Estudio de la distribución espacial de la precipitación mediante productos de percepción remota en la cuenca alta de Piura

Abstract

Caracterizar la variabilidad espacial y temporal de la precipitación es una tarea muy importante para llevar a cabo una adecuada gestión del agua; sin embargo, es difícil caracterizar la precipitación en especial en zonas donde exista una alta variabilidad espacial y exista escaso número de estaciones pluviométricas, como es el caso del Perú. En la actualidad, la información derivada de imágenes satelitales permite complementar y mejorar la distribución espacial de la precipitación, pero estos requieren ser corregidos de manera temporal y espacial. En este estudio se realizó de la distribución espacial de la precipitación pluvial en la cuenca alta del río Piura (4,505 km2), al correlacionar los registros de precipitación de nueve (09) estaciones pluviométricas mediante redes neuronales artificiales de base radial con la información obtenida de percepción remota. La información satelital está integrada por la Misión de Medición de Precipitaciones Tropicales (TRMM, por sus siglas en inglés), específicamente el producto 3B42-RT, la Misión Topográfica de Radar Shuttle (SRTM, por sus siglas en inglés) y el Índice Normalizado de Diferencia de Vegetación (NDVI, por sus siglas en inglés), los cuales han sido utilizadas con el fin de distribuir espacialmente la precipitación a una resolución espacial de 1km2 en la cuenca alta del río Piura durante los años 2000 y 2010, esto debido a la resolución espacial y temporal que presenta el NDVI. En primer lugar, se realizó la regionalización de la precipitación de la zona de estudio mediante el método del vector regional (MVR) en base a las nueve 09 estaciones pluviométricas disponibles en la zona de estudio; con esta, se identificaron dos regiones climáticas: la región 01 cuenca baja de la zona de estudio con seis (06) estaciones y la región 02 cuenca alta de la zona de estudio con 03 estaciones. Mediante la implementación de redes neuronales de base radial y en base a las regiones identificadas, se realizó la completación de datos de precipitación a nivel diario y decadiario de las estaciones pluviométricas. La información satelital del NDVI, cuya resolución espacial de 1km2 y temporal de 10 días, fue corregida mediante la técnica de suavizado no paramétricos “rloees” (regresión polinómica ponderada) y ventanas móviles para mejorar la representación espacial y temporal. Asimismo, mediante la superposición de la información espacial de cobertura vegetal, el NDVI y la información topográfica del modelo de elevación digital SRTM; se identificó la relación entre la vegetación y la altura, la cual mostro dos regiones climáticas similares a las identificadas mediante el vector regional, que se encuentran influenciadas por la variación de la gradiente de temperatura y humedad de la costa peruana representada por el Instituto Geofísico del Perú, (IGP).

Characterizing the spatial and temporal variability of precipitation is a very important task to carry out an adequate water management. However, it is difficult to characterize precipitation especially in areas where there is a high spatial variability and there are few rainfall stations, as the case of Peru. Currently, the information derived from satellite images allows to complement and improve the spatial distribution of precipitation, but these need to be corrected temporarily and spatially. In this study, the spatial distribution of rainfall in the upper Piura river basin (4,505 km2) was estimated by correlating the precipitation records of nine (09) rainfall stations with the use of radial basis neural artificial networks and information obtained from Remote perception. The satellite information is integrated by the Tropical Precipitation Measurement Mission (TRMM), specifically the product 3B42-RT, the Radar Shuttle Topographic Mission (SRTM) and the Normalized Difference of Vegetation Index (NDVI), which have been used in order to distribute the precipitation to a resolution of 1km2 in the upper Piura river basin during the years 2000 and 2010, this due to the spatial and temporal resolution presented by the NDVI. Firstly, the regionalization of the precipitation of the study area was carried out by means of the regional vector method (MVR) based on the nine 09 available rainfall stations in the study area, then two climatic regions were identified: region 01, the low basin of the study area, with six (06) stations and region 02, upper basin of the study area, with 03 stations. Through the implementation of radial basis neural networks and based on the identified regions, the completion of precipitation data on a daily and decadal level of rainfall stations was carried out. The satellite information of the NDVI, whose spatial resolution of 1km2 and temporal resolution of 10 days, was corrected by the nonparametric smoothing technique "rloees" (weighted polynomial regression) and mobile windows to improve spatial and temporal representation. Likewise, through the superposition of the spatial information of vegetation cover, the NDVI and the topographic information from the SRTM digital elevation model, the relationship between vegetation and height was identified. It showed two climatic regions similar to those identified by the regional vector, which are influenced by the variation of the temperature and humidity gradient of the Peruvian coast represented by the Geophysical Institute of the Peru (IGP).