Interpolación de datos de precipitación CHIRPS del departamento del Meta (COL).

El análisis espacial permite resolver problemas complejos relacionados con la ubicación, buscar patrones, evaluar tendencias y por lo tanto tomar decisiones. El análisis espacial va más allá de la representación cartográfica y permite estudiar las características de los lugares y las relaciones entre ellos. El análisis espacial aporta nuevas perspectivas en la toma de decisiones. (ArcGIs,2020). Mediante el análisis espacial es posible combinar información de muchas fuentes y obtener información nueva aplicando una serie de operadores espaciales. De esta manera, se puede utilizar un Sistema de Información Geográfica (SIG) para realizar un análisis espacial puesto que proporciona instrumentos útiles para calcular estadísticas de las entidades y realizar actividades de geoprocesamiento como la interpolación de datos (ArcGIs,2020). Estos datos son suministrados por diferentes estaciones y metodologías que permite mapear las características de determinado lugar, sin embargo, muestrear el 100% de un terreno es imposible o al menos inviable, y es donde la interpolación espacial juega un papel fundamental en el proceso de estimar valores desconocidos a partir de los conocidos. Esto es de gran utilidad en lugares donde existen muchas restricciones de cualquier tipo para realizar un muestreo in situ (Peligro, privado, selvas vírgenes, etc.), permitiendo estimar un valor de determinada variable de estos lugares inaccesibles. Para realizar interpolación existen diferentes métodos clasificados por el método en geoestadísticos, que usan las propiedades estadísticas de las variables y muestreos mientras que los deterministas, se basan en la similitud o disimilitud entre puntos. (ArcGISMap, 2020) Entendiendo que no existe un único método de interpolación, es necesario comparar los diferentes métodos con el fin de determinar que método puede ser mas preciso para determinadas características y/o hallar similitudes y diferencias de los datos entre estos. 1.2 Objetivos Realizar interpolación de datos de precipitación del departamento del Meta suministrados por CHIRPS con el método IDW (Distancia Inversa Ponderada) y Kriging.

2. Metodología

2.1 Zona de estudio

El meta, departamento de la región Orinoquia de Colombia, comprende desde la cordillera oriental hasta las llanuras límites con Venezuela, se sitúa entre los 04º54’25’’ y los 01º36’52’’ de latitud norte, y los 71º4’38’’ y 74º53’57’’ de longitud oeste. El departamento tiene una superficie de 85.635 Km^2. Su capital es Villavicencio y Se encuentra dividido en 29 municipios. Su población es de 979.638 habitantes (Gobernación del Meta, 2021). es el cuarto departamento más grande del país con una extensión territorial de 85.635 Km^2, por lo cual representa el 7.5% del territorio nacional (PNUD,2008). La topografía comprende llanuras en un 80%, sin embargo, posee elevaciones importantes como el cerro El Nevado con 4.560 msnm y el páramo de Sumapaz a 4.000 msnm. El departamento del Meta se encuentra en la Zona de Confluencia Intertropical o ZCIT, por lo que las precipitaciones anuales varían desde 2.100 mm, en las partes altas de la cordillera, hasta los 6.000 mm o más, en los municipios de Lejanías, Villavicencio y Restrepo. La temperatura media anual del departamento oscila entre los 23.4ºC y los 26.6ºC, y la humedad relativa anual varía entre el 77 y 87% (IDEAM, 2015) El meta es un departamento agrícola y ganadero, con un reciente fortalecimiento económico en el sector turístico. Posee cultivos tecnificados de arroz, cacao y palma africana, entre muchos otros cultivos de la región, con una alta producción de frutales con respecto a otras zonas del país. (Banrep, 2021), los cuales se ven beneficiados por las altas precipitaciones de la región.

mapa 1. Extención de los municipios del departamento del Meta.

2.2 Datos de precipitación del departamento del Meta

El Grupo de Riesgos Climáticos de precipitación infrarroja con datos de estación (CHIRPS) es un conjunto de datos de precipitación de más de 35 años, desde 1981 hasta la actualidad. Cuenta con cubrimiento casi global de 50 ° S hasta 50 ° N (todas las longitudes), fue creado en colaboración por científicos del Centro de Observación y Ciencia de los Recursos de la Tierra (EROS) del USGS (USAID, 2020). CHIRPS son conjuntos de datos completos, confiables y actualizados que permite el análisis de tendencias y el seguimiento estacional de la estacionalidad (periodos secos o húmedos, entre otros) incorporándolos en un objeto ráster de precipitación mediante la incorporación de la climatología interna, CHPclim, imágenes satelitales con resolución de 0.05°, (5.5 km/píxel) y datos de estación in situ (USAID, 2020). Los datos descargados contienen la información de precipitación acumulada del 26 al 30 de abril del 2020 en formato.TIF

Mapa 2. Mapa de precipitación acumulada CHRIPS con el 70% de los datos. Validación de la muestra de datos (test)

2.3 Métodos de interpolación espacial

El proceso de interpolación permite obtener una superficie estadística, continua con valores interpolados a partir de datos o muestras conocidas. (ArcGIS,2020)

  • Distancia inversa ponderada (IDW): Es una interpolación determinista que interpola los datos de la superficie a partir de puntos muestreados, valorándolos según la distancia que estos se encuentren al punto de muestreo. Este método pondera los puntos a interpolar por el inverso del cuadrado de la distancia elevado a una potencia (2), por lo que la calificación que obtiene un punto en relación con otros disminuye a medida que la distancia entre ellos aumenta (ArcgGIS, 2020) La potencia permite determinar o controlar el peso o influencia de otros puntos conocidos en los valores interpolados a partir del dato de referencia, a mayor potencia, mayor peso de los puntos cercanos

+kriging: Este es un método de interpolación geoestadístico, por lo que esta basado en modelos y la correlación que tengan los datos con este modelo. Ya que los datos están dados por correlación, es posible determinar el grado de error o de exactitud de determinados valores interpolados.

Kriging a diferencia de IDW no solo pondera por la distancia medida entre los pares de puntos, si no también en la disposición de estos puntos organizados en un espacio. Por lo que para realizar interpolaciones con el método Kriging es útil generar una variografía de los puntos medidos, y para esto es necesario observar el comportamiento del variograma empírico, lo que permite observar la auto relación espacial del conjunto de datos. Es necesario que las predicciones de Kriging posean varianzas positivas por lo que el ajuste del modelo al semi variograma empírico también es necesario. Existen diferentes modelos a los que un semivariograma se puede ajustar como el modelo circular, esférico, exponencial, gaussiano, entre otros (ArcMap, 2016). En el presente informe se utilizó el modelo Matern.

3. Resultados

3.1 Interpolación por método IDW

Mapa 3. Capa de precipitación Interpolada por el metodo IDW

3.2 Interpolación por método Ordinary kriging

Mapa 5. Capa de precipitación interpolada por el método ordinary Kriging

4. Discusión de resultados

4.1 Método IDW

El resultado de la interpolación por el método IDW, genera un error relativamente bajo, mostrando una buena coorelación entre los datos presentados y los estimados durante la interpolación, siendo menos precisos en los valores más altos y más bajos

Ajuste fino de la interpolación

Grafica 1.

y también presenta un error medio cuadratico de aprox 8.5 mm, lo cual es un error relativamente bajo al presentar valores de precipitación de hasta 140mm

sqrt( sum((IDW.out - P$rain)^2) / length(P))
## [1] 8.552135

Al analizar los puntos con un intervalo de confianza del 95%, observamos que la mayor parte del territorio presenta valores bajos de error (0 - 2mm), pero presenta errorres más altos hacia el municipio de La uribe, en donde se presentan los mejores valores de precipitación, por lo que se requiere de realizar la interpolación teniendo en cuenta datos fuera del departamento para obtener una interpolación con un error menor para estos valores.

texcto Mapa 4. Mapa de validación Cruzada con un IC 95%, de los datos de precipitación interpolados por IDW

4.2 Método kriging

Observamos que la capa de precipitación generada en por el método kriging se ajusta muy bien a los datos CHIRPS de precipitación del departamento del meta, pero permite una visualización más detallada (con más resolución)lo que permite no sobreestimar o subestimar los datos para algunas zonas.

Variograma con modelo matern

grafica 2. Semivarianza ajustada al modelo Matern

kriging permite predecir determinados valores de atributos de las ubicaciones no muestreadas a partir de las muestreadas y su ajuste a un modelo, el semivariograma empírico permite observar y analizar la información de la autocorrelación espacial de los datos. podemos observar que el ajuste al modelo Matern es adecuado en para el variograma.

Los análisis de varianza y de confianza no se pudieron realizar ya que el codigo genera un error de coordenadas en donde no se pueden relacionar datos de diferentes SCG. Por lo tanto la comparación de los metodos es incompleta e inconclusa en este punto.

5. Conclusiones.

Bibliografía