- -

Determinación de áreas hidroclimáticamente homogéneas. Una propuesta técnica

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Determinación de áreas hidroclimáticamente homogéneas. Una propuesta técnica

Show simple item record

Files in this item

dc.contributor.author De León Pérez, D. es_ES
dc.contributor.author Domínguez, E. es_ES
dc.date.accessioned 2021-04-30T10:56:25Z
dc.date.available 2021-04-30T10:56:25Z
dc.date.issued 2021-04-30
dc.identifier.issn 1134-2196
dc.identifier.uri http://hdl.handle.net/10251/165813
dc.description.abstract [EN] Different hydroclimatology researchers apply eigenvectors-based techniques to compress large volumes of information while preserving the invariant structure of the original data. This research developed a methodology applying one of these techniques, Principal Component Analysis, on the elements of variability in hydroclimatic time series, and then to identify clusters with the “k-means” method. The result is a regionalized map by variable. Finally, these maps are intersected, obtaining areas with a homogeneous hydroclimatic structure, because the variables have similarity in their variance structure. In the case study, 8 variables were evaluated for Colombia (9268 time series), obtaining as a result 26 hydroclimatic regions. Obtaining hydroclimatically homogeneous regions offers the possibility of generating, among others, projects for climate change adaptation in a localized way to provide quasi-specific solutions that maximize results. es_ES
dc.description.abstract [ES] Diferentes investigadores en hidroclimatología aplican técnicas basadas en autovectores para comprimir grandes volúmenes de información mientras conservan la estructura invariante de los datos originales. La presente investigación desarrolló una metodología que aplica una de estas técnicas, Análisis de Componentes Principales, a los elementos de variabilidad en series de tiempo hidroclimáticas y luego se identifican grupos o clústers mediante el método “k-means”. El resultado es un mapa regionalizado por variable. Finalmente se hace la intersección de estos mapas y obteniéndose áreas que presentan una estructura hidroclimática homogénea debido que las variables comparten su estructura de varianza. En el caso de estudio se evaluaron 8 variables para Colombia (9268 series de tiempo), obteniendo como resultado 26 regiones hidroclimáticas. Obtener regiones hidroclimáticamente homogéneas brinda la posibilidad de generar, entre otros, proyectos de adaptación al cambio climático de forma localizada con el fin de dar soluciones cuasi particulares que maximicen los resultados.  es_ES
dc.description.sponsorship A la Gobernación del Magdalena y a COLCIENCIAS por seleccionar al ing. David De León Pérez como beneficiario de una beca-crédito condonable mediante la convocatoria 672 de COLCIENCIAS “Formación de capital humano de alto nivel para el departamento del Magdalena 2014” (Maestría Nacional). Al equipo del Taller S-Multistor que brindó su apoyo en medio de la Cooperación Programática entre la Dirección General de Cooperación Internacional (DGIS) del Ministerio de Asuntos Exteriores de los Países Bajos e IHE Delft, a través de la participación de la Facultad de Estudios Ambientales y Rurales de la Pontificia Universidad Javeriana (Bogotá, Colombia). es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Ingeniería del agua es_ES
dc.rights Reconocimiento - No comercial - Compartir igual (by-nc-sa) es_ES
dc.subject Hydroclimatic regionalization es_ES
dc.subject Homogenous areas es_ES
dc.subject Hydroclimatology es_ES
dc.subject Climatology es_ES
dc.subject Hydroclimatic variability es_ES
dc.subject Time series es_ES
dc.subject Principal components analysis es_ES
dc.subject Regionalización hidroclimática es_ES
dc.subject Áreas homogéneas es_ES
dc.subject Hidroclimatología es_ES
dc.subject Climatología es_ES
dc.subject Variabilidad hidroclimática es_ES
dc.subject Series de tiempo es_ES
dc.subject Análisis de componentes principales es_ES
dc.title Determinación de áreas hidroclimáticamente homogéneas. Una propuesta técnica es_ES
dc.title.alternative Determination of hydroclimatically homogeneous areas. A technical proposal es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/ia.2021.14659
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation De León Pérez, D.; Domínguez, E. (2021). Determinación de áreas hidroclimáticamente homogéneas. Una propuesta técnica. Ingeniería del agua. 25(2):97-114. https://doi.org/10.4995/ia.2021.14659 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/ia.2021.14659 es_ES
dc.description.upvformatpinicio 97 es_ES
dc.description.upvformatpfin 114 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 25 es_ES
dc.description.issue 2 es_ES
dc.identifier.eissn 1886-4996
dc.relation.pasarela OJS\14659 es_ES
dc.description.references Abadi, A.M., Rowe, C.M., Andrade, M. 2019. Climate regionalization in Bolivia: A combination of non-hierarchical and consensus clustering analyses based on precipitation and temperature. International Journal of Climatology, 40(10), 4408-4421. https://doi.org/10.1002/joc.6464 es_ES
dc.description.references Aliaga, V.S., Ferrelli, F., Piccolo, M.C. 2017. Regionalization of climate over the Argentine Pampas. International Journal of Climatology, 37(S1), 1237-1247. https://doi.org/10.1002/joc.5079 es_ES
dc.description.references Arthur, D., Vassilvitskii, S. 2007. k-means++: The advantages of careful seeding. In: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics, pp. 1027-1035. https://dl.acm.org/doi/10.5555/1283383.1283494 es_ES
dc.description.references Badr, H., Zaitchik, B.F., Dezfuli, A.K. 2015. A tool for hierarchical climate regionalization. Earth Science Informatics, 8, 945-958. https://doi.org/10.1007/s12145-015-0221-7 es_ES
dc.description.references Bradley, J. 1968. Distribution-Free Statistical Tests. Prentice-Hall, Englewood Cliffs, NJ, 283-310. es_ES
dc.description.references Coulibaly, P., Evora, N.D. 2005. Comparison of neural network methods for infilling missing daily weather records. Journal of Hydrogy, 341 (1-2), 27-41. https://doi.org/10.1016/j.jhydrol.2007.04.020 es_ES
dc.description.references De Gooijer, J. 2017. Elements of Nonlinear Time Series Analysis and Forecasting. Springer Series in Statistics. Springer International Publishing. https://doi.org/10.1007/978-3-319-43252-6 es_ES
dc.description.references De León Pérez, D. 2017. Análisis de sincronización espacio-temporal de señales océano-atmosféricas y variables hidroclimatológicas de Colombia. Tesis de maestría, Facultad de Ingeniería, Pontificia Universidad Javeriana. http://hdl.handle.net/10554/35731. es_ES
dc.description.references Dingman, S.L. 2015. Physical Hydrology: Third Edition. Waveland Press. https://www.waveland.com/browse.php?t=382 es_ES
dc.description.references Domínguez, E., Angarita, H., Rivera, H. 2010. Viabilidad para pronósticos hidrológicos de niveles diarios, semanales y decadales en Colombia. Ingeniería e investigación, 30(2), 178-187. Disponible en http://www.scielo.org.co/pdf/iei/v30n2/v30n2a18.pdf. Último acceso: marzo de 2021. es_ES
dc.description.references Dubois, P., Hinsen, K., Hugunin, J. 1996. Numerical python. Computers in Physics, 10(3), 262. https://doi.org/10.1063/1.4822400 es_ES
dc.description.references Environmental Systems Research Institute (ESRI). 2015. Arcgis for desktop. http://www.esri.com es_ES
dc.description.references Fedorov, V. 2015. Spatial and temporal variations in solar climate of earth in the present epoch. Izvestiya, Atmospheric and Oceanic Physics, 51(8), 779-791. https://doi.org/10.1134/S0001433815080034 es_ES
dc.description.references Gómez Lende, S. 2011. Región y regionalización: Su teoría y su método. El nuevo orden espacial del territorio argentino. Universidad del Bío-Bío, 26, 83-122. http://www.ubiobio.cl/miweb/webfile/media/222/Tiempo/2011/%2327.05.pdf es_ES
dc.description.references Govindaraju, R.S., 2000. Artificial neural networks in hydrology. ii: Hydrologic applications. Journal of Hydrologic Engineering, 5(2), 124-137. https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(124) es_ES
dc.description.references Grubbs, F.E. 1950. Sample criteria for testing outlying observations. Annals of Mathematical Statistics, 21(1), 27-58. https://doi.org/10.1214/aoms/1177729885 es_ES
dc.description.references Haan, C. 1977. Statistical Methods in Hydrology. Iowa State University Press. http://hdl.handle.net/1969.3/24532 es_ES
dc.description.references Hannachi, A. 2004. A primer for eof analysis of climate data. Department of Meteorology, University of Reading, 1-33. es_ES
dc.description.references HIMAT. 1978. Resolución 00337, por el cual se adopta un sistema de codificación para las estaciones hidrometeorológicas. Instituto Colombiano de Hidrología, Meteorología y Adecuación de Tierras, Bogotá, Colombia. es_ES
dc.description.references Hotellin, H. 1933. Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24, 417-441. https://doi.org/10.1037/h0071325 es_ES
dc.description.references Hunter, J.D. 2007. Matplotlib: A 2d graphics environment. Computing In Science & Engineering, 9(3), 90-95. https://doi.org/10.1109/MCSE.2007.55 es_ES
dc.description.references IDEAM. 2001. El medio ambiente en Colombia, 2nd Edición. Instituto de Hidrología, Meteorología y Estudios Ambientales, IDEAM, Bogotá D.C., Colombia. http://www.ideam.gov.co es_ES
dc.description.references IPCC, Stocker, T., Qin, D., Plattner, G.K., Tignor, M., Allen, S., Boschung, J., Nauels, A., Xia, Y., Bex, V., Midgley, P. 2013. Annex III: Glossary. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, book section AIII, p. 1447-1466. https://www.climatechange2013.org es_ES
dc.description.references Jones, E., Oliphant, T., Peterson, P., et al. 2001. SciPy: Open source scientific tools for Python. http://www.scipy.org/ es_ES
dc.description.references Leland, C., Pederson, N., Hessl, A.m Nachin, D, Davi, N., D'Arrigo, R., Jacoby, G., 2013. Climate regionalization in Bolivia: A combination of non-hierarchical and consensus clustering analyses based on precipitation and temperature. Dendrochronologia, 31(3), 205-215. https://doi.org/10.1016/j.dendro.2012.11.003 es_ES
dc.description.references León, G., Zea, J., Eslava, J. 2000. Circulación general del trópico y la zona de confluencia intertropical en Colombia. Meteorología Colombiana, 1, 31-38. http://168.176.14.11/fileadmin/content/geociencias/revista_meteorologia_colombiana/numero01/01_05.pdf es_ES
dc.description.references Leys, C., Ley, C., Klein, O., Bernard, P., Licata, L. 2013. Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of Experimental Social Psychology, 49(4), 764-766. https://doi.org/10.1016/j.jesp.2013.03.013 es_ES
dc.description.references Lorenz, E.N. 1970. Climatic change as a mathematical problem. Journal of Applied Meteorology, 9(3), 325-329. https://doi.org/10.1175/1520-0450(1970)009%3C0325:CCAAMP%3E2.0.CO;2 es_ES
dc.description.references MADS. 2012. Decreto 1640, por medio del cual se reglamenta los instrumentos para la planificación ordenación y manejo de las cuencas hidrográficas y acuíferos, y se dictan otras disposiciones. Ministerio de Ambiente y Desarrollo Sostenible, Bogotá, Colombia. Disponible en https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49987 es_ES
dc.description.references Malcolm, G.A., McDonnell, J.J. 2005. Encyclopedia of hydrological science. John Wiley & Sons Ltd. https://doi.org/10.1002/0470848944 es_ES
dc.description.references McKinney, W. 2010. Pandas: a foundational python library for data analysis and statistics. Python for High Performance and Scientific Computing, 14(9), 1-9. es_ES
dc.description.references Mesa, O.J., Poveda, G., Carvajal, L. 1997. Introducción al clima de Colombia. Universidad Nacional de Colombia. es_ES
dc.description.references Montgomery, D., Jennings, C., Kulahci, M. 2015. Introduction to Time Series Analysis and Forecasting. Wiley Series in Probability and Statistics. Wiley. https://onlinelibrary.wiley.com/doi/abs/10.1111/jtsa.12203 es_ES
dc.description.references Montoya Gaviria, G. d. J. 2008. Lecciones de meteorología dinámica y modelamiento atmosférico. Universidad Nacional de Colombia. Facultad de Ciencias. http://ciencias.bogota.unal.edu.co/fileadmin/Facultad_de_Ciencias/Publicaciones/Archivos_Libros/Libros_Geociencias/Lecciones_de_Meteorologia_dinamica/Metereologia.pdf es_ES
dc.description.references Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duch- esnay, E. 2011. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, Microtome Publishing. hal-00650905v1. Disponible en https://hal.inria.fr/hal-00650905v1. Último acceso: marzo de 2021. es_ES
dc.description.references Poveda, G. 2004. La Hidroclimatología de Colombia: Una síntesis desde la escala inter-decadal hasta la escala diurna. Revista de la Academia Colombiana de Ciencias, 28(107), 201-222. Disponible en https://www.accefyn.com/revista/Vol_28/107/201-222.pdf. es_ES
dc.description.references Último acceso: marzo de 2021. es_ES
dc.description.references Poveda, G., Jaramillo, A., Mantilla, R. 2001. Asociación entre el fenómeno el niño y las anomalías de humedad del suelo y del índice "ndvi" en colombia. In: IX Congreso Latinoamericano e Ibérico de Meteorología y VIII Congreso Argentino de Meteorología. p. 8. es_ES
dc.description.references http://www.accefyn.com/revista/Vol_28/107/201-222.pdf es_ES
dc.description.references Poveda, G., Mesa, O.J. 1997. Feedbacks between hydrological processes in tropical south america and large-scale ocean-atmospheric phenomena. Journal of Climate, 10(10), 2690-2702. https://doi.org/10.1175/1520-0442(1997)010%3C2690:FBHPIT%3E2.0.CO;2 es_ES
dc.description.references Python Core Team. 2017. Python: A dynamic, open source programming language. https://www.python.org/. es_ES
dc.description.references R Core Team. 2017. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/ es_ES
dc.description.references Rossum, G. 1995. Python reference manual. Tech. rep., CWI (Centre for Mathematics and Computer Science), Amsterdam, The Netherlands, The Netherlands. es_ES
dc.description.references Samarasinghe, S. 2016. Neural networks for applied sciences and engineering: from fundamentals to complex pattern recognition. CRC Press. 25, 33 es_ES
dc.description.references Velasco, A. 2016. Integración del concepto de variabilidad hidroclimática en pronósticos hidrológicos de largo plazo de resolución mensual en Colombia. Tesis de maestría, Facultad de Ingeniería, Pontificia Universidad Javeriana. http://hdl.handle.net/10554/19628 es_ES
dc.description.references Ward, J.H., Marion, JR. 1963. Application of an Hierarchical Grouping Procedure to a Problem of Grouping Profiles. Educational and Psychological Measurement, 23(1), 69-81. https://doi.org/10.1177/001316446302300107 es_ES
dc.description.references White, D., Richman, M., Yarnal, B. 1991. Climate regionalization and rotation of principal components. International Journal of Climatology, 11(1), 1-25. http://doi.org/10.1002/joc.3370110102 es_ES
dc.description.references WMO. 1994. Guía de prácticas hidrológicas: adquisición y proceso de datos, análisis, predicción y otras aplicaciones. Organización Meteorológica Mundial. http://www.whycos.org/hwrp/guide/index_es.php es_ES


This item appears in the following Collection(s)

Show simple item record