Estimación de series temporales de lluvias diarias derivadas de datos satelitales utilizando...
-
Upload
international-potato-centercentro-internacional-de-la-papa -
Category
Science
-
view
395 -
download
5
Transcript of Estimación de series temporales de lluvias diarias derivadas de datos satelitales utilizando...
Estimación de series temporales de lluvias diarias derivadas de datos satelitales
utilizando métodos no lineales
Dec
emb
er 1
,
201
4
R. Quiroz, A. Posadas, M. Carbajal, L. Duffaut, C. Barreda, B. Condori, F. De Mendiburu
Contenido
• Introducción• Breve descripción de dos herramientas
desarrolladas por CIP-CCAFS• Conclusiones
Agricultura y cambio climático• MCGs la única forma de predecir el clima
futuro y los modelos de procesos físico-biológicos (hidrológicos, cultivos, etc.) la forma de evaluar el impacto del CC
• Se requiere datos de clima de alta resolución espacial y de mediana a alta resolución temporal
• Para evaluar los MCGs se requiere data histórica de adecuadas resoluciones temporal y espacial
Limitada cobertura de estaciones meteorológicas
Fuente: WMO
Frecuencia de brechas en la data medida
1pixel ~ 50 km
SpatialResolution
1pixel ~ 3 km
Apurímac1pixel ~ 3 km1pixel ~ 3 km
Prov. AndahuaylasDist:•Pacobamba•Kishuara•Huancarama
1pixel ~ 300 m
Prov. AndahuaylasDist:•Kishuara•Huancarama
1 pixel ~ 15 m1pixel ~ 300 m 1pixel ~ 150 m
Source: Google Earth
1 pixel ~ 2 m
Resolución espacial
Herramientas desarrolladas en los Andes y probadas en Africa
Información tomada por satélites
TRMM 3B42 v7: Estimación grillada de lluvias
Resolución Espacial = 0.25 grados
Resolución temporal = 3 hours
Data existente = 1998 – 2014
NDVI
Satélite de observación terrestre
Data desde 1980s
Resolución espacial = 1 km
Resolución temporal útil = 10 d
La evidencia científica de los métodos
Pre-procesamiento de data NDVI• NDVI lag :
• transformación de NDVI :
Mapa de estimación de rezagos (NDVI lag) por pixel
Análisis Multi-resolución Basado en Wavelets: el proceso
Herramienta de análisis Multi-Resolución: Aplicación con datos TRMM
Estadísticas de las series de tiempo:
Gráficos de excedencia y bondad de ajuste:
Estadísticas y bondad de ajuste
Exceedance plots:
Quantile-Quantile plots:
Estadísticas y bondad de ajuste
Estación meteorológica de Ayaviri Periodo Octubre (1999)-Marzo(2000)
mm
/sem
ana
0
20
40
60
80
100
0
30
60
90
anus24 anus6 ndvi trmmo trmmc trmmdESTACION
% ERROR
mm
/ s
eman
a
0 5 10 15 20 25
0
20
40
60
80
100ESTACIONanus6NDVI
Estadísticas y bondad de ajuste
LINEAR REGRESSION
y = 1.0618x + 2.087R2 = 0.7491
0.0
10.0
20.0
30.0
40.0
50.0
60.0
70.0
0.0 10.0 20.0 30.0 40.0 50.0 60.0
Gauged Rainfall (mm)
Est
imat
ed R
ain
fall
(mm
)
Estimación de series de tiempo diarias: Etiopía
Rad Temp Water
Soil moisture
Trans
Evap Perc
FiETo
To
EoDry Matter growth
RootsTuber
sStems
Leaves
Leaf area
LUE
Part. Factor
SLA
Senesc.
SOLANUM Modelo de producción de
papa
Simplified scheme of daily crop growth
T/To
Estimación de rendimiento potencial y limitado por lluvias: Año húmedo
Estimación de rendimiento potencial y limitado por lluvias: Año seco
Conclusiones
• Los técnicas mostradas permiten estimar de una manera robusta la información climática diaria a resoluciones de 1 km, tanto en condiciones planas como de alta topografía
• Este tipo de información es crítico para la categorización de riesgos
• El uso de modelos de procesos como los modelos de cultivo permite evaluar los impactos potenciales y escenarios de medidas de adaptación
Natural Resources Management Division
http://inrm.cip.cgiar.org
Gracias
http://inrm.cip.cgiar.org
Programa de Intensificación de sistemas de Cultivos y
Cambio Climático