DIRECCIN DE HIDROLOGA 1

PERSONAL DIRECTIVO

Ing. Amelia Daz Pabl

Presidenta Ejecutiva del SENAMHI

Ing. Oscar Gustavo Felipe Obando

Director de Hidrologa del SENAMHI

Citar como:
Lavado-Casimiro, W. S., Aybar, C., Huerta, A., Sabino, E., Zevallos,
J. & Felipe-Obando O. (2016). Generacin de datos grillados de
precipitacin diaria (PISCO Pd 1981-2015) y su utilidad para la
estimacin de umbrales de precipitaciones mximas. Servicio
Nacional de Meteorologa e Hidrologa del Per (SENAMHI).
Estudio de la Direccin de Hidrologa.

Lima-Per
Diciembre 2016

DIRECCIN DE HIDROLOGA 2
 CONTENIDO

I. ANTECEDENTES ................................................................................................................ 5

II. DATOS DE INGRESO PARA PISCO Pd ............................................................................ 6

III. ESTIMACIN DE PISCO - Pd ........................................................................................ 9

IV. VALIDACION DEL PRODUCTO PISCO Pd ............................................................... 11

V. ESTIMACIN DE UMBRALES DE PRECIPITACIONES MAXIMAS ......................... 12

VI. RESUMEN GENERAL, LIMITACIONES Y USO A CORTO PLAZO ....................... 18

VII. BIBLIOGRAFA ............................................................................................................. 20

DIRECCIN DE HIDROLOGA 3
Generacin de datos grillados de precipitacin diaria (PISCO Pd 1981-
2015) y su utilidad para la estimacin de umbrales de precipitaciones
mximas.
RESUMEN

Recientemente el Servicio Nacional de Meteorologa e Hidrologa del Per

(SENAMHI) ha desarrollado mapas climticos utilizando tcnicas geoestadsticas
bivariadas combinando datos hidroclimticos observados (in situ) y datos satelitales de
sensoramiento remoto o datos de modelos digitales de elevacin, segn la variable
hidroclimtica de estudio.

En este contexto, con la experiencia adquirida al trabajar estos mapas climticos en

SENAMHI se estn implementando los datos grillados PISCO (Peruvian Interpolate
data of the SENAMHIs Climatological and hydrological Observations por sus siglas
en ingles) que realiza combinaciones de datos observados y de sensoramiento remoto
para obtener mapas hidroclimticos de alta resolucin espacial y temporal.

As, en el presente trabajo presentamos el producto PISCO para precipitaciones diarias

(PISCO Pd) el cual combina informacin de datos observados de las estaciones
climatolgicas del SENAMHI con datos de precipitacin de sensoramiento remoto. El
producto de sensoramiento utilizado como covariable es el CHIRP (Climate Hazards
Group InfraRed Precipitation) el cual presenta una resolucin espacial de ~0.05 (5
Km) y tiene un rango diario desde Enero de 1981. El perodo de los datos del presente
trabajo (PISCO Pd) es del 1 de Enero de 1981 hasta el 31 de diciembre del 2015 y
tienen una resolucin espacial de ~5Km.

En base a la informacin observada de datos de estaciones climatolgicas de larga

duracin (1970-2015), se seleccionaron 187 estaciones a nivel nacional en las cuales se
estimaron los valores de umbrales de precipitaciones extremas utilizando los percentiles
de 75, 90, 95 y 99 % para la duracin de lluvia de un da. Finalmente se obtuvieron los
mapas grillados de umbrales a nivel nacional, mezclando geoestadsticamente los
umbrales determinados con las 187 estaciones y el mapa de precipitacin mximo
maximorum diario de los datos grillados de PISCO Pd para el perodo 1981-2015.

DIRECCIN DE HIDROLOGA 4
 I. ANTECEDENTES

La precipitacin es la forzante ms importante del ciclo hidrolgico y su correcta

estimacin es vital para entender distintos procesos hidrolgicos, tales como los
orientados a la gestin de los recursos hdricos (Ioris, 2012; Ayre & Nettle, 2015),
modelamiento de cuencas (Andres et al., 2014; Carey et al., 2014), monitoreo de
sequias e inundaciones (Lasage et al., 2015, Thouret et al., 2013) y recarga de acuferos
(Kuznetsov et al., 2012).

Los pluvimetros ofrecen una acertada informacin acerca de la cantidad y la frecuencia

de las lluvias. Sin embargo, no posibilitan una adecuada cobertura espacial (Almazroui,
2011; Chappell et al., 2013). La estimacin de la distribucin espacial de las
precipitaciones en el Per representan un gran desafo, considerando su compleja
fisiografa y la falta de pluvimetros sobretodo en la regin amaznica (Mantas et al.,
2015).

En este contexto, los productos de estimacin de precipitacin por satlites tal como
CHIRP proporcionan una fuente alternativa de informacin de precipitacin en zonas
donde esta es inexistente o es espacialmente mal distribuida. Sin embargo, a menudo
muestran una alta incertidumbre y un rendimiento pobre cuando son comparados con
observaciones de pluvimetros (Stisen & Tumbo, 2015).

El SENAMHI a travs de la Direccin de Hidrologa ha comenzado a producir el

producto PISCO (Peruvian Interpolation data of the SENAMHIs Climatological and
hydrological Observations) durante los ltimos aos. PISCO, tiene como objetivo la
generacin de datos grillados hidroclimticos con una resolucin espacial de ~ 5 km y
su objetivo es llegar a tener escalas temporales diarias de las variables precipitacin,
temperaturas mxima y mnima, evapotranspiracin y caudales a nivel del Per.

En el presente documento presentamos en que consiste el producto PISCO Pd desde

enero de 1981 hasta diciembre del 2015 as como la estimacin de umbrales de
precipitaciones mximas.

DIRECCIN DE HIDROLOGA 5
 II. DATOS DE INGRESO PARA PISCO Pd

Para la generacin de PISCO Pd se utilizaron datos que consistieron en:

i) Una base de datos de precipitacin diaria (1981-2015) de todo el Per

procedente de las estaciones climatolgicas (EC) del SENAMHI; la cual est
compuesta por 339 estaciones escogidas por presentar al menos 90% de
datos en el perodo 1981-2015 y
ii) Datos satelitales en formato rster del producto CHIRP a escala diaria
(1981-2015) los cuales tienen una resolucin espacial de ~ 5km.

Los datos de las EC fueron sometidos a un proceso de control de calidad. As, para cada
EC se realiz un proceso de bsqueda de las estaciones ms cercanas tomando en cuenta
un radio de 20 km, quedndonos con las 3 estaciones ms cercanas para realizar en una
primera fase un control visual comparativo de la informacin; de no existir estaciones
para realizar la comparacin solo se evaluar la consistencia de su serie basado en su
propia climatologa con los datos disponibles. Una vez que el registro es ptimo
procedemos a analizar la fiabilidad de los datos atpicos encontrados, para ello
comparamos todos los valores de la serie con la precipitacin de 200 aos de perodo de
retorno (T) para dicha estacin y de las 3 estaciones cercanas. Si el valor atpico
observado se representa por lo menos en una estacin el valor es conservado, si no se
cumple dicha condicin el valor es removido de la base de datos. Este criterio se aplic
para todas las estaciones utilizadas.

En la Figura 1a se observa el total de estaciones utilizadas y en la Figura 1b la

distribucin espacial de las 339 estaciones utilizadas para realizar la interpolacin. Se
observa claramente el incremento del nmero de estaciones desde el ao 1995.

Luego del proceso de seleccin de las estaciones, se realiz la completacin de datos

faltantes utilizando la metodologa de correccin de sesgos bias correction mediante
la tcnica de mapeo de cuantiles quantile mapping. As, para la completacin de datos
se utiliz como base la data grillada de CHIRP que corresponda a cada una de las EC.
Los datos CHIRP son corregidos a travs del quantile mapping en base a la
informacin de las EC separndose los datos para cada mes considerando la

DIRECCIN DE HIDROLOGA 6
informacin disponible en el perodo 1981-2015. Finalmente, se utilizaron 339
estaciones completas para realizar la generacin del producto PISCO Pd.

Figura 1 a) Distribucin de la cantidad de datos por cada da desde el 1 de Enero de 1981 al 31 de

Diciembre del 2015; b) Distribucin espacial de las estaciones pluviomtricas a nivel nacional.

La informacin satelital fue obtenida del Climate Hazards group Infrared Precipitation
(CHIRP, Funk et al., 2015), este es un producto de estimacin de precipitacin por
satlite basado en un algoritmo que mezcla variables predictoras (CHPclim),
precipitacin generada a travs del Cold Cloud Duration (Mcdougall & Dugdale, 1994)
y climatologa del lugar, que da como resultado el producto CHIRP generado a paso
dcadiario, para la generacin de CHIRP a paso diario este es desagregado en funcin a
los datos de reanalisis Coupled Forecast System (CFS) versin 2.
Previamente para utilizar el producto CHIRP, se realiz una validacin de la misma en
el perodo 1981-2015 considerando el verano austral (Diciembre a Febrero, DEF), el
invierno austral (Junio a Agosto, JJA) considerados los trimestres hmedos y secos en el
Per as como tambin para las series completas. Los estadsticos utilizados fueron el
coeficiente de correlacin para medir la sincronizacin entre las series y el sesgo
(bias) para ver la sobre o subestimacin del CHIRP con respecto a las ECs.
La Figura 2, muestra espacialmente estos estadsticos y se puede observar que para la
sincronizacin de los valores estos son mayormente (coeficiente de correlacin) estos

DIRECCIN DE HIDROLOGA 7
son a nivel nacional significativos a excepcin de algunas estaciones cercanas al mar en
la costa, en cuanto al coeficiente de correlacin globalmente este es mayor en DEF y
menor en la temporada seca JJA, 0.55 y 0.35 respectivamente.
En cuanto al sesgo, se observa que el CHIRP sobreestima las lluvias sobre todo en la
vertiente del Pacfico focalizado en la costa central y sur y cerca al mar. Mientras que en
el resto del pas se observa una sobreestimacin de las lluvias.
En base a estos estadsticos de comparacin se puede concluir que el CHIRP es una
covariable comparable con las lluvias de las ECs y puede ser utilizada para la
generacin de los productos mezclados, siempre y cuando se tenga los cuidados del caso
en regiones donde presenta malas performances.

r = 0.5 r = 0.55 r = 0.35

TODO DEF JJA

Figura 2. Estadsticos de comparacin (1981-2015) entre las estaciones climatolgicas y el producto

CHIRP considerando el total de los datos (a y d), el verano austral lluvioso DEF (b y e) y el invierno
austral seco JJA (c y f). Las figuras de arriba son los valores de coeficiente de correlacin, los tringulos
indican correlaciones con significancia estadstica al 95% y los crculos sin correlacin significativa; las
figuras de abajo indican los valores de sesgo (bias); azul sobre-estimacin y rojo sub-estimacin.

DIRECCIN DE HIDROLOGA 8
 III. ESTIMACIN DE PISCO - Pd

PISCO Pd en su primera versin es el producto resultado de la combinacin

(merging) entre los datos de precipitacin estimados por el satlite del producto
CHIRP (Climate Hazards Group InfraRed Precipitation) y los datos de precipitacin
observada de la red de estaciones meteorolgicas del SENAMHI.

Para generar el producto PISCO Pd se desarroll un algoritmo de interpolacin que

selecciona la mejor tcnica de interpolacin para cada da entre Inverse Distance
Weighting (IDW), kriging with external drift (KED) y Regression Inverse Distance
Weighting (RIDW), el procedimiento consta de 2 etapas y se describe en las
siguientes lneas (ver Flujograma de generacin en la Figura 3):

i) Primero se evala el p-valor obtenido al correlacionar espacialmente para

cada da los datos de las EC y los datos para su correspondiente CHIRP, si el
valor no presenta significancia estadstica al 95% (p-valor > 0.05) se
proceder a realizar el IDW optimizando el exponente de ponderacin,
siendo la funcin objetivo la minimizacin del promedio del error medio
cuadrtico (EMC) obtenido en la validacin cruzada. Si el p-valor es menor
a 0.05 se proceder a evaluar cual tcnica de interpolacin de las restantes
(KED y RIDW) se utilizar, esto se realiza tambin en funcin al EMC
obtenido en la validacin cruzada. Este procedimiento se realiza para todos
los das desde 1981 hasta el 2015, generndose un producto de precipitacin
grillado preliminar diario y mensual (Pd y Pdm en Figura 3).
ii) En una segunda parte se plantea corregir la sub-estimacin o sobre-
estimacin encontrada en el producto de precipitacin grillado preliminar
(Pd). Para ello utilizamos los datos CHIRP mensuales y la precipitacin
mensual de las estaciones del SENAMHI para generar un producto grillado
mensual bajo las mismas condicionales (Pm en Figura 3). El producto
grillado mensual generado (Pm) y el producto de precipitacin grillado
preliminar de datos diarios previamente acumulados a paso mensual (Pdm)
son comparados, generando proporciones grilladas mensuales que son
utilizados para corregir los datos diarios (producto de precipitacin grillado

DIRECCIN DE HIDROLOGA 9
 preliminar, Pd) obteniendo as los datos diarios grillados finales, PISCO Pd
(PRODUCTO FINAL en la Figura 3).

Metodologa Pd v1.0
Datos
Espacial
Para
c/da PISCO/Prec_diaria
S Validacin
I VAR. cruzada
Log (x+1) R G SI Error Cuadratico SI KED
95 Medio
%
CHIRPS
NO Mtodos de
NO Interpolacin
R-IDW
IDW

Preliminar M Preliminar
Pdm Pd

PISCO Pm/Pdm si
MENSUAL Factor Pd>0;
Pm 1 si Pd=0 Producto Final
VE refleja la distancia mxima y la forma en que un punto tiene
influencia sobre otro punto a diferentes distancias

Figura 3. Flujograma de generacin producto PISCO precipitacin diaria versin 1. SIG es significancia
estadstica, Pdm es precipitacin acumulada mensual preliminar, Pd es precipitacin diaria preliminar, Pm
es el producto mensual final.

La ventaja de la utilizacin del producto PISCO Pd en comparacin a la utilizacin de

solo datos del CHIRP, un mtodo de interpolacin en base solo a los estaciones (IDW)
y productos PISCO Pd es que este ltimo recoge la seal espacial del CHIRP y los
valores de lluvia de las ECs; haciendo la distribucin espacial de las lluvias ms amplia
para un mejor anlisis a nivel nacional. Como ejemplo mostramos dos mapas del 26 de
Marzo de 1983 y el del 11 de Febrero del 2012, donde se puede observar (Figura 4) la
mejora de la distribucin espacial del PISCO Pd con respecto a la utilizacin de solo los
datos de las ECs (IDW).

DIRECCIN DE HIDROLOGA 10
 CHIRP IDW PISCO Pd

Lluvia (mm /da)

Figura 4. Comparacin de datos grillados de precipitacin diaria para el 26 de Marzo de 1983 (arriba) y el
11 de febrero del 2012 (abajo). CHIRP es el producto satelital de precipitacin, IDW son valores
interpolados utilizando el ponderado por el inverso de la distancia de las estaciones climatolgicas y
PISCO Pd son los valores interpolados por nuestro mtodo propuesto.

IV. VALIDACION DEL PRODUCTO PISCO Pd

Con el objetivo de evaluar la validez de los datos PISCO Pd se consider una validacin
independiente, la cual se realiz con 80 estaciones automticas no utilizadas en el
proceso de generacin de PISCO Pd (ver Figura 1 para ver estas estaciones); el perodo
elegido fueron los aos 2014 y 2015. La distribucin espacial de estas estaciones se
observan en la Figura 5 (tringulos rojos en la parte inferior derecha). Para resumir los
resultados de la validacin, estas estaciones automticas fueron divididas por vertientes
hidrogrficas. La Figura 5 muestra la comparacin de esta validacin utilizando la raz
del error cuadrtico medio (RMSE) expresados por vertientes hidrogrficas para el producto
CHIRP y para el producto PISCO Pd. En esta figura se puede observar que la performance de
PISCO Pd mejora bastante respecto a CHIRP en las tres vertientes, as en la vertiente del

DIRECCIN DE HIDROLOGA 11
Pacfico RMSE pasa de 23 a 1.9, en la vertiente del Amazonas de 35.8 a 3.3 y en la vertiente del
Titicaca de 21.6 a 4.2. Demostrndose la utilidad del PISCO Pd para realizar caracterizaciones
espacio temporales de precipitaciones. As, PISCO Pd ya puede ser utilizado para determinar
umbrales de precipitacin.

Figura 5. Resultados de la validacin independiente expresado con el estadstico raz del error cuadrtico
medio (RMSE). Grficos de dispersin entre los valores satelitales del producto CHIRP (parte superior) y
el producto PISCO Pd (parte inferior) versus datos observados por vertiente hidrogrfica. Mapa de la
parte superior derecha son las vertientes hidrogrficas en Per y mapa de la parte inferior izquierda son
estaciones seleccionadas para la validacin independiente (tringulos rojos), en el perodo 2014-2015.

V. ESTIMACIN DE UMBRALES DE PRECIPITACIONES MAXIMAS

Para la determinacin de umbrales de precipitacin mxima se sigui el procedimiento
descrito por Alfaro-Lozano (2014) el cual es utilizado por norma tcnica en el
SENAMHI. En resumen de esta metodologa, los umbrales de precipitacin son
estimados en base a la informacin de precipitacin diaria de una EC, en la cual se
siguen los siguientes procedimientos previos:

i) Se consideran solo los valores de precipitacin que son mayores a 0.01 mm.
ii) Los valores ms extremos son retirados para evitar la influencia de valores
atpicos, en nuestro caso antes de estimar los umbrales se retiraron los
valores por encima del percentil 99 considerando los datos tomados en i.
iii) Se estiman los percentiles de 75, 90, 95 y 99% (p75, p90, p95 y p99), ya que
estos permitirn categorizar extremos de precipitacin desde
DIRECCIN DE HIDROLOGA 12
 extremadamente lluvioso (valores mayores a p99); muy lluvioso (valores
mayores a p95 y menores a p99); lluviosos (valores mayores a p90 y
menores a p95) y moderadamente lluvioso (valores mayores a p75 y
menores a p90).

Para estimar los umbrales en una primera fase se utiliz la informacin observada de
datos de estaciones climatolgicas de larga duracin (1970-2015), se seleccionaron 187
estaciones a nivel nacional (ver Figura 6). Estas estaciones fueron seleccionadas por
tener un control de calidad y presentar al menos 95% de datos en el perodo y se
observa que en su mayora estas estaciones son bien distribuidas en la vertiente del
Pacfico y del lago Titicaca y pobremente distribuidas en la vertiente del Amazonas. En
estas EC se estimaron los valores de umbrales de extremos para los percentiles de 75,
90, 95 y 99 para la duracin de lluvia de un da.

As, la Figura 7 muestra los valores de umbrales para p75, p90, p95 y p99 para cada una
de las estaciones. Como es de esperarse se observa que los valores de los percentiles se
incrementan acorde como se incrementan sus valores. Espacialmente los mayores
valores de umbrales de precipitacin estn localizados en la selva peruana (parte norte
donde existen ms ECs) y en la parte norte de la vertiente del Pacfico (explicada por ser
la zona ms impactada por el Fenmeno de El Nio) mientras los valores ms bajos se
dan en la vertiente del Pacfico sobre todo en la parte sur de esta vertiente.

Sin embargo, tener estos valores de umbrales a punto de estacin no es de mucha

utilidad si queremos caracterizar espacialmente a nivel del Per. En este contexto, en
una segunda fase con los datos de PISCO Pd (1981-2015) se estim en primer lugar el
valor de la precipitacin mxima maximorum diaria de PISCO Pd, el cual se observa en
la Figura 8. Al igual que los mapas mostrados en la Figura 7, se observa que los centros
de altas precipitaciones estn localizados en la parte norte de la vertiente del Pacfico,
en la vertiente del Amazonas. La mejora de la Figura 8 respecto a los mapas de la
Figura 7, es que se representa estos extremos a punto de grilla (datos rster) a nivel
nacional con una resolucin espacial de ~ 5 km. El mapa de la Figura 8 se utiliz para
mezclarlos con cada uno de los mapas de la Figura 7 a travs del mtodo de
interpolacin KED (Kriging con external drift), previamente se compararon las ECs con
los datos rster (Figura 7 y Figura 8 respectivamente) obtenindose buenas

DIRECCIN DE HIDROLOGA 13
correlaciones espaciales, lo que llevo a tener buenos variogramas experimentales. As,
la Figura 9 muestras los mapas de umbrales de p70, p90, p95 y p99 a nivel nacional y
en formato de grillas (rster). Como se puede observar estos mapas recogen los patrones
espaciales presentados en las Figuras 7 y 8.

Figura 6. Distribucin espacial de las 187 estaciones climatolgicas utilizadas para la determinacin de
umbrales (1970-2015).

DIRECCIN DE HIDROLOGA 14
Figura 7. Mapas de umbrales de precipitacin mxima para un da de duracin para cada estacin
climatolgica de la Figura 6 a) Mapa de percentil 75, b) Mapa de percentil 90, c) Mapa de percentil 95 y
d) Mapa de percentil 99.

DIRECCIN DE HIDROLOGA 15
Figura 8. Mapa de precipitacin mxima maximorum de PISCO Pd (1981-2015).

DIRECCIN DE HIDROLOGA 16
 a) b)

c) d)

Figura 9. Mapa de umbrales grillados a nivel nacional generados al combinar umbrales de estaciones
climatolgicas de largo perodo de informacin (1970-2015) ver Figura 7 y el mapa de precipitacin
mximo maximorum de PISCO Pd (1981-2015) ver Figura 8 a) Mapa de percentil 99, b) Mapa de
percentil 95, c) Mapa de percentil 90 y d) Mapa de percentil 75. Crculos (Buffer), representan la
confiabilidad de las interpolaciones.

DIRECCIN DE HIDROLOGA 17
 VI. RESUMEN GENERAL, LIMITACIONES Y USO A CORTO PLAZO
Por primera vez en el Per, se ha desarrollado un producto grillado de precipitacin
diaria a nivel nacional que comprende el periodo 1981-2015 utilizando tcnicas
geoestadsticas y que combina datos de estaciones climatolgicas con el producto
grillado CHIRP, denominado PISCO Pd (PISCO precipitacin diaria). Este producto es
parte de los subproductos de PISCO (Peruvian Interpolate data of the SENAMHIs
Climatological and hydrological Observations por sus siglas en ingles) que ya ha
desarrollado el producto de precipitacin mensual que es utilizado actualmente para el
monitoreo de sequas (http://www.peruclima.pe/?p=Indicadores-de-sequias).

El anlisis de PISCO Pd (algoritmo de generacin y validacin) muestra buenas

performances en base a sus resultados estadsticos espacio-temporales y ser una
herramienta importante para comprender y caracterizar mejor las precipitaciones a una
resolucin temporal fina (diaria) as como los diversos usos que se le puede dar, como
entender mejor los procesos hidrolgicos y sus usos.

Asimismo, gracias a PISCO Pd y a los datos de 187 estaciones climatolgicas de larga

duracin (1970-2015) se han elaborado umbrales de precipitacin de datos grillados
(rster) en base a una combinacin mediante interpolacin geoestadstica (KED,
Kriging con external drift).

Sin embargo, PISCO Pd y sus derivados (mapas de umbrales) presentan un nivel de

confiabilidad espacial variable a escala del Per (ver Figura 9). Esta confiabilidad est
estrechamente relacionada por la disponibilidad espacial de estaciones climatolgicas a
la hora de generar PISCO Pd. As, en el caso del Per la confiabilidad es baja en la parte
amaznica dada su baja densidad de estaciones. En este contexto, PISCO Pd puede ser
utilizado en las regiones confiables ya que su algoritmo representa con exactitud los
valores de precipitacin diaria de las estaciones climatolgicas mientras que en las
regiones no confiables (donde no existe estaciones climatolgicas) es necesario utilizar
con cautela PISCO Pd ya que sobre estimar o sub estimar las precipitaciones.

El SENAMHI, a travs de Direccin de Hidrologa utilizar este producto para su

monitoreo de inundaciones diario realizando acumulaciones de 1, 5 y 10 das y
comparando con los umbrales de precipitacin mxima obtenido; en ese contexto al no
ser el CHIRP un producto de lluvia en tiempo real se est utilizando desde el 1 de Enero
DIRECCIN DE HIDROLOGA 18
del 2016 el producto IMERG del GPM (https://pmm.nasa.gov/data-
access/downloads/gpm) que tiene un retraso de 4 horas. As, se espera realizar el
monitoreo de precipitaciones en base a la lluvia diaria y a los umbrales determinados en
este estudio. Un ejemplo de aplicacin para el 28 de Noviembre del 2016, se observa en
la Figura 10. Este piloto, ser una herramienta de monitoreo que ayude a observar las
regiones (cuencas) ms susceptibles a inundaciones.

Los datos de PISCO Pd as como sus niveles de confiabilidad espacial y los umbrales
determinados estarn prximamente de libre disponibilidad en la pgina web de la
institucin (www.peruclima.pe).

Figura 10. Izquierda mapa de precipitacin acumulada diaria y Derecha mapa de potenciales peligros en
base a umbrales de precipitaciones extremas, para el 28 de Noviembre del 2016.

DIRECCIN DE HIDROLOGA 19
 VII. BIBLIOGRAFA
Alfaro-Lozano Luis (2014). Estimacin de umbrales de precipitaciones
extremas para la emisin de avisos meteorolgicos. Nota Tcnica 001.
SENAMHI-DGM-2014.
Almazroui M. (2011). Calibration of TRMM rainfall climatology over
Saudi Arabia during 1998-2009. Atmospheric Research 99 (3-4): 400-
414 doi: 10.1016/j.atmosres.2010.11.006
Andres N, Vegas Galdos F, Lavado Casimiro WS, Zappa M. (2014).
Water resources and climate change impact modelling on a daily time
scale in the Peruvian Andes. Hydrological Sciences Journal 59 (11):
2043-2059 doi: 10.1080/02626667.2013.862336
Ayre M, Nettle R. (2015). Doing integration in catchment management
research: Insights into a dynamic learning process. Environmental
Science and Policy 47: 18-31 doi: 10.1016/j.envsci.2014.10.011
Carey M, Baraer M, Mark BG, French A, Bury J, Young KR, McKenzie
JM. (2014). Toward hydro-social modeling: Merging human variables
and the social sciences with climate-glacier runoff models (Santa River,
Peru). Journal of Hydrology 518 (PA): 60-70 doi:
10.1016/j.jhydrol.2013.11.006
Chappell A, Renzullo LH, Raupach TJ, Haylock M. (2013). Evaluating
geostatistical methods of blending satellite and gauge data to estimate
near real-time daily rainfall for Australia. Journal of Hydrology 493:
105-114 doi: 10.1016/j.jhydrol.2013.04.024
Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Shukla S, Husak
G, Rowland J, Harrison L, Hoell A, et al. (2015). The climate hazards
infrared precipitation with stations a new environmental record for
monitoring extremes: 1-21 doi: 10.1038/sdata.2015.66
Ioris AAR. (2012). The neoliberalization of water in Lima, Peru.
Political Geography 31 (5): 266-278 doi: 10.1016/j.polgeo.2012.03.001
Kuznetsov M, Yakirevich A, Pachepsky YA, Sorek S, Weisbrod N.
(2012). Quasi 3D modeling of water flow in vadose zone and

DIRECCIN DE HIDROLOGA 20
 groundwater. Journal of Hydrology 450-451: 140-149 doi:
10.1016/j.jhydrol.2012.05.025
Lasage R, Muis S, Sardella CSE, van Drunen MA, Verburg PH, Aerts
JCJH. (2015). A Stepwise, participatory approach to design and
implement community based adaptation to drought in the Peruvian
Andes. Sustainability (Switzerland) 7 (2): 1742-1773 doi:
10.3390/su7021742
Mantas VM, Liu Z, Caro C, Pereira AJSC. (2015). Validation of TRMM
multi-satellite precipitation analysis (TMPA) products in the Peruvian
Andes. Atmospheric Research 163: 132-145 doi:
10.1016/j.atmosres.2014.11.012
Mcdougall VD, Dugdale G. (1994). Experience of the Tamsat Group in
West Africa
Stisen S, Tumbo M. (2015). Interpolation of daily raingauge data for
hydrological modelling in data sparse regions using pattern information
from satellite data. Hydrological Sciences Journal (March 2015): 1-16
doi: 10.1080/02626667.2014.992789
Thouret JC, Enjolras G, Martelli K, Santoni O, Luque JA, Nagata M,
Arguedas A, MacEdo L. (2013). Combining criteria for delineating
lahar-and flash-flood-prone hazard and risk zones for the city of
Arequipa, Peru. Natural Hazards and Earth System Science 13 (2): 339-
360 doi: 10.5194/nhess-13-339-2013.

DIRECCIN DE HIDROLOGA 21