Modelo Bioclimtico

Modelo Bioclimtico

Modelo Bioclimtico
CRDITOS
Sra. Mgs. Lorena Tapia Nez
Ministra del Ambiente
Elaboracin:
Pablo Melo
Ximena Herrera
Ral Galeas
Colaboradores:
Andrea Bustos

- Ministerio del Ambiente (MAE)
Wouter Buytaer - Imperial College of London
Oscar Chimborazo - Instituto Nacional de Meteorologa e Hidrologa (INAMHI)
Bolvar Erazo - Instituto Nacional de Meteorologa e Hidrologa (INAMHI)
Silvana Guitarra - Instituto Nacional de Meteorologa e Hidrologa (INAMHI)
Revisin tcnica:
Ral Galeas
Coordinador Proyecto Mapa de Vegetacin.
Diseo y Diagramacin:
Andrs Baroja
Fotos:
Archivo MAE
Quito 2013
Modelo Bioclimtico
C
O
N
T
E
N
I
D
O
1. ANTECEDENTE....................7
2. INTRODUCCIN......................8
3. BASE CONCEPTUAL....................................9
3.1 Bioclima e ndices bioclimticos............................9
3.2 Mtodos de interpolacin geoestadistica (kriging cokriging)....................11
3.3 Mtodos de relleno de informacin hidrometeorolgica...................12
4. METODOLOGIA.......................................................................................14
4.1 Recopilacin y revisin de informacin...................................14
4.1.1 Informacin disponible....................14
4.2 Caractersticas de l a informacin.........................15
4.3 Comparacin de informacin........................19
4.4 Vacios de informacin climtica.....................................22
4.5 Revisin y validacin de informacin climtica previo a la modelizacin.......23
4.5.1 Precipitacin...........................................................................................................23
4.5.2 Temperatura...........................................................................................................25
4.6 Modelamiento de datos pluviomtricos y temperatura..................................................26
4.6.1 Precipitacin...........................................................................................................26
4.6.2 Temperatura...........................................................................................................27
5. RESULTADOS......................................28
5.1 Construccin de la capa del ndice ombrotrmico (Iod) Capa de ombrotipos......28
5.2 Construccin de la capa del ndice de termicidad - Capa de termotipos...............31
5.3 Construccin de la capa de Bioclima....................................33
6. VALIDACIN Y CALIBRACIN....................................................35
7. CONCLUSIONES Y RECOMENDACIONES..........................................37
8. REFERENCIAS BIBLIOGRFICAS...........................................................39
9. ANEXOS..................................................................................................................41
6
Modelo Bioclimtico
MODELO BIOCLIMTICO
DEL ECUADOR CONTINENTAL
PARA LA REPRESENTACIN CARTOGRFICA
DE ECOSISTEMAS DEL ECUADOR CONTINENTAL.
7
Modelo Bioclimtico Modelo Bioclimtico
1. Antecedentes
E
l Gobierno del Ecuador en su impulso por fortalecer las actividades relacionadas a
una mejor planifcacin, acceso y uso de los recursos naturales ha impulsado una
serie de polticas, programas y proyectos que el Ministerio del Ambiente del Ecuador
(MAE), ha venido desarrollando. Entre los principales proyectos de inversin pblica que
el MAE ejecuta, se encuentra el desarrollo del Mapa de Vegetacin y Uso de la Tierra del
Ecuador Continental desde inicios del ao 2010, cuyo objetivo est orientado a disponer
de informacin espacial actualizada de los ecosistemas, su remanencia, su nivel de
representatividad en el Sistema Nacional de reas Protegidas, adems de proveer una
identifcacin de reas prioritarias para conservacin y restauracin.
Adicionalmente, este Proyecto contribuye a sentar las bases para la estructuracin de un
sistema de monitoreo ambiental a futuro que permita identifcar trayectorias de cambio de
las coberturas de la tierra y analizar el impacto de las polticas nacionales de ordenamiento
del territorio sobre el capital natural. Se espera que la construccin del Mapa de Vegetacin
del Ecuador apoye a su vez procesos de documentacin y reporte respecto del estado de
la biodiversidad del Ecuador en el marco de los tratados y convenios internacionales de los
cuales el pas es miembro activo.
Desde inicios del 2010, en el marco del proyecto, se desarroll la propuesta metodolgica
para la construccin del mapa de ecosistemas la cual incorpora un modelo de
representacin cartogrfca de los ecosistemas. En ese modelo se identifcan una serie de
variables diagnsticas que permitan mapear e inferir la ocurrencia de los ecosistemas. Entre
las variables diagnsticas priorizadas se incluye un conjunto de variables bioclimticas que
se construyen a partir de datos mensuales de temperatura (promedio, mximas y mnimas),
la precipitacin total anual, y su variacin mensual o estacional.
Desde esa perspectiva la construccin de un modelo bioclimtico para el Ecuador
continental resulta de una importancia primordial, en un territorio donde su biodiversidad
est estrechamente ligada en gran parte a la variacin climtica y a su biogeografa. Por
tal razn y a sabiendas que este insumo es un aporte cientfco de gran vala no solamente
para el proyecto Mapa de vegetacin, si no de mltiples instituciones tanto a nivel pblico
como privado, se ha insistido en el esfuerzo de realizar el modelo con el apoyo de distintas
instituciones entre las que se destacan el Instituto Nacional de Meteorologa e Hidrologa
(INAMHI), el Consorcio para Desarrollo Sostenible de la Ecorregin Andina (CONDESAN),
entre otros participantes, de tal manera que otorguen al proceso una validez tcnico-
cientfca slida.
8
Modelo Bioclimtico
L
a caracterizacin del clima en el Ecuador es sumamente compleja (Pourrout et al, 1994),
donde la interaccin de su posicionamiento , la infuencia de la cordillera de los Andes
y su cercana al Ocano Pacfco determinan un conjunto de variables que afectan las
condiciones climticas generales del pas a escala local y de paisaje.
Se identifcan tres grandes regiones naturales en el Ecuador Continental: Regin Litoral,
Andes y Amazona, las cuales tienen caractersticas muy particulares y que se estructuran
a partir de la existencia de la Cordillera de los Andes. De alguna manera este accidente
geogrfco marca la pauta de una primera aproximacin a la distribucin de las lluvias y de
la temperatura en el Ecuador.
Al encontrarse el Ecuador en la zona ecuatorial, es afectado tambin por sistemas
atmosfricos de Baja Presin como la Zona de Convergencia Intertropical, los disturbios de
la cuenca Occidental de la Amazona y la denominada Vaguada del Per, elementos que
infuyen directamente en el rgimen de las precipitaciones en la poca lluviosa; as tambin,
infuyen en el perodo seco los sistemas regionales de Alta Presin Atmosfrica como el Alta
del Pacfco Sur, la dorsal del Alta del Caribe y la incidencia del Alta troposfrica de Bolivia.
Por esta razn, el rgimen pluviomtrico y trmico de las regiones naturales del Ecuador se
caracterizan por la ocurrencia temporal de estos sistemas atmosfricos (INAMHI, 2011).
As tambin, la gama de los mdulos anuales de lluvia es extensa, puesto que vara de
menos de 150 mm a ms de 6.000 mm. La regin Amazona y el Noroeste de la provincia
de Esmeraldas son las zonas de mayor pluviosidad. (Pourrout et al, 1994). En ese contexto,
la temperatura, la precipitacin total anual, y la variacin mensual o estacional de ambas
variables, son factores que defnen en un grado elevado la distribucin de los ecosistemas.
Dentro de la perspectiva del proyecto, el concepto que ms se ajusta para modelo
bioclimtico, es el de aquel modelo que intenta espacializar cada uno de los tipos de clima
que se distinguen atendiendo al complejo de factores climticos que afectan al desarrollo
de los seres vivos.
En este caso, la utilizacin de un modelo que permita la caracterizacin del clima se facilita
considerablemente al utilizar ndices bioclimticos, ya que estos proveen escalas continuas
con las cuales es posible inferir la signifcancia biolgica, principalmente en la actividad
fotosinttica de las plantas, y por tanto conocer la ocurrencia de los ecosistemas.
2. Introduccin
9
Modelo Bioclimtico Modelo Bioclimtico
La Bioclimatologa se entiende como el
estudio de la o las relaciones existentes
entre los factores climticos y la distribu-
cin de los seres vivos en la Tierra. Esta
ciencia se estructur en base a relacionar
los valores numricos del clima (tempera-
tura y precipitacin) con las zonas de dis-
tribucin de las plantas y de sus formacio-
nes vegetales, para aadir ms adelante
informacin de las biogeocenosis (Rivas-
Martnez, 2004).
Se dispone de una serie no tan extensa
de clasifcaciones bioclimticas, entre las
que se destacan las de Kppen (1918,
1931), Thornthwaite (1931, 1933), Gaussen
(1954, 1955), Troll & Paffen (1964), Holdrid-
ge (1967) y Walter (1970, 1976), aunque
todas ellas mayormente aceptadas, mu-
chas adolecen de no refejar una respues-
ta adecuada a situaciones que acaecen
en nuestro territorio, ya que no conside-
ran las variaciones altitudinales de la ter-
micidad que ocurren en las zonas de alta
montaa.
Bajo esta perspectiva, el conocer la dis-
tribucin de la vegetacin sobre la Tierra
de forma detallada, as como las varia-
ciones causadas por factores climticos,
edfcos, geogrfcos y antrpicos, en el
aspecto y composicin de la vegetacin
potencial natural y de sus etapas de sus-
3. Base Conceptual
3.1 Bioclima e ndices bioclimticos
titucin, permiten que puedan registrar-
se los lmites bioclimticos y vegetacio-
nales de manera ms objetiva y precisa
(Rivas-Martnez 2004). As, reconocidos
y espacializados los lmites de las series y
macroseries de vegetacin, los valores
numricos umbrales que las diferencian
se pueden calcular de forma estadstica.
En tal virtud, la manera ms confable
de identifcar de forma cuantitativa la in-
fuencia del clima respecto de la vegeta-
cin y su distribucin , se realiza median-
te el clculo de ndices bioclimticos, los
mismos que pretenden indicar de forma
explcita las distintas relaciones entre las
variables climticas claves a ser conside-
radas, tales como: la Precipitacin y la
Temperatura.
Por las razones expuestas, el modelo de
clasifcacin bioclimtica que se utiliz
para el efecto, constituye el trabajo rea-
lizado por Rivas Martnez; el cual resuelve
en gran parte las defciencias presenta-
das por los otros sistemas de clasifcacin,
principalmente por que ha demostrado
tener una elevada correlacin entre el
clima y vegetacin, y por que su principal
fortaleza es que logra un valor predictivo
para cualquier zona, ya sea conociendo
solo los datos del clima, o solo los tipos de
vegetacin.
10
Modelo Bioclimtico
En el sistema de clasifcacin bioclimtica
propuesto por Rivas Martnez, el binomio
clima-vegetacin se estudia y divide de
manera jerrquica, comenzando con el
Macrobioclima que se refere al conjunto
de factores climticos (temperatura, pre-
cipitacin y radiacin solar) que infuyen
a escala continental o global sobre las
comunidades de especies-individuos. La
siguiente unidad subordinada se conoce
como Bioclima que hace referencia a la
interrelacin entre temperatura, precipi-
tacin, evaporacin a escalas regionales
y su correspondencia con diferentes tipos
de vegetacin. Las unidades bsicas de
este sistema son los Ombrotipos y Termo-
tipos que suceden en una cliserie latitu-
dinal o altitudinal, a escala de paisaje o
local y relacionan la precipitacin y tem-
peratura a una determinada comunidad
vegetal.
La propuesta de Rivas Martnez es de apli-
cacin global y para adaptarlos a nuestro
pas, se deben cumplir con los siguientes
razonamientos en los que se fundamenta:
Debe existir una ajustada y recproca
relacin entre el clima, la vegetacin
y los territorios geogrfcos, es decir,
entre los bioclimas, las series de vege-
tacin y las unidades biogeogrfcas.
Entre los paralelos 23 N y S, (ubicacin
del Ecuador en su totalidad), en ra-
zn de que la radiacin solar es prc-
ticamente cenital y que la duracin
del da y de la noche varan poco a
lo largo del ao, el clima y la vegeta-
cin existentes a cualquier altitud con
independencia de la temperatura se
considera tropical.
El ritmo anual o variacin de las pre-
cipitaciones a lo largo del ao tiene
tanta o ms trascendencia en la com-
posicin y distribucin de las comuni-
dades vegetales que la cuanta de las
mismas.
Es totalmente evidente que las mon-
taas situadas entre los trpicos po-
seen un ritmo solar anual equinoccial,
es decir prcticamente los das duran
casi el mismo tiempo que las noches.
En consecuencia, el ritmo diario de
temperaturas en las altas montaas
tropicales se ajusta a lo largo del ao
a un casi continuo ritmo de fuertes he-
ladas nocturnas y elevadas tempera-
turas diurnas, lo que conlleva a una
alternancia diaria de hielo/deshielo
(crioturbacin).
Por lo tanto se puede concluir que todo el
territorio continental ecuatoriano se clasi-
fca como un Macrobioclima Tropical.
El modelo bioclimtico (Rivas-Martnez)
a ser utilizado, tiene una serie de ndices,
pero se utilizaron aquellos que proporcio-
nan los sufcientes criterios para poder
determinar y caracterizar los ecosistemas
que ocurren en el Ecuador. Los mismos se
describen a continuacin:
11
Modelo Bioclimtico Modelo Bioclimtico
Tabla 1. Principales ndices bioclimticos utilizados para la
construccin delmodelo
En funcin de los resultados de los cl-
culos previamente establecidos para los
ndices escogidos, el sistema distingue in-
tervalos dentro de cada Macrobioclima,
bioclima, ombrotipos y termotipos. Se ha
tomado en cuenta para el ejercicio, los
intervalos propuestos por Navarro y Mal-
donado (2002) en su publicacin Geo-
grafa Ecolgica de Bolivia, el mismo que
propone una clasifcacin de intervalos
previa para su representacin.
El proceso de interpolacin espacial con-
siste en la estimacin de los valores que
alcanza una variable Z en un conjunto de
puntos defnidos por un par de coorde-
nadas (X,Y), partiendo de los valores de
3.2 Mtodos de interpolacin
geoestadstica (Kriging Cokriging)
Z medidos en una muestra de puntos si-
tuados en el mismo rea de estudio (Mitas
Mitasova, 1999). En algunos casos pue-
den utilizarse otras variables de apoyo de
las que se conoce su variacin espacial
en el proceso de interpolacin/extrapola-
cin (en el caso de la interpolacin de la
temperatura puede ser la altitud ya que
aquella depende de esta). El rea de es-
tudio vendra defnida, aunque no de for-
ma muy clara, por el entorno de los pun-
tos en los que s se dispone de datos.
Debe entenderse entonces que todos los
mtodos de interpolacin se basan en
la presuncin lgica de que cuanto ms
cercanos estn dos puntos sobre la su-
perfcie terrestre, los valores de cualquier
variable cuantitativa que midamos en
ellos sern ms parecidos, para expresar-
lo ms tcnicamente, las variables espa-
ciales muestran autocorrelacin espacial.
(Burrough, P. 2000)
La realizacin del modelo de distribucin
de precipitacin implica generar a partir
de datos discretos informacin de carc-
ter continua que represente de la manera
ms fable dicha distribucin. La calidad
de la modelacin depender, en gran
medida de una adecuada calidad de
datos y una distribucin homognea de
los mismos, as como que se asuma que
se pueden integrar otros factores que
podran incidir en la distribucin de la va-
riable a modelar. Para el caso de la pre-
cipitacin uno de los mtodos ms acon-
sejables es el de Cokriging, el mismo que
permite establecer o limitar el anlisis de
distribucin a capas de informacin pa-
ralelas, tales como el relieve.
12
Modelo Bioclimtico
3.3 Mtodos de relleno de informa-
cin hidrometeorolgica.
La palabra kriging (expresin anglosajo-
na) procede del nombre del gelogo su-
dafricano D. G. Krige, cuyos trabajos en la
prediccin de reservas de oro, realizados
en la dcada del cincuenta, suelen con-
siderarse como pioneros en los mtodos
de interpolacin espacial. Kriging encie-
rra un conjunto de mtodos de predic-
cin espacial que se fundamentan en la
minimizacin del error cuadrtico medio
de prediccin (Giraldo R, 2002). El mo-
delo es muy fexible y permite profundi-
zar en los anlisis de los grfcos de auto
correlacin espacial. Kriging utiliza mode-
los estadsticos que permiten una serie de
mapas resultantes que incluyen la espa-
cializacin de las predicciones, y de los
errores estndar de prediccin, etc. La
fexibilidad del Kriging puede requerir del
manejo de una serie de parmetros. Para
la utilizacin de dicho modelo se asume
que la informacin proviene de un proce-
so estocstico estacionario, adems de
caracterizarse por una distribucin nor-
mal.
Tomando en cuenta la necesidad de
contar con informacin homognea en
cuanto a parmetros hidrometerolgi-
cos existen algunos mtodos de relleno
que pueden aplicarse, y que en el caso
del Ecuador son totalmente vlidos de
acuerdo a los fnes que se persiguen, al
conjunto de datos y la distribucin de las
estaciones. Es as que se utilizaron algunos
mtodos de los cuales se pueden men-
cionar los siguientes:
Mtodo de la razn normal: este proce-
dimiento estima cantidades de lluvia con
base en tres estaciones cercanas y unifor-
memente espaciadas con respecto a la
estacin en estudio (Paulhus and Kkohler,
1952). La fexibilidad de este mtodo per-
mite trabajar incluso hasta con dos esta-
ciones cercanas nicamente.
Mtodo del vector regional: el Vector Re-
gional es, ante todo, un mtodo de crtica
de datos (y accesoriamente de reconsti-
tucin de datos faltantes), elaborado en
el ORSTOM-IRD en los aos setenta, con el
objeto de homogenizar los datos pluvio-
Mtodo de regresin lineal, regresin ml-
tiple: stas pueden ser utilizadas en aque-
llos lugares donde se cuenta con una red
de estaciones bastante cercanas y que
posean condiciones similares, y cuyo pe-
riodo de registro sea similar.
Mtodo de la razn q (Barger, 1960, WMO
1966 y WMO 1983): se basa en el hecho
de que para pares de estaciones, la ra-
zn entre sus valores mensuales, anuales
o medios, tiende a ser constante. Segn
este mtodo, si se tienen dos estaciones
(A y B), se requiere determinar q de la si-
guiente manera:
13
Modelo Bioclimtico Modelo Bioclimtico
mtricos. Sin embargo, nada se opone a
utilizar este mtodo para otros datos que
no sean lluvias, con tal que stos sean re-
lativamente independientes entre s de
un ao a otro, y que sean seudo-propor-
cionales. Esta ltima condicin signifca
que los datos de las diferentes estaciones
deben variar en el mismo sentido y en
proporciones casi idnticas, con variacio-
nes ligeras debidas al ruido de fondo. Es
generalmente el caso para estaciones de
una zona que no sea demasiado extendi-
da, sometida al mismo comportamiento
climtico.
El mtodo del Vector Regional consiste
en elaborar, a partir del conjunto de la
informacin disponible, una especie de
estacin fcticia que sea representativa
de toda la zona de estudio. Para cada
estacin se calcula un promedio exten-
dido sobre todo el perodo de estudio, y
para cada ao, se calcula un ndice que
ser superior a 1 cuando el ao es exce-
dentario, e inferior a 1 cuando el ao es
defcitario. A esta serie de ndices anuales
se le llama Vector Regional, ya que toma
en cuenta la informacin de una regin
que se supone es climticamente ho-
mognea. Este mtodo tambin puede
aplicarse a datos mensuales, tratando se-
paradamente cada uno de los meses del
ao como si se tratara de un valor anual.
14
Modelo Bioclimtico
Informacin disponible
De la informacin recopilada y/o ges-
tionada a travs de los mecanismos de
coordinacin, previamente establecidos
de instituciones pblicas, se lograron ob-
tener:
2 modelos de distribucin de precipi-
tacin para su anlisis, el uno corres-
pondiente al que se encuentra de
manera gratuita y se accede a travs
de la pgina de internet del Worldclim
(www.Worldclim.org). Un segundo
modelo de distribucin de la precipi-
tacin realizado por tcnicos del INA-
MHI. Ms adelante se describen las
caractersticas tcnicas de los mto-
dos y series de datos de cada uno de
estos insumos.
Por otra parte del parte del INAMHI se
obtuvo adems del modelo de preci-
pitacin, la informacin alfanumrica
de las estaciones, en las cuales se indi-
can los valores medios anuales corres-
pondientes a cada estacin, adems
de especifcar las coordenadas geo-
grfcas para su ubicacin.
El objetivo principal de esta seccin es
presentar los procesos que se ejecutaron
para desarrollar en modelo bioclimtico
del Ecuador continental y los mtodos
estadsticos necesarios para generar las
capas de informacin e ndices bioclim-
ticos.
El esquema metodolgico de trabajo se
puede observar en la siguiente fgura:
4. Metodologa
4.1 Recopilacin y revisin de infor-
macin
Figura 1. Esquema metodolgico del modelo bioclimtico
del Ecuador continental
15
Modelo Bioclimtico Modelo Bioclimtico
El Worldclim es un conjunto de capas de
informacin temtica en formato raster
con una resolucin de 1 km, especial-
mente diseado para su tratamiento a
travs de sistemas de informacin geo-
grfca u otros programas de modela-
miento. La base de datos que se utiliz en
la construccin de este modelamiento, se
document en relacin al artculo de Hi-
jmans, R.J., S.E. Cameron, J.L. Parra, P.G.
Jones and A. Jarvis, 2005. Very high re-
solution interpolated climate surfaces for
global land areas. International Journal of
Climatology 25: 1965-1978.
El desarrollo de este modelamiento inclu-
y a toda la superfcie terrestre del Ecua-
dor continental, excluyendo la Antrtida,
con una resolucin aproximada de 1 km.
Los elementos climticos considerados
son:
Precipitacin media mensual
Temperatura mnima, mxima y media

Los archivos de entrada para el modela-
miento fueron obtenidos de una varie-
dad de fuentes, y donde fuera posible
restringiendo su perodo aquellos regis-
tros entre 1950 2000. Se utilizo el Algorit-
mo Thin-plate smoothing spline que se
encuentra implementado en el software
ANUSPLIN, utilizando latitud, longitud, y
elevacin como variables independien-
tes. La incertidumbre del modelo deviene
de la utilizacin de los datos fuente y de
la interpolacin establecida a partir de
la densidad de las estaciones meteoro-
lgicas, as como el reporte de altura de
4.2 Caractersticas de la informacin disponible del Worldclim
las estaciones. Errores con respecto a la
elevacin tambin se reportaron como
negativos en altas latitudes y como positi-
vos en la franja tropical. La incertidumbre
tambin fue mayor en zonas montaosas
y lgicamente en zonas poco muestrea-
das o sin informacin.
A continuacin se presenta la distribucin
y la de estaciones usadas en el Worldclim.
Figura. 2. Ubicacin de las estaciones meteorolgicas: A)
Precipitacin: 47554 estaciones; B) Temperatura media
24542 estaciones; C) Temperatura mx. y min. 14930
estaciones
1
.
1. Fuente: Hijmans et al, 2005
16
Modelo Bioclimtico
El formato de presentacin de los datos
es a manera de raster, cuyo sistema de
referencia de coordenadas es WGS 84
(Lat. /Long); se presenta en 4 resoluciones
espaciales (Figura 3) a 30 arc seg. (Aprox
1 km2), 2.5, 5 y 10 min. La informacin ori-
ginal usada en el modelamiento se en-
cuentra a 30 arc seg.
Los formatos del archivo se presentan tam-
bin en 2 extensiones: ESRI GRID, Generic
GRID (*. BIL). El formato utilizado para el
anlisis de la informacin corresponde al
ESRI GRID de 30 seg de resolucin.
Previo al anlisis de la informacin que re-
porta el Worldclim, se realiz un extracto
de la misma correspondiente al Ecuador
continental (Ver Figura 4), en el cual se
pudieron distinguir algunas observacio-
nes:
La distribucin de la precipitacin
se observ bastante homognea en
toda la regin interandina, y en efec-
to evidenci los ncleos histricos de
precipitacin (Cuenca del Esmeraldas
en la vertiente pacfca, y Cuenca alta
del Napo - Cuenca media del Pasta-
za).
Tambin fue caracterstico de este mo-
delo de precipitacin, su congruencia
con el Modelo Numrico del Terreno
(SRTM) sobre todo en las vertientes, en
la regin interandina y en las cordille-
ras amaznicas y costeras.
En cuanto a los valores de precipita-
cin que arroj, vemos que el mximo
valor de precipitacin fue de 5100 mm
aproximadamente, registrndose pre-
cisamente en el sector de la cuenca
media del Pastaza (Entre el Puyo y el
Tena); mientras que el valor ms bajo
arrojado por el modelo fue de 104 mm
ubicado en Santa Elena.
Figura 3. A) Temperatura media anual y D) Precipitacin
media anual, B) y E) corresponde a un acercamiento a la zona
sudeste de Bhutan con una resolucin espacial de 1 km aprox.
C) y F) a una resolucin espacial de 18 km aprox.
2

Figura 4. Modelo de precipitacin
3

Cabe anotar que la incertidumbre
fue proporcional al incremento de al-
tura, por lo tanto, se esper que en la
regin del callejn interandino y ver-
tientes de la cordillera la informacin
sea subestimada.
2. Fuente: Hijmans et al, 2005
3. Fuente: Worldclim.org versin 1.4
17
Modelo Bioclimtico Modelo Bioclimtico
Informacin climtica INAMHI
El Instituto Nacional de Meteorologa e Hi-
drologa (INAMHI), a travs del Subproce-
so de Estudios e Investigaciones Meteoro-
lgicas y con ayuda tcnica del Centro
de Modelamiento de la Universidad de
Zulia, han generado una aplicacin para
operar, grafcar y completar informacin
meteorolgica histrica para todo el pas,
en el perodo 1971 a 2000 (Figura 5).
La aplicacin del mismo, que se encuen-
tra en fase de experimentacin, permiti
obtener el primer producto Valores cli-
matolgicos mensuales de precipitacio-
nes para todo el Ecuador y sus prome-
dios, en este perodo, de acuerdo con
informacin obtenida en 170 estaciones
meteorolgicas y pluviomtricas.
As mismo, estos anlisis automatizados en
software libre (GRADS 1.9), en su fase an
experimental, tambin determinaron El
promedio general de temperatura, entre
los aos 1971-2000, con informacin pro-
veniente de 41 estaciones meteorolgi-
cas. Para realizar este estudio se utilizaron
los datos de estaciones meteorolgicas
del INAMHI y la metodologa denomina-
da Anlisis Objetivo de Cressman, que
se usa en varios pases de la regin y es
reconocida por la Organizacin Meteoro-
lgica Mundial (OMM) como un mtodo
estndar (Figura 6).
Se mencion adems que el nivel de
desagregacin de la informacin a nivel
4. Fuente: INAMHI Bol. Prensa 109 Junio 2010.
5. Fuente: INAMHI Bol. Prensa 109 Junio 2010.
Figura 5. Promedios de datos de precipitaciones 1971-2000/ Meses:
ene/feb./marzo y abril
4
Figura 6. Promedio general, datos de temperaturas mximas absolutas
1971- 2000
5
temporal es mensual, y que sin embargo
se menciona al perodo referencial 1971
2000; esto no quiere decir que necesaria-
mente se tengan 30 aos de informacin
para cada una de las estaciones toma-
das en cuenta para el anlisis.
Modelo Bioclimtico
18
Figura 7. Modelo de distribucin de precipitacin utilizando el
mtodo de interpolacin de Kriging ordinario
Datos alfanumricos Base de datos
precipitacin.
De igual manera, se obtuvo la informa-
cin pluviomtrica a nivel mensual para
las 170 estaciones, las cuales como se in-
dic corresponden al periodo 1971 2000,
cada una adems cuenta con los datos
de latitud y longitud para su utilizacin
y representacin a travs de un sistema
de informacin geogrfca, o programas
similares que permitan el modelamiento
de dichas variables. 2000; esto no quiere
decir que necesariamente se tengan 30
aos de informacin para cada una de
las estaciones tomadas en cuenta para el
anlisis.
Modelo de distribucin de la precipi-
tacin Data INAMHI
A partir de los datos de precipitacin de
la base de datos INAMHI se gener de
manera interna dentro del proyecto un
modelo de distribucin de precipitacin
utilizando el mtodo de interpolacin de
Kriging ordinario, el cual present la virtud
de manejar un nmero de parmetros
amplio con el fn de optimizar y ajustar el
modelo segn la distribucin de los datos.
El software utilizado fue ArcGis v 9.3 a
travs de la herramienta Geostatistical
Analyst, cuyo potencial radica en tener
los algoritmos adecuados para generar el
modelo segn el mtodo de Kriging ordi-
nario.
Los resultados obtenidos se presentan a
continuacin:
19
Modelo Bioclimtico Modelo Bioclimtico
19
4.3 Comparacin de informacin
En razn de observar las diferencias y evaluar
los resultados obtenidos de cada modelo, se
realiz una comparacin de la informacin
en funcin del anlisis de 543 puntos, distri-
buidos de forma aleatoria en toda la exten-
sin de la capa de informacin restringida al
Ecuador continental (Figura 8).
De cada uno de los 543 puntos aleatorios
establecidos, se extrajeron los valores de
precipitacin de cada uno de los raster
producto de cada uno de los modelos
obtenidos, a) INAMHI Kriging b) Worldclim.
Con los datos extrados para cada uno de
los puntos defnidos, se realiz una compa-
racin en una matriz pareada que vincul
los datos de cada uno de los modelos y se
representaron en un grfco que muestra
las diferencias encontradas.
Figura 8. Puntos aleatorios utilizados en la comparacin de la
precipitacin de ambos modelos
Figura 9. Valores contrastados de precipitacin, a partir de los 543 puntos aleatorios
Modelo Bioclimtico
20
Las diferencias encontradas correspon-
dieron tanto en su distribucin espacial, as
como en los valores medios (Ver Figura 9).
De hecho los valores que arroj el mode-
lo de Worldclim fueron en trminos genera-
les, ligeramente subestimados en relacin a
los datos que registra de forma histrica las
estaciones del INAMHI (Tabla 2), Sin embar-
go existen sectores que refejaron valores o
mdulos de precipitacin mucho ms altos,
como por ejemplo en la cuenca del Esme-
raldas, en el sector de Pto. Quito.
En cuanto a la distribucin espacial, cabe
mencionar que existi una buena corres-
pondencia entre ambos modelos. Sin em-
bargo existieron sectores que generaron
conficto en la distribucin de las lluvias (Ver
Figura 10), se presentaron al menos 3 secto-
res confictivos, los cuales se encuentran de
manera particular en las estribaciones de
la cordillera, en los dos primeros casos en la
vertiente de la cordillera occidental en su
extremo norte, mientras que en el cordillera
oriental en el extremo sur, colindando con
las estribaciones de las cordilleras del Cn-
dor Kutuk.
1
2
3
Figura 10. Zonas de incertidumbre respecto de los valores de precipitacin.
Tabla 2. Valores de precipitacin obtenidos de los modelos de
Worldclim y de los datos INAMHI
21
Modelo Bioclimtico Modelo Bioclimtico
21
De hecho parte del anlisis tambin tom
en cuenta, ver las diferencias a nivel espa-
cial. Es decir saber donde se han refeja-
do en una capa de informacin continua
aquellos lugares donde se evidenciaron
excesos o decrementos de los valores de
precipitacin. Para tal efecto se realiz
un anlisis que permiti dividir los valo-
res de las capas raster de ambos modelos
y as generar una tercer capa que mostr
los cambios existentes (Ver Figura 11).
El rea en negro (0) mostr las zonas don-
de los valores de precipitacin entre am-
bos modelos son prcticamente similares.
Las zonas en azul mostraron una variacin
positiva en el rango de 1 a 2, es decir el
cambio fue mnimo sin llegar a ser ne-
cesariamente el doble de los valores de
precipitacin entre los datos INAMHI y los
datos de Worldclim, (debe tomarse en
cuenta que los valores de Worldclim son
subestimados).
En el caso de las reas sombreadas con
color verde corresponden a zonas donde
la variacin positiva (precipitacin) a fa-
vor del modelo de INAMHI fue de 2 a 3
veces mayor. Las reas de color amarillo
mostraron variaciones de 3 a 4 veces ms,
mientras que las reas de color naranja
mostraron variaciones positivas de 4 a 5
veces, es decir pueden existir incrementos
del 500% de precipitacin segn los datos
del INAMHI, en comparacin con la infor-
macin obtenida de Worldclim. Como se
observa las mayores diferencias se regis-
traron en la zona de la pennsula de Sta.
Elena.
Figura 11. Zonas de anomalas respecto del modelo INAMHI
Worldclim
Modelo Bioclimtico
22
Se ha evidenciado en trminos generales
que existen diferencias en el modelamien-
to de INAMHI y Worldclim, y ms aun que
existe mucha incertidumbre en ciertas zo-
nas del pas respecto a la fdelidad de la
representacin climtica. Esto ocurri en
gran parte por una distribucin irregular
de las estaciones que guardan una se-
rie de datos considerable, en trminos de
tiempo y en calidad de informacin.
Por tal razn, se hizo evidente realizar una
evaluacin de la representatividad espa-
cial de las estaciones con el fn de identi-
fcar aquellas reas que no tuvieran una
representacin climtica adecuada a
priori y lo que permiti identifcar aquellos
lugares donde eventualmente se pudie-
ron rescatar estaciones con serie de da-
tos; aunque menores en tiempo, previo a
una evaluacin de la calidad de informa-
cin, que dieron una aproximacin a las
condiciones climticas de las zonas con
vacos de informacin.
En la Figura 12., se muestra la distribucin
de las estaciones meteorolgicas con las
cuales se realiz el modelo. Se muestra
a su vez las reas que careceran de una
adecuada caracterizacin climtica, de-
bido a la ausencia de estaciones que ten-
gan una adecuada serie de datos o que
en defnitiva nunca ha existido una esta-
cin en el sector.
En este sentido, fue relevante hacer un
anlisis de las estaciones que eventual-
4.4 Vacos de informacin climtica
Figura 12. Estaciones meteorolgicas y su reas de
cobertura (170 estaciones precipitacin)
mente podran considerarse para incre-
mentar el nmero de estaciones en aque-
llas reas donde no haya informacin de
la serie 70 2000, con el fn de mejorar y
afnar el modelo en aquellas reas con
vacios. En principio se sugiri contar con
toda la base de estaciones meteorol-
gicas con las que cuenta el INAMHI, es
decir ms de 1000 estaciones, y en base
a esto, discriminar y seleccionar aquellas
que se encuentren en las reas con va-
co.(Figura 13.).
23
Modelo Bioclimtico Modelo Bioclimtico
23
De dichas estaciones, se realiz un segun-
do fltro para obtener aquellas con las que
se cuente con una serie de datos acepta-
ble (es decir mayor de 10 aos), y que no
se vean afectadas por eventos hidrome-
terolgicos extremos (i.e Eventos Nio),
ya que esto producira involucrar ruido
al modelo, y sobreestimara los datos de
precipitacin en particular.
Figura 13. Estaciones Meteorolgicas de la Red del INAMHI,
a ser consideradas para la evaluacin de ubicacin y
calidad de informacin
4.5.1 Precipitacin
Del proceso de revisin de las estacio-
nes de la red meteorolgica total pro-
porcionada por el INAMHI, cerca de 846
4.5 Revisin y validacin de in-
formacin climtica previo a la
modelizacin
estaciones inicialmente analizadas se ex-
trajeron aquellas que tuvieran datos suf-
cientes para realizar un anlisis ms pro-
fundo es decir , tengan series de datos
mayores a 10 aos al menos y que tengan
una representatividad espacial signifcati-
va, es decir fueron prioritarias aquellas en
las cuales no se tena una estacin en un
rea donde no exista estacin cercana
alguna y se obviaron aquellas que esta-
ban muy cercanas o en muchos casos
prcticamente estaban en el mismo lu-
gar. De este proceso se logr recuperar
cerca de 346 estaciones de las cuales se
realiz un fltro mucho ms estricto sobre
todo en la serie temporal de datos; cabe
recalcar, que si bien es cierto que mu-
chas estaciones al menos tenan ms de
5 aos de informacin eran registros que
no eran congruentes o feles a la canti-
dad de datos que reposaban en la Base
de datos, es decir muchos tenan registros
de 0 o de no data y sin embrago se to-
maba como registro y alteraba la supues-
ta cantidad de informacin existente. As
mismo existan problemas con respecto a
errores de digitacin e ingreso de datos
en la BDD.
Otro factor adicional a la serie temporal
de datos para la discriminacin de esta-
ciones meteorolgicas, consisti en elimi-
nar aquellas estaciones que registraron
datos excepcionales correspondientes a
eventos hidrometeorolgicos extremos,
como por ejemplo eventos ENSO (El Nio
Southern Oscilation) particularmente en
la costa ecuatoriana y ciertas estaciones
de la vertiente pacfca. Para la identif-
cacin de aquellos perodo se bas en
los estudios de Vera et al, 2009, donde se
Modelo Bioclimtico
24
identifcan claramente los perodos ENSO
de mediana a gran intensidad.
Para el relleno de informacin fueron uti-
lizados los distintos mtodos que se esta-
blecen en el marco conceptual, como
son los de regresin lineal y mltiple, m-
todo de la razn, y adems el mtodo de
vector regional que se incluye dentro del
Software Hydraccess. Cabe mencionar
que la estructuracin de la BDD pluvio-
mtrica se la realiz a travs de Hydrac-
ces, el cual es un software completo, ho-
mogneo y de fcil manejo, que permite
importar y guardar varios tipos de datos
hidrolgicos en una base de datos en for-
mato *.mdb, y realizar los procesamientos
bsicos para anlisis hidrometeorolgicos
(Melo, P. 2010) La ventaja al poder usar
esta herramienta, radic en la facilidad
que se tuvo de analizar la informacin e
identifcar vacos o gaps.
En ese sentido, el mtodo del vector re-
gional incorporado en las versiones re-
cientes del software permiti el relleno
de informacin climtica, en este caso
de precipitacin, para un nmero im-
portante de estaciones que carecen de
una serie completa de datos, y que por
su representatividad espacial resultaban
de importancia para el anlisis de distri-
bucin de precipitacin.
Una vez realizados los fltros, adems del
relleno de informacin pertinente para
ms de 110 estaciones, con el fn de con-
tar con informacin homognea y con-
gruente, y manteniendo una serie de 10
aos mnimo se construiy la Base de da-
tos de precipitacin fnal, con la cual se
realizaron los modelos de distribucin, ob-
viamente incorporando otras covariables
(elevacin, precipitacin Worldclim) que
ayudaron a mejorar la distribucin de la
precipitacin. Se obtuvieron fnalmente
un total de 377 estaciones (Ver Anexo 1).
En el 2012, luego de realizar las salidas de
validacin tanto del modelo bioclimtico
como de ecosistemas, se identifcaron zo-
nas en las que el ndice ombrotrmico no
refejaba de manera correcta la relacin
vegetacin-clima, por lo que se aadie-
ron 12 estaciones de INHAMI que pese
a no haber pasado el fltro en el primer
anlisis, contaban al menos con dos series
de datos que no estaban infuenciadas
por el fenmeno ENSO, tambin se utilizar
3 estaciones de la red meteorolgica de
Per de la frontera Sur que cuentan con
ms de 10 aos de series de informacin,
de ests se uso la estacin de San Ignacio
para corregir la estacin de Zumba (Ver
Anexo 2).
Adicionalmente se crearon 19 estacio-
nes fcticias usando informacin del sen-
sor Tropical Rainfall Measuring Mission
(TRMM) con datos desde 2000 a 2005, en
los lugares en la que informacin de di-
cho sensor no subestimaran en demasa
los datos de precipitacin anual espera-
dos para la zonas que se queran corregir;
esta informacin se obtuvo en el Curso
terico-prctico de Construccin de va-
riables bioclimticas para el mapeo de
coberturas de la tierra y ecosistemas en el
Ecuador Continental realizado por el Mi-
nisterio del Ambiente y dictado por el Dr.
Wouter Buytaert investigador y docente
25
Modelo Bioclimtico Modelo Bioclimtico
25
del Imperial College of London durante el
mes de marzo del 2011. De esta forma se
aadieron 33 estaciones con valores de
precipitacin anual, utilizando fnalmen-
te 410 estaciones para el modelamiento
de la precipitacin.
La mencionada capacitacin sent las
bases para la reproducibilidad en cdi-
go abierto de la modelizacin de las va-
riables climticas orientadas a la obten-
cin de ndice bioclimticos, as como se
establecieron directrices metodolgicas
respecto de la modelizacin geoestads-
tica a travs del uso de paquetes esta-
dsticos robustos (i.e R) (Ver Anexo 3 y 4).
En la Figura 14 se muestra la distribucin
espacial de todas las estaciones con in-
formacin de precipitacin que se usa-
ron en la caracterizacin bioclimtica
de los ecosistemas.
4.5.2 Temperatura
Los datos correspondientes a temperatu-
ra sugieren un tratamiento y una revisin
mucho ms amplia, ya que se tienen mu-
chas menos estaciones a tomar en cuen-
ta en particular para los datos de Tempe-
ratura mxima y de Temperatura mnima.
En ese sentido los esfuerzos del INAMHI se
han centrado a partir del prximo ao
en recuperar toda la informacin prima-
ria de datos hidrometerolgicos que se
encuentran en formato anlogo, con el
fn de digitalizarla y construir la BDD na-
cional de datos climticos.
Bajo esa perspectiva y en razn de los
anlisis previamente realizados entre la
informacin de temperatura del INAMHI
y de Worldclim que sugieren no existe
una diferencia mayor, apoyado a su vez
sobre una fuerte correlacin temperatu-
ra altura, se ha defnido trabajar con la
informacin de temperatura suministra-
da por Worldclim.
Sin embargo se cuentan con los datos
de temperatura con el fn de contar con
una BDD de temperatura que ayude a
validar ciertas zonas con datos locales
puntuales.
Figura 14. Estaciones originales, recuperadas y adicionales
de precipitacin
Modelo Bioclimtico
26
4.6.1 Precipitacin
Para la generacin de la capa raster de
precipitacin se decidi trabajar en pri-
mer lugar, con los datos de estaciones
meteorolgicas defnidas en el punto 4.3,
de las cuales se obtuvo la informacin del
promedio o modulo anual de lluvia y adi-
cionalmente se consiguieron los valores
de precipitacin a nivel mensual, lo cual
fue sumamente importante para la gene-
racin de las capas de los ndices ombro-
trmicos.
La realizacin del modelo de distribucin
de precipitacin implic generar a partir
de datos discretos informacin de carc-
ter continua que represente de la manera
ms fable dicha distribucin. La calidad
de la modelacin dependi en gran me-
dida de una adecuada calidad de datos
y una distribucin homognea de los mis-
mos, as como se asuma que se pueden
integrar otros factores que podran incidir
en la distribucin de la variable a mode-
lar. Para el caso de la precipitacin uno
de los mtodos ms aconsejables fue el
de Cokriging, el mismo que permiti esta-
blecer o limitar el anlisis de distribucin
a capas de informacin paralelas tales
como el relieve, entre otros. Sin embargo
implic la necesidad de contar con una
amplia capacidad de procesamiento.
Los mtodos geoestadsticos de interpo-
lacin de Kriging y CoKriging encierran
un conjunto de mtodos de prediccin
espacial que se fundamentan en la mini-
mizacin del error cuadrtico medio de
prediccin (Giraldo R, 2002). El modelo es
4.6 Modelamiento de datos pluviomtricos y temperatura
muy fexible y permite profundizar en los
anlisis de los grfcos de auto correla-
cin espacial.
Una vez establecidas las 410 estaciones se
utiliz el software ArcGis versin 9.3 de Esri,
a travs del mdulo Geostatistical Analyst,
con el cual se puede trabajar con el m-
todo Geoestadstico de interpolacin de
Cokriging. Las covariables utilizadas en
este caso supusieron el modelo numrico
del terreno, y adicionalmente la capa de
precipitacin de Worldclim como una se-
gunda covariable.
6. El trabajo en modelamiento en conjunto con el INAMHI ,se realiza de forma continua con las variables climticas, que se van incorporando o con mayor
informacin de estaciones, por lo tanto es un proceso dinmico y por lo tanto las conclusiones bioclimticas son de carcter preliminar
Figura. 15 Modelo de distribucin de la precipitacin segn el
mtodo Geoestadstico de Cokriging
27
Modelo Bioclimtico Modelo Bioclimtico
27
Es importante resaltar, que la resolucin
utilizada en este caso para el modelo se
restringi a 500 m2 aproximadamente,
debido a dos razones fundamentales, la
primera y ms fuerte razn responda a la
alta capacidad de procesamiento que
supone efectuar dicha interpolacin a tal
resolucin, en tal virtud se establecieron
acuerdos de cooperacin INAMHI MAE,
para la utilizacin de la infraestructura
tecnolgica y capacidad tcnica del
INAMHI disponible, para colaborar en la
generacin dichos modelos
6
a travs del
uso de plataformas de uso libre , y la se-
gunda corresponde a la resolucin de las
covariables las cuales corresponden a 90
m2 para el modelo numrico del terreno
as como 1 km2 para el modelo de preci-
pitacin de Worldclim.
4.6.2 Temperatura
Para el caso de la capa correspondiente
a temperatura se tom en cuenta la que
se encuentra a disposicin a travs de
Worldclim, debido a que se pueden con-
tar con los datos promedios mensuales
de temperatura, as como las capas de
temperatura mxima y mnima en forma
continua para una serie de 30 aos.
Cabe aclarar que fue necesario estable-
cer un proceso previo de tratamiento a
la capa de temperatura media con el fn
de tener nicamente aquella informacin
correspondiente a los valores medios po-
sitivos de temperatura para el clculo de
los ndices ombrotrmicos.
Figura 16. Modelo de distribucin de temperatura
media positiva reclasifcada - Worldclim
Modelo Bioclimtico
28
5. Resultados
Los ndices ombrotrmicos ms utilizados
y con mayor relevancia para modelar
ecosistemas son los siguientes:
ndice ombrotrmico anual (Io): mide
la disponibilidad relativa y efectiva del
monto anual de la precipitacin en re-
lacin a las temperaturas medias anua-
les. El ndice se calcula como: Io=Pp/Tp,
donde Pp= Precipitacin positiva anual
correspondiente a los meses con tempe-
ratura media mensual superior a 0C, Tp=
Temperatura positiva anual correspon-
diente a la suma de los meses de tempe-
ratura media mensual superior a 0C en
dcimas de grados centgrados.
ndice ombrotrmico de la poca seca
(Iod2): evala el ritmo anual de las pre-
cipitaciones al estimar la intensidad de
la poca seca mediante el clculo del
ndice ombrotrmico de los dos o tres
meses consecutivos con menor preci-
pitacin anual. Expresin: Iod2= P2/T2,
donde P=precipitacin media de los dos
meses con menor precipitacin anual,
T2=temperatura media de los dos meses
con menor precipitacin anual x 10.
Con el fn de construir la capa del ndice
ombrotrmico anual como medio para
5.1 Construccin de la capa del ndice ombrotrmico
(Iod) Capa de ombrotipos
desarrollar el mapa de ombrotipos del
Ecuador continental, se utiliz como insu-
mo principal las dos capas desarrolladas
anteriormente, correspondientes a preci-
pitacin y temperatura media.
El esquema metodolgico corresponde
a la siguiente fgura:
Figura 17. Flujo de trabajo para la construccin de la
capa del ndice Ombrotrmico.
29
Modelo Bioclimtico Modelo Bioclimtico
29
Una vez obtenida la capa del ndice om-
brotrmico (Io), se reclasifc esta segn
la equivalencia de los intervalos adapta-
dos de acuerdo a Navarro y Maldonado,
2002 en su libro Geografa Ecolgica de
Bolivia.
En la siguiente ilustracin se muestra el
mapa de ombrotipos correspondiente al
Ecuador continental.
Un ejemplo del uso de la capa de ndice
Ombrotrmico anual, es en la delimita-
cin de la vegetacin natural del Valle
del Chota, caracterizado por los ombroti-
pos seco, semirido y desrtico
Cabe mencionar, que fue necesario es-
tablecer la correspondencia espacial
de cada uno de estos ombrotipos en el
Ecuador continental, para lo cual se utili-
z el software ArcGis a travs del mdulo
Spatial Analyst para realizar dicho proce-
dimiento.
Tabla 3. Ombrotipos presentes en el Ecuador Continental.
Modelo Bioclimtico
30
Figura 18. Mapa de Ombrotipos del Ecuador Continental segn la clasifcacin de Rivas Martnez adaptado para la
representacin cartogrfca de los Ecosistemas del Ecuador Continental.
31
Modelo Bioclimtico Modelo Bioclimtico
31
5.2 Construccin de la capa del
ndice de termicidad - Capa de
termotipos.
La construccin de este ndice se realiz
a partir de la informacin de capas conti-
nuas de informacin de temperatura, en-
tendindose para este caso, la capa de
temperaturas mximas, mnimas y medias
a nivel anual, expresadas segn el esque-
ma que se presenta en la base concep-
tual, y que se detalla nuevamente a con-
tinuacin:
En este caso y como se mencion an-
teriormente, se utiliz la informacin de
Worldclim, por contar con las caracters-
ticas que mejor se pueden asociar al re-
lieve y por lo tanto permitira discriminar
de forma ms efciente la distribucin de
ecosistemas. Al ser un ejercicio preliminar,
se podra replicar con la informacin1 de
INAMHI correspondiente a estas varia-
bles, ya que a la fecha que se ejecuta el
proyecto la cantidad de estaciones que
contienen estas variables es limitada y su
distribucin espacial es poco representa-
tiva.
Una vez obtenida la capa del ndice de
termicidad, se procedi a reclasifcar la
capa de acuerdo a los valores que se
presentan a continuacin:
La capa de ndice Termicidad es usa-
da en la delimitacin de la vegetacin
montana, como en las estribaciones de
la Cordillera Oriental de los Andes, carac-
terizado por los termotipos supratropical y
mesotropical.
Figura 19. Flujo de trabajo para la construccin de la
capa del ndice Termicidad.
Tabla 4. Termotipos presentes en el Ecuador Continental.
Modelo Bioclimtico
32
Figura 20. Mapa de Termotipos del Ecuador Continental segn la clasifcacin de Rivas Martnez para la representacin
cartogrfca de los Ecosistemas del Ecuador Continental
33
Modelo Bioclimtico Modelo Bioclimtico
33
5.3 Construccin de la capa de Bioclima.
Para construir la capa de Bioclima, se us
al igual que antes la metodologa de Ri-
vas Martnez, la cual estima el bioclima en
funcin del ndice ombrotrmico anual
(Io) y del ndice ombrotrmico de los dos
meses ms secos en el ao (Io2), este l-
timo se calcul primero obteniendo la
precipitacin de los dos meses de menor
pluviosidad que se dedujeron de la base
de datos de estaciones meteorolgicas
antes consolidada.
A continuacin se presenta la capa del
ndice ombrotrmico de los dos meses
ms secos del ao (Iod2).
Una vez calculado el Iod2 y junto con el Io,
se realiz un algebra de mapas en el soft-
ware ArcGis 9 v3, siguiendo los siguientes
criterios para la obtencin de bioclimas
tropicales.
En esta imagen se puede observar los
bosques de las estribaciones orienales de
la cordillera de los Andes caracteristicos
del bioclima pluvial, en el cual la vegeta-
cin no registra meses de estres hdrico.
Finalmente se presenta en la Figura 22, los
bioclimas que se encuentran en el Ecua-
dor continental
Figura 21. Capa del ndice ombrotrmico de los dos meses
ms secos
Tabla 5. Criterios para la clasifcacin de Bioclimas.
Modelo Bioclimtico
34
Figura 22. Mapa de Bioclimas del Ecuador Continental segn la clasifcacin de Rivas Martnez adaptado para la
representacin cartogrfca de los Ecosistemas del Ecuador Continental
35
Modelo Bioclimtico Modelo Bioclimtico
35
6. Validacin y Calibracin
Desde fnales del ao 2010 hasta la Di-
ciembre de 2012, se realizado una cali-
bracin de los primeros ejercicios de mo-
delamiento y una validacin permanente
de las capas fnales, por parte del equi-
po de trabajo del proyecto; se tomaron
como referencia los puntos de las salidas
de calibracin realizadas en este pero-
do, para tener una idea preliminar de la
consistencia y robustez del modelo en el
sentido estricto de prediccin de la ca-
racterizacin climtica, como una herra-
mienta til para la discriminacin de los
ecosistemas.
Todas las salidas efectuadas para el efec-
to, constan en una base de datos espe-
cfca, en la cual se colecta informacin
con el mismo formato de las fchas de
campo levantadas por todo el Proyecto
Mapa de Vegetacin (Ver Anexo 5), di-
cha base de datos se vincul a una co-
leccin de fotografas de la vegetacin
natural remanente de los lugares calibra-
dos y validados (Figura 22). En total se to-
maron 333 puntos de validacin, 211 pun-
tos en el ao 2011 y 121 puntos en el ao
2012, repartidos en todos los ombrotipos,
termotipos y bioclimas cartografados en
este modelamiento bioclimtico.
En la Figura 23, se presentan la ubicacin
de los puntos de validacin obtenidos en
campo, cabe aclarar que en la regin de
la Amazona no se recopilo informacin
porque el rango de variacin de ombroti-
pos y termotipos es mnimo.
Figura 22. Registro fotogrfco de la validacin del Modelo
Bioclimtico del Ecuador Continental
Figura 23. Ubicacin de los puntos de validacin del modelo
bioclimtico del Ecuador Continental
Modelo Bioclimtico
36
Como en todo modelamiento, existieron
errores provenientes del origen de los da-
tos en la mayora de los casos, se solven-
taron en la correccin misma de la serie
de informacin, con el relleno sistemti-
co de informacin y con la inclusin de
otras variables que podan ser predictivas
de las variables climticas. Por otro lado,
la experticia tanto del equipo botnico
como del equipo geogrfco permiti ha-
cer aproximaciones visuales de la validez
y coherencia del modelo, en funcin de
la reciprocidad del modelo clima ve-
getacin, y que segn la experticia del
equipo son fcilmente reconocibles. En
ese sentido, este proceso de calibracin
y validacin permanente permiti mejo-
rar las propiedades del mtodo de inter-
polacin de datos segn los parmetros
que permite manipular el algoritmo.
37
Modelo Bioclimtico Modelo Bioclimtico
37
7. Conclusiones y Recomendaciones
Conclusiones
El modelo bioclimtico del Ecuador con-
tinental mediante el uso y la representa-
cin espacial de los ndices bioclimticos
propuestos en el sistema de clasifcacin
bioclimtica de Rivas Martnez, refeja en
altamente la relacin clima vegetacin
nuestro territorio, por lo que su uso facilit
la discriminacin y el mapeo de los eco-
sistemas.
Pese a que 377 estaciones meteorolgi-
cas recopiladas de la Base de datos del
INAMHI pasaron un fltro riguroso de cali-
dad de la informacin de precipitacin,
no fueron sufcientes para el modelamien-
to de esta variable climtica, por lo que
se hizo necesaria la creacin de estacio-
nes fcticias con datos de otras fuentes de
informacin, dichas fuentes de informa-
cin fueron tiles solo en aquellas zonas
en que el valor estimado tuviera relacin
con el valor esperado para un tipo espe-
cfco de vegetacin.
Dentro de los procesos de validacin de
informacin climtica, es necesario in-
corporar el conocimiento tcnico de un
equipo multidisciplinario, porque la discri-
minacin de los diferentes tipos de vege-
tacin, en una determinada localidad to-
mando en cuenta nicamente los datos
climticos, resulta compleja de analizar.
As, las salidas de comprobacin en cam-
po junto con la experticia del equipo son
en conjunto un insumo importante en la
validacin de la prediccin del modelo
utilizado.
Al ser todo modelamiento una represen-
tacin conceptual, el modelo bioclim-
tico del Ecuador continental tiene sus li-
mitantes, si bien refeja correctamente la
variabilidad de la humedad (ombrotipo)
y de la temperatura (termotipo) en la ma-
yora del territorio, existen algunas zonas,
sobretodo en las cordilleras costaneras,
que el ombrotipo y el termotipo subesti-
man las condiciones ambientales que re-
feja la vegetacin en dichos lugares, por
lo que en estas zonas debe incorporarse
mayor informacin climtica para mode-
lamientos futuros.
Los productos generados por el proyec-
to, correspondientes a la modelacin de
datos climticos tienen una buena reso-
lucin espacial por lo que se espera que
se constituyan por s solos en herramientas
tiles para el desarrollo de otros progra-
mas y proyectos a nivel del sector guber-
namental y del sector privado.
Modelo Bioclimtico
38
Recomendaciones
Para mejorar la construccin de los n-
dices bioclimticos en las zonas de cor-
dilleras costaneras se sugiere el uso de
data logger o estaciones meteorolgi-
cas remotas continuas con mnimo cinco
aos de informacin continua y que di-
chos aos no estn infuenciados por fe-
nmenos extremos del Nio o de la Nia.
Para mejorar el modelamiento bioclim-
tico futuro a nivel local o de microclima
para discriminar asociaciones o comu-
nidades vegetales, es necesario incor-
porar datos de precipitacin horizontal,
de estacionalidad de la direccin de los
vientos y de variacin la temperatura du-
rante el da, de ya que la variacin men-
sual de la precipitacin vertical y de la
temperatura media son las variables cli-
mticas bsicas y mnimas que guardan
relacin a nivel de ecosistema.
La informacin de precipitacin genera-
da en este modelamiento es un prome-
dio de casi cuarenta aos de informa-
cin, por lo que se recomienda su uso
como informacin para caracterizacin
general la precipitacin en el pas y no
como informacin puntual para clculos
especfcos de cuanta de precipitacin
en proyectos de carcter cuantitativo.
39
Modelo Bioclimtico Modelo Bioclimtico
39
Referencias Bibliogrfcas
BURROUGH,P.A. & MCDONNELL,R.A.;
2000 Principles of Geographical Infor-
mation Systems Oxford University Press,
Oxford, 333 pp.1
DIAZ, G. et al., 2008. Interpolacin es-
pacial de la precipitacin pluvial en
la zona de Barlovento y Sotavento del
Golfo de Mxico; Agricultura Tcnica
en Mxico, Vol. 34, Nm. 3, julio-sep-
tiembre, 2008, pp. 279-287 Instituto Na-
cional de Investigaciones Forestales,
Agrcolas y Pecuarias Texcoco, Mxico
GIRALDO, R. 2002. Propuesta de un in-
dicador como variable auxiliar en el
anlisis cokriging. Revista Colombiana
de Estadstica. Fascculo 24.
HIJMANS, R.J., et al., Very high resolu-
tion interpolated climate surfaces for
global land areas. . International, Jour-
nal of Climatology 2005. 25: p. 1965-
1978
MEJIA R., ROURA J., CALVEZ R., 1996b.
Estaciones meteorolgicas, cuenca
del rio Guayas; subcuenca del rio Ba-
bahoyo. Srie INSEQ, 12, 36p.
MITAS, L & MITASOVA, H. (1999) Spatial
Interpolation en Lonngley, M. F. Good-
child, D. J. Maguire, D.W. Rhind (Eds.)
Geographical Information Systems,
pp. 481-492.
NAVARRO, G. y M. MALDONADO,
Geografa Ecolgica de Bolivia: Vege-
tacin y Ambientes Acuticos. 4 ed.
2002, Cochabamba, Bolivia: Centro
de Ecologa Simn I. Patio - Departa-
mento de Difusin.
NOUVELOT J.F., POURRUT P. 1984. El
Nio, phnomne ocanique et at-
mosphrique. Importance en 1982-
1983 et impact sur le littoral quato-
rien. Cahier ORSTOM, srie Hydrologie,
21, 1, 39-65.
NOUVELOT J.F., LE GOULVEN P., POU-
RRUT P. 1994. Analyse statistique et
rgionalisation des prcipitation en
Equateur. In leau en Equateur, prin-
cipaux acquis en hydroclimatologie.
ORSTOM ditions, 43-86.
NOUVELOT J.F., POURRUT P. 1994. Ano-
malies et phnomnes climatiques
extrmes. In leau en Equateur, prin-
cipaux acquis en hydroclimatologie.
ORSTOM ditions, 87-98.
PALACIOS, J., ONTANEDA G., 2011. Bo-
letn Climatolgico Anual ao 2011.
Instituto Nacional de Meteorologa e
Hidrologa (INAMHI).
PAULHUS, J.L.H. y KOHLER, M.A. (1952).
Interpolation of missing precipitation
records. Month. Weath. Rev., 80, pp.
129-133.
POURRUT, P., 1993. Leffet ENSO sur les
prcipitations et les coulements au
Modelo Bioclimtico Modelo Bioclimtico
40
XXme sicle-exemple de lquateur.
Institut Franais des tudes Andines. Bu-
lletin, 22(1): 85-98.
POURRUT, P., 1994. Leau en Equateur.
Principaux acquis en hydroclimatolo-
gie. ORSTOM Editions, Paris, 146p.
ROSSEL F., LE GOULVEN P., CADIER E.
1997B. Rpartition spatiale delinfuence
de lENSO sur les prcipitations annue-
lles de lEquateur. Soumis la Revue
des Sciences de lEau, 13p., 7 fgures.
VAUCHEL, P. 2005 Hydraccess : Logiciel
de gestion et traitement de donnes
hydro-mtorologiques, version 2.1.4.
Tlchargeable sur www.mpl.ird.fr/hy-
bam.
VERA, A. 2009: Etude de la corrlation
entre les diffrents indices du ph-
nomne ENSO (El Nio, La Nia) et les
indices de pluviomtrie et de dbits du
bassin versant de lEsmeraldas (Nord de
la cte Pacifque Equatorienne), Mas-
ter 2 Recherche : H2SE (Hydrologie, Hy-
drochimie, Sol, Environnement), LMTG,
UPS - Universit Paul Sabatier Toulouse.
41
Modelo Bioclimtico Modelo Bioclimtico
Modelo Bioclimtico
A
n
e
x
o
s
Anexo 1
Estaciones meteorolgicas de la bdd inamhi validadas y
utilizadas para el proceso de interpolacin (precipitacin)
42
Modelo Bioclimtico
A
n
e
x
o
s
43
Modelo Bioclimtico Modelo Bioclimtico
A
n
e
x
o
s
44
Modelo Bioclimtico
A
n
e
x
o
s
Anexo 2
Estaciones meteorolgicas adicionales de la bdd inamhi,
Per y trmm validadas y utilizadas para el proceso de
interpolacin (precipitacin)
45
Modelo Bioclimtico Modelo Bioclimtico
A
n
e
x
o
s
Anexo 3
Parmetros del mtodo de interpolacin utilizado para el
modelo de precipitacin
46
Modelo Bioclimtico
A
n
e
x
o
s
Anexo 4
Script para el modelo geoestadistico en R
## Creacin de mapas climatolgicos para Ecuador en R
##
## Autor : Wouter Buytaert
## version 1.1, 2011/04/17
##
## entradas necesarias:
## - hoja excel con datos de lluvia
## - mapa de ubicaciones en formato shape (ESTACIONES_M_UTM_wgs84.shp)
## - DEM
## - mapas sectoresbio_ec
############ 1. Importar los datos de excel ##################
## 2.1. Importa los datos de una hoja corregida de excel.
## y guarda los datos crudos en una lista (INAMHI)
## library(RODBC)
## con <- odbcConnectExcel(fle.choose())
## table <- sqlTables(con)
## INAMHI <- list()
## for(i in 1:nrow(table)) INAMHI[[i]] <- sqlFetch(con, table$TABLE_NAME[i])
## close(con)
## rm(table, con)
## ## 2.2. Convierte los datos en series de tiempo del tipo xts
library(xts)
## data <- INAMHI # mas generico porque generaremos un nuevo objecto del tipo xts
## rm(INAMHI)
## Sys.setenv(TZ=America/Guayaquil)
## INAMHI <- xts()
## for(i in 1:length(data)) {
## if(!is.na(data[[i]][1,1])) {
## name <- data[[i]][1,1]
## prec <- numeric()
## time <- data.frame()
## for(j in 1:nrow(data[[i]])) {
## year <- data[[i]][j,2]
## if(!is.na(year) && (year > 1900) && (year < 2012)){
## time <- rbind(time, cbind(year, 1:12, 15))
## prec <- c(prec, as.numeric(data[[i]][j,3:14]))
## }
## }
## time <- ISOdate(time[,1], time[,2], time[,3], tz=America/Guayaquil)
## prec <- xts(prec, order.by = time)
## prec[prec < 0] <- NA
## names(prec) <- name
## INAMHI <- merge(INAMHI, prec)
## }
## }
## rm(data, name, prec, time, year, i, j)
load(MAE/INAMHI.ts.rda)
############ 2. Filtrar los pluvimetros ##################
## usamos el periodo de 1986 - 2005 que tiene mayor disponibilidad de datos
INAMHI <- INAMHI[1986/2005,]
## eliminar estaciones con menos de 5 anos de datos:
length <- apply(INAMHI, 2, function(x){length(x[!is.na(x)])})
INAMHI <- INAMHI[,length > 60]; rm(length)
## eliminar estaciones de los galapagos
INAMHI <- INAMHI[, !(names(INAMHI) %in% c(M191,M192,M194,M908,MA49,MA52))]
## eliminar estaciones con datos sospechosos:
INAMHI.ts <- INAMHI[, !(names(INAMHI) %in% c(M051,MA2U))]; rm(INAMHI)
############ 3. Crear promedios mensuales ##################
library(rgdal)
pluvios <- readOGR(dsn= fle.choose(), layer = ESTACIONES_M_UTM_wgs84)
pluvios <- as.data.frame(pluvios)
meses <- as.POSIXlt(index(INAMHI.ts))$mon
INAMHI.prom <- apply(INAMHI.ts, 2, function(x) {tapply(x, meses, mean, na.rm=T)})
INAMHI.prom <- data.frame(t(INAMHI.prom), colnames(INAMHI.prom))
colnames(INAMHI.prom) <- c(ene,feb,mar,abr,may,jun,jul,ago,
sep,oct,nov,dic,CODIGO)
INAMHI.prom <- merge(INAMHI.prom, pluvios)
rm(meses, pluvios)
##################### 4. Preparar co-variables #######################
## 4.1. DEM
## importar el DEM (aqui se usa srtm_1km.tif)
srtm <- readGDAL(MAE/srtm_1km.tif)
## eliminar celdas a fuera del ecuador (valores NULL) y preparar el objeto
fullgrid(srtm) <- FALSE
CRS <- proj4string(srtm)
names(srtm) <- srtm
## 4.2. regiones
47
Modelo Bioclimtico Modelo Bioclimtico
regiones <- readGDAL(MAE/sectoresbio_ec.tif)
fullgrid(regiones) <- FALSE
## 4.3. TRMM mensual
## Cargar los mapas TRMM y reproyectar a UTM 17
## ya estan preparados en un archivo trmm.maps.rda
load(MAE/trmm.maps.rda)
proj4string(trmm.maps) <- CRS(+proj=latlong +datum=WGS84)
trmm.maps <- spTransform(trmm.maps, CRS(CRS))
## resamplear los mapas TRMM a la resolucion de srtm
## y guardar todos los mapas en el mismo objeto como diferentes capas (srtm)
library(gstat)
months <- names(trmm.maps)[2:13]
points <- as(srtm, SpatialPoints)
for(month in months) {
formula <- formula(paste(month, ~1, sep=))
mapa <- idw(formula, trmm.maps[,month], points, nmax = 1)
mapa <- mapa[,var1.pred]
names(mapa) <- paste(TRMM., month, sep = )
srtm <- merge(srtm, mapa)
}
## tambien con el mapa de las regiones para estar seguro que esta bien proyectado
mapa <- idw(band1 ~ 1, regiones, points, nmax = 1)
mapa <- mapa[,var1.pred]
names(mapa) <- regiones
srtm <- merge(srtm, mapa)
srtm$regiones <- as.factor(srtm$regiones)
coordinates(srtm) <- ~x + y
proj4string(srtm) <- CRS
## extraer los valores de los mapas TRMM y de las regiones
## en las ubicaciones de los pluviometros para poder armar el modelo
points <- INAMHI.prom[,c(coords.x1,coords.x2)]
coordinates(points) = ~coords.x1 + coords.x2
proj4string(points) <- CRS
for(month in months) {
formula <- formula(paste(month, ~1, sep=))
mapa <- idw(formula, trmm.maps[,month], points, nmax = 1)
mapa <- mapa[,var1.pred]
names(mapa) <- paste(TRMM., month, sep = )
INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))
}
mapa <- idw(band1 ~ 1, regiones, points, nmax = 1)
mapa <- mapa[,var1.pred]
names(mapa) <- regiones
INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))
INAMHI.prom$regiones <- as.factor(INAMHI.prom$regiones)
## 4.4. srtm
mapa <- idw(srtm ~ 1, srtm, points, nmax = 1)[,var1.pred]
names(mapa) <- srtm
INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))
coordinates(INAMHI.prom) <- ~coords.x1 + coords.x2
proj4string(INAMHI.prom) <- CRS
rm(month, formula, mapa, points)
## guardar para no tener que correr de nuevo:
save(INAMHI.prom, INAMHI.ts, srtm, fle=MAE/INAMHI.preparado.rda)
load(MAE/INAMHI.preparado.rda)
################## 5. Identifacion de los covariables ###################
## Se realiza en este caso con Enero
summary(lm(ene ~ srtm, data = INAMHI.prom))
summary(lm(ene ~ srtm:regiones, data = INAMHI.prom))
summary(lm(ene ~ srtm + TRMM.jan, data = INAMHI.prom))
summary(lm(ene ~ srtm:regiones + TRMM.jan, data = INAMHI.prom))
################## 6. Interpolacion usando Kriging ########################
## Usamos el mapa srtm a 1km como template para crear los mapas interpolados:
Pmap <- as.data.frame(SpatialPoints(srtm))
meses <- c(ene,feb,mar,abr,may,jun,jul,ago,sep,oct,nov,dic)
## hacer el analisis para cada mes separadamente:
exp_vars <- list()
ftted_models <- list()
crossval <- list()
for(i in 1:12) {
formula <- formula(paste(meses[i], ~ srtm:regiones + TRMM., months[i], sep=))
exp_vars[[i]] <- variogram(formula, data=INAMHI.prom)
theoretic_model <- vgm(10000, Exp, 50000, 0)
ftted_models[[i]] <- ft.variogram(exp_vars[[i]], theoretic_model)
mapa <- krige(formula, INAMHI.prom, srtm, model = ftted_models[[i]])
crossval[[i]] <- krige.cv(formula, INAMHI.prom, model = ftted_models[[i]])
mapa <- mapa[,var1.pred]@data
names(mapa) <- meses[i]
Pmap <- cbind(Pmap, mapa)
}
## plotear los modelos
for(i in 1:12) {
bitmap(paste(var,i,.png, sep=), res=300, pointsize=12, height=9, width=9)
print(plot(exp_vars[[i]], ftted_models[[i]], main = meses[i]))
dev.off()
}
A
n
e
x
o
s
48
Modelo Bioclimtico
A
n
e
x
o
s
coordinates(Pmap) <- ~x + y
proj4string(Pmap) <- CRS
gridded(Pmap) <- TRUE
fullgrid(Pmap) <- TRUE
for(mes in meses) writeGDAL(Pmap[mes], fname = paste(Prec_, mes, .tif, sep=))
############### resultados de la crosvalidacion ###################
##scores <- matrix(NA, ncol=10,nrow=12)
for(i in 1:12) {
scores[i,9] <- mean(crossval[[i]]$residual)
scores[i,10] <- sd(crossval[[i]]$residual)
}
## resultados para los diferentes modelos (residual promedio / desviacion estandar)
## mes srtm:regiones+TRMM srtm:regiones srtm+TRMM srtm sin covars
## --------------------------------------------------------------------------------
## ene 0.8645 77.2 1.386 77.1 0.053 77.4 0.812 77.0 1.179 77.2
## feb 0.5737 90.3 1.178 92.3 -0.797 92.3 0.176 93.5 0.485 94.4
## mar 0.2655 87.4 0.821 90.3 -1.066 89.5 -0.164 91.5 0.079 93.0
## apr 0.2337 88.4 1.248 92.0 -0.680 89.8 0.750 91.9 1.097 92.7
## may 0.5276 60.9 1.351 67.0 0.151 59.5 1.485 65.3 1.815 66.6
## jun -0.1335 54.6 0.897 57.2 -0.108 55.6 1.729 58.2 1.911 58.8
## jul -0.4972 42.9 0.358 45.6 -0.775 45.7 0.859 47.3 0.942 47.1
## aug -0.2937 29.0 0.599 30.1 -0.571 31.2 0.848 31.9 0.955 32.2
## sep -0.0399 37.7 0.605 38.7 -0.152 38.4 1.178 38.9 1.258 38.9
## oct 0.1130 41.2 0.789 42.5 0.150 40.8 1.329 41.4 0.785 40.7
## nov -0.2058 36.2 0.185 37.7 -0.180 35.2 0.158 35.4 -0.138 34.9
## dec 0.5685 47.1 0.892 48.4 0.170 47.0 0.820 47.8 1.086 47.9
## --------------------------------------------------------------------------------
## PROM 0.165 57.7 0.859 59.9 -0.317 58.5 0.832 60.0 0.955 60.4
49
Modelo Bioclimtico Modelo Bioclimtico
Anexo 5
Ficha de campo validacin bioclima
A
n
e
x
o
s