Elaboración de la cartografía climática de temperaturas y precipitación mediante redes neuronales artificiales : caso de estudio en la Región del Libertador Bernardo O"Higgins

Abstract

La cartografía climática es de interés científico, económico y ambiental. En el caso de Chile, actualmente se encuentra dispersa, en escala inapropiada o no disponible en formato digital. Esta se ha generado a partir de diferentes áreas, y elaborado tradicionalmente mediante la interpolación de datos de estaciones meteorológicas, usando métodos lineales o trazado experto de isolíneas. Los métodos lineales están limitados debido a su naturaleza (Lam, 1983; Dowd, 1994), en cambio el trazado isolíneas se ve limitado por el conocimiento de la zona. Actualmente las Redes Neuronales Artificiales (RNA) buscan superar estas limitaciones, y poseen la ventaja de ser funciones no lineales con capacidad de aprendizaje. Este estudio es sobre la elaboración de cartografía climática de temperatura media mensual (TMM) y precipitación media mensual (PMM) de la Región del Libertador General Bernardo O’Higgins, mediante el uso de RNA. Para este fin se hizo usó de información de TMM y PMM de estaciones meteorológicas, la que se complementó con información fisiográfica (Latitud, Longitud, Altitud, Exposición, Pendiente, Vegetación, Distancia de la costa). Esto sirvió de insumo para los modelos topoclimáticos mensuales de RNA multicapa del tipo “feed-forward”. Cada mes contó con tres modelos, diferenciados en la cantidad variables usadas. El primer escenario descartó variables mediante análisis stepwise, dejando aquellas que fueron significativas para elaborar modelos mensuales (SimSTEP). El segundo usó todas las variables fisiográficas (SimE7), y el tercero sólo tomó en cuenta latitud, longitud y altitud (SimE3). Posteriormente estos modelos fueron comparados con un modelo global (WorldClim). Los tres modelos, mostraron una alta correlación con los datos de estaciones meteorológicas (R2 entre 70% y 92%), dando cuenta de una buena habilidad de generalización (R2 de 70% en promedio para el subgrupo de validación). La espacialización de los datos mostró una estrecha relación de las variables de entrada y la representación cartográfica, y la distribución espacial de las estaciones. Al comparar con WorldClim, SimE3 mostró una mayor similitud visual y numérica. Las RNA son una herramienta útil para estudios ambientales. Pero al igual que otro tipo de modelos se ven limitados por los datos, en este caso la baja densidad de estaciones fue relevante en la representación cartográfica.

Climate Mapping has scientific, economic and environmental relevance. In Chile, the information is currently scattered, in inappropriate scale or not available in digital. Usually generated from different areas, and traditionally made by interpolating weather data by linear methods or expert knowledge. The linear methods are limited due to his nature (Lam, 1983; Dowd, 1994); and expert contours are limited by the knowledge of the area. Currently Artificial Neural Networks (ANN) tries to overcome these limitations, have the advantage of being nonlinear functions with learning ability. This study is about climate mapping monthly mean temperature and precipitation (MMT and MMP) in the Region of Libertador General Bernardo O'Higgins, using ANN. MMT and MMP Information was gathered from meteorological stations and completed with physiographic data (latitude, longitude, altitude, exposure, slope, vegetation, coast distance). This information was used as input for monthly models of topoclimate ANN multilayer feed-forward. Each month had three models, with different variables. The first model discriminate significant variables using a stepwise analysis (SimSTEP), second model used all physiographic variables (SimE7), and the third model used latitude, longitude and altitude (SimE3). These models were compared with a global model (WorldClim). These models showed high correlation with the weather stations data (R2 between 70% and 92%), and good generalization ability (R2 over 70% average in validation subgroup). Spatialized data showed close relationship with input variables and cartographic representation and the station spatial distribution. These models were compared with Worldclim, SimE3 showed a visual and numerical the best similarity. ANNs area useful tool for environmental and interpolation studies. However like other models are limited by the data density, in this case the low density of stations in the study area.