MÉTODOS LINEALES DE

REGIONALIZACIÓN

Petra Ramos Calzado

Bogotá 1-abril-2008

1
Métodos lineales de regionalización

1. Introducción
2. Regresión lineal
1. Tipos de ajustes utilizados
1. Mínimos cuadrados
2. MSAE
2. Evaluación de la bondad del ajuste
3. Métodos de selección de variables
3. Modelos lineales de regionalización
1. Modelo no condicional
2. Modelo condicional
4. Método de selección de variables
5. Ejemplo de aplicación.
1. Selección de variables
2. Calibración
3. Valicación
4. Obtención de proyecciones

01/04*2008 www.aemet.es 2
 INTRODUCCIÓN

Objetivo:
Obtener proyecciones de cambio climático a escala local a partir de las salidas de
los modelos climáticos globales mediante técnica de regresión lineal múltiple.

y  f (x)

3
 REGRESIÓN LINEAL MÚLTIPLE

• Regresión lineal múltiple:

y   0  i i xi  

•Obtención de los parámetros:

•Mínimos cuadrados
 
min   ( y j   0   i xij ) 2 
 j i 
•MSAE
 
min   y j   0   i xij 

 j i 

4
Métodos lineales de regionalización
CARACTERÍSTICAS
• Mínimos Cuadrados
• Estimadores de máxima
verosimilitud si los residuos son
independientes y tiene una
distribución normal.
• Residuos N(0, s) e
independientes entre sí
• Las variables predictoras son
linealmente independientes
• Sensibilidad de los parámetros a
valores atípicos
• La incertidumbre de la
predicción aumenta al desviarse
las variables predictoras de sus
valores medios.
• MSAE
• Estimadores de máxima
verosimilitud si los residuos son
independientes y tienen una
distribución de Laplace.
• Útil si no se cumplen varias de
las hipótesis de Mínimos
Cuadrados.
• Mayor resistencia de los
parámetros a los valores atípicos
y en distribuciones de errores
con cola extendida.(Narula and
Wellitong, 2002)
• Algoritmo de Narula and
Wellington (Applied Statistics, )
5
• Bondad de ajuste.
• Coeficiente de determinación corregido.

 ei
2

n 1
R 
2 i

 i
( y
i
 y ) 2
n  k 1

• Validación cruzada.
Verificar con una muestra independiente de la utilizarla para
contruirlo.
• Coeficiente de robustez
(No indicado para MSAE) Narula and Wellington(2002)

11/02/2008 www.aemet.es 6
 SELECCIÓN DE VARIABLES

• Eliminación progresiva. • Regresión paso a paso:

• Similar a la introducción progresiva
ˆi
t n  k 1  • Selección nueva variable:
• Estadístico t significativo de la nueva
sˆR qii variable
• Estadístico t significativo de las
• Introducción progresiva seleccionadas previamente.
• Eliminar aquella variable con t no significativo
• Regresión simple con todas. Escoger la
para el nivel de significación indicado.
mejor correlacionada.
• Coeficientes de correlación parcial (k-1) • El mejor subconjuntos de variables
restante e y • Regresión lineal con todas y escoger la
• Mayor coeficiente correlación parcial. mejor correlacionada.
• Ajuste con la nueva variable y evaluación • Formar tantos subconjuntos como
del estadístico t del coeficiente de la variable no seleccionada, añadiendo al
variable nueva. subconjunto ya seleccionado una de las
• Repetición proceso. variables pendientes.
• Escoger aquella variable que introduce
más mejora en R2c

7
TIPOS DE MODELOS LINEALES PARA PROYECCIONES CLIMÁTICAS

Tipos de modelos en función de que la relación entre la variable

predictando y las variables predictoras sea directa o no :
• Modelo no condicional
Asume una relación directa entre predictores y predictando.

• Modelo condicional
El predictando depende de una variable intermedia, p.e. probabilidad de
ocurrencia

8
 MODELO CONDICIONAL
• Ajuste de la probabilidad de ocurrencia del fenómeno para
un año y mes dado (Kilsby et al. 1998)
rp
Pjk 
1  e  0  l  jkl x jkl 
 
• Ajuste del valor de la variable

Y jk  ry e
0  l  jkl x jkl
• Incorporación del proceso estocástico (r procede de
distribución uniforme)

Pjk  r Ocurre el fenómeno

9
 APLICACIÓN A LOS OBSERVATORIOS ESPAÑOLES
Temométrica Pluviométrica

Número de estaciones: Modelo utilizado:

Termométricas: 373 Temperaturas extremas: No condicional

Pluviométricas: 2324 Precipitación: Condicional

10
 SELECCIÓN DE OBSERVATORIOS
• Datos disponibles: Series anuales de longitud superior a 19 años.
• Temométricas 782
• Pluviométricas 2831
• Homogeneidad de la serie:
• Temperatura (Test de Mann)
• Precipitación (Test de Alexanderson y de Wald-Wolfowitz)

11
 DATOS UTILIZADOS

• Variables predictando:
Base de datos
• Temperatura máxima diaria
• Temperatura mínima diaria
climatológica de la
• Cantidad de precipitación diaria AEMET (1961-2000)

• Variables predictoras. http://www.cics.uvic.ca/scena

• Nivel 500 y 850 hPa
rios/sdsm/select.gci
• Geopotencial
• Humedad relativa
•Calibración
• Componente meridiana del viento •Datos de reanálisis
• Componente zonal del viento
NCEP/NCAR (1961-2000)
• Velocidad geostrófica
• Divergencia •Generación proyecciones
• Vorticidad
de cambio climático
• Superficie
• Temperatura • Modelo climático global
• Presión a nivel del mar HadCM3 (A2, B2)(1961-
• Humedad específica 2100)
• =nivel 500 menos geopotencial

12
 PROCEDIMIENTO

1. Selección de variables predictoras

2. Calibración del modelo a utilizar
3. Validación del modelo
4. Generación de proyecciones de cambio
climático

13
 SELECCIÓN DE VARIABLES PREDICTORAS
• Método: Selección del mejor subconjunto de variables
Variación de R2c con la introducción de nuevas variables según el método
mejor subconjunto de variable.

14
 SELECCIÓN DE VARIABLES

PREDICTOR % Estaciones PREDICTOR % Estaciones

TEMPERATURA MÁXIMA
PROBABILIDAD PRECIPITACIÓN
Temperatura a 2 m 99
Humedad relativa a 2m 67
Humedad relativa a 500 hPa 86
Humedad relativa a 500 hPa 54
Humedad relativa a 850 hPa 83
Humedad relativa a 850 hPa 52
TEMPERATURA MÍNIMA
PRECIPITACIÓN DIARIA
Temperatura a 2 m 100
Humedad relativa a 500 hPa 37
Humedad específica a 2 m 89
Presión a nivel del mar 37

Vorticidad en superficie 70 Humedad específica a 2 m 31

15
 CALIBRACIÓN DE LOS MODELOS (TEMPERATURA)

• Modelo no condicional para las Temperaturas extremas.

•Ajuste de las regresiones lineales con los campos
seleccionados
• Modelo condicional para la precipitación:
•Ajuste de la probabilidad mensual de precipitación diaria
superior a 1 mm a los campos seleccionaldos
•Ajuste de la precipitación diaria (superior a 1 mm) a los
campos diarios seleccionados.

16
 BONDAD DE LOS AJISTES PARA LAS TEMPERATURA

Temperatura máxima Temperatura mínima

17
 BONDAD DE LOS AJUSTES DE LA PRECIPITACIÓN

Probabilidad de precipitación Precipitación diaria

18
VALIDACIÓN DEL MODELO (TEMPERATURAS)

19
VALIDACIÓN DEL MODELO (TEMPERATURAS)

20
VALIDACIÓN DEL MODELO (TEMPERATURAS)

21
VALIDACIÓN DEL MODELO (PRECIPITACIÓN)

22
VALIDACIÓN DEL MODELO (PRECIPITACIÓN)

23
 PROYECCIONES DE CAMBIO CLIMÁTICO (temperatura)
Las proyecciones de cambio climático se han generado para el periodo
2011-2099 Temperatura mínima
Temperatura máxima

2011-2040

2071-2099

24
PROYECCIONES DE CAMBIO CLIMÁTICO (precipitación)

2011-2040 2071-2099

25
EVOLUCIÓN TEMPORAL DE LAS PROYECCIONES

26
 RESUMEN

• El método de regionalización estadística basado en regresión lineal es utilizado para la obtención de

proyecciones de cambio climático en un punto determinado a partir de las salidas de los modelos
climáticos globales.
• Su aplicación supone la hipótesis de que la función de transferencia obtenida con los datos del clima
de un periodo determinado es aplicable en un clima que está cambiando.
• Su aplicación requiere la existencia de series de datos homogéneas y de longitud adecuada.
• Se han presentado dos modelos de regionalización uno directo y otro condicional, en función de la
conexión entre el predictando y los predictores.
• Se ha mostrado la aplicación de los modelos de regionalización lineales a las temperaturas máximas
y mínima diarias de 373 estaciones termométrica españolas y a la precipitación diaria de 2324
estaciones pluviométricas españolas. El modelo global utilizado para la obtención de las
proyecciones ha sido el HadCM3, mientras que para la fase de calibración se ha utilizado los datos
procedentes del reanálisis NCEP/NCAR. Los escenarios considerados han sido el A2 y B2.
• Este método se ha utilizado en España para obtener proyecciones de cambio climático para el
periodo 2011-2099 junto con otros métodos de regionalización tanto estadísticas como dinámicas.

27