Predicción de la precipitación pluvial en función de elementos hidrometeorológicos en la cuenca del río Ramis

Abstract

El presente trabajo de investigación se ha efectuado en base de los datos meteorológicos que se encuentran dentro de la cuenca del rio Ramis, y se ha planteado como objetivo general determinar la predicción espacial de la precipitación pluvial en función de elementos hidrometeorológicos en la cuenca, para lo cual se realizó modelamiento estadístico relacionando variables con una base física. La metodología a seguir son los procesos de: Análisis de consistencia y homogeneidad de datos meteorológicos. Análisis de tendencias; Modelamiento matemático: conceptualización, calibración, validación y análisis de sensibilidad del modelo y predicción de la precipitación pluvial mensual aplicando el modelo validado; se ha llegado a las siguientes conclusiones: La climatología de la precipitación tanto la de CRU (Climate Research Unit) como la observada cuantificablemente son similares con errores que varían entre -1 mm/día a + 1 mm/día; en cambio, en la climatología de la temperatura, CRU muestra errores de hasta -2ºC respecto a lo observado, es decir lo subestima. Además, comparando espacialmente las climatologías de CRU respecto a lo observado presentan ligeras diferencias más notorias en la temperatura con gradientes acentuados. Resultado de la validación de los modelos regionales, espacial y temporal, el modelo HadRM3, en comparación a los otros. La relación que existe entre la predicción de precipitación pluvial y las variables climáticas para microcuencas de la cuenca del rio Ramis, en muchas estaciones meteorológicas son estadísticamente significativos, pero debemos tomar en cuenta que no se comportaron en forma similar en todas las estaciones meteorológicas, esto debido probablemente es por la influencia de factores climáticos como son las latitudes, altitudes, entre otros factores climáticos. La eficiencia del modelo obtenido y de acuerdo al coeficiente de determinación no son muy eficientes y varía entre 50 a 60%; para que sean eficientes estos modelos habría realizar más modelamientos es decir considerando otras variables predictoras