¿Te podemos ayudar?
PROYECTO
Geoestadística aplicada al medio ambiente
Sonia Carolina Lobo Cabeza
INTRODUCCIÓN
Los datos climáticos tienen un amplio uso en múltiples áreas de investigación, tal como la ambiental, gestión de recursos, hidrología y agricultura (Di Piazza et al., 2015), sin embargo existe un problema en cuanto a las series climáticas, ya que presentan deficiencia respecto a la cobertura y temporalidad, esto se origina por que el mantenimiento de las estaciones demanda costos elevados. Es así, que surge la modelación espacial, una herramienta reciente de la estadística, que se enfoca en estimar variables biofísicas no muestreadas a partir de datos disponibles, permitiendo no solo realizar predicciones de los fenómenos, sino simulación y diseño muestral (García Condado, 2016; Velásquez et al., 2018).
Dentro de los métodos empleados para la estimación de ciertas variables como en este caso la temperatura en sitio no aforados, se encuentran dos grandes grupos, en primer lugar los 1) métodos de ponderación, los que a su vez se subdividen en deterministas y estadísticos o probabilísticos, la figura 1 sintetiza las características de estos por ser los de interés, por su parte también están 2) los métodos basados en datos (regresión, redes neuronales artificiales, etc).
La temperatura del aire juega un papel fundamental en la evaluación de la tierra, los sistemas de caracterización, así como en los modelos hidrológicos y ecológicos. Esta variable es importante ya que es determinante para el desarrollo de cultivos y condicionante en la productividad de las especies vegetales por estar conectada con el tiempo del crecimiento y evapotranspiración. Por este motivo se ha planteado analizar la distribución espacial de la temperatura Máxima en la Región de Aragon-España a través del uso de herramientas SIG.
ANTECEDENTES
Algunos estudios dentro de España son los que a continuación se exponen:
La investigación de Núñez Corchero et al. (2014) en extremadura-España, tuvo como objetivo optimizar el método de interpolación para temperaturas medias mensuales y precipitaciones mensuales en la comunidad, estimando así lo mejor posible esas variables en puntos sin observación, los softwares SAGA-GIS y R fueron aquellos empleados en la metodología, resultando que el mejor método fue “Universal Kriging", utilizando como variable de apoyo el relieve.
Así mismo otro estudio en España, fue el adelantado por Bustamante (2003) quien se enfocó en evaluar la interpolación de tres familias de modelos en la parte peninsular de este país, como son: superficies de tendencias, regresiones múltiples con predictores derivados de un modelo digital del elevaciones (MDE) y kriging, teniendo como variable la temperatura, encontrando que los modelos de regresión múltiple con predictores del MDE fueron aquellos obtuvieron mejores resultados.
De igual forma, en Navarra España, los autores Saz et al. (2009), se centraron en analizar la calidad final de diferentes cartografías de la temperatura máxima y mínima para el año 2009, implementando datos de la Agencia Estatal de Meteorología (AEMET), los que fueron posteriormente depurados, utilizándose el 80% de los puntos de registro para la aplicación de los distintos métodos de interpolación y de regresión, reservándose un 20% para la validación; la calidad de los mismos se determinó mediante el cálculo del Error Medio Absoluto (MAE) y del Error Cuadrático Medio (RMSE), encontrando que aquellos modelos de alta fiabilidad se obtienen a través de la regresión múltiple por pasos y corrección posterior del error mediante la cartografía de residuales.
Dejando atrás España, los autores Villarreal & Bernal (2020) en la República de Panamá adelantaron el estudio teniendo como fin determinar la existencia de un incremento de la temperatura máxima promedio a nivel nacional por medio del análisis de registro de datos de las estaciones meteorológicas de ETESA, así como desarrollar mapas de temperatura, mediante el uso del programa ArcGIS con los registros de temperatura, para lo cual implementaron varios métodos de interpolación como Kringin, Lineal y de ponderación por distancia inversa (IDW, Inverse Distance Weight), determinando así que el mejor método para sus datos fue el IDW, aunque los resultados presentaron cierta similitud KO, sin embargo para la zona de estudio fue el más apropiado al tener mayor representatividad con respecto al comportamiento descrito en el registro de temperatura.
ÁREA DE ESTUDIO.
Aragón es una comunidad autónoma de España, conformada por el tramo central del valle del Ebro, los Pirineos centrales y las Sierras Ibéricas. Está situada en el norte de España, y limita por el norte con Francia, por el oeste con las comunidades autónomas de Castilla-La Mancha, Castilla y León, La Rioja, Navarra y por el este con Cataluña y la Comunidad Valenciana. Se caracteriza por estar definida en su Estatuto de autonomía como nacionalidad histórica, tiene una extensión aproximada 47 719 km² y su ca pital es la ciudad de Zaragoza
OBJETIVOS:
OBJETIVO GENERAL: Analizar la distribución espacial de la temperatura Máxima en la Región de Aragón-España a través del uso de herramientas SIG.
OBJETIVOS ESPECÍFICOS:
METODOLOGÍA
La figura 2 expone sintéticamente las fases metodológicas empleadas para cada objetivo.
RESULTADOS
OBJETIVO 1:
ANÁLISIS EXPLORATORIO DE LOS DATOS
Como primer paso se realizó un análisis exploratorio de los datos, las figuras expuesta a continuación soportan este apartado.
HISTOGRAMA:
Pruebas Con Transformaciónes
Logarítmica
Box cox. II
Box Cox III
Se realizó una comparación teniendo presentes las medidas de tendencia central, desviación estándar y factores de forma:
Transformación | CS (Asimetría) | Kurtosis | Media | Mediana | Moda | Des.Media, mediana, moda | Desv.Est | CV (coef.variación) |
None | -0.81339 | 3.1884 | 19.953 | 20.523 | 20.9 | 0.47676654 | 2.1658 | 10.85450809 |
Log | -1.0966 | 3.9526 | 2.987 | 3.0216 | 3.04 | 0.026909478 | 0.11525 | 3.858386341 |
Box cox_II | -0.5621 | 2.697 | 200.89 | 210.14 | 237 | 18.75701735 | 41.413 | 20.6147643 |
Box cox_III | -0.33632 | 2.4094 | 2737.7 | 2881.9 | 2715 | 90.52121298 | 804.44 | 29.38378931 |
Squart raiz | -0.95 | 4.53 | 6.90 | 7 | 7.325 | 0.22 | 0.49 | 7.2% |
Otra forma para visualizar el comportamiento de los datos, evaluando si existe o no una distribución normal, es por medio del grafico QQPLOT o también llamado Cuantil-Cuantil.
Este brinda información aportante para conocer los valores “atípicos”, encontrándose que aquellos por debajo de 15.5°C tienden a estar más dispersos, ubicándose espacialmente ya sea al norte o al sur, por ejemplo, la estación griegos tiene el menor valor (13.5°C).
Por otra parte, aquellos valores de temperatura mayores (oscilando entre un rango 21.4°C-23.4°C), es decir, en las zonas donde la sensación térmica se eleva, tienden a ubicarse hacia la parte central de ARAGON, en correspondencia con las estaciones OSERA DE EBRO (23.39°C) e HIJAR, DEPÓSITO (23.35°C).
Respecto al mapa de Voronoi, refleja una tendencia de aumento de N-S, así como de sureste a suroeste, en efecto con el diagrama de QQPLOT fue posible relacionar aquellos valores menores hacia el centro del área, estando reflejado también en este mapa.
Respecto, al Trend Analysis, este presenta una tendencia marcada de norte a sur, ubicándose al norte aquellos valores que están en bajo, luego suben y finalmente siguen un patrón de decrecimiento, el mejor orden polinomial fue de tres, quien fue comprobado más adelante en los modelos, ya que cuando se removía el orden de magnitud tres resultaba una media menor de error, en comparación con el de orden 2.
Por su parte el semivariograma, quien muestra la autocorrelacion de los puntos dependiendo de la distancia, para este caso, se obtuvo el siguiente:
De la figura anterior, el recuadro negro presenta aquellos pares de estaciones que tienen poca semivarianza ya que están más cercanas entre sí, por otra parte, el recuadro verde son distancias más alejadas, pero guardan aún tienen poca semivarianza. No obstante, el recuadro azul son aquellos valores donde la semivarianza es alta, es decir, hay valores de temperatura muy diferentes respecto a sus vecinos.
OBJETIVO 2:
Se decidió aplicar el metódo geoestadistico kriging ordinario, ya que al hacer una prueba con el método IDW no fue posible obtener buenos resultados.
Se realizó una muestra de entrenamiento con la herramienta de subset feature al 80%, es decir, se eligieron 106 estaciones, por su parte para las pruebas de TEST contaron con 27 estaciones.
A continuación las estaciones aleatorias:
![]() | ![]() |
![]() | ![]() |
A continuación los pasos empleados para ajustar el modelo, tomandose como ejemplo uno de ellos (mdoelo 3):
![]() | ![]() |
![]() | ![]() |
Es Importante mencionar que para cada modelo se realizó un análisis exploratorio de los DATOS.
Después de realizar cada una de las interpolaciones con KRIGING ORDINARIO para cada muestra de entrenamiento (1,2,3,4) y obtener su error medio, se validaron con sus respectivas muestras de TEST obteniéndose así el error medio de VALIDACIÓN.
![]() | ![]() |
De lo anterior se generó una tabla comparativa para cada modelo y se eligió el tercero como el mejor.
MODELO | Error Medio de modelo | Error medio validación |
MODELO 1 | 0.008702398 | -0.26721 |
MODELO 2 | 0.06685157 | -0.067804 |
MODELO 3 | 0.028965776 | 0.053923 |
MODELO 4 | 0.050628082 | -0.17317 |
A continuación las interpolaciones de los respectivos modelos.
![]() | ![]() |
![]() | ![]() |
OBJETIVO 3.
De la interpolación se obtuvo el mapa de temperatura para la región:
El clima de Aragón es de tipo mediterráneo continentalizado, característico de inviernos fríos y veranos calurosos y secos, este fenómeno es consecuencia de las interacciones de dos variables que actúan a distinta escala, como lo son: la dinámica o cambio de las latitudes y la orografía, siendo este último el que modela el solar aragonés, imponiendo una variada gama de ambientes climáticos que conllevan desde la aridez de las tierras centrales de la región en torno al eje del Ebro hasta las zonas de nieves permanentes de las cumbres más elevadas de los Pirineos, pasando por la amplia sucesión de matices intermedios que imponen la altitud, la orientación o la compartimentación del relieve.
Fue así, que la estación que registró mayores valores fue la OSERA DE EBRO, lo cual concuerda con la literatura, por presenta un tipo de ortografía diferente.
En absoluto el espacio climático es heterogéneo al tener variedad y contrastes, proveniente de la sequedad de las estepas que rodean Zaragoza, así como los intensos fríos de los glaciares de los macizos de la Maladeta o el Aneto.
CONCLUSIONES
Fue posible evaluar el comportamiento espacial de la variable de estudio por medio de un análisis exploratorio de los datos, quien tiene bases estadísticas a fin de aplicar los mejores métodos de interpolación a posteriori.
Una vez conociendo el comportamiento de la temperatura de acuerdo con los registros de las estaciones se eligió el modelo más conveniente.
El clima aragonés no es homogéneo, producto de dos variables como lo son latitud y orografía.
RECOMENDACIONES.
Emplear modelos de regresión múltiple con variables derivadas del MDE que incorporaran un kriging o una regresión local de entorno variable de los residuos, permitiendo así, conocer la correlación entre la variable temperatura y la orografía.
REFERENCIAS BIBLIOGRÁFICAS
Bustamante, J. (2003). Cartografía predictiva de variables climáticas: comparación de distintos modelos de interpolación de la temperatura en España peninsular. Graellsia, 59(2–3), 359–376. https://doi.org/10.3989/graellsia.2003.v59.i2-3.252
Di Piazza, A., Conti, F. Lo, Viola, F., Eccel, E., & Noto, L. V. (2015). Comparative analysis of spatial interpolation methods in the Mediterranean area: Application to temperature in Sicily. Water (Switzerland), 7(5), 1866–1888. https://doi.org/10.3390/w7051866
García Condado, S. (2016). GENERALIZACIÓN DE VARIABLES MEDIOAMBIENTALES MEDIANTE INTERPOLACIÓN GIS (Issue August). Tesis de doctorado, Universidad politécnica de Madrid.
Núñez Corchero, M., del Puerto Centeno, M., Leal Cidoncha, C., & Camello Lázaro, Á. (2014). Análisis de dos métodos de interpolación y sus parámetros, para temperatura y precipitación mensuales, en Extremadura. 1.
Saz, M., Serrano, R., Arriaga, M., & Longares, L. (2009). Comparación de métodos de interpolación y de regresión para la cartografía de temperaturas máximas y mínimas absolutas: el caso de Navarra (norte de España) en 2009. Journal of Chemical Information and Modeling, 1–10. http://aeclim.org/wp-content/uploads/2018/01/SAZ-SANCHEZ-TEX.pdf
Velásquez, D. F. A., Carrillo, G. A. A., Barbosa, E. O. R., Latorre, D. A. G., & Maldonado, F. E. M. (2018). Regnie interpolation for rain and temperature in the andean, caribbean and pacific regions of Colombia. Colombia Forestal, 21(1), 102–118. https://doi.org/10.14483/2256201X.11601
Villarreal, D. G., & Bernal, S. (2020). Uso de registros de temperatura máxima promedio de las estaciones meteorológicas de ETESA, para la creación de mapas de temperatura mediante el uso de programa ArcGIS Use. 6, 9–14.
Sonia Carolina Lobo Cabeza
Geoestadística aplicada al medio ambiente
Alejandra Duque