atlas climatico extremadura

ATLAS CLIMÁTICODE EXTREMADURA

GIC – Grupo de Investigación en ConservaciónUniversidad de Extremadura

AÑO 2000

Introducción

El ATLAS CLIMÁTICO DE EXTREMADURA es uno de los resultados obtenidos con elsistema de información ambiental del Grupo de Investigación en Conservación dela Universidad de Extremadura.

El Atlas incluye dos tipos de variables climáticas:

• a partir de los datos de las estaciones meteorológicas del Instituto Nacional deMeteorología se han elaborado los mapas correspondientes a las variables termo-pluviométricas regionales: precipitaciones, temperaturas y variables derivadas.

• a partir del modelo digital de elevaciones y de simulaciones programadas en elsistema de información se han elaborado los índices de exposición a la insolación.

Las variables climáticas están estructuradas en forma de modelos digitales del te-rreno. En el caso de las variables termopluviométricas, el tamaño de celda es de 500m; los índices de exposición se han construido con una resolución espacial de 100metros.

Neftalí Sillero

a partir de los datos de las estaciones meteorológicas del Instituto Nacional de Meteorología se han elaborado los mapas correspondientes a las variables termopluviométricas regionales: precipitaciones, temperaturas y variables derivadas.

Neftalí Sillero

a partir del modelo digital de elevaciones y de simulaciones programadas en el sistema de información se han elaborado los índices de exposición a la insolación.

Métodos

La construcción de mapas climáticos mediante interpolación ha generado una cantidad notable debibliografía específica. El planteamiento es simple: a partir de un conjunto de datos puntuales(estaciones meteorológicas) localizadas en un espacio geográfico, deben estimarse los valorescorrespondientes a otros lugares incluidos en un dominio espacial determinado.

El problema, por tanto, puede resolverse mediante un método de interpolación adecuado. Sinembargo, las dificultades son importantes debido a la naturaleza de los datos. Frecuentemente, lasseries son heterogéneas en calidad y longitud, su distribución espacial no es idónea y las propiasvariables suelen mostrar una variabilidad temporal muy notable. Asimismo, la influencia del relievesuele introducir variaciones difícilmente replicables, especialmente porque las estacionesmeteorológicas escasean en las zonas de montaña.

Por estos motivos, debe considerarse que los mapas climáticos representan los patrones espacialesde distribución de las variables y deben ser interpretados sin perder de vista que la resoluciónespacial es frecuentemente de decenas de km.

El "mejor" método de interpolación climática sigue siendo objeto de controversia. Parece claro queeste método universal no existe sino que, en función de las características territoriales y de los datosdisponibles, unos pueden funcionar mejor que otros en diferentes lugares y circunstancias.

En el caso concreto de estos mapas, el método usado ha sido la interpolación conocida como thinplate splines, propuesta por M.F. Hutchinson (ver bibliografía), aunque han sido también valoradoslos métodos de kriging habituales en prospección minera, así como los basados en regresiónmúltiple.

Neftalí Sillero

La construcción de mapas climáticos mediante interpolación ha generado una cantidad notable de bibliografía específica. El planteamiento es simple: a partir de un conjunto de datos puntuales (estaciones meteorológicas) localizadas en un espacio geográfico, deben estimarse los valores correspondientes a otros lugares incluidos en un dominio espacial determinado.

Neftalí Sillero

En el caso concreto de estos mapas, el método usado ha sido la interpolación conocida como thin plate splines,

Bibliografía

Beek, E.G.; Stein, A.; Janssen, L.L.F. (1992) Spatial variability and interpolation of dailyprecipitation amount. Stochastic Hydrology and Hydraulics, 6: 304-320.

Bigg, Grant R. (1991) Kriging and intraregional rainfall variability in England. International Journal ofClimatology, 11:663-675.

Collins, Fred C.; Bolstad, Paul V. (1996) A comparison of spatial interpolation techniques intemperature estimation. NCGIA Third International Conference/Workshop on Integrating GIS andEnvironmental Modelling. Disponible en Internet:http://www.sbg.ac.at/geo/idrisi/GIS_Environmental_Modeling/sf_papers/ collins_fred/collins.html

Daly, Christopher (1994) A statistical-topographic model for mapping climatological precipitationover mountainous terrain. Journal of Applied Meteorology, 33(2): 140-158.

Dingman, S. Lawrence; Seely-Reynolds, Diana M.; Reynolds, Robert C. (1988) Application ofkriging to estimating mean annual precipitation in a region of orographic influence. WaterResources Bulletin, 24(2): 329-339.

Hutchinson, M.F.; Bischof, R.J. (1983) A new method for estimating the spatial distribution of meanseasonal and annual rainfall applied to the Hunter Valley, New South Wales. AustralianMeteorological Magazine, 31: 179-184.

Hutchinson, M.F.; Booth, T.H.; McMahon, J.P.; Nix, H.A. (1984) Estimating monthly mean valuesof daily total solar radiation for Australia. Solar Energy, 32(2): 277-290.

Hutchinson, M.F. (1991) Climatic analyses in data sparse regions. In Muchow & Bellamy (Eds.)Climatic risk in crop production: 55-71. CAB International.

Hutchinson, M.F. (1991) The application of thin plate smoothing splines to continent-wide dataassimilation. In J.D. Jasper (Ed.): Data Assimilation Systems. BMRC Research Report, 27: 104-113.

Hutchinson, M.F. (1995) Interpolating mean rainfall using thin plate smoothing splines. InternationalJournal of Geographical Information Systems, 9 (4): 385-403.

Lennon, Jack J.; Turner, John R.G. (1995) Predicting the spatial distribution of climate temperaturein Great Britain. Journal of Animal Ecology, 64: 370-392.

Saveliev, Anatoly A.; Mucharamova, Svetlana S.; Piliugin, Gennady A. (1998) Modeling of thedaily rainfall values using surfaces under tension and kriging. Journal of Geographic Information andDecision Analysis, 2(2): 58-71-

Stein, A. (1993) Spatial interpolation of soil moisture data with universal cokriging. QuantitativeGeology and Geostatistics (Serie): Geostatistics Tróia '92, 2: 841-852.

Monografías

Journal of Geographic Information and Decision Analysis,Vol. 2, No. 2. Special Issue: Spatial Interpolation Comparison 97

http://publish.uwo.ca/~jmalczew/gida_4.htm

M. G. Genton & R. Furrer , Analysis of Rainfall Data by Simple Good Sense: Is Spatial StatisticsWorth the Trouble?

M. Tomczak, Spatial interpolation and its uncertainty using automated anisotropic inverse distanceweighing (IDW) - Cross-validation /Jackknife approach.

A. Ali, Nonparametric spatial rainfall characterization using adaptative kernel estimator.

B. Rajagopalan & U. Lall, Locally weighted polynomial estimation of spatial precipitation.

A.A. Saveliev, S.S. Mucharamova & G. A. Piliugin, Modeling of the daily rainfall values usingsurface under tension and kriging.

P. M. Atkinson & C. D. Lloyd, Mapping precipitation in switzerland with ordinary and indicatorkriging.

D. Allard, Geostatistical classification and class kriging.

L. Raty & M. Gilbert, Large-scale versus small-scale variation decomposition, followed by krigingbased on a relative variogram, in presence of a non-stationary residual variance.

M. G. Genton & R. Furrer, Analysis of rainfall data by robust spatial statistics using S+ SpatialStats.

R. Bruno & B. M. Capicotto, Geostatistical Analysis of Pluviometric Data: IRF-K Approach.

M. F. Hutchinson, Interpolation of rainfall data with thin plate smoothing splines: I. Twodimensional smoothing of data with short range correlation.

M. F. Hutchinson, Interpolation of rainfall data with thin plate smoothing splines: II. Analysis oftopographic dependence.

A. H. Thieken, Estimating daily regional rainfall fields by multiquadric functions: accuracy ofinterpolation and decision making.

J. G. Wendelberger, The estimation of rainfall distribution for emergency response to chernobyltype incidents utilizing multidimensional smoothing splines.

G. Gallo, M. Spagnuolo & S. Spinello, Rainfall estimation from sparse data with fuzzy B-splines

Y. Huang, P. M. Wong & T. Gedeon, Spatial interpolation using fuzzy reasoning and geneticalgorithms.

V. Demyanov, M. Kanevski, S. Chernov, E. Savelieva & V. Timonin, Neural network residualkriging application for climatic data.

S. Lee, S. Cho & P. M. Wong, Rainfall prediction using artificial neural networks.

Y. M. Lee,A methodological study of the application of the maximum entropy estimator to spatialinterpolation.

$

$

$

$

$

$

$

$

$

$

$$

$$

$

$ $

$$

$

$

$

$

$$

$$

$

$

$

$$$

$

$$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$$

$

$

$

$

$$$

$

$

$ $

$

$

$

$

$

$

$

$

$

$

$

$

$

$$

$

$

$

$

$

$$

$

$

$

$

$

$

$$

$$$$$

$$$

$$ $

$$

$

$$

$$

$

$

$$$

$

$

$

$$$

$

$

$

$

$$

$

$

$

$

$$$

$

$

$

$

$$

$

$

$

$

$

$

$$$$

$

$

$$$

$

$

$

$

$

$

$$

$

$

$

$

$

$

$

$

$

$$

$

$

$

$

$$

$

$$

$

$$

$$

$

$$

$

$$$

$

$

$

$

$

$$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$$

$

$

$

$

$

$

$

$

$

$

$

$

$

$$

$

$

$$

$

$

$$

$

$

$

$$

$$

$$

$ $

$

$$

$

$

$

$

$

$

$$

$$

$$

$

$

$$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$$

$$

$

$ $

$$

$

$

$

$$

$$

$

$

$

$$

$

$$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$

$$$

$

$

$ $

$

$

$

$

$

$

$

$

$

$

$

$

$

$$

$

$

$

$

$

$$

$

$

$

$

$

$

$$

$$$$$

$$$

$$ $

$$$

$$

$$

$

$

$$$

$

$

$

$$$

$

$

$

$

$$

$

$

$

$

$$$

$

$

$

$

$$

$

$

$

$

$

$

$$

$

$

$$

$

$

$

$$

$

$$

$

$

$

$

$

$

$

$$

$

$

$

$

$

$$

$

$

$

$

$

$

$

$

$

3448

34533465

3495

3502

3519

3549

3576

4238

4244

4250

4325

4331

4376

4383

4392

4411

4452

4471

4484

4500

4503

4511

3384

34393429E

3469A

3504A3514A

3562U

4251A

4348E

4395B

4406A

4429C

4431E

4436A

4444B

3385E

3427E

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

0 10 20 30 40 km

Escala 1:1.000.000

Proyección UTM (huso 30)Esferoide Internacional 1909

6

Estaciones meteorológicas de Extremadura

Grupo de Investigación enConservación

Tipo de estaciones

termopluviométricas contrastadas no contrastadaspluviométricas

LEYENDA

$$$

TEMPERATURAS

41

42

40

39

43

38

3736

39

39

43

39

38

37

40

39

39

38

41

40

40

41

42

39

41

41

37

38

42

36

40

42

40

39

41

43

38

42

40

38

42

41

40

41

40

40

43

40

42

41

40

43

4040

43

42

42

41

40

40

40

43

42

42

40

40

40

39

42

39

38

41

40

38


150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Temperatura máxima absoluta (ºC)

LEYENDATemperatura máximaabsoluta (ºC)

0 10 20 30 40 km

Escala 1:1.000.000


6

< 36.0

36.0 - 36.9

37.0 - 37.9

38.0 - 38.9

39.0 - 39.9

40.0 - 40.9

41.0 - 41.9

42.0 - 42.9

43.0 >

29 28

27

26

30

25

31

28

29

28

26

26

28

30

30

29

2930

29

27

30

30

30

29

29

27

30

29

27

27

29

30

27

28

28

28

28

27

29

30

27

27

30

28

28

29

29

29

27

30

28

28

27

28

28

26

29

30

30

29

29

0 10 20 30 40 km

Escala 1:1.000.000


6

Temperatura media de las máximas anual (ºC)150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Temperatura media delas máximas anual (ºC)

< 24.0

24.0 - 25.0

25.0 - 26.0

26.0 - 27.0

27.0 - 28.0

28.0 - 29.0

29.0 - 30.0

30.0 - 31.0

31.0 - 32.0

LEYENDA


9

10

8 7 6

11

12 13

9

9

10

11

1110

1212

9

9

11 13

9

11

13

12

12

9

9

11

12

11

8

13

8

9

8

12

7

10

10

8

10

11

9

12

7

11

12

10

10

9

9

9 11

12

10

10

11

10

8

11

9

11

12

10


150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Temperatura media de las mínimas anual (ºC)

0 10 20 30 40 km

Escala 1:1.000.000


6

Temperatura media delas mínimas anual (ºC)

LEYENDA

< 6.0

6.0 - 7.0

7.0 - 8.0

8.0 - 9.0

9.0 - 10.0

10.0 - 11.0

11.0 - 12.0

12.0 - 13.0

13.0 - 14.0

> 14.0

-3

-2

-4

-10

-5

1

-6

2

-7

34

-8-1

-1

-5

-4

0

-2

-4

-6

-1

-1

-1

-2

-1

-3

-2

-3

2

-1

-5

-1

-4

0

-1

-3

-3

0

-4

-1

0

-4

-3

0

0

-3

0

-5

-3

-4

2

-6

-5

0

0

-5

1

-1

-3

-2

-5

-3

-3

-6

1

-2

-3

1-4

-2

-3

-4

-2

-3

-3

0

-3

-1

-5

-3

-2

-4

-4

-1

-1

0

-2

-2

-1

-4

-1

0

-3

0

1

-3-2

-4

Temperatura mínima absoluta (ºC)150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000


0 10 20 30 40 km

Escala 1:1.000.000


6

Temperatura mínimaabsoluta (ºC)

LEYENDA

< -7.0

-7.0 - -6.0

-5.9 - -5.0

-4.9 - -4.0

-3.9 - -3.0

-2.9 - -2.0

-1.9 - -1.0

-0.9 - 0.0

0.0 - 1.9

2.0 >

20 30 40

10

0

5060

20

0

10

0

0

0

50

10

60

10

20

10

0

020

10

20

10

50

10

40

40

50

20

30

20

30

20

30

10

30

10

30

0

30

30

40

10

20

10

0

30

30

10

40

10

0 20

0

0

10


Días de helada anuales150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Días de helada anuales

LEYENDA

0 - 5

6 - 10

11 - 15

16 - 20

21 - 25

26 - 30

31 - 40

41 - 50

51 - 60

> 60

0 10 20 30 40 km

Escala 1:1.000.000


6

PRECIPITACIONES

600

500

700

400

900 800

100011001200

300

1300

1400

1500

1600

600

900

700

400

600400800

400

700

400500

600

600

600

400

1300

400

800

700

500

1000

400

700

1500

1400

500

700

1600

800

800

600

600500

600

1100600

700

1300

1200

600

700

600

700

500

600

600

500500

400

800

700

400

1000

500

500

500

700

400

400

800

500

500

400

700

900

600

800

300

600

700

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Precipitación media anual (litros/m²)

0 10 20 30 40 km

Escala 1:1.000.000


6

< 300

300 - 400

400 - 500

500 - 600

600 - 700

700 - 800

800 - 1000

1000 - 1200

> 1200

LEYENDAPrecipitación media anual(litros/m²)


100

150

250

200

50

350

100

200

100

100

50

150

150

350

150

100

150

50

150

100

300

150

150

250

250

100

150

300

100

150

150

150

100

150

200

100

150

150

200

100

200

300

0 10 20 30 40 km

Escala 1:1.000.000


6

Precipitación media en el periodo enero-marzo (litros/m²)


< 50

50 - 100

100 - 150

150 - 200

200 - 250

250 - 300

300 - 350

> 350

Precipitación media en el primer trimestre:enero-marzo (litros/m²)

LEYENDA

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

150

200

250

300 350

100

400450

100

100

150

100

100

100

150

200

150

300

150

200

150

350

100

200

150

100

150

250

200

200

150

150

250 150

150

200

100

150

150

200

200

150

200

100

150

150

250

200

100

150

100

100

250

100

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Precipitación media en el periodo abril-junio (litros/m²)


0 10 20 30 40 km

Escala 1:1.000.000


6

< 50

50 - 100

100 - 150

150 - 200

200 - 250

250 - 300

300 - 350

350 - 400

> 400

LEYENDAPrecipitación media en el segundo trimestre:abril-junio (litros/m²)

50

75

25

100

125

50

125

25

50

100

25

50 50

25

75

5050

50

75

50

25

25

25

50

25

50

50

25

75

25

25

10050

75


Precipitación media en el periodo julio-septiembre (litros/m²)150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

0 10 20 30 40 km

Escala 1:1.000.000


6

< 25

25 - 50

50 - 75

75 - 100

100 - 125

125 - 150

Precipitación media en el tercer trimestre:julio-septiembre (litros/m²)

LEYENDA

200

300

400500

600

700

100

800

200

500

200

200

300

300

400

200

300

100

300

200

300

300

400

400

600

300

700

200

300

300

300

200

400

500

200

300

400

300

300

400200

400

100

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000


Precipitación media en el periodo octubre-diciembre (litros/m²)

0 10 20 30 40 km

Escala 1:1.000.000


6

LEYENDAPrecipitación media en el primer trimestre:enero-marzo (litros/m²)

< 100

100 - 200

200 - 300

300 - 400

400 - 500

500 - 600

600 - 700

700 - 800

> 800

70

80

60 90

50

100

40

110120

30

130

70

90

90

5060

70

80

80

90

90

80

50

100

90

60

70

5070

100

50

90110

80

80

80

90

70

50

50

70

80

100

70

70

80

70

60

60

90

80

80

70

70

90

60

60

50

80

80

70

60

60

60

50

80

80

60

80

60

90

70

90

50

60

60

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Días de lluvia anuales


Días de lluvia anuales

LEYENDA

< 40

41 - 50

51 - 60

61 - 70

71 - 80

81 - 90

91 - 100

101 - 110

111 - 120

> 120

0 10 20 30 40 km

Escala 1:1.000.000


6

INSOLACIÓN


Índices de exposición a la insolación (declinación solar = -23º)150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Índices de exposición(declinación = -23º)

LEYENDA

0.00 - 0.25

0.25 - 0.50

0.50 - 0.75

0.75 - 1.00

1.00 - 1.25

1.25 - 1.50

1.50 - 1.75

1.75 - 2.50

0 10 20 30 40 km

Escala 1:1.000.000


6


Índices de exposición a la insolación (declinación solar = -23º)

240000

240000

250000

250000

260000

260000

270000

270000

280000

280000

290000

290000

300000

300000

310000

310000

4420

000 4420000

4430

000 4430000

4440

000 4440000

4450

000 4450000

4460

000 4460000

1.75 - 2.50

1.50 - 1.75

1.25 - 1.50

1.00 - 1.25

0.75 - 1.00

0.50 - 0.75

0.25 - 0.50

0.00 - 0.25

LEYENDAÍndices de exposición(declinación = 0º)

150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Índices de exposición a la insolación (declinación solar = -12º)


1.75 - 2.50

1.50 - 1.75

1.25 - 1.50

1.00 - 1.25

0.75 - 1.00

0.50 - 0.75

0.25 - 0.50

0.00 - 0.25

LEYENDAÍndices de exposición(declinación = -12º)

0 10 20 30 40 km

Escala 1:1.000.000


6


Índices de exposición a la insolación (declinación solar = 0º)150000

150000

200000

200000

250000

250000

300000

300000

350000

350000

4200

000 4200000

4250

000 4250000

4300

000 4300000

4350

000 4350000

4400

000 4400000

4450

000 4450000

Índices de exposición(declinación = 0º)

LEYENDA

0.00 - 0.25

0.25 - 0.50

0.50 - 0.75

0.75 - 1.00

1.00 - 1.25

1.25 - 1.50

1.50 - 1.75

1.75 - 2.50

0 10 20 30 40 km

Escala 1:1.000.000


6

atlas climatico extremadura

Documents