Validación De La Precipitación

Validación De La Precipitación Trmm

==========

Validación y Corrección de la Precipitación Estimada por Satélite TRMM Usando Redes Neuronales Artificiales

Validation and Correction of TRMM Satellite Precipitation Estimated Using Artificial Neural Networks

EFRAIN LUJANO LAURA

elujano28@gmail.com.pe

RESUMEN

La investigación se realizó en la cuenca del río Huancané - Perú, con el objetivo de verificar la calidad de la información de las estimaciones de precipitación del satélite TRMM producto mensual 3B43 y proponer una metodología de corrección basado en Redes Neuronales Artificiales. Para el análisis de los datos se utilizó información de 07 estaciones meteorológicas del SENAMHI con información de precipitación del periodo 1998 – 2010, los cuales fueron comparados con las estaciones virtuales del TRMM con datos sin corregir y luego con los datos corregidos mediante RNA’s. Para la aplicación del modelo de RNA’s, en su etapa de entrenamiento y validación, se trabajó con el 70% y 30% del total de datos respectivamente con lo cual se verifica que el modelo de corrección propuesto mejora la bondad de ajuste entre la precipitación observada y las estimaciones del TRMM; evaluados a través del coeficiente de determinación, la raíz del error medio cuadrático y el BIAS; la significancia estadística de estos índices fue cuantificada aplicando el método bootstrap incorporado en el código FITEVAL. Los resultados obtenidos con el modelo de corrección de datos del TRMM indican mejoras significativas en relación a los datos originales sin corregir; así tenemos que a nivel puntual el coeficiente de determinación sube de 51% y 71% a 79% y 91%; el coeficiente de Nash sube de 15% y 68% a 80% y 91%, para el grupo de estaciones evaluadas. Seguidamente para completar este proceso se optó por realizar la interpolación espacial de los datos observados y del TRMM para la obtención de las series areales de precipitación, donde se obtiene también mejoras significativas en los indicadores de ajuste para los datos corregidos, así tenemos que el coeficiente de determinación sube de 73% a 93%; mientras que el coeficiente de eficiencia de Nash sube de 71% a 93%. Se concluye que las estimaciones de satélite del TRMM mediante una adecuada corrección se convierte en una valiosa alternativa para el monitoreo hidrometeorológico y modelización de la disponibilidad hídrica en cuencas pobremente instrumentadas.

Palabras Claves: Backpropagation, redes neuronales artificiales, TRMM,