Abstract | dc.description.abstract | La Puna Chileno-Argentina se caracteriza por su topografía compleja, la presencia de diversas especies de flora y fauna endémica, y, en términos industriales, la presencia de grandes yacimientos de litio como, por ejemplo, los salares de Atacama (Chile) y Hombre Muerto (Argentina). La actividad industrial en la zona demanda estudio vinculados a la disponibilidad hídrica para efectos de la estimación de la recarga histórica y futura y, asimismo, precipitaciones máximas para el análisis de crecidas pluviales y vulnerabilidad de la infraestructura emplazada en las faenas. No obstante, la escasez de información meteorológica en la zona es un problema que no se ha abordado a partir de un enfoque orientado a caracterizar los patrones de variabilidad climática local.
El presente estudio aborda el desarrollo de un producto grillado diario y una resolución espacial de 0,05° x 0,05°, de base observacional de precipitaciones y temperaturas en la Puna Chile-Argentina, denominado RFPUNA, con el objetivo de abordar el problema de escasez de mediciones meteorológicas in-situ. Para ello, se aplica el método de Machine Learning conocido como Random Forest, el cual es configurado con diversos predictores como, por ejemplo, las características fisiográficas del área de estudio. Además, se explora una versión estocástica a través de la implementación del algoritmo estadístico Bluecat.
La revisión de los productos meteorológicos grillados disponibles en la zona de estudio muestra que IMERG y ERA5 presentan, en general, el mejor desempeño cuando se contrasta con las observaciones de precipitación y temperatura respectivamente, en el periodo entre 2007 y 2017. Lo anterior se refleja en métricas como KGE’ (0,05 y 0,62), RMSE (2,13 [mm] y 2,59[°C]), coeficiente de correlación de Pearson (0,18 y 0,89) aplicadas a IMERG y ERA5 a escala diaria respectivamente.
Los resultados muestran que el producto grillado propuesto logra buenos valores de precipitación y temperatura para KGE’ (0,25 y 0,78), RMSE (1,60 [mm] y 2,68 [°C]) y correlación (0,44 y 0,93) a escala diaria respectivamente. Los resultados indican una mejora notable de la precisión en las estimaciones de precipitación, lo que es vital para la planificación y gestión estratégica de los recursos naturales y la mitigación del impacto ambiental de la minería del litio. No obstante, las estimaciones de temperatura no han logrado superar a las predicciones de ERA5 ni CHELSA, abriendo la discusión sobre la aplicación de Random Forest para esta variable climática. De igual forma, la aplicación de Bluecat entrega la posibilidad de elaborar un inédito producto grillado probabilístico en la zona de la Puna Chile - Argentina.
Finalmente, el presente estudio desarrolla un producto de precipitación con un mayor rendimiento en la estimación de precipitaciones respecto de los productos globales estudiados. Esto permitiría una mayor comprensión de la distribución espacial y temporal de las precipitaciones en el área de estudio, pudiendo estimar con mayor precisión los caudales superficiales y subterráneos, lo que abre múltiples oportunidades de mejoras en aplicaciones hidrológicas relacionadas a precipitación y caudales, como la configuración de diversos modelos hidrológicos que capturen con mayor precisión la disponibilidad y la distribución espacial y temporal del recurso hídrico. | es_ES |