Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia

La presente investigación propone una metodología para obtener mapas de precipitaciones mensuales, a partir del modelamiento geoestadístico de la relación entre la precipitación y el Índice de Vegetación Diferencial Normalizado (NDVI - Normalized Difference Vegetation Index) en una región de la Cord...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Samudio Pulido, Diego Felipe
Otros Autores: Vásquez, Javier
Formato: Tesis Tesis de maestria
Lenguaje:Español
Publicado: 2020
Materias:
Geofísica
Simulación
Precipitaciones
Modelado geoestadístico
Mapas
Colombia
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/114168
https://doi.org/10.35537/10915/114168
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-114168
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Geofísica
Simulación
Precipitaciones
Modelado geoestadístico
Mapas
Colombia
spellingShingle Geofísica
Simulación
Precipitaciones
Modelado geoestadístico
Mapas
Colombia
Samudio Pulido, Diego Felipe
Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia
topic_facet Geofísica
Simulación
Precipitaciones
Modelado geoestadístico
Mapas
Colombia
author2 Vásquez, Javier
author_facet Vásquez, Javier
Samudio Pulido, Diego Felipe
format Tesis
Tesis de maestria
author Samudio Pulido, Diego Felipe
author_sort Samudio Pulido, Diego Felipe
title Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia
title_short Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia
title_full Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia
title_fullStr Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia
title_full_unstemmed Cosimulación Geoestadística: Aplicación a la Generación de Mapas de Precipitaciones en una Región Modelo de Colombia
title_sort cosimulación geoestadística: aplicación a la generación de mapas de precipitaciones en una región modelo de colombia
publishDate 2020
url http://sedici.unlp.edu.ar/handle/10915/114168
https://doi.org/10.35537/10915/114168
work_keys_str_mv AT samudiopulidodiegofelipe cosimulaciongeoestadisticaaplicacionalageneraciondemapasdeprecipitacionesenunaregionmodelodecolombia
bdutipo_str Repositorios
_version_ 1764820445916299265
description La presente investigación propone una metodología para obtener mapas de precipitaciones mensuales, a partir del modelamiento geoestadístico de la relación entre la precipitación y el Índice de Vegetación Diferencial Normalizado (NDVI - Normalized Difference Vegetation Index) en una región de la Cordillera Oriental de Los Andes, ubicada principalmente sobre el Altiplano Cundiboyacense en Colombia. Utilizando datos de precipitaciones mensuales para el periodo comprendido entre marzo y octubre de 2016, los cuales fueron medidos en 56 estaciones meteorológicas del Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia (IDEAM), y productos satelitales MODIS (Moderate-Resolution Imaging Spectroradiometer) enfocados al estudio de índices de vegetación (MODIS VI Products), se aplicó la técnica geoestadística de Co-Simulaciones Secuenciales Gaussianas (Sequential Gaussian Co-Simulation - CO-SGSim). La precipitación, conocida únicamente en las ubicaciones de las estaciones meteorológicas dispersas en la zona de estudio, constituye la variable principal o "hard data". Por otra parte, el NDVI, que se conoce en cualquier lugar de la zona donde la vegetación terrestre predomina como cobertura de terreno, representa la variable secundaria o "soft data", y dado que cada pixel de una imagen equivale a una medición, su densidad de muestreo es alta. El método de Co-Simulaciones Secuenciales Gaussianas permite simular espacialmente valores de una variable con información escasa, a partir de su relación con otra variable que cuenta con información abundante. Durante la investigación se aplicaron diferentes técnicas de adquisición y tratamiento de información aplicables a los Sistemas de Información Geográfica (SIG) y el Procesamiento Digital de Imágenes (PDI), las cuales permitieron preparar los datos para su posterior enfoque geoestadístico. Los productos MODIS utilizados son los denominados MOD13A3 (sensor TERRA) y MYD13A3 (sensor AQUA) de la Colección 6 del catálogo MODIS VI, dichos productos se componen de archivos raster de NDVI mensual con resolución espacial de un kilómetro. Dentro de su procesamiento, se realizaron actividades de reproyección y ajuste de extensión con la herramienta MODIS Reprojection Tools (MRT), y extracción de los parámetros de calidad MODLAND QA Bits, VI Usefulness, Possible Shadow y Land/Water Mask por medio de la descomposición de la banda VI Quality con rutinas ejecutadas en la herramienta LDOPE (Land Data Operational Products Evaluation). Además, con la herramienta Model Builder del software ArcGIS, se diseñó un flujo de procesamiento, en el que se aplicaron filtros basados en la información de calidad de cada imagen, con el objetivo de establecer valores de NDVI óptimos y libres de ruido espectral en cada uno de los meses. En dicho flujo, los parámetros de calidad mencionados, junto con la información de las bandas NDVI y Pixel Reliabillity fueron consideradas, evaluando la información raster mediante la aplicación de geoprocesos de álgebra de mapas. En la fase exploratoria de datos, se estudiaron medidas estadísticas de tendencia, forma y distribución, y se caracterizó la variabilidad espacial de ambas variables analizando la distribución geográfica, ubicación y concentración de valores en la región. Mientras en los diferentes meses la lluvia tuvo la constante de agrupamiento hacia valores bajos, que se localizaron principalmente en la zona centro y norte de la región de estudio, el NDVI, presentó agrupamientos hacia los valores altos, localizando los mayores valores en la zona sur y centro de la región. Con mapas de distribución de valores, fue notorio el hecho de que en zonas donde se presentaron valores altos para las precipitaciones también se presentaron valores altos para el NDVI, y lo mismo ocurrió, con los valores bajos y medios en cada uno de los meses. Los histogramas de ambas variables fueron transformados, logrando distribuciones estandarizadas, necesarias para el modelamiento de la variabilidad espacial en la etapa de análisis estructural y la posterior aplicación de simulaciones y co-simulaciones secuenciales gaussianas. En el software S-GEMS se obtuvieron variogramas muestrales omnidireccionales y en orientaciones de 0, 45, 90 y 135 grados, con los que se estableció que las lluvias presentan un comportamiento totalmente anisotrópico, y el NDVI un comportamiento isotrópico a escala local, y geométricamente anisotrópico a escala regional. Con estas consideraciones se realizaron ajustes a sentimiento de modelos teóricos de semivarianza para cada uno de los meses. Se definió una grilla de simulación con tamaño de celda acorde al tamaño de pixel, en la cual se espera, para poder completar la co-simulación, que todas las posiciones cuenten con valores de la variable secundaria, pero dado que en el proceso de filtrado se descartaron píxeles dependiendo de las condiciones de calidad, estas posiciones debieron completarse con procesos de Simulaciones Secuenciales Gaussianas (SGSim) aplicadas a la variable NDVI, donde se generaron 30 realizaciones por mes, que luego fueron promediadas. Finalmente, se procedió a ejecutar las co-simulaciones entre las precipitaciones y el resultado de la simulación del NDVI utilizando el método de Markov I, en el que se involucran el variograma de la variable principal y el coeficiente de correlación entre ambas variables. Con 50 realizaciones por mes y su respectivo promedio se obtuvieron mapas que densifican la lluvia en la región de estudio. Tales mapas tienen como característica que las heterogeneidades de los valores de la precipitación se resaltan, y que la distribución original de los datos anti-transformados se respeta replicando su histograma junto con sus propiedades estadísticas en el resultado de la co-simulación.

Ejemplares similares