A proposal for a fuzzy climate classification index for Colombia

• Juan Guillermo Popayán Hernández ^[1] ; Osnamir Elías Bru-Cordero ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Scientia et Technica, ISSN 0122-1701, Vol. 30, Nº. 3, 2025
• Idioma: inglés
• Títulos paralelos:
  • Una propuesta de un índice difuso de clasificación climática para Colombia
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este estudio se desarrolló un índice de clasificación climática basado en lógica difusa para Colombia, integrando variables hidroclimáticas, de calidad del aire y topográficas mediante una metodología de tres fases. En la Fase 1 (2010-2022), se adquirieron y procesaron datos multifuente de precipitación (600-8000 mm/año), temperatura (14-32°C), humedad (28-95%), PM₂.₅ (6-35 µg/m³) y NO₂ (10-60 ppb) utilizando el portal DHIME del IDEAM y productos NASA Giovanni, con interpolación controlada por calidad. La Fase 2 implementó un sistema de inferencia difusa tipo Mamdani en FisPro, creando 127 reglas "Si-Entonces" mediante análisis de correlación no lineal (Spearman >0.65) y conocimiento experto, utilizando operadores MIN-MAX y ponderaciones adaptativas (coeficientes de 0.3 para zonas rurales y 0.5 urbanas). La Fase 3 de implementación geoespacial alcanzó un 92.3% de precisión en validación cruzada (MAE=1.2, RMSE=1.8), generando mapas de vulnerabilidad (escala 0-10) mediante procesamiento en QGIS. Los resultados revelaron extrema variabilidad climática: gradientes de precipitación (600 mm/año en Riohacha hasta 8000 mm en Quibdó), islas de calor urbanas (Neiva 30°C vs. Bogotá 16°C) y focos de contaminación (Barranquilla 30 µg/m³ de PM₂.₅ vs. Leticia 6 µg/m³). El índice difuso superó métodos tradicionales (Köppen, Thornthwaite) al capturar interacciones no lineales, mostrando reducciones del 15% en rendimientos agrícolas en zonas con alto NO₂ e identificando umbrales de vulnerabilidad para brotes de roya en café (>80% humedad) y estrés térmico urbano (85% HR = 41°C de sensación térmica). La estructura adaptativa del modelo abordó efectivamente la heterogeneidad climática colombiana superando limitaciones de clasificaciones rígidas, proporcionando una herramienta robusta para evaluación de riesgos climáticos bajo escenarios de cambio antropogénico, aunque futuros trabajos deberían incorporar datos de contaminación de mayor resolución para reducir el 15% de incertidumbre en zonas industriales.

  • English

    This study developed a fuzzy logic-based climate classification index for Colombia, integrating hydroclimatic, air quality, and topographic variables through a three-phase methodology. In Phase 1 (2010-2022), multisource data acquisition processed precipitation (600-8000 mm/year), temperature (14-32°C), humidity (28-95%), PM₂.₅ (6-35 μg/m³), and NO₂ (10-60 ppb) using IDEAM's DHIME portal and NASA Giovanni products, with quality-controlled interpolation. Phase 2 implemented a Mamdani-type fuzzy inference system in FisPro, creating 127 "If-Then" rules through nonlinear correlation analysis (Spearman >0.65) and expert knowledge, using MIN-MAX operators and adaptive weights (0.3 rural/0.5 urban pollution coefficients). Phase 3 geospatial implementation achieved 92.3% cross-validation accuracy (MAE=1.2, RMSE=1.8), generating vulnerability maps (0-10 scale) through QGIS processing. Results revealed extreme climate variability: precipitation gradients (600 mm/year in Riohacha to 8000 mm in Quibdó), urban heat islands (Neiva 30°C vs. Bogotá 16°C), and pollution hotspots (Barranquilla 30 μg/m³ PM₂.₅ vs. Leticia 6 μg/m³). The fuzzy index outperformed traditional methods (Köppen, Thornthwaite) by capturing nonlinear interactions, showing 15% agricultural yield reductions in high-NO₂ zones and identifying vulnerability thresholds for coffee rust outbreaks (>80% humidity) and urban heat stress (85% RH = 41°C felt temperature). The model's adaptive structure effectively addressed Colombia's climatic heterogeneity while overcoming rigid classification limitations, providing a robust tool for climate risk assessment under anthropogenic change scenarios, though future work should incorporate higher-resolution pollution data to reduce the 15% uncertainty in industrial zones.