0 Bewertungen0% fanden dieses Dokument nützlich (0 Abstimmungen)
9 Ansichten3 Seiten
En el análisis exploratorio de datos de la precipitación pluvial
histórica (147 estaciones, período 1961-2003) el mes de
septiembre registró un promedio de 281 mm, un mínimo de
56 mm y un máximo de 670 mm. En la Figura 2A se muestra
el comportamiento de la distribución de precipitación pluvial
cuya distribución es asimétrica positiva; en tanto la Figura
2B muestra la prueba de normali
En el análisis exploratorio de datos de la precipitación pluvial
histórica (147 estaciones, período 1961-2003) el mes de
septiembre registró un promedio de 281 mm, un mínimo de
56 mm y un máximo de 670 mm. En la Figura 2A se muestra
el comportamiento de la distribución de precipitación pluvial
cuya distribución es asimétrica positiva; en tanto la Figura
2B muestra la prueba de normali
En el análisis exploratorio de datos de la precipitación pluvial
histórica (147 estaciones, período 1961-2003) el mes de
septiembre registró un promedio de 281 mm, un mínimo de
56 mm y un máximo de 670 mm. En la Figura 2A se muestra
el comportamiento de la distribución de precipitación pluvial
cuya distribución es asimétrica positiva; en tanto la Figura
2B muestra la prueba de normali
Uno de los insumos utilizados en este estudio fue el modelo
de elevaci�n digital (MED), el cual representa puntos sobre la
superfi cie del terreno cuya ubicaci�n geogr�fi ca se encuentra defi nida por coordenadas X y Y a las que se les agrega un valor de Z el cual corresponde a la elevaci�n (INEGI, 2006). Para este estudio fue considerado extraer el segmento del �rea de inter�s para utilizarlo como una variable auxiliar o secundaria en la generaci�n de superfi cies mediante la interpolaci�n de datos puntuales mediante el m�todo co-kriging y thin plate smoothing spline; la resoluci�n con la que cuenta el MED es de 90 m. Para realizar el proceso de interpolaci�n fueron utilizados los sistemas de informaci�n geogr�fi ca (SIG), que se defi nen como una integraci�n organizada de hardware, software, datos geogr�ficos y personal, dise�ado para capturar, almacenar, manipular, analizar y desplegar en todas sus formas la informaci�n geogr�fi camente referenciada; algunos pueden incluir m�dulos para realizar la interpolaci�n de datos puntuales. Los SIG utilizados fueron la extensi�n geostatistical analyst de arcgis 8 (ESRI, 2002) y la versi�n 4.3 del software ANUSPLIN desarrollado por Hutchinson (2004). Se entiende como interpolaci�n al proceso de generar una superfi cie continua en un espacio geogr�fi co con base a una serie de puntos ubicados en diferentes situaciones geogr�fi cas de ese mismo espacio (Johnston et al., 2001). A continuaci�n se realiza una breve descripci�n de los distintos m�todos de interpolaci�n empleados en el desarrollo de esta investigaci�n. El primero que se describe es inverso de la distancia, IDW por sus siglas en ingl�s y es considerado el m�todo m�s simple de interpolaci�n; L�pez (1995) refi ere a que asigna el peso m�s grande al punto m�s cercano y este peso disminuye a medida que aumenta la distancia dependiendo del coefi ciente potencia �. El peso de un punto utilizando este m�todo se expresa como: ???? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? N e i i e i i d d w N , 1 , 1 1 ?? ?? 1) 282 Agric. T�c. M�x. Vol. 34 N�m. 3 Julio - Septiembre 2008 Gabriel Diaz Padilla et al. donde: N = n�mero total de estaciones de,i = distancia entre el sitio a estimar e y la estaci�n i � = coefi ciente de potencia. El valor del punto se estima tomando con base en un promedio ponderado de los datos de las mediciones. A cada estaci�n se le asigna un peso en virtud de la localizaci�n con respecto a otras y con respecto al punto a estimar. Para una red de N estaciones, la ecuaci�n b�sica es: ???? ?? N i e i i p w p 1 2) donde: e p = dato estimado en el sitio e i p = dato medido en la estaci�n i i w = denota el peso de la estaci�n i= representa el punto estimado en el sitio e N = n�mero total de estaciones cercanas al sitio , que se utilizar�n para estimar el dato en el sitio . Otro m�todo empleado es el m�todo kriging que se basa en una funci�n continua que explica el comportamiento de una variable en las distintas direcciones de un espacio geogr�fi co y permite asociar la variabilidad de la estimaci�n con base a la distancia que existe entre un par de puntos mediante el uso de un semivariograma o variograma el cual permite percibir el nivel de similitud que existe entre �stos a medida que se encuentran m�s alejados (Gallardo, 2006). El c�lculo de la varianza entre pares de puntos separados por intervalos de distancia se conoce como semivarianza (?), el cual se representa con: ?? ?? ?? ?? ?? ?? ?? ?? ?? ??2 2 1 ?? ?? ?? ?? h x x h ?? h N Z Z 3) muestras separado por el intervalo de distancia, respectivamente, ambos se encuentran separados por una distancia h . (x) Z = valor de la muestra en una localizaci�n x (x h) Z + = valor de la muestra a la distancia h desde x. Otra t�cnica considerada es la de co-kriging la cual es una extensi�n natural del kriging y permite mejorar la estimaci�n de una variable principal con pocos puntos usando una variable secundaria con mayor cantidad de informaci�n y que adem�s est� correlacionada con la principal. De esta forma puede construirse un semivariograma o variograma cruzado el cual representa la varianza de una variable con respecto a la otra y la informaci�n que se obtenga de este puede usarse para la predicci�n de la variable principal. Por �ltimo, el m�todo thin plate smoothing spline (TPSS) se encuentra enfocado hacia aplicaciones climatol�gicas mediante el c�lculo de estimaciones; considera la dependencia espacial de la topograf�a proporcionando la estimaci�n directa del error de interpolaci�n y el diagn�stico efi caz de errores de los datos (Hutchinson y Gessler 1994). El modelo estad�stico para este m�todo considerando dos variables de posici�n independiente (latitud y longitud) y dependencia lineal de elevaci�n es como se expresa a continuaci�n: ?? ?? ???? ?? ?? ?? p j qi f xi yi i ij i 1 , ???? ?? 4) donde: ( ) i i f x , y = funci�n de ajuste desconocida j � = conjunto de par�metros desconocidos i i ij x , y ,? = variables independientes i e = error aleatorio independiente con media cero y varianza s 2 i d i d = pesos desconocidos. La funci�n de ajuste f y los par�metros j � son estimados minimizando: q f ??x y ?? d m ?? f ?? n i i p j ?? i i i ?? j ij J ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? 1 2 1 , ?? ?? ?? 5) donde: ? (h) y (h) N = semivarianza para todas las muestras localizadas en el espacio y el n�mero total de pares de