IV CONGRESO NACIONAL DEL AGUA

UNALM, UNI, UNMSM

LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013

ANÁLISIS ESPACIO TEMPORAL DE LA PRECIPITACIÓN Y TEMPERATURA MENSUAL

EN LAS ZONAS DE MONTAÑA DEL PERÚ. UNA APROXIMACIÓN A LA CORRECCIÓN DE
DATOS TRMM 3B43 Y DE REANALISIS NCEP NCAR
Pedro Rau1,5*, Thomas Condom2,5, Jhan Carlo Espinoza3,5, Waldo Lavado4,5
1
Universidad Nacional de Ingeniería UNI. IMEFEN. Lima, Peru
*E-mail: praul@uni.pe
2
Laboratoire d’étude des Transferts en Hydrologie et Environnement (LTHE), UMR 5564, Université Joseph Fourier - Grenoble 1,
IRD - Great Ice, CNRS, G-INP, Grenoble, Francia.
3
Instituto Geofísico del Peru IGP. Lima, Peru.
4
Servicio Nacional de Meteorología e Hidrología del Peru SENAMHI. Lima, Peru.
5
Universidad Nacional Agraria La Molina UNALM, Lima, Peru - Institut de Recherche pour le Développement (IRD Peru).

Resumen
La limitada comprensión de las múltiples conexiones entre el
clima y la hidrología en las zonas de montaña y la escasez de
registros en dichas zonas, es el punto de partida de la presente
investigación, la cual abarca principalmente 3 aspectos: a) Se
analizo la evolución de los registros de precipitación y
temperatura in-situ mayor a 30 años de información. Para las
precipitaciones, no se identificaron tendencias considerando
un 99% de confianza en una gran parte de los Andes Centrales
y del Norte. Para las temperaturas, la zona Sur de los Andes
Centrales presenta tendencias locales con valores máximos de
0.03ºC/año. b) Los registros in-situ de precipitación fueron
comparados con los datos satelitales TRMM 3B-43 v6 dentro
de nueve regiones climatológicamente homogéneas para el
periodo común 1998-2007. En cada región la confiabilidad de
los registros TRMM es variable. En general, durante el
periodo húmedo de noviembre a marzo es confiable en
términos de la raíz del error cuadrático medio relativo
(%RMSE) y al coeficiente de correlación (%CC), a excepción
de zonas como la costa Sur y la vertiente amazónica oriental
del Sur. Debido a este comportamiento, se propone la
corrección de los datos TRMM en función de los datos in-situ,
mediante la generación de factores aditivos y multiplicativos
obtenidos de patrones comunes de precipitación. Estos
factores logran corregir y extender el periodo mensual donde
la estimación del TRMM original no era confiable para la
mayoría de las regiones. c) Para la temperatura, se comparan
los datos in-situ con los datos de reanálisis NCEP NCAR de
manera puntual y periodo común. Se concluye que los niveles
de presión 600 y 700 hPa de la temperatura del aire de NCEP
NCAP ofrecen una aproximación a las estaciones, sin
embargo presentan una variación desde los 10°C en los Andes
del Norte hasta 0.4°C en los Andes Centrales. Se propone el
empleo de un gradiente regional mensual para la corrección
del NCEP NCAR, considerando estaciones de referencia por
cada grilla y variaciones altitudinales, La confiabilidad de
estas correcciones es muy aceptable para los Andes del Norte
y Centrales.
Palabras clave: Precipitación; Temperatura; Tendencias;
TRMM 3B43; NCEP NCAR reanalisis; Andes
Introducción
En términos del clima, los sistemas montañosos desarrollan un
considerable sistema complejo por sí mismos, influenciados
por la característica de estrechamiento e incisión profunda de
los valles. En su desempeño como almacenadores de agua, las
regiones montañosas forman un importante suministro de agua
en el periodo seco para las tierras bajas; y así la sociedad en su
conjunto percibe cada vez más a las montañas como fuentes
de agua, que abastecen a gran parte de la población mundial
(Schaeffli et al. 2005). Beniston et al. (1997) describen dicha
complejidad que se reflejan en los registros de temperatura y
precipitación a diferentes escalas asociados a los fenómenos
climáticos y la orografía. El presente estudio se enfoca sobre
las zonas con altitud superior a 3000 msnm y que forman parte
de los Andes del Norte (Cordilleras Blanca y Negra), Andes
Centrales (Cordillera Occidental, Central y Oriental) y Andes
del Sur (Vertiente del Titicaca). Una descripción detallada del
régimen de precipitaciones en la región Andina se detallan en
Espinoza et al. (2009a), Laraque et al. (2007), Garraud et al.
(2003) y Ronchail et Gallaire (2006). Estas zonas a su vez
presentan poca información, por lo cual es necesario contar
con una metodología que permita la extrapolación o la
exploración espacial de las precipitaciones y temperaturas.
De esta forma se propone un análisis para estas dos variables
considerando los datos in-situ del Servicio Nacional de
Meteorología e Hidrología de Perú (SENAMHI); los datos
obtenidos del satélite que opera bajo el proyecto TRMM
(Tropical Rainfall Measuring Mission) para precipitaciones y
los datos de reanalisis NCEP NCAR (National Center for
Environmental Prediction - National Center for Atmospheric
Research) para temperaturas. Muchos estudios se han
dedicado al empleo de los productos TRMM con fines
hidrológicos, generalmente enfocados en planicies bajas en
África (Hughes, 2006; Wilk et al., 2006, Endreny and Imbeah,
2009), en Brasil (Colischonn et al., 2008, Franchito et al 2009)
y en la amazonia del Peru (Lavado et al., 2009). Con respecto
al reanalisis NCEP NCAR, éstas se encuentran contenida en
grillas, siendo el producto más empleado por la disponibilidad
de información de parámetros tales como la temperatura del
aire, la cual representa una de las más confiables del reanalisis
(Kistler et al, 2001).

1
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13
La metodología que se plantea para la corrección de datos
TRMM y NCEP NCAR sugiere el empleo de data in-situ
Usando los datos TRMM y NCEP NCAR corregidos, se podrá
inferir su validación y el comportamiento espacio-temporal de
la precipitación en los andes peruanos.
Objetivos
Caracterizar el comportamiento de la precipitación y
temperatura mensual en las zonas de montaña del Peru desde
el año 1964 hasta el año 2007, a través de un análisis de
tendencias.
Precisar una metodología para el correcto empleo de fuentes
de datos no observacionales tales como los datos satelitales
TRMM y de reanálisis NCEP NCAR.
Aproximar metodologías de corrección de estas fuentes de
datos, con fines de cubrir espacial y temporalmente las zonas
montañosas que no presentan registros de precipitación y
temperatura.
Datos y métodos
MODELO DE ELEVACION DEL TERRENO
Es obtenido de los datos SRTM (Misión Topográfica Radar
Shuttle, NASA-NGA, EEUU), el cual es un modelo digital de
elevación de la zona comprendida entre latitudes 56°S a 60°N,
de modo que genere una base completa de cartas topográficas
digitales de alta resolución de la Tierra. La resolución equivale
a 90 m x 90 m de grilla de resolución.
Para estudiar las zonas altas, donde hay pocos datos
disponibles se ha definido el límite topográfico de 3000 msnm
desde su formato grid. También se obtuvo, indirectamente, la
delimitación de las principales cuencas hidrográficas que
sirvieron de referencia para la verificación de la ubicación de
las estaciones meteorológicas y para la regionalización de
éstas. La Figura 1 muestra la ubicación de las estaciones in-
situ analizadas y las elevaciones del SRTM.
ANALISIS DE SERIES DE TIEMPO
De acuerdo a Kendall y Stuart (1968), el análisis de series de
tiempo requiere mejorar la comprensión del mecanismo
estadístico que genero dichas series observadas. Cada serie de
datos puede ser representada solo parcialmente dentro de la
complejidad del fenómeno que produce las series. Aun asi
estas series de datos requiere una explicación antes de realizar
alguna interpretación espacial producido por una sola serie de
datos.
En nuestro estudio, 16 de 49 estaciones de precipitación y 8
de 27 estaciones de temperatura poseen registros por un
periodo mayor a 30 años (con periodo común máximo de 1964
al 2007), suficiente longitud de registro para establecer un
comportamiento coherente (WMO, 2003). De este modo se
realizo un análisis de tendencias con el test de Mann-Kendall
(Man Kendall, 1975) y un análisis de quiebres con el test de
Pettitt (Pettitt, 1979). Estas metodologías fueron compilados
de las guias técnicas de los programas computacionales Trend
(Chiew and Siriwardena, 2005) y Khronostat (Boyer, 2002)
para sistematizar el proceso de cálculo. El test de Mann-
Kendall ha sido una de las metodologías recomendadas por la
Organización Meteorológica Mundial (Salarijazi, 2012). El
Y 14 DE JUNIO DEL 2013
test de Pettitt ha sido ampliamente utilizado para la detección
de puntos de quiebres en series hidrológicas (Espinoza et al.,
2009b, Lavado et al, 2012, Salarijazi et al, 2012).
ANALISIS DE PRECIPITACIONES Y DATOS TRMM
De acuerdo a las condiciones geomorfológicas de la región
andina, la distribución de las estaciones SENAMHI in-situ
puede agruparse en dos sectores bien definidos
correspondientes a los Andes del Norte y Centrales. En
función de una correlación aceptable entre la precipitación y
los parámetros tales como la altitud, longitud y latitud
considerando la delimitación de cuencas hidrográficas, se
pudo agrupar las estaciones en 9 regiones representativas (ver
Figura 1 y Tabla 2).
Con respecto a los datos TRMM, éstos son producto del
algoritmo 3B43 ver.6 y por hallarse comprimidos en formatos
HDF fue necesario el procesamiento computacional para la
obtención de los registros. Para ello se empleó un código libre
(Collischonn, 2005) que procesa los archivos en forma
matricial, convirtiendo cada grilla TRMM en una serie de
precipitación de fácil manejo. Los tipos de errores comunes a
las mediciones TRMM son debido a la característica de la
toma de muestras discreta. El satélite TRMM es de órbita baja
de aproximadamente 350 km de altitud, los sensores de lluvia
muestrean la atmósfera regional solo a intervalos de tiempo
discretos que a veces no permiten captar las tormentas de
duración corta. Muchos estudios han mostrado que el rango de
errores de muestreo temporal es desde ±8 hasta ±12% por mes
para la precipitación media (Shin & North, 1988; North &
Nakamoto, 1989; Bell et al., 1990). Espacialmente, estos
registros abarcan grillas de 0.25 x 0.25 grados cubriéndose
aproximadamente 770 km2 de área por cada grilla.
Se realizaron las comparaciones entre ambas fuentes de
precipitación, partiendo desde el análisis de histogramas de
frecuencias. La Tabla 1 muestra la disponibilidad de
estaciones y el periodo común. En total se trabajaron con 31
estaciones, los cuales cumplen requisitos de correspondencia
espacial y temporal con los datos TRMM 3B43. Para la
comparación de las dos fuentes de datos se emplea la ecuación
1 y de esta forma se establece un patrón común por región.
∆Pi = µ TRMM i − µ SENAMHI i [1]
i = número del mes (1, 2, …, 12)
µTRMMi = media del registro TRMM para el mes i
µSENAMHIi = media del registro SENAMHI para el mes i
Seguidamente, se realiza la estimación de errores para estimar
la confiabilidad de las estimaciones del TRMM sobre cada
estación in situ y sobre cada región, esto será validado con el
Error Medio relativo (%MBE), el Error Medio Absoluto
relativo (%AE) y la Raíz del Error Cuadrático Medio relativo
(%RMSE), adquiriendo este ultimo mayor importancia
(Franchito et al., 2009).
RMSE =
∑ (P TRMM i − PSENAMHIi ) 2 [2]
N
PTRMMi: Precipitación TRMM en el mes i (mm/mes)
PSENAMHIi: Precipitación SENAMHI en el mes i (mm/mes)
i: mes de la serie continua (1998-2007)
2
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13
N: Número de pares comparados.
Cuando el RMSE de la precipitación estimada es menor al
50% de la cantidad de precipitación medida, es considerado
confiable; cuando el RMSE es igual o mayor que el 50% de la
magnitud de la precipitación de referencia, la estimación es
considerada no confiable para dicha región. Por otro lado
también se establece una relación cuantitativa con el
coeficiente de correlación de la regresión lineal entre ambas
fuentes de datos sin término constante. Las correlaciones son
significativas (p>0.01) cuando presentan un coeficiente de
correlación mayor o igual a 0.7.
El tipo de distribución probabilística, en todas las estaciones
de precipitación SENAMHI, presenta una fuerte asimetría
negativa, esta fue disminuida al convertir los datos a
logaritmos naturales incrementados en la unidad, el mismo
comportamiento es observado para los datos TRMM, los
resultados de esta conversión se denominaron datos
transformados.
MODELOS DE CORRECCION DE DATOS TRMM
Se propone la obtención de un patrón común del TRMM en
función de la información SENAMHI, esto es posible
empleando un modelo aditivo mediante la ecuación (3); o un
modelo multiplicativo mediante la ecuación (4).
f1i = µlog(TRMMi +1) − µlog(SENAMHIi +1) [3]
µ log(SENAMH I +1)
f 2i = i
[4]
µ log(TRMM +1)
i
i = número de mes (1,…,12)
µlogSENAMHIi+1 = media del registro SENAMHI transformado
para el mes i.
µlogTRMMi+1 = media del registro TRMM transformado para el
mes i.
Los vectores f1 ó f2, se aplicarán a cada valor del TRMM
original. Finalmente, se obtienen los valores de precipitación
total mensual TRMM corregida, para cada mes de los 10 años
de registro (1998-2007), obtenidos con la siguiente ecuación
(5), bien sea por un modelo aditivo o multiplicativo:
TRMM ic , j = f i TRMM i , j + 1 − 1 [5]
TRMMic,j = Precipitación TRMM corregida para el mes i del
año j
i = número de mes (1,…,12)
j = año de la serie (1998, 1999,…,2007)
fi = vector aplicado (f1=aditivo ó f2=multiplicativo)
Mayor detalle de las metodologías de corrección se describen
en Condom et al. (2011) y Rau & Condom (2010).
ANALISIS DE TEMPERATURAS Y DATOS NCEP NCAR
Se analizaron las estaciones in-situ SENAMHI con registro
mayor a 10 años de información y en función de la altitud se
Y 14 DE JUNIO DEL 2013
propone obtener un gradiente regional mensual o “lapse rate”
( Γ ) expresado en °C/100 m, el cual describe el decrecimiento
de la temperatura con la altitud. Para latitudes Norte, esto es
obtenido por Kunkel (1989) y Liston et al (2006) y es aplicado
a metodologías de downscaling (Gao et al., 2012). Este
gradiente esta relacionado a la teoría de la estabilidad
convectiva del aire y del gradiente adiabático seco igual a
1°C/100m (en valores absolutos). En condiciones estables, la
atmosfera en el ambiente alcanza un gradiente menor a 1
(gradiente adiabático húmedo). Un gradiente mayor a
1°C/100m representará condiciones inestables resultante en un
movimiento amplificado de capas de aire (Tabony, 1985;
Barry, 2008).
Por otro lado, los datos NCEP NCAR fueron obtenidos de la
base de datos del IRI (International Research Institute for
Climate and Society, Columbia University, USA), los cuales
se encuentran agrupados por niveles de presión. Para nuestro
estudio empleamos los niveles: 700 hPa (~ 3000 m), 600 hPa
(~4000 m) y 500 hPa (~5500 m). Espacialmente estas grillas
cubren 2.5° x 2.5° (77000 km2 por grilla). Los datos se
encuentran disponibles desde 1949. La comparación entre
datos SENAMHI y NCEP NCAR se realizó mediante la
ecuación (6) y corresponde a una metodología del tipo
puntual (Rusticucci et al., 2002; Gao et al., 2012).
∆Ti = µ SENAMHI k − µ NNR k
i i [6]
i = número de mes (1,…,12)
k = nivel de presión (500, 600 y 700 hPa)
µ SENAMHI k
= media del registro SENAMHI (mes i y nivel k).
i
µ NNR k
i = media del registro NCEP NCAR (mes i y nivel k).
MODELO DE CORRECCION DE DATOS NCEP NCAR
Se propone un factor de corrección en función de la
información SENAMHI y del gradiente regional, esto es
posible empleando la ecuación (7).
BSi + Γi .(hBS − hNNR k ) + Γi (hx − hNNR k )
fci = k
[7]
NNRi
fci= Factor de corrección para el mes i.
BSi= Temperatura media de la estación base para el mes i.
Γi= Gradiente para el mes i.
hBS= Altitud de la estación base.
hNNRk= Altitud de la grilla NCEP NCAR para el nivel de
presión k.
hx= Altitud en un punto “x” donde se desea corregir en
función de los datos NCEP NCAR.
NNRik= Temperatura media NCEP NCAR original para el
nivel k y mes i.
La confiabilidad de las correcciones son analizadas con el
RMSE (Ecuación 2 aplicado a Temperaturas) y el coeficiente
de correlación CC. Mayor detalle de la metodología de
corrección se describe en Rau et al. (2013).
3
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013

Figura 1.- Mapa de

estaciones y cuencas
hidrográficas

Tendencia
Temperatura media Precipitacion total Tendencia
Andes ubicacion Region Estacion SENAMHI in-situ Temperatura
(°C/año) (mm/año) Precipitacion
(°C/año)

QUEROCOCHA (3955 m asl) 7.7 1074.7 - -

SANTA RECUAY (3394 m asl) 12.3 836.6 - NS
Andes del Norte
LAMPAS ALTO (4030 m asl) 5.9 758.9 - -
MARAÑON CHAVIN (3210 m asl) 13.0 725.7 - -
MANTARO MARCAPOMACOCHA (4479 m asl) 4.3 1149.3 NS NS
OCOÑA PULLHUAY (4600 m asl) 12.3 644.3 NS -
ANDAHUA (3587 m asl) 10.1 380.3 NS -
CHIVAY (3633 m asl) 10.0 406.4 NS S (+0.02)
Andes Centrales,
CONDOROMA (4160 m asl) 5.2 649.3 - -
cadena Oeste
COLCA PORPERA (4195 m asl) 4.9 613.6 NS -
SIBAYO (3810 m asl) 8.3 586.8 NS S (+0.01)
TISCO (4175 m asl) 6.8 690.3 NS -
PAÑE (4605 m asl) 3.3 757.5 - -
AGUADA BLANCA (3855 m asl) 5.0 221.4 - -
EL FRAYLE (4060 m asl) 4.7 301.1 NS S (+0.03)
Andes Centrales, IMATA (4519 m asl) 3.0 550.3 NS NS
QUILCA
cadena Oeste LAS SALINAS (4310 m asl) 4.5 333.9 NS -
PAMPA DE ARRIEROS (3715 m asl) 7.6 269.7 NS -
PILLONES (4360 m asl) 3.2 404.0 NS -
Andes Centrales, LA ANGOSTURA (4150 m asl) 5.4 848.3 NS S (+0.03)
APURIMAC
cadena Central YAURI (3927 m asl) 6.5 804.8 - -
SICUANI (3574 m asl) 11.0 671.0 NS -
Andes Centrales, POMACANCHI (3700 m asl) 9.9 816.7 - -
URUBAMBA Tabla 1.-
cadena Este CCATCA (3729 m asl) 8.2 609.1 NS -
COLQUEPATA (3729 m asl) 10.3 501.4 NS - Estaciones
JULIACA (4350 m asl) 10.3 614.2 - - SENAMHI y
Andes del Sur TITICACA
CABANILLAS (3900 m asl) 9.2 654.9 - S (+0.002) tendencias

4
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013

Evaluación de resultados
ANALISIS DE TENDENCIAS

De la Tabla 1, se concluye que no existen tendencias de

precipitación, las cuales se categorizan como No Significativa
(NS) en todas las estaciones analizadas, para un 99% de
confianza con el test de Mann-Kendall,
Kendall, asimismo los análisis
de quiebres arrojan que no existen años significativos que
consideren un punto de quiebre en la serie con el test de
Pettitt.
Para las temperaturas, 4 estaciones ubicadas en el Sur de los
Andes Centrales próximos entre si presentan tendencias
positivas significativas (S) al 99% de confianza (+0.02°C/año
para Chivay; +0.03°C/año para El Frayle; +0.03°C/
+0.03°C/año para
La Angostura y +0.01°C/año año para Sibayo
Sibayo), sin embargo la
estación Imata que se ubica en la misma región n no presenta
tendencias significativas. Los puntos de quiebres fueron no
significativos con el test de Pettitt al 99% de confianza. Es
interesante notar que ni las precipitaciones ni tempe
temperaturas en
las series analizadas que inician desde 1964 están
influenciadas por el salto climático de 1976 (Miller, 1994) al
cual están relacionados anomalías únicas sobre el Océano Tabla 2.- Estaciones de precipitación in situ (SENAMHI) y
Pacifico y es un tema de investigación sobre su influencia en correspondencia con las grillas TRMM.
las variables hidrológicas en Sudamérica (Rosenblüth et al,
1997; Perez et al., 1998). A modo de ejemplo se muestran los
l resultados para R2 para el
mes de Enero (Figura 3) en la cual, el modelo aditivo
DATOS IN-SITU Y TRMM aproxima la pendiente lineal a 0.983 (cerca a la unidad),
corrigiendo de este modo la pendiente de 0.509 obtenida con
La Figura 2, muestra ell comportamiento estacional de las los TRMM originales. El modelo multiplicativo logra corregir
diferencias aritméticas entre los datos TRMM y los datos inin- la pendiente en un valor de 0.830. El coeficiente de
situ. En general hay una subestimación n de los datos TRMM correlación CC es superior a 75 % en todos los casos.
con respecto a los datos in situ en el periodo húmedo a A nivel anual esta corrección es mucho más significativa
excepciónn de las estaciones Colquepata y Pampacolca. La especialmente con el modelo aditivo (Figura 4).
estación Colquepata, perteneciente a la región
regi Urubamba que 300

se halla más próxima a la vertiente amaz

amazónica y la estación
250
Pampacolca que se halla más próxima
xima al Pac
Pacífico.
200
TRMM (mm)

150

100

50

0
0 y = 0.5092x 50 y = 0.9836x 100 150 200 y = 0.8309x 250
CC = 77% CC = 78% P SENAMHI ENE (mm) CC = 78%
TRMM original TRMM Aditivo TRMM Multiplicativo

Figura 3.- Regresión lineal sin término constante entre los datos
SENAMHI, TRMM corregido con el modelo aditivo y multiplicativo
en el mes de enero sobre la región R2.
Figura 2.- Variación estacional de Enero a Diciembre, de las
diferencias entre los datos TRMM y datos in situ.

La regionalización obtenida y las grillas TRMM empl

empleadas se
muestran en la Tabla 2. A continuación sse procedió a realizar
la corrección del TRMM en razón de no obtener buenas
aproximaciones con el RMSE y el CC.

Figura 4.- Precipitaciones totales anuales in situ (SENAMHI),

estimadas por el TRMM sin corrección
correcci (TRMM), corregidas por el
modelo aditivo (TRMM A) y modelo multiplicativo (TRMM M).

5
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13 Y 14 DE JUNIO DEL 2013

DATOS IN-SITU Y NCEP NCAR Periodo comun entre

Andes ubicacion Estacion SENAMHI in-situ Grilla NNR
NNR y SENAMHI

De acuerdo a la Tabla 1, las temperaturas anuales in-situ,

in QUEROCOCHA (3955 m asl) 77.5W, 10S 1966 - 1973
varían desde 13°C en la estación Chavin hasta 3°C para la Andes del Norte
RECUAY (3394 m asl) 77.5W, 10S 1965 - 2007
77.5W, 10S 1957 – 1972
estación Imata. El 44% de las estaciones están ubicadas por LAMPAS ALTO (4030 m asl)
77.5W, 10S 1986 - 2007
CHAVIN (3210 m asl)
encima de los 4000 m, el 48% entre 3500 y 4000 m y el 8% MARCAPOMACOCHA (4479 m asl) 77.5W, 12.5S 1969 - 2004
entre 3000 y 3500 m. Es posible obtener una relación lineal PULLHUAY (4600 m asl) 72.5W, 15S 2003 - 2007

inversa entra altitud y temperatura tal como se muestra en la ANDAHUA (3587 m asl) 72.5W, 15S 2000 – 2007
CHIVAY (3633 m asl) 72.5W, 15S 1964 – 2007
Figura 5, en la cual no se considero las estaciones con serie Andes Centrales,
CONDOROMA (4160 m asl) 72.5W, 15S 1977 – 1995
cadena Oeste
corta menor a diez años o influenciados por fenómenos de PORPERA (4195 m asl) 72.5W, 15S 2003 – 2007
radiación relacionados con la transm misividad atmosférica SIBAYO (3810 m asl) 72.5W, 15S 1951 – 2007
TISCO (4175 m asl) 72.5W, 15S 2003 – 2007
(Baigorria et al, 2004), resultando una relación directa entre PAÑE (4605 m asl) 70W, 15S 1951- 1973/1992-2000
altitud y temperatura (estaciones Pullhuay y Cabanillas) AGUADA BLANCA (3855 m asl) 72.5W, 15S 1991 – 2000
especialmente en zonas cercanas al Altiplano.
Altiplano EL FRAYLE (4060 m asl) 70W, 15S 1963 – 2007
Andes Centrales, IMATA (4519 m asl) 70W, 15S 1949 – 2007
La Figura 5, muestra un gradiente adiabático anual de 0.9 cadena Oeste LAS SALINAS (4310 m asl) 70W, 17.5S 2003 – 2007
°C/100 m,, este valor es mayor que el típico valor de 0.6 PAMPA DE ARRIEROS (3715 m asl) 72.5W, 15S 1999 – 2007
asumido clásicamente en los modelos climáticos (Tabony, PILLONES (4360 m asl) 70W, 15S 2003 - 2007
Andes Centrales, LA ANGOSTURA (4150 m asl) 72.5W, 15S 1961 - 2007
1985). En general estas regiones ubicadas en los Andes cadena Central YAURI (3927 m asl) 72.5W, 15S 1964–1978/1986-2007
presentan rangos de gradiente adiabático diferentes a otras SICUANI (3574 m asl) 70W, 15S 1987 - 2007
cadenas montañosas, por tal razón se estimaron dichos Andes Centrales, POMACANCHI (3700 m asl) 72.5W, 15S 1985 – 2007
cadena Este 72.5W, 12.5S 1964-1983/1986-2007
gradientes a nivel mensual y se muestran en la Tabla 4.
4 CCATCA (3729 m asl)
72.5W, 12.5S 2001 – 2007
COLQUEPATA (3729 m asl)
4800 JULIACA (4350 m asl) 70W, 15S 1961-1995, 2007
Andes del Sur
4600 CABANILLAS (3900 m asl) 70W, 15S 1964 - 2007

4400
y = -111.73x
111.73x + 4751.9
CC = 92% Tabla 4.- Estaciones in-situ
situ y grillas NCEP NCAR.
Altitude (m asl)

4200

4000

3800

3600

3400

3200

3000
2.0 4.0 6.0 8.0 10.0 12.0 14.0
Mean annual temperature (ºC)
SENAMHI

Figura 5.- Relación inversa entre temperaturas anuales SENAMHI y

la altitud.

Mes Ene Feb Mar Abr May Jun

CC (%) 91 89 90 93 90 85
Γ (°C/100m) -0.79 -0.79 -0.77 -0.78 -0.99 -1.16
Mes Jul Ago Sep Oct Nov Dic
CC (%) 89 90 91 91 90 89 Figura 6.- Variación mensual de la temperatura entre datos in-situ
in y
Γ (°C/100m) -1.13 -1.10 -1.06 -0.97 -0.94 -0.88 NCEP NCAR para 700 00 hPa en estaciones representativas.

de temperatura en cualquier punto topográfico natural ubicado

Tabla 3.- Gradientes mensuales (monthly lapse rates
rates) estimados para dentro del alcance de su grilla. Estos
Esto puntos fueron hechos
los Andes del Norte y Centrales del Peru, con el coeficiente de
correlación (CC) asociado.
coincidir con el resto de puntos (estaciones)
( que poseen datos
medidos y de esta forma se evaluaron las correcciones
Empleando la ecuación 6, se obtuvieron los patrones considerando la metodología del RMSE y CC.
mensuales entre los datos in-situ
situ y NCEP NCAR, las cuales
tienen una variación desde los 10°C in n los Andes del Norte La Figura 7 representa un punto para la grilla (77.5˚W, 10˚S) a
hasta 0.4°C en los Andes Centrales para 600 y 700 hPa. La 700hPa coincidente con la estación Lampas Alto, donde las
Figura 6 muestra estas variaciones para 7007 hPa durante un correcciones se consideran satisfactorias con una reducción
año promedio. Las grillas y el periodo común entre ambas del error RMSE de 50% a 18% y un incremento de la
fuentes de datos se muestran en la Tabla 4.
4 correlación con el CC del 22 % al 85%. Del mismo modo, la
Finalmente aplicando la ecuación 7 y en función de las Figura 8 representa a la estación Condoroma,
Co en donde al
estaciones base identificadas para cada grilla NCEP NCAR corrección se considera satisfactoria.
satisfactoria Estos resultados son
según los resultados anteriores, se obtuvieron las correcciones obtenidos en el resto de estaciones a excepción de las que se
de los datos NCEP NCAR, el cual equivale a determinar series ubican en la región de los Andes del Sur (Vertiente del
Titicaca) en donde fue posible reducir el RMSE pero
disminuyendo
nuyendo el CC, en razón del comportamiento directo de
la temperatura con la altitud en dichas regiones de planicie.

6
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13 Y 14
Figura 7.- Dispersión entre datos in-situ
situ y NCEP NCAR originales
(NNRo) y NCEP NCAR corregidos (NNRc) para Lampas Alto.
Figura 8.- Dispersión entre datos in-situ
situ y NCEP NCAR originales
(NNRo) y NCEP NCAR corregidos (NNRc) para Condoroma.
Aplicaciones
Las zonas de montaña con tendencia positiva en la
temperatura y sin tendencia significativa en la precipitación, y
dependiendo de su ubicación, éstas pueden influenciar en el
comportamiento de los glaciares cercanos, al no presentar
condiciones suficientes para la acumulación de nieve.
DE JUNIO DEL 2013
La confiabilidad de los modelos de corrección de los datos
TRMM para ciertas regiones y meses en el año, ofrecen una
herramienta útil para la obtención de registros de precipitación
total mensual en cuencas sin medición desde el año 1998.
El modelo de corrección propuesto para los datos NCEP
NCAR en ciertas regiones, ofrecen una herramienta útil para
par
la obtención de registros de temperatura media mensual en
cuencas sin medición desde el año 1949.
Estas variables corregidas sirven como datos de entrada en
diversos modelos hidrológicos para el cálculo de la
evapotranspiración potencial (ETP),
(ETP) logrando indirectamente
la estimación de este parámetro en cuencas sin medición.
Conclusiones
Para las regiones montañosas por encima de los 3000 msnm,
las series de temperatura anual en las estaciones in-situ in
presentaron tendencias positivas significativas mediante la
prueba de Mann-Kendall a un 99% de nivel de confianza con
los siguientes valores: +0.02°C/año para Chivay, +0.03°C/año
para El Frayle; +0.03°C/año para La Angostura y +0.01°C/año
para Sibayo,, las cuales se hallan próximas entre si en la región
Sur de los Andes Centrales. Las precipitaciones no
presentaron tendencias significativas en ninguna región
analizada. Para ambas variables no se detectaron puntos de
quiebres en las series mediante la prueba de Pettitt.
Con estos resultados, podemos infe
inferir cuales áreas en los
Andes Centrales desarrollan un obstáculo significativo para la
formación de nieve en un mediano plazo de 10 años. a Las
tendencias positivas de temperatura pueden alcanzar los
0.3°C.
Sobre los datos de precipitación y TRMM 3B43, en el período
de octubre a marzo, los datos in situ son mayores al TRMM,
estas diferencias son muy notorias en las estaciones de
Janacancha (R4, región Quilca) y Colquepata (R6, región
Urubamba). En el periodo de mayo a agosto, el TRMM sobre
estima los datos in situ.
Dos modelos estadísticos son planteados para la corrección de
los datos de TRMM, uno aditivo y otro multiplicativo. El
modelo aditivo ofrece buenas aproximaciones en las regiones
Santa (R1), Pacífico Norte (R2), Colca (R3), Quilca (R4),
Apurímac (R5) y Ocoña (R7). El modelo multiplicativo brinda
mejores resultados en la región Alto Marañón (R9).
Sobre los datos de temperatura y NCEP NCARNCAR, se propone el
empleo de un gradiente adiabático regional mensual obtenido
con los datos in-situ, con fines de corregir las temperaturas en
las grillas NCEP NCAR para 600 y 700 hPa. La metodología
permitió corregir los datos de temperatura NCEP NCAR en
función de estaciones base in-situ
situ de manera satisfactoria para
los Andes del Norte y Centrales. Para los
lo Andes del Sur no fue
posible obtener resultados aceptables.
aceptables
7
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13 Y 14
Referencias Bibliográficas
Adeyewa, Z. and Nakamura, K. (2003). Validation of TRMM radar
rainfall data over climatic regions in Africa. American Meteorological
Society, 42: 331-347.
Baigorria G., Villegas E., Trebejo I., Carlos J. and Quiroz R.,
2004. Atmospheric Transmissivity: Distribution and empirical
estimation around the Central Andes, International Journal of
Climatology 24.
Barry, R.G. (2008). Mountain Weather and Climate. 3rd edition,
Cambridge University Press, Cambridge, 506 pp .
Bell, T. Abdullah, A. Martin, L. and North, G. (1990). Sampling
errors for satellite-derived tropical rainfall: Monte Carlo study using a
space-time stochastic model. J. Geo. Res., 95 (D3), 2195-2205.
Beniston, M. Diaz, H.F. and Bradley, R.S. (1997). Climatic change
at high elevation sites an overview. Climatic Change, 36, Kluwer
Academic Publishers. Netherlands, 233-251.
Boyer J.F., 2002. Logiciel Khronostat d’analyse statistique de séries
chronologique, IRD UR2, Equipe Hydrologie UMRGBE, Université
de Montpellier II, Ecole des Mines de Paris, France.
Chiew F. and Siriwardena L. 2005. Trend/Change detection
software: User guide, CRC for Catchment Hydrology, Australia.
Collischonn, B. Collischonn, W. and Morelli, C. (2008). Daily
hydrological modeling in the Amazon basin using TRMM rainfall
estimates. Journal of Hydrology, 330 (1-4): 207-216.
Condom, T. Rau, P. and Espinoza, J.C. (2011). Correction of
TRMM 3B43 monthly precipitation data over the mountainous areas
of Peru during the period 1998–2007. Hydrol. Process., 25: 1924–
1933. doi: 10.1002/hyp.7949
Endreny T, Imbeah N. (2009). Generating robust rainfall
intensityduration- frequency estimates with short-record satellite data.
Journal of Hydrology 371: 182–191.
Espinoza, J.C. Ronchail, J. Guyot, J.L. Cochonneau, G. Naziano,
F. Lavado, W. De Olivieira, E. Pombosa, R. Vauchel, P. (2009a).
Spatio-temporal rainfall variability in the Amazon basin countries
(Brazil, Peru, Bolivia, Colombia and Ecuador). International Journal
of Climatology 29: 1574–1594.
Espinoza, Villar J. C., J. L.Guyot, J. Ronchail,G. Cochonneau, N.
P. Filizola, P. Fraizy, D. Labat, E. De Oliveira, J. J. Ordoñez
Gálvez, and P. Vauchel (2009b), Contrasting regional discharge
evolutions in the Amazon basin (1974–2004), J. Hydrol., 375(3-4),
297–311.
Franchito, S.H. Brahmananda, R. Vasques, A.C. Santo, C.M. and
Conforte, J.C. (2009). Validation of TRMM precipitation radar
monthly rainfall estimates over Brazil. J. Geophys. Res. 114 D02105,
doi:10.1029/2007JD009580.
Gao, L. Bernhardt, M. and Schulz, K. 2012. Downscaling ERA-
Interim temperature data in complex terrain. Hydrology and Earth
System Sciences., 9, 5931–5953, 2012.
Garreaud, R., Vuille, M. and Clement A.C. (2003). The climate of
the Altiplano: observed current conditions and mechanisms of past
changes. Palaeogeography Palaeoclimatology, Palaeoecology, 194,
1(3): 5-22.
Hughes, D.A. 2006. Comparison of satellite rainfall data with
observations from gauging station networks. Journal of Hydrology
327: 399–410.
DE JUNIO DEL 2013
Jones, P. and Hulme, M. (1996). Calculating regional climatic time
series for temperature and precipitation: methods and illustrations.
Inter. J. Climatology, 16, 361-377.
Kendall, M.G. and Stuart, A. 1968. The Advanced Theory of
Statistics. Hafner Publishing Company, New York.
Kendall, M.G. 1975. Rank Correlation Methods, Charles Griffin,
London UK.
Kistler, R. Kalnay, E. Collins, W. Saha, A. White, G. et al. 2001.
The NCEP–NCAR 50-Year Reanalysis: Monthly Means CD-ROM
and Documentation. Bulletin of the American Meteorological Society,
Vol. 82, No. 2.
Kunkel, E.K. 1989. Simple Procedures for Extrapolation of Humidity
Variables in the Mountainous Western United States. Journal of
Climate., 2, 656–669, 1989.
Laraque, A. Ronchail, J. Cochonneau, G. Pombosa, R. Guyot, J.L.
2007. Heterogeneous distribution of rainfall and discharge regimes in
the Ecuadorian Amazon basin. Journal of hydrometeorology 8: 1364–
1381.
Lavado, W. Labat, D. Ronchail, J. Espinoza, J.C. and Guyot J.
2012. Trends in rainfall and temperature in the Peruvian Amazon-
Andes basin over the last 40 years (1965-2007). Hydrological
Processes, doi: 10.1002/hyp.9418.
Lavado, C.W.S., Labat, D., Guyot, J.L., Ronchail, And Ordoñez,
J.J., 2009. TRMM rainfall data estimation over the Peruvian Amazon-
Andes basin and its assimilation into monthly water balance models.
New Approaches to Hydrological Prediction in Data Sparse Regions
(Proc. of Symposium HS.2 at the Joint IAHS & IAH Convention,
Hyderabad, India, September 2009). IAHS Publ. 333, 2009.
Liston, G.E. and Elder, K. 2006. A meteorological distribution
system for high-resolution terrestrial modeling (MicroMet). Journal of
Hydrometeorology., 7, 217–234, 2006.
Maidment, D. R. (1993). Handbook of Hydrology. Mc Graw Hill.
United States.
North, G. and Nakamoto, S. (1990). Formalism for comparing rain
estimation designs. J Atmos. Ocean. Technol. 6: 985-992.
Perez, C. Poveda, G. Mesa, O. Carvajal, L. and Ochoa, A. 1998.
Evidencias de cambio climático en Colombia: Tendencias cambios de
fase y amplitud de los ciclos anual y semianual. Bulletin Institut
Français d’Etudes Andines 27 (3): 537-546.
Pettitt, A.N. 1979. A non-parametric approach to change point
problem, Appl. Stat. 28:126-135.
Pouyaud, B. Vignon,, F. Yerren, J. and Suarez, W. (2003).
Glaciares y Recursos Hídricos en la Cuenca del Santa. IRD,
SENAMHI, INRENA UGRH, EGENOR, report, 41p.
Rau, P. and Condom, T. (2010). Análisis espacio temporal de la
precipitación en las zonas de montaña de Perú (1998-2007). Revista
Peruana Geo atmosférica RPGA (2) 16-29.
Rau, P. Condom, T. and Lavado, W. (2013). Spatio-temporal
analysis of monthly temperature in the mountainous regions of Peru.
An approach for NCEP NCAR Reanalysis data correction. (in press)
Proceedings of the 35th IAHR World Congress, Chengdu, China.
Ronchail, J. Gallaire, R. 2006. ENSO and rainfall along the Zongo
valley (Bolivia) from the Altiplano to the Amazon basin. International
Journal of Climatology 26: 1223–1236.
8
 IV CONGRESO NACIONAL DEL AGUA
UNALM, UNI, UNMSM
LIMA, PERU. 13 Y 14
Rosenblüth, B. Fuenzalida, H. Aceituno, P. (1997). Recent
temperature variations in southern South América. International
Journal of climatology, vol. 17, 67–85.
Rusticucci, M. and Kousky, V. 2002. A Comparative Study of
Maximum and Minimum Temperatures over Argentina: NCEP–
NCAR Reanalysis versus Station Data. Journal of Climate, 2002, vol
15 No. 15, 2089-2101.
Salarijazi, M. Akhond-Ali, A. Adib, A. and Daneshkhah, A. 2012.
Trend and change-point detection for the annual stream-flow series of
the Karun River at the Ahvaz hydrometric station, African Journal of
Agricultural Research Vol. 7(32), pp.4540-4552, 21.
Schaefli, B. Hingray, B. Niggl, I. and Musy, A. (2005). A
conceptual glacio-hydrological model for high mountainous
catchments. Hydrology and Earth System Sciences 9:95-109.
DE JUNIO DEL 2013
Shin, K., and North, G. (1988). Sampling errors study for rainfall
estimate using a stochastic model. J. Applied Meteorology. 27: 1218-
1231.
Tabony, R.C. 1985. The variation of surface temperature with
altitude, Meteorol. Mag., 114, 37–48.
Wilk, J. Kniveton, D. Andersson, L. Layberry, R. Todd, M.C.
Hughes, D. Ringrose, S. and Vanderpost, C. 2006. Estimating
rainfall and water balance over the Okavango River Basin for
hydrological applications. Journal of Hydrology 331: 18–29.
World Meteorological Organization. 2003. Climate: Into the 1st
Century, Cambridge University Press, UK.