Series de Tiempo hidrológicas y meteorológicas estacionales
Autores: Achcar, Jorge Alberto; Andrade, Marinho G.; Cepeda Cuervo, Edilberto
Idioma: Inglés
Editor: Universidad Nacional de Colombia
Año: 2018
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Ciencias de la Tierra y Geología
Palabras clave
Series de tiempo hidrológicas
Series de tiempo meteorológicas
Modelos de regresión condicional
Análisis Bayesiano
Métodos MCMC
Licencia
CC BY – Atribución
Consultas: 167
Citaciones: Earth Sciences Research Journal (ESRJ) Vol. 22. No. 2
Los modelos de series de tiempo se usan a menudo en estudios de hidrología y meteorología para modelar series de flujos a fin de hacer pronósticos y generar series sintéticas que son insumos para el análisis de sistemas complejos de recursos hídricos. En este artículo presentamos un nuevo enfoque de modelado para series de tiempo hidrológicas y meteorológicas asumiendo una distribución continua para los datos, donde se modelan los parámetros tanto de la media condicional como de la varianza condicional. Métodos bayesianos estándares que usan MCMC (Markov Chain Monte Carlo) son usados para simular muestras de la distribución a posteriori conjunta de interés. Dos aplicaciones a conjuntos de datos reales ilustran la metodología propuesta, asumiendo que las observaciones provienen de una distribución normal, gamma o beta. Un primer ejemplo está dado por una serie temporal de promedios mensuales de los caudales naturales, medidos en el período anual que va de 1931 a 2010 en la presa hidroeléctrica de Furnas, Brasil. Un segundo ejemplo considera una serie temporal de 313 datos de humedad del aire medidos en una estación meteorológica de Río Claro, una ciudad brasileña ubicada en el sureste de Brasil. Estas aplicaciones nos motivan a introducir nuevas clases de modelos para analizar series de tiempo hidrológicas y meteorológicas.
1. INTRODUCCIÓN
Los modelos de series temporales se utilizan a menudo en los estudios de hidrología para modelar series de caudales con el fin de hacer predicciones y generar series sintéticas que son insumos para el análisis de sistemas complejos de recursos hídricos (véase, por ejemplo, Salas et al., 1980, 1982; Hosking, 1984; Hipel& McLeod, 1994; Montanari et al., 1997; Hasebe et al., 2000). En muchos estudios, los hidrólogos también utilizan datos de series temporales para mostrar la cantidad de lluvia caída en una región durante el último día, año o un período de 10 años (véase, por ejemplo, Guimaraes& Santos, 2011, y Lee & Lee, 2000).
La modelización de la variabilidad hidrológica es muy importante en la planificación y gestión de los recursos hídricos. Muchos aspectos del ciclo hidrológico pueden describirse mediante datos de series temporales. Los investigadores suelen utilizar los datos de las series temporales para evaluar los recursos de una cuenca hidrográfica. Las variables importantes relacionadas con los caudales y las cuencas hidrográficas describen las propiedades de los caudales, como los caudales mensuales o los parámetros de los caudales. Asumiendo un modelo de serie temporal especificado, normalmente podemos estimar los parámetros de los caudales utilizando un enfoque de inferencia clásico o bayesiano.
Descripción
Los modelos de series de tiempo se usan a menudo en estudios de hidrología y meteorología para modelar series de flujos a fin de hacer pronósticos y generar series sintéticas que son insumos para el análisis de sistemas complejos de recursos hídricos. En este artículo presentamos un nuevo enfoque de modelado para series de tiempo hidrológicas y meteorológicas asumiendo una distribución continua para los datos, donde se modelan los parámetros tanto de la media condicional como de la varianza condicional. Métodos bayesianos estándares que usan MCMC (Markov Chain Monte Carlo) son usados para simular muestras de la distribución a posteriori conjunta de interés. Dos aplicaciones a conjuntos de datos reales ilustran la metodología propuesta, asumiendo que las observaciones provienen de una distribución normal, gamma o beta. Un primer ejemplo está dado por una serie temporal de promedios mensuales de los caudales naturales, medidos en el período anual que va de 1931 a 2010 en la presa hidroeléctrica de Furnas, Brasil. Un segundo ejemplo considera una serie temporal de 313 datos de humedad del aire medidos en una estación meteorológica de Río Claro, una ciudad brasileña ubicada en el sureste de Brasil. Estas aplicaciones nos motivan a introducir nuevas clases de modelos para analizar series de tiempo hidrológicas y meteorológicas.
1. INTRODUCCIÓN
Los modelos de series temporales se utilizan a menudo en los estudios de hidrología para modelar series de caudales con el fin de hacer predicciones y generar series sintéticas que son insumos para el análisis de sistemas complejos de recursos hídricos (véase, por ejemplo, Salas et al., 1980, 1982; Hosking, 1984; Hipel& McLeod, 1994; Montanari et al., 1997; Hasebe et al., 2000). En muchos estudios, los hidrólogos también utilizan datos de series temporales para mostrar la cantidad de lluvia caída en una región durante el último día, año o un período de 10 años (véase, por ejemplo, Guimaraes& Santos, 2011, y Lee & Lee, 2000).
La modelización de la variabilidad hidrológica es muy importante en la planificación y gestión de los recursos hídricos. Muchos aspectos del ciclo hidrológico pueden describirse mediante datos de series temporales. Los investigadores suelen utilizar los datos de las series temporales para evaluar los recursos de una cuenca hidrográfica. Las variables importantes relacionadas con los caudales y las cuencas hidrográficas describen las propiedades de los caudales, como los caudales mensuales o los parámetros de los caudales. Asumiendo un modelo de serie temporal especificado, normalmente podemos estimar los parámetros de los caudales utilizando un enfoque de inferencia clásico o bayesiano.