Nueva base de datos de precipitaciones mensuales de la república Argentina (PMRAv1), 2000-2022

Juan J. Gaitan; Lucio Biancari

doi:10.24215/1850468Xe032

Autores/as

Juan J. Gaitan Universidad Nacional de Luján, Argentina
Lucio Biancari Universidad de Buenos Aires, Argentina

DOI:

https://doi.org/10.24215/1850468Xe032

Palabras clave:

regression random forest, estaciones meteorológicas, estimación precipitaciones

Resumen

La representación precisa de los patrones espacio-temporales de precipitación es un insumo esencial para numerosas aplicaciones ambientales. Sin embargo, la estimación de los patrones de precipitación derivados únicamente de pluviómetros está sujeta a grandes incertidumbres, especialmente en regiones con escasez de datos. Presentamos una nueva base de datos de Precipitaciones Mensuales de la República Argentina (PMRAv1) para el período 2000-2022, con 5 km de resolución espacial. PMRAv1 utiliza una metodología basada en regresión de bosques aleatorios (Regression Random Forest) para combinar datos mensuales de mediciones terrestres (entre 142 y 227 estaciones en cada mes), cuatro productos globales de precipitación estimada por satélite, modelos de circulación atmosféricas globales o interpolación de datos medidos en terreno (TERRACLIMATE, ERA5-LAND, GPMv6 y PERSIANN-CDR) con el objetivo de mejorar la estimación de las precipitaciones mensuales en Argentina. La metodología desarrollada pudo mejorar la representación espacio-temporal de la precipitación al permitir la fusión de múltiples fuentes de información satelital y mediciones en terreno. La validación realizada utilizando el 30% de los datos de pluviómetros mostró que PMRAv1 mejora significativamente los parámetros RMSE, MAE, EM y R2 en comparación con los cuatro productos globales de precipitación. Además, el producto resultó más estable en la predicción de los valores mensuales observados, al presentar un menor desvío estándar en los tres parámetros de ajuste. La base de datos PMRAv1 se pone a disposición de los usuarios en varios formatos. El término ‘v1’ (versión 1) hace referencia a que se considera que este producto tendrá sucesivas versiones en el futuro que permitan actualizarla y mejorar la precisión de las estimaciones. Asimismo, el método presentado también podría ser utilizado para mejorar la estimación de otras variables climatológicas cuando se disponga de datos medidos en terreno.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Abatzoglou, J.T., Dobrowski, S.Z., Parks, S.A. y Hegewisch, K.C., 2018: Terraclimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015, Scientific Data 5:170191. https://doi.org/10.1038/sdata.2017.191

Adhikary, S. K., Yilmaz, A. G., y Muttil, N., 2015: Optimal design of rain gauge network in the Middle Yarra River catchment, Australia. Hydrological Processes, 29(11), 2582-2599. https://doi.org/10.1002/hyp.10389

Almonacid, L., Pessacg, N., Diaz, B. G., Bonfili, O., y Peri, P. L., 2021: Nueva base de datos reticulada de precipitación para la provincia de Santa Cruz, Argentina. Meteorologica, 46 (2), https://doi.org/10.24215/1850468Xe007

Andersen, J., Dybkjaer, G., Jensen, K. H., Refsgaard, J. C., y Rasmussen, K., 2002: Use of remotely sensed precipitation and leaf area index in a distributed hydrological model. Journal of Hydrology, 264(1-4), 34-50. https://doi.org/10.1016/S0022-1694(02)00046-X

Ashouri, H., Hsu, K.L., Sorooshian, S., Braithwaite, D.K., Knapp, K.R., Cecil, L.D., Nelson, B.R. y Prat, O.P., 2015: Persiann-CDR daily precipitation climate data record from multisatellite observations for hydrological and climate studies. Bull. Am. Meteorol. Soc., 96, 69–83. https://doi.org/10.1175/BAMS-D-13-00068.1

Baez-Villanueva, O.M., Zambrano-Bigiarini, M., Beck, H. E., McNamara, I., Ribbe, L., Nauditt, A., ... y Thinh, N.X., 2020: RF-MEP: A novel Random Forest method for merging gridded precipitation products and ground-based measurements. Remote Sensing of Environment, 239, 111606. https://doi.org/10.1016/j.rse.2019.111606

Biancari, L., Oñatibia, G.R., Gaitán, J.J. y Aguiar, M.R., 2023: Coexistence of grasses and shrubs in Patagonian steppes. Norm or exception? Journal of Vegetation Science, 34, e13177. https://doi.org/10.1111/jvs.13177

Chao, L., Zhang, K., Li, Z., Zhu, Y., Wang, J., Yu, Z., 2018: Geographically Weighted Regression Based Methods for Merging Satellite and Gauge Precipitation. Journal of Hydrology. 558, 275–289. https://doi.org/10.1016/j.jhydrol.2018.01.042

Falaschi, D., Berthier, E., Belart, J.M.C., Bravo, C., Castro, M., Durand, M., Villalba, R., 2023: Increased mass loss of glaciers in Volcán Domuyo (Argentinian Andes) between 1962 and 2020, revealed by aerial photos and satellite stereo imagery. Journal of Glaciology 69(273), 40–56. https://doi.org/10.1017/jog.2022.43

Fick, S.E. y Hijmans, R.J., 2017: WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. Int. J. Climatol. 37, 4302–4315. https://doi.org/10.1002/joc.5086

Gaitan, Juan; Biancari, Lucio, 2024: Anexo A - Series temporales. Precipitacion mensual por estacion.xlsx. figshare. Dataset. https://doi.org/10.6084/m9.figshare.25356649.v1

Garcia, M., Peters‐Lidard, C. D., y Goodrich, D. C., 2008: Spatial interpolation of precipitation in a dense gauge network for monsoon storm events in the southwestern United States. Water Resources Research, 44(5). https://doi.org/10.1029/2006WR005788

Harris, I., Jones, P.D., Osborn, T.J., y Lister, D.H., 2017: CRU TS4.00: Climatic Research Unit (CRU) Time-Series (TS) version 4.00 of high-resolution gridded data of month-by-month variation in climate (Jan. 1901- Dec. 2015). Centre for Environmental Data Analysis. https://dx.doi.org/10.5285/edf8febfdaad48abb2cbaf7d7e846a86

Huffman, G.J., Stocker, E.F., Bolvin, D.T., Nelkin, E.J., y Jackson T., 2019: GPM IMERG final precipitation L3 half hourly 0.1 degree × 0.1 degree V06, Greenbelt, MD, Goddard earth sciences data and information services center (GES DISC). https://doi.org/10.5067/GPM/IMERG/3B-HH/06

Kobayashi, S., Ota, Y., Harada, Y., Ebita, A., Moriya, M., Onoda, H., ... y Takahashi, K., 2015: The JRA-55 reanalysis: General specifications and basic characteristics. Journal of the Meteorological Society of Japan. Ser. II, 93(1), 5-48. https://doi.org/10.2151/jmsj.2015-001

Legates, D. R., y McCabe, G. J., 1999: Evaluating the use of “goodness-of-fit” measures in hydrologic and hydroclimatic model validation. Water Resour. Res., 35(1), 233– 241. https://doi.org/10.1029/1998WR900018

Manz, B., Buytaert, W., Zulkafli, Z., Lavado, W., Willems, B., Robles, L.A. y Rodríguez-Sánchez, J.P., 2016: High-resolution satellite-gauge merged precipitation climatologies of the Tropical Andes. J. Geophys. Res. Atmos., 121, 1190–1207. https://doi.org/10.1002/2015JD023788

Mohammed, J., Mengiste, Y., y P. Singh, V., 2023: Improving spatio-temporal precipitation estimates in data scarce river basins: an application of machine learning-based multi-source data merging. Stochastic Environmental Research and Risk Assessment, 37(4), 1353-1369. https://doi.org/10.1007/s00477-022-02346-4

Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-Fernández, N. J., Zsoter, E., Buontempo, C., and Thépaut, J.N., 2021: ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth Syst. Sci. Data, 13, 4349–4383. https://doi.org/10.5194/essd-13-4349-2021

Nguyen, G. V., Le, X. H., Van, L. N., Jung, S., y Lee, G., 2023: Machine learning approaches for reconstructing gridded precipitation based on multiple source products. Journal of Hydrology: Regional Studies, 48, 101475. https://doi.org/10.1016/j.ejrh.2023.101475

Nguyen, G. V., Le, X. H., Van, L. N., Jung, S., Yeon, M., y Lee, G., 2021: Application of random forest algorithm for merging multiple satellite precipitation products across South Korea. Remote Sensing, 13(20), 4033. https://doi.org/10.3390/rs13204033

Peretti, M., Spennemann, P.C. y Long, M.E.F., 2023: Trends in soil moisture content and water deficits in Argentina and the role of climate contribution. Theor Appl Climatol 152, 1189–1201. https://doi.org/10.1007/s00704-023-04428-x

Qi, J., Markewitz, D., y Radcliffe, D., 2018: Modelling the effect of changing precipitation inputs on deep soil water utilization. Hydrological Processes, 32(5), 672-686. https://doi.org/10.1002/hyp.11452

Stisen, S., Højberg, A. L., Troldborg, L., Refsgaard, J. C., Christensen, B. S. B., Olsen, M., y Henriksen, H. J., 2012: On the importance of appropriate precipitation gauge catch correction for hydrological modelling at mid to high latitudes. Hydrology and Earth System Sciences, 16(11), 4157-4176. https://doi.org/10.5194/hess-16-4157-2012

Tovar, C., Carril, A.F., Gutiérrez, A.G., Ahrends, A., Fita, L., Zaninelli, P., ... y Hollingsworth, P.M., 2022: Understanding climate change impacts on biome and plant distributions in the Andes: Challenges and opportunities. Journal of Biogeography, 49(8), 1420-1442. https://doi.org/10.1111/jbi.14389

Verdin, A., Funk, C., Rajagopalan, B. y Kleiber, W., 2016: Kriging and Local Polynomial Methods for Blending Satellite-Derived and Gauge Precipitation Estimates to Support Hydrologic Early Warning Systems. IEEE Transactions on Geoscience and Remote Sensing, 54(5), 2552-256. https://doi.org/10.1109/TGRS.2015.2502956

Villarini, G., y Krajewski, W. F., 2008: Empirically-based modeling of spatial sampling uncertainties associated with rainfall measurements by rain gauges. Advances in Water Resources, 31(7), 1015-1023. https://doi.org/10.1016/j.advwatres.2008.04.007

Villarini, G. y Krajewski, W.F. Review of the Different Sources of Uncertainty in Single Polarization Radar-Based Estimates of Rainfall., 2009: Surv. Geophys. 31, 107–129. https://doi.org/10.1007/s10712-009-9079-x

Wang L, Jiao W, MacBean N, Rulli MC, Manzoni S, Vico G, y D’Odorico P., 2022: Dryland productivity under a changing climate. Nature Climate Change 12: 981–994. https://doi.org/10.1038/s41558-022-01499-y

Woldemeskel, F. M., Sivakumar, B., y Sharma, A., 2013: Merging gauge and satellite rainfall with specification of associated uncertainty across Australia. Journal of Hydrology, 499, 167-176. https://doi.org/10.1016/j.jhydrol.2013.06.039

Xie, P., y Xiong, A. Y., 2011: A conceptual model for constructing high‐resolution gauge‐satellite merged precipitation analyses. Journal of Geophysical Research: Atmospheres, 116(D21). https://doi.org/10.1029/2011JD016118

Zhang, L., Li, X., Zheng, D., Zhang, K., Ma, Q., Zhao, Y., y Ge, Y., 2021: Merging multiple satellite-based precipitation products and gauge observations using a novel double machine learning approach. Journal of Hydrology, 594, 125969. https://doi.org/10.1016/j.jhydrol.2021.125969

Zhang, L., Ren, D., Nan, Z., Wang, W., Zhao, Y., Zhao, Y., Ma, Q., y Wu, X., 2020: Interpolated or satellite-based precipitation? Implications for hydrological modeling in a meso-scale mountainous watershed on the Qinghai-Tibet Plateau. Journal of Hydrology 583, 124629. https://doi.org/10.1016/j.jhydrol.2020.124629

Zuur, A.F., Ieno, E.N., Elphick, C.S., 2010: A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution 1: 3–14. https://doi.org/10.1111/j.2041-210X.2009.00001.x