Instituto Geofísico del Peru IGP. Lima, Peru.

Servicio Nacional de Meteorología e Hidrología del Peru SENAMHI. Lima, Peru.

Universidad Nacional Agraria La Molina UNALM, Lima, Peru - Institut de Recherche pour le Développement (IRD Peru).

Resumen

Introducción

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.

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.

Palabras clave: Precipitación; Temperatura; Tendencias; TRMM 3B43; NCEP NCAR reanalisis; Andes

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).

1

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

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.

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).

Objetivos

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.

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 insitu 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 MannKendall ha sido una de las metodologías recomendadas por la Organización Meteorológica Mundial (Salarijazi, 2012). El

ANALISIS DE PRECIPITACIONES Y DATOS TRMM

∆Pi = µ TRMM i − µ SENAMHI i

[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).

RMSE =

∑ (P

TRMM i

− PSENAMHIi ) 2

[2]

N

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)

2

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

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).

f1i = µlog(TRMMi +1) − µlog(SENAMHIi +1) f 2i =

µ log(SENAMH I +1) µ log(TRMM +1) i

DE JUNIO DEL 2013

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).

∆Ti = µ SENAMHI k − µ NNR k i

[3]

[6]

i = número de mes (1,…,12) k = nivel de presión (500, 600 y 700 hPa)

[4]

µ SENAMHI = media del registro SENAMHI (mes i y nivel k). µ NNR k

i

i

k

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:

TRMM ic , j = f i TRMM i , j + 1 − 1

i

[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

i

= 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).

fci =

BSi + Γi .(hBS − hNNR k ) + Γi (hx − hNNR k ) NNRi

k

[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. NNRik= 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).

Se analizaron las estaciones in-situ SENAMHI con registro mayor a 10 años de información y en función de la altitud se

3

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

Figura 1.- Mapa de estaciones y cuencas hidrográficas

Andes ubicacion

Andes del Norte

Region

Andes Centrales, cadena Oeste

Andes Centrales, cadena Central

Tendencia Temperatura (°C/año)

7.7

1074.7

-

-

RECUAY (3394 m asl) LAMPAS ALTO (4030 m asl)

12.3 5.9

836.6 758.9

-

NS -

MARAÑON

CHAVIN (3210 m asl)

13.0

725.7

-

-

MANTARO

MARCAPOMACOCHA (4479 m asl)

4.3

1149.3

NS

NS

PULLHUAY (4600 m asl)

12.3

644.3

NS

-

ANDAHUA (3587 m asl)

10.1

380.3

NS

-

CHIVAY (3633 m asl)

10.0

406.4

NS

S (+0.02)

CONDOROMA (4160 m asl)

5.2

649.3

-

-

PORPERA (4195 m asl)

4.9

613.6

NS

-

SIBAYO (3810 m asl)

8.3

586.8

NS

S (+0.01)

TISCO (4175 m asl) PAÑE (4605 m asl)

6.8 3.3

690.3 757.5

NS -

-

AGUADA BLANCA (3855 m asl)

5.0

221.4

-

-

EL FRAYLE (4060 m asl)

4.7

301.1

NS

S (+0.03) NS

COLCA

QUILCA

APURIMAC

IMATA (4519 m asl)

3.0

550.3

NS

LAS SALINAS (4310 m asl)

4.5

333.9

NS

-

PAMPA DE ARRIEROS (3715 m asl) PILLONES (4360 m asl)

7.6 3.2

269.7 404.0

NS NS

-

LA ANGOSTURA (4150 m asl) YAURI (3927 m asl)

5.4 6.5

848.3 804.8

NS -

S (+0.03) -

SICUANI (3574 m asl)

11.0

671.0

NS

-

9.9

816.7

-

-

8.2 10.3

609.1 501.4

NS NS

-

10.3 9.2

614.2 654.9

-

S (+0.002)

Andes Centrales, POMACANCHI (3700 m asl) URUBAMBA cadena Este CCATCA (3729 m asl) COLQUEPATA (3729 m asl) Andes del Sur

Temperatura media Precipitacion total Tendencia (°C/año) (mm/año) Precipitacion

QUEROCOCHA (3955 m asl) SANTA

OCOÑA

Andes Centrales, cadena Oeste

Estacion SENAMHI in-situ

TITICACA

JULIACA (4350 m asl) CABANILLAS (3900 m asl)

Tabla 1.Estaciones SENAMHI y tendencias

4

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

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, Kendall, asimismo los análisis de quiebres arrojan que no existen años significativos que consideren un punto de quiebre en la serie con el test de 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 (+0.02°C/año para Chivay; +0.03°C/año para El Frayle; +0.03°C/ +0.03°C/año para La Angostura y +0.01°C/año año para Sibayo Sibayo), sin embargo la estación Imata que se ubica en la misma región n no presenta tendencias significativas. Los puntos de quiebres fueron no significativos con el test de Pettitt al 99% de confianza. Es interesante notar que ni las precipitaciones ni tempe temperaturas en las series analizadas que inician desde 1964 están influenciadas por el salto climático de 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, 1997; Perez et al., 1998). DATOS IN-SITU Y TRMM La Figura 2, muestra ell comportamiento estacional de las diferencias aritméticas entre los datos TRMM y los datos in insitu. En general hay una subestimación n de los datos TRMM con respecto a los datos in situ en el periodo húmedo a excepción n de las estaciones Colquepata y Pampacolca. La estación Colquepata, perteneciente a la región regi Urubamba que se halla más próxima a la vertiente amaz amazónica y la estación Pampacolca que se halla más próxima xima al Pac Pacífico.

Tabla 2.- Estaciones de precipitación in situ (SENAMHI) y correspondencia con las grillas TRMM.

A modo de ejemplo se muestran los l resultados para R2 para el mes de Enero (Figura 3) en la cual, el modelo aditivo aproxima la pendiente lineal a 0.983 (cerca a la unidad), corrigiendo de este modo la pendiente de 0.509 obtenida con los TRMM originales. El modelo multiplicativo logra corregir la pendiente en un valor de 0.830. El coeficiente de correlación CC es superior a 75 % en todos los casos. A nivel anual esta corrección es mucho más significativa especialmente con el modelo aditivo (Figura 4). 300

250

TRMM (mm)

200

150

100

50

0 0

y = 0.5092x CC = 77%

50

TRMM original

y = 0.9836x CC = 78%

100

150

P SENAMHI ENE (mm) TRMM Aditivo

200

y = 0.8309x CC = 78%

250

TRMM Multiplicativo

Figura 3.- 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. Figura 2.- Variación estacional de Enero a Diciembre, de las diferencias entre los datos TRMM y datos in situ.

La regionalización obtenida y las grillas TRMM empl empleadas se muestran en la Tabla 2. A continuación sse procedió a realizar la corrección del TRMM en razón de no obtener buenas aproximaciones con el RMSE y el CC.

Figura 4.- Precipitaciones totales anuales in situ (SENAMHI), estimadas por el TRMM sin corrección correcci (TRMM), corregidas por el modelo aditivo (TRMM A) y modelo multiplicativo (TRMM M).

5

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

DATOS IN-SITU Y NCEP NCAR Andes ubicacion

De acuerdo a la Tabla 1, las temperaturas anuales in-situ, in varían desde 13°C en la estación Chavin hasta 3°C para la estación Imata. El 44% de las estaciones están ubicadas por encima de los 4000 m, el 48% entre 3500 y 4000 m y el 8% entre 3000 y 3500 m. Es posible obtener una relación lineal inversa entra altitud y temperatura tal como se muestra en la Figura 5, en la cual no se considero las estaciones con serie corta menor a diez años o influenciados por fenómenos de radiación relacionados con la transm misividad atmosférica (Baigorria et al, 2004), resultando una relación directa entre altitud y temperatura (estaciones Pullhuay y Cabanillas) especialmente en zonas cercanas al Altiplano. Altiplano La Figura 5, muestra un gradiente adiabático anual de 0.9 °C/100 m,, este valor es mayor que el típico valor de 0.6 asumido clásicamente en los modelos climáticos (Tabony, 1985). En general estas regiones ubicadas en los Andes presentan rangos de gradiente adiabático diferentes a otras cadenas montañosas, por tal razón se estimaron dichos gradientes a nivel mensual y se muestran en la Tabla 4. 4

Andes del Norte

Andes Centrales, cadena Oeste

Altitude (m asl)

y = -111.73x 111.73x + 4751.9 CC = 92%

4200

QUEROCOCHA (3955 m asl)

77.5W, 10S

1966 - 1973

RECUAY (3394 m asl) LAMPAS ALTO (4030 m asl)

77.5W, 10S 77.5W, 10S

1965 - 2007 1957 – 1972

CHAVIN (3210 m asl)

77.5W, 10S

1986 - 2007

77.5W, 12.5S

1969 - 2004

PULLHUAY (4600 m asl)

72.5W, 15S

2003 - 2007

ANDAHUA (3587 m asl)

72.5W, 15S

2000 – 2007

CHIVAY (3633 m asl)

72.5W, 15S

1964 – 2007

CONDOROMA (4160 m asl)

72.5W, 15S

1977 – 1995

PORPERA (4195 m asl)

72.5W, 15S

2003 – 2007

SIBAYO (3810 m asl)

72.5W, 15S

1951 – 2007

TISCO (4175 m asl) PAÑE (4605 m asl)

72.5W, 15S 70W, 15S

2003 – 2007 1951- 1973/1992-2000

AGUADA BLANCA (3855 m asl)

72.5W, 15S

1991 – 2000

EL FRAYLE (4060 m asl) Andes Centrales, cadena Oeste

Andes Centrales, cadena Central

70W, 15S

1963 – 2007

70W, 15S

1949 – 2007

LAS SALINAS (4310 m asl)

70W, 17.5S

2003 – 2007

PAMPA DE ARRIEROS (3715 m asl) PILLONES (4360 m asl)

72.5W, 15S 70W, 15S

1999 – 2007 2003 - 2007

LA ANGOSTURA (4150 m asl) YAURI (3927 m asl)

72.5W, 15S 72.5W, 15S

1961 - 2007 1964–1978/1986-2007

IMATA (4519 m asl)

70W, 15S

1987 - 2007

POMACANCHI (3700 m asl)

72.5W, 15S

1985 – 2007

CCATCA (3729 m asl) COLQUEPATA (3729 m asl)

72.5W, 12.5S 72.5W, 12.5S

1964-1983/1986-2007 2001 – 2007

JULIACA (4350 m asl) CABANILLAS (3900 m asl)

70W, 15S 70W, 15S

1961-1995, 2007 1964 - 2007

SICUANI (3574 m asl) Andes Centrales, cadena Este

Andes del Sur 4400

Periodo comun entre NNR y SENAMHI

MARCAPOMACOCHA (4479 m asl)

4800 4600

Grilla NNR

Estacion SENAMHI in-situ

Tabla 4.- Estaciones in-situ situ y grillas NCEP NCAR.

4000 3800 3600 3400 3200 3000 2.0

4.0

6.0

8.0

10.0

12.0

14.0

Mean annual temperature (ºC) SENAMHI

Figura 5.- Relación inversa entre temperaturas anuales SENAMHI y la altitud. Mes

Ene

Feb

Mar

Abr

May

CC (%)

91

89

90

93

90

Jun 85

Γ (°C/100m)

-0.79

-0.79

-0.77

-0.78

-0.99

-1.16 Dic

Mes

Jul

Ago

Sep

Oct

Nov

CC (%)

89

90

91

91

90

89

Γ (°C/100m)

-1.13

-1.10

-1.06

-0.97

-0.94

-0.88

Tabla 3.- Gradientes mensuales (monthly lapse rates rates) estimados para 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 situ y NCEP NCAR, las cuales tienen una variación desde los 10°C in n los Andes del Norte hasta 0.4°C en los Andes Centrales para 600 y 700 hPa. La Figura 6 muestra estas variaciones para 700 7 hPa durante un año promedio. Las grillas y el periodo común entre ambas fuentes de datos se muestran en la Tabla 4. 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 determinar series

Figura 6.- Variación mensual de la temperatura entre datos in-situ in y NCEP NCAR para 700 00 hPa en estaciones representativas.

de temperatura en cualquier punto topográfico natural ubicado dentro del alcance de su grilla. Estos Esto puntos fueron hechos coincidir con el resto de puntos (estaciones) ( que poseen datos 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 (77.5˚W, 10˚S) a 700hPa coincidente con la estación Lampas Alto, donde las correcciones se consideran satisfactorias con una reducción del error RMSE de 50% a 18% y un incremento de la correlación con el CC del 22 % al 85%. Del mismo modo, la Figura 8 representa a la estación Condoroma, Co en donde al corrección se considera satisfactoria. satisfactoria Estos resultados son 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 nuyendo el CC, en razón del comportamiento directo de la temperatura con la altitud en dichas regiones de planicie.

6

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

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 par la obtención de registros de temperatura media mensual en cuencas sin medición desde el año 1949. Estas variables corregidas sirven como datos de entrada en diversos modelos hidrológicos para el cálculo de la evapotranspiración potencial (ETP), (ETP) logrando indirectamente la estimación de este parámetro en cuencas sin medición.

Conclusiones

Figura 7.- Dispersión entre datos in-situ situ y NCEP NCAR originales (NNRo) y NCEP NCAR corregidos (NNRc) para Lampas Alto.

Para las regiones montañosas por encima de los 3000 msnm, las series de temperatura anual en las estaciones in-situ in presentaron tendencias positivas significativas mediante la 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 inferir cuales áreas en los Andes Centrales desarrollan un obstáculo significativo para la formación de nieve en un mediano plazo de 10 años. a Las tendencias positivas de temperatura pueden alcanzar los 0.3°C.

Figura 8.- Dispersión entre datos in-situ situ y NCEP NCAR originales (NNRo) y NCEP NCAR corregidos (NNRc) para Condoroma.

Aplicaciones Las zonas de montaña con tendencia positiva en la 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.

Sobre los datos de precipitación y TRMM 3B43, en el período 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, el TRMM sobre estima los datos in situ. Dos modelos estadísticos son planteados para la corrección de los datos de TRMM, uno aditivo y otro multiplicativo. El modelo aditivo ofrece buenas aproximaciones en las regiones Santa (R1), Pacífico Norte (R2), Colca (R3), Quilca (R4), Apurímac (R5) y Ocoña (R7). El modelo multiplicativo brinda mejores resultados en la región Alto Marañón (R9). Sobre los datos de temperatura y NCEP NCAR NCAR, se propone el empleo de un gradiente adiabático regional mensual obtenido con los datos in-situ, con fines de corregir las temperaturas en las grillas NCEP NCAR para 600 y 700 hPa. La metodología permitió corregir los datos de temperatura NCEP NCAR en función de estaciones base in-situ situ de manera satisfactoria para los Andes del Norte y Centrales. Para los lo Andes del Sur no fue posible obtener resultados aceptables. aceptables

7

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

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.

DE JUNIO DEL 2013

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.

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.

Kendall, M.G. 1975. Rank Correlation Methods, Charles Griffin, London UK.

Barry, R.G. (2008). Mountain Weather and Climate. 3rd edition, Cambridge University Press, Cambridge, 506 pp .

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.

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 ERAInterim 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.

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 AmazonAndes 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 AmazonAndes 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.

8

IV CONGRESO NACIONAL DEL AGUA UNALM, UNI, UNMSM LIMA, PERU. 13

Y 14

DE JUNIO DEL 2013

Rosenblüth, B. Fuenzalida, H. Aceituno, P. (1997). Recent temperature variations in southern South América. International Journal of climatology, vol. 17, 67–85.

Shin, K., and North, G. (1988). Sampling errors study for rainfall estimate using a stochastic model. J. Applied Meteorology. 27: 12181231.

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.

Tabony, R.C. 1985. The variation of surface temperature with altitude, Meteorol. Mag., 114, 37–48.

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.

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.

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.

9