Las estaciones utilizadas estaban a elevaciones que iban desde los 59 msnm hasta

los 4541 msnm. Los datos de precipitacion, elevacin y ubicacin de las estaciones
se muestra a continuacin.
Datos de las estaciones utilizadas.

Cuando la correlacin precipitacin elevacin no

es suficiente
Muchos vectores regionales de precipitacin regional solo consideran la relacion
lineal de precipitacin con elevacin. Esto puede ser prctico para cuencas entre
60 km2 a 180 km2. Si estamos tratando con escalas regionales mayores a 10000
km2 entonces otros factores como la latitud y longitud pueden tener una mayor
influencia en la precipitacin.
A continuacin vemos un grfico donde se muestra que la relacin lineal y directa
entre precipitacin - elevacin para un rea de estudio de 74 000 km2 ya no se
cumple. La precipitacin sube con la elevacin hasta cotas menores a 4000m,
luego disminuyen a medida que sube la elevacin.

Elevacin (msnm)

Precipitacion (mm/ao)

Distribucin de la elevacin y precipitacin en la zona de estudio.

Finalmente el cdigo
Y por ltimo, se muestra el cdigo en Python que realiza la regresin multilineal
que corelaciona la latitud, longitud y elevacin con la precipitacin.
from sklearn import linear_model
from numpy import genfromtxt

### importamos los datos como un elemento de numpy

mis_datos = genfromtxt('Variables_Climaticas.csv', delimiter=',')
mis_datos_corr = mis_datos[1:,:]
mis_datos_corr
### generamos la correlacion lineal con LinearRegresion
clf = linear_model.LinearRegression()
clf.fit(mis_datos_corr[:,1:],mis_datos_corr[:,:1])
### imprimimos los coeficientes
clf.coef_
### imprimimos el factor independiente
clf.intercept_
### vemos los valores predecidos con a correlacion
clf.predict(mis_datos_corr[:,1:])

Corriendo este cdigo podemos llegar a la siguiente ecuacin del vector regional:

Precipitacin (mm/ao) = 38.14 x Longitud + 235.78 x

Latitud + 0.03887 x Elevacin (msnm) + 6975.33