Comparación de técnicas de interpolación espacial de temperatura ambiente de los modelos atmosféricos CMIP6 y de las estaciones meteorológicas
La interpolación es esencial para estimar datos en áreas sin información. Este estudio aborda la escasez de datos en zonas sin estaciones meteorológicas en la provincia de Chimborazo, lo cual dificulta entender el comportamiento de la variable temperatura. Por ende, el objetivo del presente trabajo...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | |
| Médium: | bachelorThesis |
| Jazyk: | spa |
| Vydáno: |
2024
|
| Témata: | |
| On-line přístup: | https://dspace.espoch.edu.ec/handle/123456789/22840 |
| Tagy: |
Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
|
Přidat tag | Shrnutí: | La interpolación es esencial para estimar datos en áreas sin información. Este estudio aborda la escasez de datos en zonas sin estaciones meteorológicas en la provincia de Chimborazo, lo cual dificulta entender el comportamiento de la variable temperatura. Por ende, el objetivo del presente trabajo de titulación fue comparar técnicas de interpolación espacial de datos de temperatura ambiente de los modelos atmosféricos CMIP6 y de las estaciones meteorológicas. La metodología fue cuantitativa, con un diseño no experimental de tipo transversal. Se descargaron datos del SAM (523 puntos) periodo 1998-2020, detectando y completando información faltante con missForest en RStudio. Por otra parte, los datos de temperatura de las estaciones meteorológicas periodo 2014-2020 fueron proporcionados por el Grupo de Energías Alternativas y Ambiente (GEAA). Se empleo un muestreo por conveniencia, determinando que el año 2015 muestra mayor confiabilidad y precisión debido a la menor cantidad de datos faltantes. Las estadísticas muestran un incremento en la media y la mediana a lo largo de tiempo. Las pruebas de normalidad de Kolmogorov-Smirnov y Shapiro-Wilks, indicaron que los datos del SAM no siguen una distribución normal a diferencia de los datos de las estaciones. Luego se implementaron las técnicas de interpolación IDW, Spline y Kriging, y se evaluaron usando métricas de validación. El método que mejor se ajustó y presentó menores errores fue Kriging, para los datos del SAM el Kriging Universal con semivariograma exponencial y tendencia constante presentó un EM de -0.01, SEM de 1.64 y RSME de 1.10, mientras que para los datos de las estaciones meteorológicas el método de Kriging Ordinario con semivariograma gaussiano y tendencia constante presentó un EM de -0.16, SEM de 2.74 y RSME de 2.93, el estudio demuestra que la interpolación Kriging es la más efectiva, ya que utiliza la correlación espacial y el análisis de tendencia. |
|---|