Meteorologica

Predicción de la evapotranspiración en la región pampeana por medio de datos CERES y técnicas de aprendizaje automático

Facundo Carmona — 2023-10-04

Un aspecto clave en zonas agrícolas, como la llanura Pampeana argentina, es poder estimar con precisión las tasas de evapotranspiración para optimizar cultivos y requerimientos de riego, como así también la predicción de inundaciones y sequías. En este sentido, se evaluaron seis algoritmos de aprendizaje automático para estimar la evapotranspiraci´on de referencia y la evapotranspiración real (ET₀ y ET_a, respectivamente) utilizando productos de satélite CERES como datos de entrada. Los valores modelados, aplicando técnicas de aprendizaje automático, se compararon con aquellos obtenidos a partir de información de terreno. Después de entrenar y validar los algoritmos, observamos que el Regresor con Vectores de Soporte (SVR) mostraba la mejor precisión. A continuación, con un conjunto de datos independiente, se testearon los algoritmos SVR calibrados. Para la predicción de la evapotranspiración de referencia se observaron errores estadÍsticos de MAE =0.437 mm d⁻¹ y RMSE = 0.616 mm d⁻¹, con un coeficiente de determinación R²= 0.893. Por otro lado, al predecir la evapotranspiración real, observamos errores estadísticos de MAE y RMSE de 0.422 mm d⁻¹ y 0.599 mm d⁻¹, respectivamente, con un R² de 0.614. Al comparar los resultados obtenidos con los algoritmos de aprendizaje automático con aquellos arrojados por estudios en la misma área, entendemos que los resultados aquí mostrados son prometedores y representan una l´ınea de base para futuros trabajos. La combinación de datos de CERES con información de otras fuentes puede generar productos de evapotranspiración más específicos, considerando además las diferentes coberturas del suelo.

Evaluación de diferentes estrategias para la generación de sistemas de predicción por conjuntos regionales de escala convectiva en un caso de precipitación intensa

Cynthia Matsudo — 2023-10-04

El pronóstico por conjuntos constituye una metodología consolidada para incorporar la incertidumbre asociada a los pronósticos en diversas escalas espaciales y temporales. En particular, en la mesoescala, no es claro aún cuáles son las técnicas más efectivas para representar la incertidumbre asociada a las condiciones iniciales y a los errores de modelo. En este trabajo se evalúan tres alternativas diferentes para la generación de pronósticos por conjuntos en alta resolución, y se realiza una comparación con un sistema de predicción por conjuntos global de baja resolución. Cada conjunto se construyó con 20 miembros utilizando el modelo WRF-ARW y 4 km de resolución horizontal sobre un dominio que abarca el centro noreste de Argentina. Se explora el desempeño de los conjuntos para un caso de estudio de precipitación intensa entre el 22 y 24 de diciembre de 2015. Los resultados se centran en el análisis del desempeño del pronóstico de precipitación y muestran que los conjuntos en alta resolución tienen mejor desempeño que el sistema global de menor resolución tanto en términos de la precisión del pronóstico como en términos de la cuantificación de su incertidumbre. En este trabajo, los conjuntos donde solo se perturban las condiciones iniciales y de borde tienden a mostrar una menor dispersión que aquellos en donde se combinan diferentes parametrizaciones de los procesos de escala sub-reticular para la representación de los errores de modelo. Estos ´últimos presentan además un menor sesgo para umbrales mayores a 10 mm. Asimismo, aumentar la resolución de las condiciones iniciales y de borde de la media del ensamble aumenta levemente la dispersión y mejora la representación espacial de los patrones de precipitación para todos los umbrales considerados.

Caracterización de la intensidad del viento en la estación Ezeiza

Mariela Ayel´en Palavecino — 2023-10-04

Los eventos de vientos intensos causan destrozos materiales y exponen en situaciones de vulnerabilidad a la vida humana y a distintos ecosistemas. La intensidad y dirección del viento desempeñan un rol importante en distintas disciplinas: por ejemplo, influyen en la actividad aeroportuaria, determinan el aprovechamiento de energía eólica, intervienen en la producción agrícola, impactan en la propagación de incendios forestales y por ende en la calidad del aire. Si bien algunos estudios climáticos y de variabilidad climática del viento muestran una disminución de la intensidad media diaria y anual en los últimos años tanto en Argentina como en otras regiones del mundo (Baldo y Cerne, 2018; Cúneo et al., 2019; Vautard, et al., 2010), también se observan tendencias positivas significativas en la velocidad del viento tanto de superficie como de niveles superiores en el sur de Argentina (Merino, 2022). Por lo motivos antes mencionados, entre otros, resulta de suma importancia continuar con estudios referidos a la variable viento a nivel nacional. El objetivo de este trabajo es realizar una caracterización preliminar del viento a 10 m para distintas escalas temporales en la estación meteorológica aeronáutica de Ezeiza (SAEZ) durante el periodo 2009-2019 y comparar los resultados con el periodo climatológico 1981-2010. Los resultados encontrados muestran que las menores intensidades de los vientos medios diarios y máximos diarios tanto para la serie 2009-2019 como para la serie climatológica se registran durante los meses de otoño e invierno y se observa, en general, que los vientos máximos diarios duplican la intensidad de los vientos medios diarios. Además, los vientos medios mensuales del periodo 2009-2019 muestran una clara tendencia a la disminución de la intensidad y de la amplitud entre valores máximos y mínimos en comparación con los datos climatológicos.

Estimación de evapotranspiración de referencia con información escasa utilizando machine learning en el suroccidente colombiano

Juan Camilo Triana-Madrid — 2023-10-04

Esta investigación tuvo como objetivo identificar un método alternativo para estimar la evapotranspiración de referencia (ETo) con escasa información climatológica en el suroeste de Colombia entre 1983-2017, evaluando y comparando diferentes técnicas de machine learning. Se utilizó el método de FAO Penman-Monteith (FAO-PM56) como método de referencia y se evaluaron 4 métodos de empíricos (Hargreaves, Thornthwaite, Cenicafé y Turc) con cinco métricas para evaluar el método de mejor ajuste al FAO-PM56, error cuadrático medio (RMSE), error medio absoluto (MAE), error medio de sesgo (MBE), coeficiente de eficiencia del modelo de Nash-Sutcliffe (NSE) y coeficiente de correlación de Pearson (R).Se diseñaron tres modelos utilizando técnicas de machine learning para estimar la ETo, regresión lineal múltiple (MLR), redes neuronales artificiales (ANN) y modelo de media móvil integradaautorregresiva (ARIMA).Los resultados mostraron que el modelo ARIMA-M3 presentó la mejor métrica de rendimiento (RMSE = 4,13 mmmes^-1, MAE = 3,15 mmmes^-1, MBE = -0,08 mmmes^-1, NSE = 0,96 y R = 0,98).Sin embargo, tiene la restricción de que sólo se puede utilizar localmente y no se puede extrapolar a otras estaciones climatológicas, porque se calibró con estaciones y condiciones específicas (variables exógenas), a diferencia del modelo RNA-M1, que sólo requiere entrenar la red para su aplicación.Este método permitirá estimar la ETo en lugares con escasa información, lo que es vital para la gestión del agua en lugares con mucha incertidumbre en cuanto a accesibilidad y disponibilidad.