Page 1
REGIONALIZACION CLIMÁTICA (PRELIMINAR) DEL LITORAL
ECUATORIANO, UTILIZANDO 3 METODOLOGÍAS PARA LA
AGRUPACIÓN DE ZONAS/ESTACIONES HOMOGÉNEAS, EN
TORNO AL PROYECTO ÍNDICES – ENOS.
Jorge Hurtado Pidal
Email. [email protected]
Fabián Suntaxi Aluisa
Email. [email protected]
Palabras Clave: Zonificación, Clusters, ISODATA, MultiSpec, Análisis Digital
de Imágenes, Análisis Espacial, Pseudobandas, Variables Climáticas,
Estaciones Meteorológicas, K-Medias, SPSS, Vector Regional, Correlación,
Hydraccess.
1. RESUMEN.
Se utilizaron tres técnicas de agrupación de zonas homogéneas, una de
tipo Geomática otra Estadística y la ultima de tipo Hidrológica -
Estadística, mientras que la primera (Zonificación Espacial) tiene su fuerte
en el análisis espacial por el tipo de información que se utiliza, la segunda
(Clustering) analizan la serie de tiempo de las estaciones y hace
agrupaciones por el parecido entre ellas a partir la distancia euclidiana, la
tercera (Vector Regional) analiza la correlación de las estaciones respecto
a un Vector Regional que es una estación ficticia que representa una zona
climática homogénea. Con la primera técnica que se basa en el algoritmo
ISODATA implementado en el software MultiSpec, se hallaron 5 zonas
espacialmente homogéneas a partir de la base de datos Geográfica
Climática “World Clim”, la segunda técnica encontró 3 grupos
homogéneos con la base de datos de las estaciones de INAMHI, y
haciendo un análisis de concordancia (zonas vs clusters) se determinó una
Page 2
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 2
concordancia de un 90% analizando la precipitación de 54 estaciones, y de
un 100% cuando se analizó tanto precipitación y temperatura de 16
estaciones. En la aplicación del Vector Regional, como tercera técnica, se
formaron grupos acordes a la zonificación espacial (primera técnica) y
también en base a su cercanía para proceder a generar 72 vectores
regionales distribuidos en las diferentes zonas, la correlación general de
las estaciones por zonas fue de 0.85. Por tanto los resultados de la
segunda y tercera técnica han validado a la primera.
2. INTRODUCCIÓN.
La regionalización o zonificación climática del litoral es el primer paso en el
proyecto INDICES ENOS, la misma que permitirá encontrar las zonas de
mayor y menor humedad1 por sus características climáticas, de
precipitación y temperatura y así trabajar en un siguiente paso, para
determinar la climatología de una zona específica, a partir de series
temporales de precipitación y temperatura, de bases que se están
terminando de evaluar, así mismo la zonificación podrá más adelante,
orientar los procesos de correlación estadística, entre las condiciones
oceánicas y atmosféricas que determinan el régimen de precipitación
durante el fenómeno de El Niño, es decir poder determinar, por ejemplo,
si hay mayor relación de la temperatura superficial del mar, con la
climatología de ciertas zonas.
El objetivo de esta parte del proyecto INDICES-ENOS es utilizar 3
metodologías (Figura 5) para validar los resultados unos con otros, es decir
las metodologías son complementarias entre ellas. Primero una técnica
Geomática de clasificación de imágenes, que se llama ISODATA (Iterative
Self Organizing Data Analysis Technique) con el software MultiSpec, que
consiste en agrupar “pixeles” en una imagen multibanda a partir de la
distancia espectral, las bandas o mejor dicho pseudobandas de esta
imagen constituyen las grillas o rasters de las 14 variables bioclimáticas de
World Clim que se derivan de la precipitación y temperatura para de esta
1 Humedad Ambiental, es la cantidad de vapor de agua presente en el aire.
Page 3
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 3
forma encontrar zonas homogéneas. La segunda metodología se basa en
un análisis de conglomerados (cluster analisys en inglés) que es una
técnica multivariante que permite agrupar los casos (estaciones) de un
archivo de datos en función del parecido o similaridad existente entre
ellos, se usó la técnica de K-Medias con el software estadístico SPSS
utilizando la base de datos de INAMHI de precipitaciones medias
mensuales (56 estaciones) y también temperaturas máximas y mínimas
medias mensuales (16 estaciones). Se pueden decir que la primera y
segunda técnica son muy parecidas conceptualmente, lo que cambia es el
tipo de dato (raster o Tabla de series), fuente de datos (World Clim o
INAMHI) la metodología de agrupación (ISODATA y K-Medias). Por último
se aplicó la técnica del vector regional con el software Hydraccess que
analiza la correlación entre las estaciones y el vector generado por ellas en
el mismo grupo, esto nos da un panorama de cómo es el comportamiento
climático en la zona seleccionada a través de una serie total por zona.
3. OBJETIVO.
Hacer una regionalización (con validación) del Litoral Ecuatoriano a partir
de la comparación de 3 metodologías y/o software como son: MultiSpec
(Geomático), SPSS (Estadístico), Hydraccess (Hidrológico).
3.1. Objetivos Específicos.
Zonificar espacialmente la región del Litoral Ecuatoriano a partir de un
algoritmo Geomático de clasificación de datos (ISODATA), utilizando
variables de precipitación y temperatura de la base climática “World
Clim” a manera de Pseudobandas.
Agrupar estadísticamente las estaciones hidrometeorológicas en base a
las series de precipitación y temperatura con la técnica de K-Medias y
usar la agrupación en la validación de la Zonificación Espacial.
Page 4
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 4
Determinar el Vector Regional para la precipitación en cada zona
climática homogénea del Litoral Ecuatoriano, con sus respectivas
correlaciones usando el software Hydraccess, mediante la agrupación
de estaciones por zonas para usar la correlación como una segunda
validación.
4. AREA DE ESTUDIO.
El área de estudio para esta regionalización climática, de acuerdo al
proyecto corresponde a la región del Litoral Ecuatoriano2, delimitada para
este caso entre 0 y 1000 msnm.
Figura1. Región del litoral ecuatoriano, delimitada a partir de 1000msnm.
2 La siguiente fase de la regionalización incluye las Islas Galápagos.
Page 5
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 5
5. MARCO TEORICO.
Imagen Multiespectral
Una imagen Multiespectral es una imagen compuesta de muchas bandas
(Figura 2), cada banda representa un tipo diferente de información, en el
caso de las imágenes de satélite cada banda recoge la respuesta espectral
de una cobertura en determinado rango del espectro electromagnético
pero en este caso las bandas, o mejor dijéramos pseudobandas (ya que no
son respuesta espectral), son variables climáticas de precipitación y
temperatura.
Figura2. Esquema de una imagen multiespectral.
Proceso de Agrupación (clusters) o Formación de Clases
La delimitación de cada grupo espectral se inicia señalando dos criterios:
uno que mida la similitud entre pixeles, y otro que marque las condiciones
del proceso de agrupamiento. En cuanto al primer aspecto, se han
propuesto diversos criterios para medir la distancia entre pixeles. El más
utilizado se basa en la distancia euclidiana (Chuvieco, 2008):
Page 6
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 6
[Ecuación 1]
Donde:
da,b; indica la distancia entre dos pixeles cualquiera a y b.
NDa,i y NDb,i; los niveles digitales de esos pixeles en la pseudobanda i (que
en este caso son variables de precipitación y temperatura).
m; el número de pseudobandas (14 en este caso).
También pueden utilizarse otros criterios para medir la distancia entre
pixeles, como sería el caso de la distancia media o la de Mahalanobis
(Rebollo y Orti, 1980), si bien la distancia euclidiana resulta la más habitual
en este tipo de aplicaciones (Chuvieco, 2008).
Algoritmo ISODATA (The Iterative Self-Organizing Data Analysis).
En cuanto al algoritmo de agrupamiento, las opciones también son muy
numerosas. Uno de los más extendidos es el denominado ISODATA (Duda
y Hart, 1973), gracias a contar con un mecanismo iterativo bastante
sólido. En esencia, este algoritmo procede a partir de las siguientes fases:
1. Se señalan una serie de centros de clase, de acuerdo al número (p.e. 5
clases) y forma (p.e. aleatorio) indicados.
2. Se asignan todos los pixeles de la imagen al centro de clase más
próximo, utilizando el criterio de distancia indicado.
3. Se calculan de nuevo los centros de clase, teniendo en cuenta los
valores de todos los pixeles que se le hayan incorporado en la fase
anterior.
4. Se reordenan los centros de clase en función de los parámetros de
control indicados por el usuario (distancia mínima entre grupos,
tamaño mínimo de un grupo, varianza máxima de un grupo y número
Page 7
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 7
de grupos), aquí cabe aclarar que el cluster es dividido (Cluster B,
Figura3) si hay una o más desviaciones estándar que las definidas por
el usuario en el “threshould” (umbral), y en cambio son fusionados dos
cluster’s (Cluster A, Figura3) si la distancia entre ellos son menores a
las definidas en el “threshould” por el usuario.
5. Se vuelven a asignar todos los pixeles de la imagen al centro más
cercano, (a partir de aquí el algoritmo se vuelve más estable).
6. El algoritmo ISODATA repite el agrupamiento de la imagen hasta que
se ejecute el número máximo de iteraciones o se alcance el máximo
porcentaje de asignación de píxeles no cambiados entre dos
iteraciones.
Figura3. Esquema de formación de clusters. Cluster A.
Desde el punto de vista estadístico, este algoritmo parece bastante
adecuado para delimitar los grupos de valores homogéneos dentro de la
imagen (Rebollo y Orti, 1980).
Algoritmo K-Medias.
Page 8
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 8
Otro método muy conocido, el de “agrupación de medios -k” o “K-
Medias”. Igual que en ISODATA se deben especificar el número de
conglomerados.
El objetivo del algoritmo K-Medias es minimizar la variabilidad dentro del
cluster. La función objetivo (la cual va a ser minimizada) es la suma de las
distancias al cuadrado (error) entre cada estación y el centro del cluster
asignado.
[Ecuación 2]
Donde:
C(x); es la media del cluster del cual la estación x ha sido asignada.
Minimizar SSdistanceses es equivalente a minimizar el error medio cuadrático
(EMC). El EMC es una medida de la variabilidad dentro del cluster.
Figura 4. Variabilidad dentro del cluster.
Como se ve en el esquema de la Figura 4 el objetivo es maximizar la
diferencia entre los cluster relativa a la variación dentro de los mismos.
Método Del Vector Regional (Hydraccess)
Page 9
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 9
El MVR es un método de cálculo orientado a tres tareas definidas: La
crítica de datos, la homogenización y la extensión-relleno de series
estadísticas. La hipótesis fundamental se basa, en asumir que para una
misma zona climática sometida a un mismo régimen, los totales anuales
son pseudo-proporcionales, con una pequeña variación aleatoria cada año
debido a la repartición de las lluvias dentro de la zona. (Jhan Carlo
Espinoza, 2005)
La idea básica del MVR es: en lugar de comparar dos por dos estaciones
por correlación o doble masa, como se hace en los métodos clásicos, se
elabora una estación ficticia que sea una “especie de promedio” de todas
las estaciones de la zona, con la cual se comparan cada una de las
estaciones.
El MVR emplea entonces, para el cálculo de esta estación “Vector” el
concepto de un Valor Medio Extendido al periodo de trabajo, salvando los
problemas del peso de estaciones más caudalosas sobre las menos
caudalosas (como ocurriría con un promedio simple) y la existencia de
datos faltantes o diferentes periodos de funcionamiento (que calcularían
promedios alterados en caso de tener solamente años húmedos o
solamente años secos de determinada estación) como ocurriría al obtener
valores estandarizados o centrados. (Jhan Carlo Espinoza, 2005)
Dos métodos concurrentes fueron elaborados en el ORSTOM – IRD por G.
Hiez y Y. Brunet Moret. El método de G. Hiez se basa en el cálculo de la
moda (valor más frecuente), mientras que el de Y. Brunet Moret se basa
en el promedio, eliminando los valores demasiado alejados del promedio
para evitar contaminar demasiado las estimaciones con datos
evidentemente erróneos. Cada método estima una media extendida para
cada estación sobre el período de trabajo, y calcula los índices anuales de
cada estación, obtenidos al dividir el valor observado en una estación para
un año por ésta media extendida. (Jhan Carlo Espinoza, 2005)
Page 10
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 10
6. METODOLOGÍA.
La metodología seguida se indica en el siguiente modelo conceptual.
Figura 5. Modelo conceptual del proceso de regionalización climática.
Lo que indica la Figura 5 es que el primer producto en obtenerse es la
zonificación espacial con el algoritmo ISODATA usando la base World Clim,
posteriormente este resultado es validado a partir de proceso de
clustering de la serie temporal de la base de INAMHI de las estaciones, si
hay un alto grado de concordancia se realizan los vectores regionales
utilizando para cada uno las estaciones correspondientes a cada zona,
esto a manera de una segunda validación a partir de las correlaciones
obtenidas, si por el contrario la zonificación espacial no concordaría con el
Page 11
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 11
clustering, los vectores regionales se harían con estos últimos como una
tercera validación entre ambos, sin embargo esto no ocurrió, pero era
importante tenerlo previsto, y por último se plantea la generación de las
series temporales por zona o grupo.
6.1. ZONIFICACIÓN ESPACIAL (CLUSTERING ESPACIAL).
6.1.1. Base de Datos Climática “WORLD CLIM”
Aquí se refiere a las pseudobandas utilizadas para el proceso de
agrupamiento. Como se decía no se utiliza información espectral como el
caso de una imagen satelital, sino mas bien variables climáticas, que están
disponibles y que se pueden descargar de forma libre, del portal “World
Clim”3, en formato GRID *.grd (imágenes RASTER) de ESRI. Esta base de
datos fue desarrollada por la Universidad de California, Berkeley (entre
otros), contiene 19 variables bioclimáticas de cobertura mundial (Figura
4), de 1km de resolución espacial, esta base de datos climática es
ampliamente utilizada en estudios ambientales a nivel mundial, es un gran
esfuerzo de colaboración internacional, ya que fue elaborada a partir de
los datos recopilados de las estaciones de los servicios meteorológicos y
otras instituciones alrededor del mundo, sus datos son representativos
para el período 1950 – 2000.
3 http://www.worldclim.org/download
Page 12
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 12
Figura 6. Variables Climáticas De World Clim Y Encerradas En Rojo Aquellas Utilizadas
Para La Zonificación Climática.
De acuerdo a la Figura 4 las variables a utilizar son:
VARIABLES DE TEMPERATURA
Temperatura media anual Temperatura máxima del mes más caliente.
Temperatura máxima del mes más frío.
Temperatura media del trimestre más húmedo. Temperatura media del trimestre más seco.
Temperatura media del trimestre más caliente. Temperatura media del trimestre más frío.
VARIABLES DE PRECIPITACIÓN
Precipitación anual Precipitación máxima del mes más caliente.
Precipitación máxima del mes más frío.
Precipitación media del trimestre más húmedo. Precipitación media del trimestre más seco.
Precipitación media del trimestre más caliente. Precipitación media del trimestre más frío.
Tabla1. Variables Usadas en la Zonificación.
Page 13
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 13
Las variables seleccionadas son aquellas relacionas a la estacionalidad (por
trimestres) y a la periodicidad anual, y con las cuales se obtuvieron los
mejores resultados, las demás fueron descartadas al no aportar una
mejoría significativa en la zonificación.
6.1.2. Procesamiento.
Los procesos seguidos para obtener la “Imagen Climática4” fueron:
Corte: Utilizando una máscara para delimitar el área de interés
(Litoral<=1000msnm). El Anexo1 muestra las variables climáticas
utilizadas “cortadas” para la zona de estudio de este trabajo.
Composición multibanda o “Layer Stack”: Para unir todas las
pseudobandas en un mismo raster, para confeccionar la “Imagen
Climática”.
6.1.3. Clasificación “Imagen Climática”
Utilizando el software libre MultiSpec, para análisis digital de imágenes
multiespectrales, desarrollado por la Universidad de Purdue (Larry Biehl),
se procedió a realizar una clasificación no supervisada usando el algoritmo
ISODATA. A continuación la ventana de conFiguración para la corrida del
algoritmo.
4 La imagen climática realmente es una “composición multi-pseudobanda de variables climáticas” sin
embargo nos seguiremos refiriendo a esto como imagen climática ya que es un término mas simplificado y fácil de entender.
Page 14
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 14
Figura 7. ConFiguración de la inicialización del Algoritmo ISODATA en MultiSpec
Respecto a los parámetros utilizados:
Use single pass clusters: esta opción de inicialización define el centro del
cluster en base a un muestreo aleatorio en la imagen que compone el área
de análisis, luego en base a la distancia euclidiana asigna el pixel al cluster
más cercano como se había dicho anteriomente.
Convergence: Se refiere al porcentaje de pixeles que deben permanecer
en el mismo cluster entre iteraciones5.
5 Este es uno de los criterios usados para finalizar el algoritmo, otro puede ser el número máximo de
iteraciones
Page 15
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 15
Minimun cluster size: Tamaño mínimo del cluster en pixeles.
Distance 1 (First Line) y Distance 2 (Other lines): Es la distancia mínima (en
las unidades de la variable) a la cual debe estar un pixel para asignarse a
un cluster. Si la distancia es más grande se crea un nuevo cluster.
6.2. AGRUPACION DE LAS ESTACIONES (CLUSTERING ESTACIONES).
6.2.1. Base Climática INAMHI.
Para esta parte se utilizó una base de datos de estaciones de INMAHI e
INOCAR principalmente, que tienen precipitación (54 estaciones, anexo 3)
y temperatura (18 estaciones, anexo 4). No nos extenderemos en esta
parte, para más información remitirse al “Informe Preliminar De Base De
Datos” que se ha generado también dentro del proyecto INDICES-ENOS,
donde se explica más sobre las características de esta “Base Climática
INAMHI”.
6.2.2. Obtención de estadísticos.
Primero se confeccionó una Tabla con la media mensual acotada al 10%
(para descartar valores extremos) de precipitación con las 54 estaciones,
para hacer un clustering. Después se hizo una Tabla con la media mensual
acotada al 10% de temperatura máxima y mínima con 18 estaciones, y con
esta última se hizo una intersección de Tablas con la primera de
precipitación con un campo en común para obtener una nueva Tabla con
16 estaciones que contenían tanto precipitación como temperatura
(anexo 5) de la serie 1981 – 2010, que después se homogenizó o reescaló
de 0 a 1 (ecuación 3) para el segundo análisis de clustering.
[Ecuación 3]
Donde:
)min()max(
)min(
*,*,
*,,'
,
jj
jji
jiaa
aaa
Page 16
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 16
; es el valor homogenizado (rango de 0 a 1).
; es el valor en la escala original
; valor mínimo de la variable j en el conjunto de datos.
; valor máximo de la variable j en el conjunto de datos.
6.2.3. Determinando el número de Clusters.
El método de K-Medias necesita que especifique el número de cluster, sin
embargo no existe ningún criterio general que nos permita determinar el
número óptimo de clusters, pues influyen factores como el número de
elementos con valores extremos, las distribuciones que siguen las
variables … etc (Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. 1999),
sin embargo ayuda mucho examinar el dendrograma para determinar el
numero optimo de agrupaciones, además otro aspecto a tener en cuenta
es el número de elementos por cluster.
Usando la base de 54 estaciones con precipitación, el dendrograma
obtenido en el software R es el siguiente (código anexo 5).
Figura 8. Dendrograma de 54 estaciones usando la variable precipitación.
Page 17
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 17
De la Figura 8 se puede concluir que 3 es un número adecuado de Clusters
para este caso para maximizar la diferencia entre ellos y minimizarla
dentro de cada uno.
Y para complementar esta parte a manera de prueba, se hizo el proceso
de agrupación con 5 clusters y con 3 clusters, como se ve a continuación:
a. 3 clusters b. 5 clusters.
Figura9. (a) Número de casos para 3 clusters. (b) Número de casos para 5 clusters.
Cuando usamos 5 clusters solamente 2 casos se asignan a un grupo y 4
casos a otro. Mientras que usando 3 clusters el proceso de agrupación es
mejor distribuido.
6.2.4. Aplicación del módulo de clasificación K-Medias en SPSS.
Una vez determinado el numero de Clusters, a continuación se utilizó el
software estadístico SPSS (Statistical Product and Service Solutions), el
mismo que ofrece una variedad de herramientas para el análisis de
clustering con el método de K-Medias. Una característica muy positiva es
que en la salida de resultado se anexa una columna indicando el cluster al
que pertenece cada caso o estación.
Page 18
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 18
Figura 10. Pantalla de SPSS para el análisis de Clustering.
Se hicieron dos ensayos, el primero es solo con 12 variables de
precipitación media mensual (1981-2010) acotada de 54 estaciones. Y el
segundo en con 36 variables de precipitación y temperatura media
mensual acotada y estandarizada de 16 estaciones (1981-2010).
Además de un reporte con las estadísticas del proceso se añaden a la
Tabla de datos dos columnas una con el cluster al que pertenece cada
caso y otra con la distancia al centro del cluster.
Page 19
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 19
Tabla2. Estaciones con el cluster al que pertenecen y la distancia al centro del cluster.
6.2.5. Validación de la zonificación espacial con el clustering de
estaciones.
Descripción del modelo cartográfico de la Figura 11 que indica los pasos
seguidos en SIG como modelo lógico para la validación.
Se vectoriza el archivo raster de zonificación climática.
Se despliegan los puntos de las estaciones de acuerdo a las
coordenadas de la base de datos, que ya contienen un campo con el
cluster al que pertenecen (cruce de Tablas).
Se hace una unión espacial (Spatial Join) de elementos entre los
polígonos de las zonas climáticas y los puntos de las estaciones para
saber a qué zona climática pertenece cada estación (Figura 10).
Se generan mapas temáticos.
Se exporta la Tabla del SIG producto de la unión espacial de
polígonos (zonas) y puntos (estaciones).
Se analiza el porcentaje de variabilidad de clusters dentro de la
zona.
Page 20
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 20
Figura11. Modelo cartográfico para la validación de la zonificación espacial (MultiSpec)
con el clustering de estaciones (SPSS).
Figura 12. Unión espacial de puntos y polígonos para transferencia de atributos.
MODELO LÓGICO - CARTOGRÁFICO PARA LA VALIDACION DE LA ZONIFICACION ESPACIAL CON EL CLUSTERING DE ESTACIONES
ZONAS CLIMÁTICAS HOMOGENEAS CON ISODATA (RASTER)
VECTORIZACION
ZONAS CLIMÁTICAS HOMOGENEAS CON
ISODATA (POLIGONOS)
TABLAS DE COORDENADAS DE LAS ESTACIONES
TABLAS DE CLUSTERING DE LAS
ESTACIONES
JOIN (CAMPO EN COMUN: ID ESTACIONES)
TABLA CON COORDENADAS Y CLUSTER AL QUE PERTENECEN
DESPLIEGUE DE PUNTOS EN SIG
PUNTOS DE LAS 16 ESTACIONES CON UN INFORMACION DEL
CLUSTER AL QUE PERTENECEN
JOIN ESPACIAL (PUNTOS Y
POLIGONOS)
ESTACIONES (PUNTOS) CON INFORMACION DEL CLUSTER Y ZONA CLIMATICA A LA QUE
PERTENECEN
EXPORTACIND E TABLAS, ANALISIS
RESULTADOS
GENERACION DE MAPAS
TEMATICOS
Page 21
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 21
Los Tablas y Mapas de resultados de esta parte se indican en el apartado
7.2.
6.3. VECTOR REGIONAL (CORRELACION DE ESTACIONES)
Para esta parte también se usaron las 54 estaciones de la “Base Climática
INAMHI” que se menciona en el apartado 6.2.1.
6.3.2 Criterios de Selección.
Se agruparon estaciones que pertenecen a una misma zona climática
homogénea (obtenidas con la primera técnica). Para esto se utilizó la
cobertura de estaciones de la Figura 11 que se generó en el proceso de
validación con clusters. Y en las zonas como la 1 y 2 que tienen varias
estaciones se formaron 2 grupos de estaciones que espacialmente están
separados.
Figura 13. Demarcación de las zonas y ubicación de las 54 estaciones
meteorológicas.
Page 22
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 22
6.3.3 Procesamiento de los Datos.
Se creó en Excel una Tabla llamada HA_Multiestaciones.xls que contiene
las 54 estaciones meteorológicas con los siguientes datos: precipitación
mensual de cada año en mm, las coordenadas geográficas de latitud y
longitud, el código de la estación, el nombre de la estación, la zona
climática a la que pertenece.
Se procedió a generar las Tablas de los diferentes meses para el periodo
1981-2010, para cada zona (o grupo según el caso).
Figura 14. Pantalla con la Tabla HA_Multiestaciones de la zona 1 grupo2 del periodo
1981-2010.
6.3.4 Uso del Hydraccess para generar el Vector Regional.
Se carga la Tabla de Excel HA_Multiestaciones.xls que se creó con los
datos de precipitación de esa zona. (Figura 14)
Page 23
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 23
Figura 15. Menú del Hydraccess_Vector regional
En la Tabla Excel aparecen los parámetros multi-estaciones que son los
valores mensuales de precipitación, tipos de datos mensuales y el mes de
trabajo para el que vamos a generar el vector regional; en los parámetros
de procesamiento se especifica el año de inicio y de final de trabajo
Luego se calcula y se genera en el Vector Regional de índices anuales una
nueva Tabla apareciendo las estaciones meteorológicas y los años que
están involucradas en el proceso. (Figura 16)
Figura 16. Estaciones meteorológicas y años involucrados en el periodo 1980-2010.
Page 24
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 24
Se genera una nueva Tabla de Excel llamada HA_vector.xls la cual contiene
varias pestañas cada una con diversos parámetros y los análisis del
conjunto de éstos, ello permite discernir un análisis adecuado de la
calidad de las estaciones, y a través de las correlaciones puede verse que
correlaciones son muy bajas o negativas, se espera que las estaciones de
una misma zona climática tengan altos valores de correlación.
Tabla 3. Parámetros y análisis del mes de Enero periodo 1981-2010 (en amarillo las
bajas correlaciones)
También dentro de la pestaña grafico índices se genera una gráfica de los
índices de las estaciones meteorológicas y el Vector Regional en la cual se
puede observar que estaciones están fuera de los límites superiores e
inferiores del Vector Regional para proceder a apartarlas y generar un
nuevo Vector Regional para obtener una Tabla definitiva. (Figura 17)
Figura 17. Gráfico de Vector Regional (línea roja resaltada) del mes de Enero del
periodo 1981-2010.
Id Estación
No
Años
D.E.
Obs.
Coef.
Variación
Media
Obs.
Media
Calculada
Media
Desvíos
D.E.
Desvíos
Homogeneid
ad B.M.
Correl.
/Vector
Lin. a
priori
Lin. a
post. Proporcionalidad
Calidad(
/10)
Evaluación(
/10)
M0003_P_M1_(mm) 31 101.2 1.499 67.5 73.9 -0.087 0.572 0.528 0.94 1.03 0.55 0.4041 0.9 0.8
M0013_P_M1_(mm) 29 118.2 1.004 117.8 107.1 0.099 0.384 0.035 0.941 0.88 0.94 0.4565 0.4 0.4
M0014_P_M1_(mm) 30 493.7 2.836 174.1 591.7 -0.639 0.912 0.312 0.708 0.88 0.91 0.7362 0 0
M0017_P_M1_(mm) 30 82.3 0.931 88.4 70.7 0.231 0.711 0.643 0.81 1 0.85 0.4348 0.6 0.6
M00021_P_M1_(mm) 31 188.8 2.242 84.2 160.5 -0.475 0.758 0.462 0.862 1.24 1 0.6346 0 0
M00023_P_M1_(mm) 31 106.3 1.166 91.1 85.3 0.068 0.604 0.598 0.879 1.04 0.91 0.4601 0.4 0.4
M00026_P_M1_(mm) 31 73.6 1.131 65.1 54 0.206 0.702 0.915 0.886 0.99 0.79 0.4028 0.9 0.9
M00034_P_M1_(mm) 30 105.6 1.029 102.6 95.8 0.07 0.524 0.127 0.878 0.8 0.5 0.2529 3.8 3.8
M00036_P_M1_(mm) 31 93.3 0.682 136.8 116.3 0.176 0.631 0.745 0.767 1.27 0.7 0.3558 1.5 1.5
M00050_P_M1_(mm) 25 102.4 0.618 165.7 115.5 0.507 0.691 0.133 0.855 0.84 0.59 0.3035 2.5 2.5
Page 25
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 25
7. RESULTADOS.
7.1. RESULTADOS DE LA ZONIFICACION ESPACIAL.
Figura 18. Zonificación Climática usando 14 variables climáticas (World Clim) e
ISODATA.
En esta parte correspondiente a la Zonificación Espacial se define
estadísticamente cada una de las 5 zonas encontradas, (el anexo 2,
muestra Tablas con los estadísticos de cada zona para las variables
usadas).
Así las zonas encontradas quedan definidas explícitamente de forma
estadística. Por ejemplo se podría decir, de acuerdo a esta clasificación
que:
Page 26
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 26
La ZONA 1 se asemeja a un clima de “Litoral Semi Arido” y se caracteriza
por tener una temperatura media anual de 24.5°C y una precipitación
anual de 604 mm. Una temperatura mínima de 19.3°C en el trimestre mas
frio y una máxima de 27°C en el trimestre más caliente. Una precipitación
mínima de 0 mm en el trimestre más seco y una precipitación máxima de
697 mm en el trimestre más húmedo.
La ZONA 2 se asemeja a un clima “Tropical Seco” y se caracteriza por tener
una temperatura media anual de 24.6°C y una precipitación anual de 1280
mm. Una temperatura mínima de 18.5°C en el trimestre mas frio y una
máxima de 26.9°C en el trimestre más caliente. Una precipitación mínima
de 2 mm en el trimestre más seco y una precipitación máxima de 1105
mm en el trimestre más húmedo.
La ZONA 3 se asemeja a un clima “Tropical Semi Humedo” y se caracteriza
por tener una temperatura media anual de 24.6°C y una precipitación
anual de 2001 mm. Una temperatura mínima de 18.2°C en el trimestre
mas frio y una máxima de 26.7°C en el trimestre más caliente. Una
precipitación mínima de 10 mm en el trimestre más seco y una
precipitación máxima de 1507 mm en el trimestre más húmedo.
La ZONA 4 se asemeja a un clima “Tropical Humedo” y se caracteriza por
tener una temperatura media anual de 24.2°C y una precipitación anual de
2713 mm. Una temperatura mínima de 19.2°C en el trimestre mas frio y
una máxima de 26.6°C en el trimestre más caliente. Una precipitación
mínima de 34 mm en el trimestre más seco y una precipitación máxima de
1728 mm en el trimestre más húmedo.
La ZONA 5 se asemeja a un clima “Tropical Súper Húmedo” y se
caracteriza por tener una temperatura media anual de 24.3°C y una
precipitación anual de 3547 mm. Una temperatura mínima de 19.8°C en el
trimestre mas frio y una máxima de 26.4°C en el trimestre más caliente.
Una precipitación mínima de 224 mm en el trimestre más seco y una
precipitación máxima de 1999 mm en el trimestre más húmedo.
Page 27
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 27
De forma general la precipitación va aumentando y la temperatura
disminuyendo progresivamente desde la zona 1 hasta la 5. Sin embargo la
temperatura mínima en el trimestre mas frio es más alta en la zona 5
(19.8°C) que en la zona 4 (19.2°C), debido al efecto de la humedad en el
ambiente.
7.2. RESULTADOS DEL CLUSTERING DE ESTACIONES.
Como se ha venido diciendo tenemos en esta parte dos resultados uno
con 54 estaciones haciendo el clustering solo a partir de precipitación el
cual cuyos resultados se orientan a la validación de la zonificación
espacial. Y otro con 16 estaciones a partir de precipitación y temperatura
que servirían igualmente de validación de la zonificación espacial.
Clustering con 54 estaciones (12 variables de precipitación)
Figura 19. Mapa de estaciones por cluster de precipitación
En la Figura 19 se puede apreciar cómo se forman los 3 clusters
superponiéndose a las 5 zonas.
Page 28
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 28
(a). Número de casos: Zonas vs Clusters.
(b). Porcentaje de variabilidad dentro de cada Zona.
Tabla 4. (a) Número de casos y (b) Porcentaje de variabilidad en las zonas, con los 3
cluster de 54 estaciones usando solo precipitación.
La Tabla 4 indica que en la zona 1 hay 21,43 % del cluster 1, 78,57% del
cluster 2 y 0% del cluster 3. Así sucesivamente para cada zona, obteniendo
que en promedio el grado de concordancia entre zonas y cluster es de
90%. La mayor diferencia está en la zona 3, pero hay que tomar en cuenta
que en la zona 3 hay 3 estaciones, 2 del cluster 1 y 1 del cluster 3 que está
en el límite de la zona, considerando el error de georreferenciación de las
estaciones y la escala de la zonificación (con 1km de tamaño de grilla),
este error es despreciable.
Clustering con 16 estaciones (36 variables de precipitación y
temperatura)
Y de igual forma ahora que consideramos 36 variables de precipitación y
temperatura, las zonas no presentan variabilidad de clusters dentro de
ellas como se ve en la Tabla5.
Suma de 1 CLUSTER
ZONAS 1 2 3 Total general
0 2 3 1 6
1 6 22 28
2 11 1 12
3 2 1 3
4 5 5
Total general 21 26 7 54
ZONA/CLUSTER 1 2 3 SUMA
1 21.43 78.57 0.00 100.00
2 91.67 8.33 0.00 100.00
3 66.67 0.00 33.33 100.00
4 0.00 0.00 100.00 100.00
CONCORDANCIA DENTRO DE CADA ZONA
Page 29
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 29
(a). Número de casos: Zonas vs Clusters.
(b). Porcentaje de variabilidad dentro de cada Zona.
Tabla5. (a) Número de casos y (b) Porcentaje de variabilidad en las zonas, con los 3
cluster de 16 estaciones usando precipitación y temperatura.
En este caso el grado de similitud es mayor que en el anterior, esto
también debido al menor número de estaciones usadas. Un caso
importante de analizar es en la zona 2, donde hay una estación del cluster
1 en el límite de la zona y 1 estación del cluster 2, por tanto si obviamos
este caso especial, la concordancia es del 100%.
Figura 20. Mapa de estaciones por cluster de precipitación y temperatura
Suma de n1 CLUSTER
ZONAS 1 2 3 Total general
0 1 1
1 7 7
2 1 1 2
3 3 3
4 3 3
Total general 9 4 3 16
ZONA/CLUSTER 1 2 3 SUMA
0 100.00 0.00 0.00 100.00
1 100.00 0.00 0.00 100.00
2 50.00 50.00 0.00 100.00
3 0.00 100.00 0.00 100.00
4 0.00 0.00 100.00 100.00
CONCORDANCIA DENTRO DE CADA ZONA
Page 30
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 30
Esto muestra que la Zonificación Espacial con el algoritmo ISODATA y la
base World Clim han funcionado muy bien para la zonificación climática
del Litoral Ecuatoriano, teniendo un alto grado de concordancia con el
proceso de clustering de las estaciones con la Base Climática INAMHI.
Inclusive esas partes de la zona 1 en Esmeraldas que parecen aisladas
respecto al entorno tienen estaciones del cluster 1 (triángulos negros
Figura 20).
Como nota explicativa se menciona que si bien la simbología es la misma
para los clusters en la Figura 19 y 20, los cluster asociados a cada zona
(cluster 1, cluster 2 o cluster3), no son iguales, mientras que el primer
ensayo es el cluster 2 el asociado a la zona 1 (Figura19), en el segundo
ensayo es el cluster 1 asociado a la zona 1 (Figura 20).
7.3. RESULTADOS DEL VECTOR REGIONAL POR ZONAS.
El resultado proporcionó una Tabla de correlación del Vector Regional
usando las estaciones dentro de cada zona, además de acuerdo a la
cantidad de estaciones se fueron haciendo grupos dentro de una misma
zona pero espacialmente distantes, las zonas 1 y 2 tuvieron 2 grupos cada
uno y la zona 3 y zona 4 un grupo cada uno. En la siguiente Tabla se ve
cuantos vectores hay por cada zona.
ZONAS Grupos Meses
trabajados
Vectores
generados
Total de vectores
generados
ZONA 1 Grupo 1 12 12
24 Grupo 2 12 12
ZONA 2 Grupo 1 12 12
24 Grupo 2 12 12
ZONA3 Grupo 12 12 12
ZONA 4 Grupo 12 12 12
Tabla 6. Vectores generados por grupo en cada zona.
Se constato la correlación entre las estaciones meteorológicas y el vector
generado y las graficas de los índices. En el proceso de selección se
Page 31
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 31
descarto aquellas que no tienen buena correlación tanto estadística y
gráfica, para después hacer una nueva corrida con las estaciones finales
obteniendo los vectores finales de cada zona de estudio.
De acuerdo a cada zona y al número de estaciones, se eliminaron
estaciones cuya correlación estuvo por debajo de 0.8, procurando
mantener el mínimo de 4 estaciones por grupo, que se requieren para
generar el Vector Regional.
A continuación la Tabla 7 Muestra el resumen de correlaciones por zonas y
grupos.
TABLA DE CORRELACIONES
ZONAS grupos CORRELACIONES
ZONA 1 g1 0.7354 0.7824
0.85438
g2 0.8295
ZONA 2 g1 0.8910 0.8934
g2 0.896
ZONA 3 g 0.8366 0.8366
ZONA 4 g 0.9051 0.9051
Tabla 7. Correlación por cada zona
Estas correlaciones en general nos demuestra la gran similitud que tienen
las estaciones meteorológicas dentro de cada Zona Climática Homogénea,
con lo cual se ha realizado la segunda validación de la Zonificación
Espacial.
8. CONCLUSIONES Y RECOMENDACIONES.
8.1. Conclusiones.
Zonificación espacial
La metodología si ha permitido extraer las regiones climáticas, las mismas
que muestran un alto grado de concordancia con los mapas de clima
Page 32
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 32
existentes. Los resultados son posibles de mejorar en cuanto se disponga
de mayor detalle y calidad en los datos de entrada para el algoritmo.
Se han encontrado 5 zonas climáticas bien diferenciadas. La humedad
aumenta a medida que nos internamos en el continente en dirección nor-
oriente, con la temperatura es prácticamente lo mismo.
Clustering de Estaciones.
El proceso de clustering para formar 3 grupos con las 54 estaciones
utilizando 12 variables de precipitación media mensual acotada para el
periodo 1981-2010, con la técnica de K-Medias presentó una
concordancia6 general de 90%, con la zonificación espacial, en zonas con
suficiente número de estaciones. La zona más compatible en este ensayo
fue la zona 4 (100%), le sigue la zona 2 (92%) y por último la zona 1 (79%),
respecto a la zona 3 se concluye que tiene pocas estaciones en su interior
y por tanto no se puede hacer el análisis de concordancia, y la zona 5 peor
aun no tiene ninguna estación.
El proceso de clustering de los 3 grupos con 16 estaciones usando 36
variables de precipitación y temperatura media mensual acotada y
homogenizada de 0 a 1 para el período 1981-2010, con la técnica de K-
Medias presento una concordancia general de 100%, con la zonificación
espacial, excluyendo a la zona 5 que no tiene estaciones y a la zona 2 que
apenas tiene dos.
Vector Regional por Zonas.
En la metodología planteada del vector regional para la zona de estudio,
se observó resultados interesantes respecto a las Zonas Climáticas
Homogéneas donde hubo estaciones, pero en las que no hubo estaciones
(Zona 5), no se pudo obtener el Vector Regional.
6 Es decir las estaciones que caen dentro de determinada zona y que pertenecen al mismo cluster
Page 33
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 33
Dentro de las 5 Zonas Climáticas Homogéneas se presentaron algunas
variantes:
ZONA 1: Esta zona tiene 31 estaciones meteorológicas formando 2 grupos
de 8 estaciones, la correlación entre la zona y el vector regional es de 0.78,
valores bajos asociados a los meses secos de julio, agosto, septiembre y
octubre, del grupo 1 influencian en su baja correlación.
ZONA 2: De 13 estaciones se hicieron 2 grupos notándose una buena
distribución de las estaciones en la zona, a pesar de ser pocas, su
correlación fue de 0.89 que es muy buena.
ZONA 3: A pesar de tener 4 estaciones la correlación fue de 0.84, lo que es
una muy buena correlación para la zona, solo una estación tiene una
correlación muy baja, esta estación no se la pudo quitar porque
Hydraccess necesita mínimo 4 estaciones para hacer el Vector Regional.
ZONA 4: Con las 5 estaciones la correlación es de 0.91 siendo la mejor en
todas las zonas.
ZONA 5: no se obtuvo Vector Regional, porque no tiene estaciones en el
sitio.
A nivel general la correlación de las zonas con el Vector Regional fue de
0.85 siendo muy buena correlación a pesar de tener solo 54 estaciones y
no muy bien distribuidas espacialmente a nivel regional.
Generales
Respecto a las metodologías no podríamos decir si una es mejor que otra,
aunque los algoritmos de la primera y segunda técnica se parezcan
bastante, porque cada técnica utiliza información en formatos diferentes,
por esto es válido decir que las técnicas aquí expuestas son más bien
complementarias.
Respecto a cada zona climática homogénea y las validaciones realizadas,
tanto la técnica de clustering con un 90 de concordancia y el Vector
Regional con una correlación general de 0.85, nos indica que la
Page 34
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 34
Zonificación Espacial a partir del Algoritmo ISODATA y la Base World Clim
es válida. Si bien los procesos de Clustering y Vector Regional nos ayudan
a asociar a las estaciones por su parecido, estas técnicas no muestran
espacialmente la distribución de las Zonas o Regiones Homogéneas como
si lo hace la técnica con el algoritmo ISODATA, sin embargo son técnicas
muy útiles para la validación.
De todas las zonas la 4 es la que mejor resultados tuvo en ambos procesos
de validación; tanto con el Clustering como con el Vector Regional. La
Zona 1 es la que menos concuerda con el Clustering y el Vector Regional,
por tanto esta zona tendría una variabilidad climática no detectada con la
primera técnica. La Zona 5 no tiene validación por ausencia de estaciones.
Se ha validado la metodología de Zonificación Espacial con la técnica de
Clustering y Vector Regional lo que permite replicarla en las Islas
Galápagos en la siguiente fase la regionalización.
8.2. Recomendaciones.
Zonificación Espacial.
Es recomendable si se tienen mapas de referencia en formato digital y
georreferenciados, hacer pruebas de concordancia espacial a partir de
índices kappa por ejemplo para evaluar de otra forma el resultado de la
zonificación.
Clustering de Estaciones.
Sería muy conveniente buscar estaciones de la zona 5, así mismo
aumentar estaciones a las ya existentes en las zonas 2, 3 y 4
principalmente, todo esto con las variables precipitación y temperatura
(máxima y mínima).
Page 35
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 35
Vector Regional por Zonas.
El vector Regional empieza a disminuir y dar datos erróneos en estaciones
que tienen falta de datos de más de 5años, esto se debe corregir haciendo
un proceso de relleno de datos usando algunas metodologías.
Aumentar la densidad de estaciones en Galápagos, además de la Zona 5, y
aumentar a las ya existentes de las Zonas 3 y 4.
Generales
Tanto para la técnica de Clustering, y de Vector Regional se recomienda
usar además de las 54 estaciones manejadas para CPT, otras estaciones
restantes para tener una mayor distribución dentro de cada zona
climática esto nos dará un mayor nivel de confiabilidad en la generación
del Vector Regional.
La principal recomendación seria replicar la zonificación espacial en
Galápagos, ya que aquí no hay muchas estaciones de la “Base Climática
INAMHI” y con las pocas que hay no tiene mucho sentido hacer un
proceso de clustering, y peor aun Vector Regional y por eso ha sido
importante validar la metodología a fin de probar la técnica ISODATA y la
base World Clim ante la ausencia de información de esta escala (1 km).
9. BIBLIOGRAFIA.
Biehl. L, Landgrebe. D, 2011. An Introduction & Reference For
MultiSpec. School of Electrical and Computer Engineering, Purdue
University. Clustering Algorithms.
BRUNET-MORET (1977).Test d'homogénéité.Cahiers ORSTOM, Série
Hydrologie, Vol XIV, nø2
Base de datos climática Inamhi.
Page 36
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 36
Chuvieco, E., 2008. Fundamentos de Teledetección Ambiental, Método
No Supervisado, pp:393-395.
ERDAS Tour Guide. 1999. Capitulo 4, Clasificación. pp:3-12.
Jarrín. F, Análisis relleno y validación de la información de caudales
medios mensuales en la demarcación hidrográfica guayas, INAMHI.
Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (1999) Análisis Multivariante (5ª edición). Ed. Prentice Hall.
Hijmans, J. Cameron, S. World Clim – Global Climate Data. Free climate
data for ecological modeling and GIS.
HIEZ (1977)L'homogénéité des données pluviométriques.Cahiers
ORSTOM, Série Hydrologie, Vol XIV, nø2
Jensen, 1996. Unsupervised Classification Algorithms. Landcover
Classification Project, Center for Earth Observation, Yale University.
Jordan, D. Melesse, A., 2002. A Comparison of Fuzzy vs Augmented-
ISODATA Classification Algorithms for Cloud-Shadow Discrimination
fron Landsat Images. Photogrammatric Engineering & Remote Sensing.
Jhan Carlo Espinoza, El Método del Vector Regional de Índices
Pluviométricos PhD. Hydrology – Climatology jhan-
carlo.espinoza@locean ipsl.upmc.fr,septiembre , 2005.
Korgaonkar, G. Sedamkar, R., 2012. Hyperspectral Image Classification.
Mumbai University, India. International Journal of Engineering Research
and Applications.
Lelovics, E. Gal, T. Unger, J. Mapping Local Climate Zones with a vector –
based GIS Method. s/a.
Page 37
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 37
Moon, W.M., 1993. On mathematical representation and integration of
multiple spatial geosciences datasets. Canadian Journal of Remote
Sensing, 19:63-67.
Moré, G. Pons, X. Burriel, J., 2005. Diferenciación de Cubiertas
forestales para la MCSC a partir de la clasificación de imágenes Landsat.
Universidad Autonoma de Barcelona.
Ninyerola, M. 2000. Modelización climática mediante técnicas de SIG y
su aplicación al análisis cuantitativo de distribución de especies
vegetales en España peninsular, capitulo 3. Tesis doctoral. Universidad
Autónoma de Barcelona.
Patel, N.R. s/a. Remote Sensing and GIS Application in Agro-Ecological
Zoning. Indian Institute of Remote Sensing. Agricultural and Soils
Division. pp: 213-233.
Pérez, C. (2001) Técnicas estadísticas con SPSS. Ed. Prentice Hall.
Páginas web consultadas
http://desastres.unanleon.edu.ni/pdf/2003/julio/Parte1/pdf/spa/doc10
165/doc10165-1a.pdf
http://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers11-
03/010042845.pdf
http://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers11-
03/010042844.pdf
www.mpl.ird.fr/hybam/outils/hydraccess_sp
Page 38
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 38
10. ANEXOS.
Anexo1. Variables climáticas de World Clim de la zona de estudio.
Page 39
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 39
Page 40
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 40
Page 41
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 41
Anexo2. Estadísticos de las Zonas Climáticas.
ZONA / ESTADISTICO MIN MAX MED DESVST RANGO
ZONA 1 19,50 25,80 24,53 0,79 6
ZONA 2 18,90 25,90 24,62 0,91 7
ZONA 3 18,40 26,10 24,57 1,12 8
ZONA 4 19,60 26,10 24,24 1,21 7
ZONA 5 20,10 25,90 23,29 1,02 6
ZONA / ESTADISTICO MIN MAX MED DESVST RANGO
ZONA 1 99,00 1168,00 604,24 215,85 1069
ZONA 2 874,00 1888,00 1280,23 216,89 1014
ZONA 3 1558,00 2488,00 2001,24 220,56 930
ZONA 4 2328,00 3329,00 2713,65 195,26 1001
ZONA 5 2552,00 5092,00 3547,01 358,15 2540
ZONA / ESTADISTICO MIN MAX MED DESVST RANGO
ZONA 1 19,70 27,00 25,75 0,90 7
ZONA 2 19,30 26,90 25,44 1,07 8
ZONA 3 18,80 26,70 25,44 1,17 8
ZONA 4 20,00 26,60 25,01 1,18 7
ZONA 5 20,40 26,40 23,83 1,06 6
ZONA / ESTADISTICO MIN MAX MED DESVST RANGO
ZONA 1 19,30 25,30 23,32 0,79 6
ZONA 2 18,50 25,50 23,75 0,78 7
ZONA 3 18,20 25,80 23,74 1,09 8
ZONA 4 19,20 25,70 23,63 1,26 7
ZONA 5 19,80 25,50 22,84 1,03 6
ZONA / ESTADISTICO MIN MAX MED DESVST RANGO
ZONA 1 79,00 697,00 410,99 134,56 618
ZONA 2 449,00 1105,00 785,27 121,57 656
ZONA 3 635,00 1507,00 1133,61 158,68 872
ZONA 4 774,00 1728,00 1266,49 235,47 954
ZONA 5 945,00 1999,00 1357,67 308,42 1054
ZONA / ESTADISTICO MIN MAX MED DESVST RANGO
ZONA 1 0,00 111,00 18,17 18,20 111
ZONA 2 2,00 230,00 44,66 44,93 228
ZONA 3 10,00 398,00 95,16 81,44 388
ZONA 4 34,00 596,00 254,78 133,19 562
ZONA 5 224,00 1049,00 503,25 183,20 825
BIO16 - PRECIPITACION DEL TRIMESTRE MAS HUMEDO (mm)
BIO17 - PRECIPITACION DEL TRIMESTRE MAS SECO (mm)
BIO1 - TEMPERATURA MEDIA ANUAL (°C)
BIO12 - PRECIPITACION ANUAL (mm)
BIO10 - TEMPERATURA MEDIA DEL TRIMESTRE MAS CALIENTE (°C)
BIO11 - TEMPERATURA MEDIA DEL TRIMESTRE MAS FRIO (°C)
Page 42
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 42
Anexo3. Tablas de precipitación media mensual acotada (54 Estaciones)
de la Base Climática de INAMHI.
ESTAC1ENER
O_PP
FEBRE
RO_PP
MARZ
O_PP
ABRIL
_PP
MAYO
_PP
JUNIO
_PP
JULIO_
PP
AGOS
TO_PP
SEPTIE
MBRE
OCTU
BRE_P
NOVIE
MBRE
DICIE
MBRE
ANCON_STA_ELENA 62,35 109,79 75,32 56,94 28,44 17,01 28,62 27,68 23,70 18,90 33,31 59,36
Libertad 16,55 105,05 86,31 18,20 2,26 0,21 0,61 0,29 0,57 0,74 0,60 1,70
MANTA_INOCAR 57,75 100,70 66,35 38,26 14,33 2,66 5,08 0,43 1,06 0,22 1,08 8,39
GYE_INOCAR 157,92 286,68 263,60 164,66 38,16 5,93 1,57 0,18 0,70 0,47 4,08 32,76
PUNA_INOCAR 99,63 199,00 141,73 79,86 24,64 4,13 0,60 0,10 0,39 1,11 5,81 22,45
PTO_BOLIVAR_INOCAR 91,12 167,01 155,50 79,73 26,13 8,35 6,09 3,54 2,95 6,32 6,62 25,19
PORTOVIEJO 95,56 139,88 131,79 78,43 30,84 9,05 3,15 2,16 2,64 1,91 5,32 25,95
PASAJE 155,03 193,20 182,41 112,00 42,81 33,61 30,51 28,20 30,94 44,94 38,92 70,62
GUAYAQUIL_AERO 191,07 325,31 300,80 181,09 50,87 6,70 3,53 0,37 0,72 1,23 6,07 39,66
MANTA_AEROPUERTO 60,68 105,00 86,87 42,97 23,24 4,58 1,07 0,75 0,59 0,83 1,75 8,57
CHONE 187,23 338,51 257,24 184,30 58,41 18,65 15,96 11,51 11,21 10,55 29,81 58,30
ROCAFUERTE 77,61 140,21 96,26 65,60 25,34 5,77 1,84 1,62 1,70 1,73 7,11 18,77
JAMA 110,14 181,12 107,59 91,78 42,54 22,85 9,30 1,52 4,52 4,53 17,59 31,86
JULCUY 92,05 141,31 121,51 77,50 28,73 7,71 1,86 2,00 1,08 0,90 3,33 19,09
NARANJAL 58,23 86,06 76,58 65,90 23,12 10,88 9,01 11,08 11,19 14,01 14,87 27,02
MACHALA-UTM 192,87 270,41 238,93 152,11 88,36 59,30 51,15 46,81 49,83 69,61 63,31 93,50
PORTOVIEJO_AEROPUERTO 85,26 108,19 107,75 65,80 30,01 7,17 2,61 2,30 2,94 1,37 4,53 20,36
24DE_MAYO(JABONCILLO) 152,43 247,67 239,05 180,90 75,32 21,75 7,84 1,26 2,49 4,29 18,35 38,76
LA_LAGUNA 36,23 82,04 69,70 42,90 10,38 10,26 2,83 3,28 3,80 2,27 3,76 13,70
SANCAN 79,39 133,73 126,34 88,14 28,00 6,88 2,09 1,52 1,81 1,36 3,54 23,45
CAMARONES-MANABI 57,24 92,32 73,88 32,68 18,15 14,00 7,91 7,71 7,12 8,04 5,73 15,63
EL_ANEGADO 132,01 194,26 189,46 150,61 101,72 54,31 36,78 25,46 30,33 29,45 37,74 61,19
CHORRILLOS 80,71 154,54 126,98 60,89 21,15 10,55 11,12 12,23 8,36 10,60 9,34 20,97
RIO_CHICO_EN_ALAJUELA 132,83 237,52 186,46 161,22 67,93 10,60 5,31 6,68 4,40 5,60 14,71 31,15
JOA-JIPIJAPA 66,84 86,18 86,18 71,73 40,29 9,58 3,98 5,02 3,25 1,27 4,15 22,28
PUERTO_CAYO 59,60 100,86 79,38 54,83 22,73 12,94 10,67 8,26 9,74 13,50 7,80 14,13
COLIMES_DE_PAJAN 176,81 269,63 273,15 215,29 100,35 23,25 9,90 3,51 5,74 3,51 9,93 48,16
SAN_PABLO-MANABI 219,33 395,21 380,98 368,04 205,08 88,98 60,27 31,13 26,40 22,14 21,59 73,46
JUNIN 177,68 261,70 214,41 177,56 55,68 11,72 8,16 5,95 2,44 3,85 10,72 50,97
COLIMES_DE_BALZAR-
INAMHI259,41 343,08 309,96 223,53 77,23 14,81 2,36 1,16 3,70 3,29 10,03 86,22
DAULE-EN_LA_CAPILLA-
INAMHI255,83 355,14 296,68 236,98 75,27 12,73 3,82 3,91 3,33 2,48 2,52 72,48
PUERTO_INCA(CAÑAR) 232,81 339,86 355,72 210,64 44,69 24,52 19,07 13,95 14,50 21,00 28,87 67,80
CHACRAS 64,32 141,86 105,24 66,79 14,47 2,06 0,50 0,57 0,77 1,77 2,54 6,19
BAHIA_DE_CARAQUEZ_AER 96,17 196,23 102,68 81,43 32,62 14,40 4,40 3,19 7,13 3,13 5,87 19,08
SAN_LORENZO_INOCAR 317,74 287,57 297,39 379,25 344,63 219,71 152,83 97,08 110,93 118,94 87,45 189,67
ESMERALDAS_INOCAR 136,46 179,75 130,43 113,02 72,40 48,42 27,73 10,42 16,61 14,32 18,98 40,64
PICHILINGUE 375,86 446,22 421,40 389,35 155,98 36,70 24,81 10,67 15,92 21,09 38,47 144,06
LA_CONCORDIA 462,32 576,83 590,59 635,59 336,54 135,06 74,05 46,39 65,94 68,16 64,26 200,43
PUERTO_ILA 424,63 500,52 504,60 509,69 232,59 92,48 55,84 36,77 55,68 62,27 68,86 209,84
SANTO_DOMINGO 443,71 478,15 527,11 436,67 278,17 131,71 92,82 49,71 99,72 95,37 102,18 224,14
MILAGRO_ING 241,05 404,56 362,10 214,07 69,84 14,43 7,81 0,70 4,07 2,70 9,43 63,20
BABAHOYO 348,09 530,10 484,49 350,96 112,95 28,66 7,45 3,30 7,10 5,47 29,03 115,83
ESMERALDAS_TACHINA 135,55 168,22 115,98 119,31 77,26 42,43 25,61 11,60 22,16 17,48 22,69 44,06
EL_CORAZON 351,19 410,79 437,86 346,32 172,76 46,98 23,66 18,03 33,67 51,11 62,72 196,76
SAN_JUAN_LA_MANA 448,05 548,53 558,43 503,44 255,08 60,57 37,62 30,27 25,46 42,16 56,42 224,75
CAYAPAS 434,89 371,39 398,07 428,91 420,53 285,03 209,60 132,80 209,09 186,55 115,77 204,92
OLMEDO-MANABI 281,76 370,80 344,18 297,92 114,34 22,12 10,03 2,53 12,53 19,11 17,56 91,76
ZARUMA 228,67 316,89 291,80 228,80 90,17 20,76 6,33 3,95 16,33 33,20 53,29 131,54
INGENIO-SAN_CARLOS 311,63 394,97 440,58 287,85 107,64 25,71 12,33 3,46 5,83 3,78 20,06 57,60
SAGUE_(SANMATEO) 159,72 204,90 130,58 132,53 103,44 51,95 36,62 21,85 35,54 24,10 30,61 47,44
ZAPOTE 227,61 373,69 313,34 282,21 90,15 28,56 12,23 10,26 6,98 6,51 14,37 58,00
RIO_CHAMOTETE-
JESUS_MARIA201,86 276,91 259,13 203,22 82,38 20,48 13,12 11,39 5,45 8,30 9,44 58,34
VENTANAS_INAMHI 482,77 499,78 498,17 395,46 156,66 28,93 18,33 1,73 4,63 14,65 33,93 160,60
VINCES_INAMHI 285,78 361,64 294,52 280,18 106,45 17,76 9,32 2,48 7,66 7,64 23,70 122,58
Page 43
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 43
Anexo4. Tablas de temperatura media mensual acotada (18 Estaciones)
de la Base Climática de INAMHI.
Anexo5. Tablas transpuesta de precipitación y temperatura media
mensual acotada y estandarizada (16 Estaciones) de la Base Climática de
INAMHI.
ESTACene_
tmax
feb_t
max
mar_
tmax
abr_t
max
may_
tmax
jun_t
max
jul_t
max
Ago_
tmax
Sep_
tmax
Oct_t
max
Nov_
tmax
Dic_t
max
ene_
tmin
feb_t
min
mar_
tmin
abr_t
min
may_
tmin
jun_t
min
jul_t
min
Ago_
tmin
Sep_
tmin
Oct_t
min
Nov_
tmin
Dic_t
min
Libertad 28,31 29,32 29,47 29,11 27,52 25,07 23,89 23,02 23,39 23,78 24,56 26,54 23,69 24,59 24,61 23,87 23,01 21,54 20,68 19,98 20,10 20,72 21,20 22,29
MANTA_INOCAR 29,49 29,74 30,05 30,09 29,83 28,75 28,26 27,93 27,83 28,03 28,42 29,18 22,99 23,36 23,47 23,24 22,75 21,77 21,15 20,66 20,69 21,10 21,43 22,21
GYE_INOCAR 31,84 31,44 32,23 32,36 31,55 30,11 29,35 29,51 30,18 30,15 30,70 31,69 23,08 23,42 23,65 23,45 22,66 21,36 20,75 20,31 20,52 21,06 21,36 22,15
PUNA_INOCAR 30,79 30,58 31,19 31,31 30,39 28,81 27,78 27,61 28,12 28,09 28,78 30,26 22,68 22,90 23,09 23,05 22,50 21,35 20,61 20,19 20,24 20,63 21,13 21,96
SAN_LORENZO_INOCAR 30,38 30,85 31,39 31,24 30,61 30,16 29,99 29,96 29,95 30,07 30,08 30,08 21,80 21,99 22,16 22,22 22,14 21,97 21,56 21,78 21,81 21,83 22,02 21,90
PTO_BOLIVAR_INOCAR 28,32 28,80 29,05 28,88 27,87 26,17 25,07 24,55 24,71 25,04 25,68 27,06 24,14 24,28 24,62 24,63 24,21 22,84 21,94 21,44 21,54 21,92 22,51 23,47
ESMERALDAS_INOCAR 29,54 29,70 30,09 30,18 30,11 30,03 29,85 29,74 29,49 29,64 29,57 29,51 23,06 23,13 23,18 23,43 23,38 23,03 22,75 22,63 22,50 22,81 22,74 23,08
PORTOVIEJO 34,80 34,10 34,63 34,91 34,49 33,91 33,48 33,78 34,04 34,07 34,43 34,50 19,93 20,62 20,70 20,41 19,70 19,36 18,42 18,03 18,53 18,82 18,51 18,71
PICHILINGUE 33,26 32,97 33,65 33,55 32,88 32,25 31,87 32,62 33,79 33,75 34,15 34,05 20,49 20,83 21,10 21,05 20,43 19,38 18,30 17,82 18,77 19,20 19,17 19,67
LA_CONCORDIA 32,13 32,26 32,80 32,63 32,14 31,51 31,16 31,82 32,12 31,91 32,20 32,36 19,81 20,14 20,35 20,35 20,13 19,43 18,55 18,42 19,19 19,34 18,98 19,36
PUERTO_ILA 32,05 32,20 32,73 32,58 32,12 30,90 30,76 31,52 31,97 31,62 32,29 32,27 19,88 20,16 20,40 20,46 19,97 19,18 18,40 18,35 18,85 18,74 18,71 19,11
SANTO_DOMINGO 29,97 30,02 30,80 30,64 30,19 29,49 28,87 29,76 29,71 29,33 30,02 30,15 18,79 18,90 19,20 19,18 18,90 18,34 17,62 17,13 16,90 17,74 17,62 18,30
MILAGRO_ING 33,60 32,83 33,42 33,50 33,07 32,16 31,83 31,99 32,76 33,04 33,31 33,92 20,85 21,20 21,40 21,37 20,56 19,52 18,68 18,63 19,03 19,36 19,59 20,17
BABAHOYO 33,55 32,91 33,33 33,38 32,87 31,64 31,46 31,65 32,28 32,63 33,29 33,99 20,99 21,49 21,91 21,89 21,14 20,14 19,40 19,08 19,57 19,72 19,99 20,66
GUAYAQUIL_AERO 34,92 34,04 34,63 34,59 33,82 32,98 32,49 32,53 33,08 33,59 33,92 34,94 21,19 21,87 22,12 21,94 20,99 19,92 19,13 19,02 19,30 19,85 20,11 20,70
ESMERALDAS_TACHINA 31,84 31,36 31,90 31,91 31,81 31,69 31,61 32,20 32,09 32,81 32,19 31,83 20,95 21,11 20,99 21,64 21,20 20,89 20,64 20,45 20,59 20,55 20,44 19,99
MACHALA_AER 33,01 33,37 33,86 33,77 32,81 31,16 29,89 29,68 29,41 30,09 30,88 32,44 21,45 21,85 22,08 22,13 21,48 20,12 19,63 19,41 19,42 19,92 20,45 21,03
SAN_CRISTOB 30,89 32,11 32,61 31,75 30,61 29,07 27,83 26,69 26,95 27,26 28,08 29,39 21,05 21,02 20,86 20,58 20,49 19,85 18,75 18,13 18,25 17,95 19,22 19,75
ESTAC1 LibertadMANTA_
INOCAR
GYE_INO
CAR
PUNA_I
NOCAR
PTO_BO
LIVAR_I
NOCAR
PORTOV
IEJO
GUAYAQ
UIL_AER
O
SAN_LO
RENZO_
INOCAR
ESMERAL
DAS_INO
CAR
PICHILIN
GUE
LA_CON
CORDIA
PUERTO
_ILA
SANTO_
DOMING
O
MILAGR
O_ING
BABAH
OYO
ESMERAL
DAS_TAC
HINAENERO_PP 0,00 0,09 0,32 0,19 0,17 0,18 0,39 0,68 0,27 0,81 1,00 0,92 0,96 0,50 0,74 0,27
FEBRERO_PP 0,01 0,00 0,39 0,21 0,14 0,08 0,47 0,39 0,17 0,73 1,00 0,84 0,79 0,64 0,90 0,14
MARZO_PP 0,04 0,00 0,38 0,14 0,17 0,12 0,45 0,44 0,12 0,68 1,00 0,84 0,88 0,56 0,80 0,09
ABRIL_PP 0,00 0,03 0,24 0,10 0,10 0,10 0,26 0,58 0,15 0,60 1,00 0,80 0,68 0,32 0,54 0,16
MAYO_PP 0,00 0,04 0,10 0,07 0,07 0,08 0,14 1,00 0,20 0,45 0,98 0,67 0,81 0,20 0,32 0,22
JUNIO_PP 0,00 0,01 0,03 0,02 0,04 0,04 0,03 1,00 0,22 0,17 0,61 0,42 0,60 0,06 0,13 0,19
JULIO_PP 0,00 0,03 0,01 0,00 0,04 0,02 0,02 1,00 0,18 0,16 0,48 0,36 0,61 0,05 0,05 0,16
AGOSTO_PP 0,00 0,00 0,00 0,00 0,04 0,02 0,00 1,00 0,11 0,11 0,48 0,38 0,51 0,01 0,03 0,12
SEPTIEMBRE_PP 0,00 0,01 0,00 0,00 0,02 0,02 0,00 1,00 0,15 0,14 0,59 0,50 0,90 0,03 0,06 0,20
OCTUBRE_PP 0,00 0,00 0,00 0,01 0,05 0,01 0,01 1,00 0,12 0,18 0,57 0,52 0,80 0,02 0,04 0,15
NOVIEMBRE_PP 0,00 0,00 0,03 0,05 0,06 0,05 0,05 0,86 0,18 0,37 0,63 0,67 1,00 0,09 0,28 0,22
DICIEMBRE_PP 0,00 0,03 0,14 0,09 0,11 0,11 0,17 0,85 0,18 0,64 0,89 0,94 1,00 0,28 0,51 0,19
ene_tmax 0,00 0,18 0,53 0,38 0,00 0,98 1,00 0,31 0,19 0,75 0,58 0,57 0,25 0,80 0,79 0,53
feb_tmax 0,10 0,18 0,50 0,33 0,00 1,00 0,99 0,39 0,17 0,79 0,65 0,64 0,23 0,76 0,78 0,48
mar_tmax 0,08 0,18 0,57 0,38 0,00 1,00 1,00 0,42 0,19 0,82 0,67 0,66 0,31 0,78 0,77 0,51
abr_tmax 0,04 0,20 0,58 0,40 0,00 1,00 0,95 0,39 0,22 0,78 0,62 0,61 0,29 0,77 0,75 0,50
may_tmax 0,00 0,33 0,58 0,41 0,05 1,00 0,90 0,44 0,37 0,77 0,66 0,66 0,38 0,80 0,77 0,61
jun_tmax 0,00 0,42 0,57 0,42 0,12 1,00 0,89 0,58 0,56 0,81 0,73 0,66 0,50 0,80 0,74 0,75
jul_tmax 0,00 0,46 0,57 0,41 0,12 1,00 0,90 0,64 0,62 0,83 0,76 0,72 0,52 0,83 0,79 0,81
Ago_tmax 0,00 0,46 0,60 0,43 0,14 1,00 0,88 0,65 0,62 0,89 0,82 0,79 0,63 0,83 0,80 0,85
Sep_tmax 0,00 0,42 0,64 0,44 0,12 1,00 0,91 0,62 0,57 0,98 0,82 0,81 0,59 0,88 0,84 0,82
Oct_tmax 0,00 0,41 0,62 0,42 0,12 1,00 0,95 0,61 0,57 0,97 0,79 0,76 0,54 0,90 0,86 0,88
Nov_tmax 0,00 0,39 0,62 0,43 0,11 1,00 0,95 0,56 0,51 0,97 0,77 0,78 0,55 0,89 0,89 0,77
Dic_tmax 0,00 0,31 0,61 0,44 0,06 0,95 1,00 0,42 0,35 0,89 0,69 0,68 0,43 0,88 0,89 0,63
ene_tmin 0,91 0,78 0,80 0,73 1,00 0,21 0,45 0,56 0,80 0,32 0,19 0,20 0,00 0,39 0,41 0,40
feb_tmin 1,00 0,78 0,79 0,70 0,95 0,30 0,52 0,54 0,74 0,34 0,22 0,22 0,00 0,41 0,46 0,39
mar_tmin 1,00 0,79 0,82 0,72 1,00 0,28 0,54 0,55 0,73 0,35 0,21 0,22 0,00 0,41 0,50 0,33
abr_tmin 0,86 0,74 0,78 0,71 1,00 0,22 0,51 0,56 0,78 0,34 0,21 0,23 0,00 0,40 0,50 0,45
may_tmin 0,77 0,73 0,71 0,68 1,00 0,15 0,39 0,61 0,84 0,29 0,23 0,20 0,00 0,31 0,42 0,43
jun_tmin 0,68 0,73 0,64 0,64 0,96 0,22 0,34 0,77 1,00 0,22 0,23 0,18 0,00 0,25 0,38 0,54
jul_tmin 0,60 0,69 0,61 0,58 0,84 0,16 0,29 0,77 1,00 0,13 0,18 0,15 0,00 0,21 0,35 0,59
Ago_tmin 0,52 0,64 0,58 0,56 0,78 0,16 0,34 0,85 1,00 0,13 0,23 0,22 0,00 0,27 0,35 0,60
Sep_tmin 0,57 0,68 0,65 0,60 0,83 0,29 0,43 0,88 1,00 0,34 0,41 0,35 0,00 0,38 0,48 0,66
Oct_tmin 0,59 0,66 0,66 0,57 0,82 0,21 0,42 0,81 1,00 0,29 0,32 0,20 0,00 0,32 0,39 0,56
Nov_tmin 0,70 0,75 0,73 0,69 0,96 0,17 0,49 0,86 1,00 0,30 0,27 0,21 0,00 0,39 0,46 0,55
Dic_tmin 0,77 0,76 0,75 0,71 1,00 0,08 0,46 0,70 0,92 0,27 0,21 0,16 0,00 0,36 0,46 0,33
Page 44
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 44
Anexo6. Mapa de las 54 estaciones del primer ensayo de clustering
(Precipitación) y Tabla de cluster.
Page 45
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 45
NID ESTACION CLUSTER
1 ANCON_STA_ELENA 2
2 Libertad 2
3 MANTA_INOCAR 2
4 GYE_INOCAR 1
5 PUNA_INOCAR 2
6 PTO_BOLIVAR_INOCAR 2
7 PORTOVIEJO-UTM 2
8 PASAJE 2
9 GUAYAQUIL_AEROPUERTO 1
10 MANTA_AEROPUERTO 2
11 CHONE 1
12 ROCAFUERTE 2
13 JAMA 2
14 JULCUY 2
15 NARANJAL 2
16 MACHALA-UTM 1
17 PORTOVIEJO_AEROPUERTO 2
18 24DE_MAYO(JABONCILLO) 1
19 LA_LAGUNA 2
20 SANCAN 2
21 CAMARONES-MANABI 2
22 EL_ANEGADO 2
23 CHORRILLOS 2
24 RIO_CHICO_EN_ALAJUELA 2
25 JOA-JIPIJAPA 2
26 PUERTO_CAYO 2
27 COLIMES_DE_PAJAN 1
28 SAN_PABLO-MANABI 1
29 JUNIN 1
30 COLIMES_DE_BALZAR-INAMHI 1
31 DAULE-EN_LA_CAPILLA-INAMHI 1
32 PUERTO_INCA(CAÑAR) 1
33 CHACRAS 2
34 BAHIA_DE_CARAQUEZ_AER 2
35 SAN_LORENZO_INOCAR 3
36 ESMERALDAS_INOCAR 2
37 PICHILINGUE 1
38 LA_CONCORDIA 3
39 PUERTO_ILA 3
40 SANTO_DOMINGO_AEROPUERTO 3
41 MILAGRO(INGENIO_VALDEZ) 1
42 BABAHOYO 1
43 ESMERALDAS_TACHINA 2
44 EL_CORAZON 1
45 SAN_JUAN_LA_MANA 3
46 CAYAPAS 3
47 OLMEDO-MANABI 1
48 ZARUMA 1
49 INGENIO-SAN_CARLOS 1
50 SAGUE_(SANMATEO) 2
51 ZAPOTE 1
52 RIO_CHAMOTETE-JESUS_MARIA 1
53 VENTANAS_INAMHI 3
54 VINCES_INAMHI 1
Page 46
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 46
Anexo7. Mapa de las 16 estaciones del segundo ensayo de clustering
(precipitación y temperatura) y Tabla de cluster.
Page 47
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 47
Anexo8. Código de R del dendrograma para determinar el número de
Clusters.
NID ESTAC1 CLUSTER
1 Libertad 1
2 MANTA_INOCAR 1
3 GYE_INOCAR 1
4 PUNA_INOCAR 1
5 PTO_BOLIVAR_INOCAR 1
6 PORTOVIEJO 1
7 GUAYAQUIL_AERO 1
8 SAN_LORENZO_INOCAR 2
9 ESMERALDAS_INOCAR 1
10 PICHILINGUE 2
11 LA_CONCORDIA 3
12 PUERTO_ILA 3
13 SANTO_DOMINGO 3
14 MILAGRO_ING 2
15 BABAHOYO 2
16 ESMERALDAS_TACHINA 1
Page 48
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 48
Anexo 9. Tablas y gráficos de Vector Regional
ZONA 1
GRUPO 1
Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero
Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril
Índices anuales correspondientes al mes de Mayo Índices anuales correspondientes al mes de Junio
Page 49
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 49
Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto
Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre
Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre
Page 50
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 50
GRUPO 2
Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero
Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril
Índices anuales correspondientes al mes de Mayo Índices anuales correspondientes al mes de Junio
Page 51
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 51
Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto
Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre
Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre
Page 52
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 52
ZONA 2
GRUPO 1
Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero
Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril
Índices anuales correspondientes al mes de Mayo Índices anuales correspondientes al mes de Junio
Page 53
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 53
Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto
Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre
Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre
Page 54
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 54
GRUPO 2
Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero
Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril
Índices anuales correspondientes al mes deMayo Índices anuales correspondientes al mes de Junio
Page 55
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 55
Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto
Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre
Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre
Page 56
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 56
ZONA 3
Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero
Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril
Índices anuales correspondientes al mes de Mayo Índices anuales correspondientes al mes de Junio
Page 57
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 57
Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto
Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre
Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre
Page 58
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 58
ZONA 4
Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero
Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril
Índices anuales correspondientes al mes de Mayo Índices anuales correspondientes al mes de Junio
Page 59
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 59
Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto
Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre
Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre
Page 60
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 60
Anexo 10. Tablas de Correlación de las Zonas con el Vector Regional
ANEXO
CORRELACIONES DEL VECTOR REGIONAL CON LAS ZONAS
ZONA 2
Page 61
Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI
Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 61
ZONA 3
ZONA 4