Portal de Periódicos da CAPES

Filtros para Predecir Incertidumbre de Lluvia y Clima

2012; Revista de Climatología; Issue: 12 Linguagem: Espanhol

1578-8768

Saba Infante, Luis Sánchez, Fernando León Cedeño,

Regional Development and Innovation

espanolEn este trabajo se propone una metodologia que combina series de tiempo de promedios mensuales de precipitaciones registrados en algunas estaciones Meteorologicas del estado Carabobo, Venezuela con los modelos generados por una ecuacion diferencial parcial de adveccion y difusion. Se implemento el filtro de Kalman de ensambles (FKEN) y el filtro de Kalman sin esencia de ensambles (FKSEEN) para estimar y pronosticar los estados de lluvia. Adicionalmente se utilizo el algoritmo de descomposicion de valor singular truncado para reducir el costo computacional en la generacion de los puntos sigma que se requieren en la transformacion sin esencia. Los algoritmos fueron ejecutados con datos reales. Los promedios mensuales de las precipitaciones fueron modelados utilizando mezclas de funciones de bases radiales y se consideraron modelos de covarianzas con estructuras espaciales para cuantificar la dependencia entre las estaciones. Bajo los supuestos de los errores Gaussianos se demuestra que los filtros reconstruyen y predicen adecuadamente los estados del tiempo dentro de los rangos esperados. Para medir la calidad de estimacion de los algoritmos se utilizo el estadistico denominado tiempo promedio del error relativo (TPER). La medida de performance demuestra que el FKSEEN tiene menos variabilidad en la estimacion que el FKEN. EnglishThis paper proposes a methodology that combines time series of monthly averages of rainfall recorded in some weather stations in the state of Carabobo, Venezuela with the models generated by a partial differential equation of advection and diffusion. Implemented ensemble Kalman filter (EnKF) and the ensemble unscented Kalman filter (EnUKF) to estimate and predict the states of rain. Additionally we used the algorithm truncated singular value decomposition to reduce the computational cost in the generation of sigma points required in the unscented transformation. The algorithms were implemented with real data. The monthly averages of the rainfall were modeled using mixtures of radial basis functions and are considered models of covariance with spatial structures for quantify the dependence between the stations. Under the assumptions of Gaussian errors shows that filters reconstruction and adequately prediction the States of time within expected ranges. To measure the quality of estimation of the algorithms there was used the statistician named average time of the relative error (RMSE). The performance measure shows that the EnUKF has less variability in estimating that the EnKF.