Resumen de Relleno de series de precipitación diaria para largos periodos de tiempo en zonas de llanura. Caso de estudio cuenca superior del arroyo del azul

Cristian Guevara, Ninoska Briceño, Erik Zimmermann, Luis Vives, Martín Blanco Criado, Georgina Cazenave, María Guadalupe Ares

• español

  El relleno de datos faltantes de precipitación diaria es un problema común en los estudios hidrológicos. El objetivo de este artículo es realizar una comparación y una evaluación de diferentes métodos que permiten rellenar los datos de precipitación diaria faltante para largos periodos en zona de llanura. Este estudio se realiza en la cuenca superior del arroyo del Azul para periodo de nueve años (2006-2014) y se emplean tres estaciones que tienen 3287 datos completos de precipitación diaria y seis estaciones con datos faltantes. Se implementaron siete métodos para el relleno de datos diarios de precipitación: el método de regresión lineal (MRL), el método de razones de distancia (MRD), el método de coeficientes de correlación con estaciones vecinas (MRC), el método de la razón promedio (MRP), método del inverso de la distancia al cuadrado (MIDW), seguido del método de cadenas de Márkov (MKV) y por último el método redes neuronales (MRN). Para la comparación y análisis de las diferentes metodologías se aplicaron diferentes estadísticos y gráficas temporales las cuales miden el ajuste de los datos calculados. Las redes probabilísticas y neuronales son los métodos más adecuados para rellenar datos en zonas de llanura. Los métodos que se aplicaron en el estudio obtuvieron un mejor ajuste en la época de otoño-invierno con menores precipitaciones, en comparación con el periodo primavera-verano en donde se obtuvieron ajustes más bajos debido a que en estas épocas se presentan tormentas convectivas con intensidades muy altas de precipitación.

• English

  The filling of missing daily precipitation data is a common problem in hydrological studies. The aim of this article is to make a comparison and evaluation of different methods to fill in missing daily rainfall data for long periods in plain areas. This study is carried out in the upper basin of the Azul stream for a period of nine years (2006-2014) and three stations that have 3287 complete data of daily precipitation and six stations with incomplete data are used. Seven methods were implemented for the filling of daily rainfall data: the linear regression method (MRL), the distance reasons method (MRD), the coefficients correlation method with neighboring stations (MRC) average reason method (MRP), the reasons distance method (MRD), the inverse distance weighted method (MIDW), following Markov chain method (MKV) and finally neural networks method (MRN). For the comparison and analysis of the different methodologies, different statistics and temporal graphs were applied, which measure the adjustment of the calculated data. Probabilistic and neural networks are the most suitable methods to fill data in plain areas. The methods applied in the study obtained a better adjustment in the autumn-winter season with lower rainfall, compared to the spring-summer period where lower adjustments were obtained because to that in these times there are convective storms with very high rainfall intensities.