Estimación de series temporales de lluvias diarias derivadas de datos satelitales

utilizando métodos no lineales

Dec

emb

er 1

,

201

4

R. Quiroz, A. Posadas, M. Carbajal, L. Duffaut, C. Barreda, B. Condori, F. De Mendiburu

Contenido

• Introducción• Breve descripción de dos herramientas

desarrolladas por CIP-CCAFS• Conclusiones

Agricultura y cambio climático• MCGs la única forma de predecir el clima

futuro y los modelos de procesos físico-biológicos (hidrológicos, cultivos, etc.) la forma de evaluar el impacto del CC

• Se requiere datos de clima de alta resolución espacial y de mediana a alta resolución temporal

• Para evaluar los MCGs se requiere data histórica de adecuadas resoluciones temporal y espacial

Limitada cobertura de estaciones meteorológicas

Fuente: WMO

Frecuencia de brechas en la data medida

1pixel ~ 50 km

SpatialResolution

1pixel ~ 3 km

Apurímac1pixel ~ 3 km1pixel ~ 3 km

Prov. AndahuaylasDist:•Pacobamba•Kishuara•Huancarama

1pixel ~ 300 m

Prov. AndahuaylasDist:•Kishuara•Huancarama

1 pixel ~ 15 m1pixel ~ 300 m 1pixel ~ 150 m

Source: Google Earth

1 pixel ~ 2 m

Resolución espacial

Herramientas desarrolladas en los Andes y probadas en Africa

Información tomada por satélites

TRMM 3B42 v7: Estimación grillada de lluvias

Resolución Espacial = 0.25 grados

Resolución temporal = 3 hours

Data existente = 1998 – 2014

NDVI

Satélite de observación terrestre

Data desde 1980s

Resolución espacial = 1 km

Resolución temporal útil = 10 d

La evidencia científica de los métodos

Pre-procesamiento de data NDVI• NDVI lag :

• transformación de NDVI :

Mapa de estimación de rezagos (NDVI lag) por pixel

Análisis Multi-resolución Basado en Wavelets: el proceso

Herramienta de análisis Multi-Resolución: Aplicación con datos TRMM

Estadísticas de las series de tiempo:

Gráficos de excedencia y bondad de ajuste:

Estadísticas y bondad de ajuste

Exceedance plots:

Quantile-Quantile plots:

Estadísticas y bondad de ajuste

Estación meteorológica de Ayaviri Periodo Octubre (1999)-Marzo(2000)

mm

/sem

ana

0

20

40

60

80

100

0

30

60

90

anus24 anus6 ndvi trmmo trmmc trmmdESTACION

% ERROR

mm

/ s

eman

a

0 5 10 15 20 25

0

20

40

60

80

100ESTACIONanus6NDVI

Estadísticas y bondad de ajuste

LINEAR REGRESSION

y = 1.0618x + 2.087R2 = 0.7491

0.0

10.0

20.0

30.0

40.0

50.0

60.0

70.0

0.0 10.0 20.0 30.0 40.0 50.0 60.0

Gauged Rainfall (mm)

Est

imat

ed R

ain

fall

(mm

)

Estimación de series de tiempo diarias: Etiopía

Rad Temp Water

Soil moisture

Trans

Evap Perc

FiETo

To

EoDry Matter growth

RootsTuber

sStems

Leaves

Leaf area

LUE

Part. Factor

SLA

Senesc.

SOLANUM Modelo de producción de

papa

Simplified scheme of daily crop growth

T/To

Estimación de rendimiento potencial y limitado por lluvias: Año húmedo

Estimación de rendimiento potencial y limitado por lluvias: Año seco

Conclusiones

• Los técnicas mostradas permiten estimar de una manera robusta la información climática diaria a resoluciones de 1 km, tanto en condiciones planas como de alta topografía

• Este tipo de información es crítico para la categorización de riesgos

• El uso de modelos de procesos como los modelos de cultivo permite evaluar los impactos potenciales y escenarios de medidas de adaptación

Natural Resources Management Division

http://inrm.cip.cgiar.org

Gracias

http://inrm.cip.cgiar.org

Programa de Intensificación de sistemas de Cultivos y

Cambio Climático